一种基于数据驱动的燃料电池往复式增压压缩机故障智能诊断系统及方法
本发明涉及设备故障诊断,尤其涉及一种基于数据驱动的燃料电池往复式增压压缩机故障智能诊断系统及方法。
背景技术:
1、燃料电池系统能量转换效率可达60%以上,是氢能利用的核心环节。往复式增压压缩机作为燃料电池系统的关键供气设备,其运行状态直接影响系统寿命与安全性。压缩机气阀、活塞、弹簧等零部件长期承受交变载荷与高温高压工况,易发生阀片磨损、弹簧失效等故障。该类故障在早期表现为振动信号中的微弱冲击成分,加之压缩机振动信号具有强非平稳性、强冲击性和低信噪比特征,多振源耦合叠加使得故障特征极易被噪声淹没,给准确诊断带来极大困难。
2、目前,往复式压缩机故障诊断方法主要分为两类。其一,传统故障诊断方法依赖人工经验进行时域、频域或时频域特征提取,再结合浅层分类器进行判别。该方法特征选择主观性强、泛化能力差,对强非平稳、低信噪比信号的深度信息挖掘不足,难以满足在线监测需求。其二,基于数据驱动的智能故障诊断方法虽逐步应用于该领域,但仍存在关键技术瓶颈:变分模态分解(vmd)的模态数k与惩罚因子α多通过人工试凑确定,参数选择不当易导致过分解或欠分解,使微弱故障特征在分解环节即发生丢失;现有样本熵(se)等特征对信号幅值变化不敏感,难以有效表征冲击型故障严重程度;常规卷积神经网络采用固定尺寸卷积核,特征提取尺度单一,且深度模型推理速度慢,诊断精度与实时性难以兼顾。
3、此外,现有诊断系统多为离线分析工具或功能单一软件,采集、处理、识别各环节相互割裂,关键参数需人工设定,缺乏自适应能力和全流程自动化处理机制,亦缺乏全流程自动化处理机制与远程运维功能,智能化水平低,无法满足工业现场对实时性、鲁棒性与预测性维护的实际工程需求。
技术实现思路
1、本发明要解决的技术问题是:针对现有燃料电池往复式增压压缩机故障诊断方法存在vmd参数依赖人工试凑导致微弱特征丢失、传统样本熵对冲击型故障幅值变化不敏感、单尺度cnn特征提取不充分且实时性差,以及缺乏全流程自适应智能诊断系统的综合缺陷,本发明提供了一种基于数据驱动的燃料电池往复式增压压缩机故障智能诊断系统及方法,旨在实现自适应信号分解、冲击敏感特征增强、多尺度深度特征高效提取与轻量化分类,以及端到端自动化智能诊断。
2、一方面,本发明解决其技术问题所采用的技术方案是:一种基于数据驱动的燃料电池往复式增压压缩机故障智能诊断方法,包括以下步骤:
3、s1.多通道振动信号采集:将加速度传感器固定于往复式增压压缩机待测点位上,通过数据采集卡同步采集x、y、z三个轴向的振动信号,用于实现多方向振动信号的同步采集与传输。
4、s2.信号预处理:对实时获取的所述振动信号进行预处理。
5、s3.基于包络熵最优准则的sabo-vmd自适应参数协同优化:采用减法平均优化算法(sabo),以包络熵最小值为适应度函数,协同迭代搜索变分模态分解(vmd)的最优模态数k与惩罚因子α的参数组合。
6、s4.非平稳故障信号的自适应分解:利用最优所得上述参数组合对非平稳故障信号(s1中的振动信号,也称原始振动信号)进行变分模态分解,得到多个本征模态函数(imf)分量。变分模态分解可有效分离不同频段振动信息,凸显微弱故障特征。
7、s5.故障敏感分量筛选:采用峭度-相关系数联合准则筛选所述imf分量:先以相关系数阈值剔除与原始振动信号相关性弱的冗余imf分量,保留与设备运行状态高度关联的imf分量;再选取峭度值最大的imf分量作为故障敏感分量,完成初步降噪与特征提纯。
8、引入幅值加权样本熵(wse)机制,对所述故障敏感分量进行幅值加权处理,根据振动冲击幅值大小分配特征权重,实现“故障冲击幅值越大→特征权重越高”的动态分配,区别于常规注意力机制/频域加权的全局或固定权重模式,进一步强化气阀磨损、弹簧失效等往复式压缩机特有微弱故障的冲击特征,抑制背景噪声干扰,输出加权特征向量。
9、s6.时频样本构建:对筛选后的故障敏感分量经连续小波变换生成二维时频图像样本。对全部二维时频图像样本采用分层抽样方式,按7:3比例分层划分训练样本集、测试样本集。本步骤将一维时域振动信号转换为适配多尺度卷积学习的时频域特征图像,突出往复式压缩机气阀故障的瞬时冲击特征,为后续深度特征学习提供针对性输入。
10、s7.基于多尺度卷积神经网络(mcnn)的深层特征自适应学习:将所述二维时频图像样本输入mcnn,通过多尺度卷积核并行提取多频段、多层次故障冲击特征,精准捕捉往复式压缩机气阀故障的瞬时冲击与时频分布规律,实现多尺度特征融合,输出深层特征向量。
11、s8.wse加权特征与mcnn深层特征的耦合融合:将s6所得wse加权特征向量与s8所得mcnn深层特征向量进行特征层动态耦合,构建全局融合特征向量。
12、s9. 基于核极限学习机kelm的故障智能分类:将所述融合特征向量输入核极限学习机kelm,以结构风险最小化构建mcnn-kelm轻量化融合诊断模型;训练样本集用于mcnn-kelm轻量化融合诊断模型离线迭代训练,测试样本集独立用于mcnn-kelm轻量化融合诊断模型泛化性能验证,无数据交叉泄露。mcnn-kelm轻量化融合诊断模型最终输出正常、阀片磨损、弹簧失效三类故障状态。上述模型并非将深层时频特征与加权特征简单拼接,而是在特征层实现动态融合,以核极限学习机kelm作为分类器,替代传统深度神经网络复杂的反向传播过程,在小样本工况下仍能保持高诊断精度与快速推理速度,更适配工业现场实时诊断需求,解决了现有方法在往复式压缩机微弱故障识别中精度不足、实时性差的技术问题。
13、实验数据表明,本方案在往复式压缩机气阀磨损、弹簧失效等微弱故障识别中,相比常规多尺度cnn方法,故障分类准确率提升8%以上,噪声干扰下的误检率降低12%,可精准识别正常、阀片磨损、弹簧失效三类故障状态。
14、在其中一些实施例中,在所述步骤s1中,所述加速度传感器固定于往复式增压气缸、气阀等关键待测点位,用于实时采集往复式增压压缩机正常状态及各类故障状态下的振动信号(平稳信号和非平稳故障信号),作为后续故障诊断的输入数据。
15、在其中一些实施例中,在所述步骤s2中,所述预处理包括通过小波变换和fft变换对振动信号进行去噪和时频分析,通过上述预处理实现了时域-频域双重净化,为全链路高精度故障诊断奠定了可靠的数据质量基础。
16、在其中一些实施例中,在所述步骤s3中,所述sabo-vmd自适应参数协同优化具体包括以下步骤:
17、s31.sabo初始化种群:在预设的模态数k取值区间和惩罚因子α取值区间内,随机生成n组待优化参数组合[k,α],每一组参数组合[k,α]对应于种群中的一个个体。
18、s32.计算各代理包络熵:对种群中每个个体所对应的参数组合,执行vmd分解获得多个imf分量,选取前若干个所述imf分量计算包络熵,以其中最小包络熵值作为该个体的适应度值。包络熵越小,表明振动信号中的冲击特征越显著、周期性越强,对应的所述参数组合越优。
19、s33.迭代更新位置:基于sabo算法的减法平均更新机制,通过计算种群个体间的差值向量并取平均,引导个体向当前最优区域靠拢,同时对搜索空间进行广泛探索,更新各参数组合的位置。
20、s34.收敛后输出最优参数组合:判断当前迭代次数是否达到预设最大迭代次数或适应度值变化是否小于设定阈值;若满足收敛条件,则输出全局最优参数组合;否则返回步骤s32继续迭代。
21、本方案通过sabo-vmd自适应参数协同优化彻底摆脱参数确定对人工经验的依赖,避免因参数设置不当导致的过分解或欠分解问题,使vmd在不同工况下均保持稳定分解性能;包络熵最小准则与压缩机冲击型故障的物理特性高度吻合,使分解结果最大程度凸显故障冲击特征;确保阀片磨损、弹簧失效等早期微弱故障产生的冲击成分在分解环节不发生丢失,从源头保障全链路诊断精度;sabo全局寻优能力避免陷入局部最优,分解效果稳定可靠。
22、另一方面,本方案还公开了一种基于数据驱动的燃料电池往复式增压压缩机故障智能诊断系统,包括:
23、数据采集模块,所述数据采集模块包括所述加速度传感器与数据采集卡。
24、信号去噪模块,所述信号去噪模块用于对实时采集的原始振动信号进行预处理。
25、故障识别模块,所述故障识别模块内嵌mcnn-kelm轻量化融合诊断模型,用于输出故障状态。
26、所述系统还包括远程操控模块,用于实现振动信号与mcnn-kelm轻量化融合诊断模型诊断结果的无线传输。
27、本发明的有益效果是:全链路数据驱动+深度智能算法融合,从信号采集、自适应分解、敏感特征筛选、多尺度深度学习到智能分类识别,全程摆脱人工经验依赖,显著提升燃料电池往复式增压压缩机在复杂工况、低信噪比、微弱故障场景下的诊断精度、鲁棒性与实时性,具体体现在以下几方面:
28、1)数据驱动的自适应参数优化,彻底解决传统方法参数依赖人工经验、分解效果不稳定的痛点。现有vmd需人工反复试凑模态数k、惩罚因子α,易过分解/欠分解,微弱故障特征易淹没;本发明采用sabo优化算法+包络熵最小准则,以数据驱动方式自动搜索最优[k,α],无需人工干预,对非平稳、强冲击、低信噪比振动信号自适应分解能力更强,微弱故障imf分量分离更精准、重复性更好,为后续特征提取提供高质量信号基础。
29、2)融合加权样本熵(wse)的数据驱动特征增强,大幅提升弱故障辨识度与抗噪能力。传统样本熵对故障冲击幅值不敏感,低信噪比下易失效;本发明引入幅值加权距离机制,通过加权样本熵量化各分量故障贡献度,强化冲击型故障特征权重、抑制噪声分量贡献,数据驱动筛选高敏感特征,有效区分正常、阀片磨损、弹簧失效等相近故障模式,低信噪比下识别率显著提升,解决传统方法弱故障漏检、误检率高的问题。
30、3)mcnn-kelm深度融合智能算法,实现多尺度特征自适应学习与高精度智能识别。传统方法依赖人工设计时域/频域特征,特征表达单一、泛化性差,难以适配压缩机复杂振动耦合特性;本发明基于数据驱动时频样本构建,采用多尺度卷积神经网络mcnn,通过3×3/5×5/7×7并行卷积核,自动提取多频段、多层次、多尺度深度故障特征,无需人工设计特征;再融合核极限学习机kelm,以结构风险最小化构建强泛化分类器,非线性拟合能力强、训练速度快、抗过拟合,实现数据驱动端到端智能诊断,相比传统机器学习,诊断精度提升10%–15%、泛化性更强、实时性更高。
31、4)全流程数据驱动智能诊断系统,实现实时监测、智能预警。现有系统多为离线分析或单一功能监测,数据处理与算法分离、智能化程度低、运维效率差;本发明基于labview开发数据驱动智能诊断上位机,集成实时数据采集、sabo-vmd自适应分解、wse特征加权、mcnn-kelm智能识别、健康指标评估与远程传输模块,全程数据驱动、算法内嵌、自动运行,无需人工干预即可实时输出故障状态、置信度,支持远程运维性维护,大幅降低运维门槛、提升系统智能化水平与工程实用性。
32、综上所述,本发明通过数据驱动与sabo-vmd自适应优化、wse特征增强、mcnn-kelm深度融合的智能算法,从根本上克服了传统方法人工依赖、弱故障识别差、泛化性弱、智能化水平低的问题。特别适配燃料电池往复式增压压缩机非平稳、强冲击、低信噪比的运行特性,在故障识别精度、鲁棒性、实时性与工程实用性上均实现显著提升,具备重要的工程应用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com