一种多源信息分层融合的离心鼓风机故障诊断方法
技术领域
本发明涉及旋转机械故障运维领域，具体涉及离心鼓风机故障诊断方法。
背景技术
离心鼓风机作为旋转机械中的一种，广泛应用于能源、建筑、化工等行业，在现代工业中承担着重要的角色。在高温高压、高负荷、强冲击等恶劣工况下，鼓风机的关键部件故障发生频率高，其安全性和可靠性正吸引着巨大的关注。离心鼓风机故障类型多且复杂，如果不能及时地对出现的故障进行有效地故障诊断，将造成巨大的经济损失甚至人身安全。目前关于离心鼓风机的故障诊断研究主要是基于单一信息利用数据驱动的方法进行诊断，而单一信息可靠性与稳定性差，容错能力不佳，传统的数据驱动方法诊断能力和泛化性能不足，因此，考虑利用多源信息开展基于深度学习的离心鼓风机故障诊断方法研究具有重要的现实意义。故本方法从离心鼓风机的监测信息出发，将信息分为多源同类信息与多源异类信息，运用数据层与特征层相结合的分层融合模式，基于深度学习建立离心鼓风机的故障诊断模型，提高诊断的精确性与稳定性。
发明内容
本发明提供一种多源信息分层融合的离心鼓风机故障诊断方法，以提供更加精确与稳定的故障诊断模型。
为实现本发明目的而采用的技术方案是这样的，即一种多源信息分层融合的离心鼓风机故障诊断方法。它包括以下步骤：
步骤1：构建离心鼓风机诊断过程中的多源同类信息与多源异类信息；
步骤2：制定数据层与特征层相结合的离心鼓风机多源信息分层融合框架；
步骤3：利用分层融合后的结果，基于深度学习建立离心鼓风机的故障诊断模型。
优选地，步骤1中所述离心鼓风机多源信息可分为多源同类信息与多源异类信息：
(1)多源同类信息包括转子振动信号、壳体振动信号、电机轴承温度信号、电机三相绕组温度信号、转子轴承温度信号。其中，转子振动包括水平方向振动信号VIrh与垂直方向振动信号VIrv；壳体振动信号包括水平方向振动信号VIsh与垂直方向振动信号VIsv；电机轴承温度包括前轴承温度信号TMbf与后轴承温度信号TMbb；电机三相绕组温度信号包括A相绕组温度信号TMpa、B相绕组温度信号TMpb、C相绕组温度信号TMpc；转子轴承温度包括前轴承温度信号TRbf与后轴承温度信号TRbb。
(2)多源异类信息包括转子振动信号、壳体振动信号、电机轴承温度信号、电机三相绕组温度信号、转子轴承温度信号、风机推力轴承温度、电机电流、风机入口压力、风机出口压力、风机入口导叶开度、风机出口导叶开度。
离心鼓风机监测多源信息集合MI可表示为：
MI＝{VIr，VIs，TMb，TMp，TRb，TBb，IM，PBin，PBout，OBin，OBout}
式中，VIr为转子振动信号、VIs为壳体振动信号、TMb为电机轴承温度、TMp为电机三相绕组温度、TRb为转子轴承温度、TBb为风机推力轴承温度、IM为电机电流、PBin为风机入口压力、PBout为风机出口压力、OBin为风机入口导叶开度、OBout为风机出口导叶开度。其中，离心鼓风机的多源信息组成如图1所示。
优选地，步骤2中，制定了数据层与特征层相结合的离心鼓风机多源信息分层融合框架，其具体流程为：
(1)多源同类信息数据层融合
基于相关性方差贡献率法将监测同一部件的多个同类信息融合为一个信息，将VIrh与VIrv进行融合构成转子振动信息；将VIsh与VIsv融合构成壳体振动信息；将TMbf与TMbb融合构成电机轴承温度信息；将TMpa、TMpb、TMpc融合构成电机三相绕组温度信息；将TRbf与TRbb融合构成转子轴承温度信息，数据层融合后的五类信息VIr、VIs、TMb、TMp、TRb与TBb、IM、PBin、PBout、OBin、OBout共同构成离心鼓风机的多源异类信息。
(2)多源异类信息特征提取
分别对VIr、VIs、TMb、TMp、TRb、TBb、PBin、PBout、OBin、OBout信息提取均值
(3)多源异类信息特征层融合
基于核主成分分析法对多源异类信息提取到的所有特征做融合处理，将提取的时域特征和小波包熵特征进行融合，得到经降维后的特征融合向量。
优选地，步骤3中，基于深度学习建立的离心鼓风机故障诊断模型，其具体诊断过程为：
(1)将经分层融合后的特征融合向量输入建立的自适应卷积神经网络离心鼓风机故障诊断模型，模型架构如图2所示，其中卷积层数学表达式为：
式中，Mj为输入特征图，
(2)以卷积神经网络收敛速度Vc为评价指标，判断是否需要对网络进行自适应扩展。
式中，Ehop为初始系统期望平均误差，N为训练样本总数，m为类别数，
(3)训练建立的自适应卷积神经网络离心鼓风机故障诊断模型，输出诊断结果，离心鼓风机的故障诊断流程如图3所示。
附图说明
图1离心鼓风机多源信息组成
图2自适应卷积神经网络故障诊断模型架构
图3多源信息分层融合的离心鼓风机故障诊断流程
图4核主元特征的二维分布情况
图5离心鼓风机故障分类混淆矩阵
具体实施方式
下面结合附图和实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
本案例以某公司离心鼓风机为平台，以转子故障为对象开展应用验证，采用研发的远程运维监控系统获取离心鼓风机多源监测信息。实验条件主要包括监测信息采样频率、试验台运行参数等，具体如下：
表1监测信息采样频率
表2离心鼓风机试验台运行参数
包括以下步骤：
(1)多源信息获取与数据采集
在转子、壳体表面的水平与垂直方向上装有振动传感器，转子的前轴承、后轴承、主推力轴承轴瓦处装置温度传感器，电机的三相绕组、前轴承与后轴承轴瓦处也均布置温度传感器。电机电流、风机入口压力、风机出口压力、风机入口导叶开度、风机出口导叶开度信息则从PLC通道中获取。分别模拟转子正常、不平衡、不对中、径向碰磨、油膜蜗动5种不同的故障类型，使用远程运维监控系统采集每种故障模式下的试验数据。
(2)离心鼓风机多源信息分层融合
1)多源同类信息数据层融合
以转子振动与转子温度为例，利用相关性方差贡献率法将转子水平与垂直方向振动信号VIrh、VIrv进行融合构成转子振动信息VIr，将转子前轴承与后轴承温度信号TRbf、TRbb融合构成转子轴承温度信息TRb，其转子不平衡故障模式下的部分数据融合结果如表3和表4所示。
表3转子振动信息融合结果
表4转子轴承信息融合结果
2)多源异类信息特征层融合
利用核主成分分析法对各多源异类信息提取的时域与小波包熵特征进行特征层融合，设置累计贡献率为95％，经融合后，特征维度由128维降为26维，转子五种类别故障情况下的核主元特征点在前两组特征向量下的二维分布情况如图4所示。
(3)诊断结果及对比分析
1)诊断结果
利用特征融合向量数据集作为输入样本，随机选取每种故障状态下80％的数据集作为训练样本，20％的数据集作为测试样本。通过建立的多源信息分层融合与自适应卷积神经网络故障诊断模型进行诊断实验，测试集最后一次的故障分类混淆矩阵如图5所示。
2)对比分析
为验证所提出诊断方法的有效性，基于自适应卷积神经网络诊断模型分别在不同的信息融合模式下进行故障实验，并与传统的支持向量机(Support Vector Machine，SVM)、深度置信网络(Deep Belief Network，DBN)、卷积神经网络(Convolutional NeuralNetworks，CNN)等诊断方法做对比分析。其中，信息融合模式共有不融合、单一数据层融合、单一特征层融合3种模式。10次随机试验的平均试验结果如下表5所示。
表5诊断试验对比结果
由表5可知，无论是训练过程或是测试过程，所提方法的分类正确率均优于其他方法，在融合模式上，不融合、数据层融合、特征层融合在训练及测试用时上虽比所提出的方法短，但分类正确率明显低于所提出的分层融合框架。此外，四种算法中，浅层学习算法SVM虽训练及测试耗时短，但分类正确率低于85％，DBN、CNN等深度学习算法，分类正确率均超过93％，在测试耗时上与所提方法相差无几，而分类精确性却略有不及，也进一步验证了深度学习强大的特征学习能力，可见经过充分训练后，所提的多源信息分层融合故障诊断方法具有较好的实用性。
