[发明专利]一种海洋平台空气压缩机故障诊断方法

权利要求书

1.一种海洋平台空气压缩机故障诊断方法，其特征在于：步骤如下：

步骤一：对海洋平台空气压缩机工作信号进行分类与采集；

根据海洋平台空气压缩机运行过程中出现的故障模式确定出监测信号，并分为温度信号、压力信号和机械信号，其中温度信号包含的主要监测目标有海洋平台空气压缩机干燥机出口温度TS-1、压缩机排气温度TS-2、压缩机轴承润滑油温度TS-3、压缩机主轴承温度TS-4；压力信号包含的主要监测目标有海洋平台空气压缩机气缸输出压PS-1、压缩机润滑管路内压PS-2两种信号；机械信号的主要监测目标为海洋平台空气压缩机电动机振动MS-1、压缩机气缸振动MS-2和储气罐振动MS-3；三类信号对应的故障种类依次为干燥机出口温度异常TF₁、压缩机排气温度异常TF₂、压缩机轴承润滑油温度异常TF₃、压缩机主轴承温度异常TF₄、压缩机气缸输出压异常PF₁、压缩机润滑管路内压异常PF₂、压缩机电动机振动异常MF₁、压缩机气缸振动异常MF₂和储气罐振动异常MF₃，以上述监测信号的具体位置为依据，选取故障信号采集点并安装对应类型传感器；

步骤二：构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合；

传感器信号时序序列具体为:

Sensor-Signal

＝{TS-1,TS-2,TS-3,TS-4,PS-1,PS-2,MS-1,MS-2,MS-3}^T

其中Sensor-Signal为传感器信号时序序列的集合名称，

所述步骤二中的故障种类时序序列九种监测信号对应的故障信号构成，其中Fault-Signal＝{TF₁,TF₂,TF₃,TF₄,PF₁,PF₂,MF₁,MF₂,MF₃}，Fault-Signal为故障种类时序序列的集合名称，故障种类的信号TF₁、TF₂、TF₃、TF₄、PF₁、PF₂、MF₁、MF₂、MF₃均为t时间节点对应的故障状态构成的1行t列矩阵，故障状态为正常时信号值为0，故障状态异常时信号值为1；

所述步骤二中的卡尔曼滤波具体公式为：

其中表示传感器信号根据t-1时刻传感器信号预测得到的t时刻预计值，的符号右上方“-”表示该符号由上一时刻预测得到，F_t为状态转移矩阵，B_t为控制矩阵，u_t为t时刻的控制量；

(2)Y_t＝Hx_t+v；其中Y_t为t时刻传感器测量信号，H为观测矩阵，x_t表示t时刻的状态，v表示测量误差；

其中，K_t为滤波增益阵，R为测量值矩阵，为协方差矩阵；

其中I表示单位矩阵

则经过多传感器数据融合之后的滤波监测信号数据集为：

其中，Sensor-NS为滤波监测信号数据集的集合名称；

步骤三：对原始融合数据集进行集合划分与标准化处理；

将滤波监测信号数据集Sensor-NS和故障种类时序序列集合Fault-Signal进行分割，各取滤波监测信号数据集和故障种类时序序列两个集合的前百分之八十列数据，并将滤波监测信号数据集的取出数据进行标准化处理作为训练集，得到{Sensor-NS}_train、{Fault-Signal}_train，各取滤波监测信号数据集和故障种类时序序列两个集合的后百分之二十列，并将故障种类时序序列的取出数据标准化之后作为验证集，得到{Sensor-NS}_validation、{Fault-Signal}_validation；

步骤四：构建基于藤式贝叶斯分类器的故障诊断模型；

以计算机为硬件基础，以集成式开发环境为软件基础，构建藤式贝叶斯基本结构，藤式贝叶斯基本结构采用D藤分解规则，通过单元封装，形成具备输入层、训练层和概率计算分类层的藤式贝叶斯模型；

所述藤式贝叶斯计算的原理公式为：

其中，P(signal)是从所有滤波监测信号集合中随机抽取任一种滤波监测信号的概率，P(state_i)为从所有滤波监测信号集合中随机抽取任一中滤波检测信号；P(signal|state_i)为滤波监测信号属于给定状态的概率；P(state_i|signal)为验证集中的滤波监测信号属于正常信号或者故障信号的概率；

所述D藤分解理论涉及的n个随机变量的联合概率密度函数公式如下：

其中，c_{j,j+i|j+1:j+i-1}为二元Copula条件概率密度函数，具体选用二元Gaussian Copula函数进行计算，θ表示对应的Copula参数，F(x_j|x_j+1,…,x_j+i-1)与F(x_j+i|x_j+1,…,x_j+i-1)为条件分布函数；

步骤五：将训练集经由输入层导入训练层；

将{Sensor-NS}_train、{Fault-Signal}_train导入藤式贝叶斯模型的输入层，并进行先验概率和类条件概率函数密度计算，通过训练过程完成对似然概率控制参数的计算优化，训练完成后以矩阵形式保存在程序代码中；

步骤六：通过验证集进行似然函数的控制参数循环更新测试；

所述步骤六使用的故障诊断评价指标计算公式为：

Accuracy＝(TP+TN)/(TP+TN+FP+FN)

Precision＝TP/(TP+FP)

其中，Accuracy为准确率，Precision为查准率，TP、TN、FP、FN表示为：

TN＝True Negative表示真负，将正常状态诊断为正常状态的数量；

FP＝False Positive表示假正，将正常状态诊断为故障状态的数量；

FN＝False Negative表示假负，将故障状态诊断为正常状态的数目；

TP＝True Positive表示真正，将故障状态诊断为故障状态的数目；具体步骤如下：

(1)调用训练完毕的藤式贝叶斯模型，计算验证集的后验概率，通过最大似然概率比较得到最终分类结果，主要计算公式为：

state(signal)＝argmax{P(signal|state_i)·P(state_i)}

其中state(signal)为最大似然概率对应的空气压缩机运行状态；

通过还原最优似然函数控制参数，将验证集{Sensor-NS}_validation、{Fault-S}_validation导入藤式贝叶斯输入层，设定准确率和查准率的阈值，将其作为是否进行逻辑循环的判断依据；

(2)若准确率和查准率低于设定阈值，则对藤式贝叶斯的训练集数目和质量进行调整，直至准确率和查准率达到或超过设定阈值；

(3)若准确率和查准率指标达到或超过设定阈值，则直接进行故障诊断；

步骤七：使用满足精度要求的模型进行海洋平台空气压缩机故障诊断；

步骤八：基于空气压缩机故障信号种类与位置的模型后期维护。