基于改进粒子滤波的离心泵故障诊断方法、系统和介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111444659A(43)申请公布日2020.07.24(21)申请号202010221861.8G06N3/00(2006.01)(22)申请日2020.03.26(71)申请人武汉工程大学地址430000湖北省武汉市东湖新技术开发区光谷一路206号(72)发明人陈汉新王琪柯耀苗育茁黄浪方璐(74)专利代理机构北京轻创知识产权代理有限公司11212代理人陈晓华(51)Int.Cl.G06F30/27(2020.01)G06F30/25(2020.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书4页说明书12页附图8页(54)发明名称基于改进粒子滤波的离心泵故障诊断方法、系统和介质(57)摘要本发明涉及一种基于改进粒子滤波的离心泵故障诊断方法、系统和介质，包括建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果。本发明有效避免了传统粒子滤波算法的粒子贫乏和易陷入局部极值的问题，提高了收敛速度和精度，有效提高离心泵叶轮故障诊断的效率和准确率。CN111444659ACN111444659A权利要求书1/4页1.基于改进粒子滤波的离心泵故障诊断方法，其特征在于，包括以下步骤：步骤1：建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；步骤2：利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；步骤3：利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；步骤4：构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果；其中，所述步骤2具体包括：步骤21：将所述原始故障信号作为粒子群，对所述粒子群进行初始化，得到初始粒子群样本分布；步骤22：对所述初始粒子群样本分布进行优化，得到优化粒子群样本分布；步骤23：获取所述优化粒子群样本分布的重要性权值集合，并根据所述重要性权值集合对所述优化粒子群样本分布进行重采样，得到目标粒子群样本分布和与所述目标粒子群样本分布对应的目标重要性权值集合；步骤24：根据所述目标粒子群样本分布和所述目标重要性权值集合进行全局搜索，得到所述目标故障信号。2.根据权利要求1所述的基于改进粒子滤波的离心泵故障诊断方法，其特征在于，所述步骤21具体包括：步骤211：将所述原始故障信号作为所述粒子群，设置所述粒子群的初始化参数；其中，所述初始化参数包括粒子群数目、学习因子、最大迭代次数、控制系数、最大惯性系数、最小惯性系数、预设变异率以及每个粒子的初始位置和初始速度；步骤212：根据所述初始化参数对所述粒子群进行初始化，得到所述初始粒子群样本分布；所述初始粒子群样本分布为：其中，为所述初始粒子群样本分布，为所述初始粒子群样本分布中的第i个样本点，N为所述粒子群数目。3.根据权利要求2所述的基于改进粒子滤波的离心泵故障诊断方法，其特征在于，所述步骤22具体包括：步骤221：根据所述最大迭代次数和所述控制系数计算得到变异控制函数；所述变异控制函数为：其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；步骤222：根据所述控制变异函数、所述最大惯性系数和所述最小惯性系数计算得到动2CN111444659A权利要求书2/4页态惯性系数；计算所述动态惯性系数的公式具体为：w＝wmin+(wmax-wmin)·y(epoch)；其中，w为所述动态惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；步骤223：根据所述变异控制函数和所述预设变异率计算得到变异率，并根据所述变异率计算得到变异粒子数目，根据所述变异粒子数目和所述变异控制函数对所述初始粒子群样本分布中的所述粒子群进行变异操作，得到变异粒子群；计算所述变异率的公式具体为：u＝m·y(epoch)；计算所述变异粒子数目的公式具体为：M＝N·u；其中，u为所述变异率，m为所述预设变异率，M为所述变异粒子数目；对所述粒子群中的第i个粒子进行变异操作的公式具体为：X′ij＝Xij+r1·y(epoch)；其中，Xij为所述粒子群中第i个粒子的第j个元素的位置，Xi′j为