基于不平衡样本的CF- SOM- MQE感应电机状态分析

为提高感应电机状态评估的精度,本研究提出了一种基于相关性算法(CF)和自组织映射最小量化误差(SOM-MQE)的模型来解决基波电流信号干扰和缺少故障数据的问题.首先简要介绍自相关算法与互相关算法理论,分析了定子电流中的特征谐波分量,将其作为性能退化指标输入SOM神经网络中,在此基础上计算其最小量化误差(MQE)值的大小,并将MQE作为感应电机状态监测的衡量指标.实例表明,所提模型能够准确地对感应电机健康状态进行估计,具有较强的工程应用价值及通用性.

一种新型深度自编码网络的滚动轴承健康评估方法

为了准确描述滚动轴承性能退化的动态过程,结合深度学习强大特征提取能力的优势,提出了一种新型深度自编码和最小量化误差方法相结合的滚动轴承全寿命健康评估方法.用深度自编码模型对原始特征进行压缩提取,将压缩特征按趋势进行排序,选取趋势大的特征运用最小量化误差方法构建健康指标.针对基于一个度量的评价准则常具有偏差的问题,提出基于遗传算法的融合评价准则. 2组实例分析结果表明,用该方法构建的健康指标的趋势值、单调性值、鲁棒性值、融合评价准则值都大于单层的自编码模型(AE)和传统的PCA降维方法,第1个实例中,该方法构建的健康指标融合评价准则值比PCA,AE方法分别增加了13. 30%,3. 17%;第2个实例中,该方法构建的健康指标融合评价准则值比PCA,AE方法分别增加了9. 68%,3. 85%.基于遗传算法的融合评价准则比单一的评价准则更具有说服力.

SOM-MQE的钻井泥浆泵健康状态评估

为了对钻井泥浆泵的运行状态进行分析与评估,提出了一种基于SOM-MQE的钻井泥浆泵健康状态评估方法,并通过实测数据验证了算法的可行性。首先,采用加速度传感器采集泥浆泵的振动信号,应用相关性滤波算法对原始振动信号进行滤波降噪,提高信噪比。其次,对滤波后的数据提取时域、频域和时频域特征;再对这些特征PCA降维处理,得到反映泥浆泵状态的主成分特征矢量。最后,将主成分特征矢量作为SOM-MQE评估模型的输入,构建SOM-MQE评价模型,并计算最小量化误差(MQE)值大小,利用钻井泥浆泵偏离其在无故障状态下的MQE值对其健康状态进行评估。现场试验结果表明,MQE值表征的运行状态与钻井泥浆泵实际运行状态相对应,准确率高达96.28%,MQE值可以用来评价钻井泥浆泵的健康状态。

基于SOM-MQE模型的设备故障预警方法

借助机器学习算法进行设备故障预警是保证设备安全可靠运行的有效手段,但故障数据样本难以获取,成为相关设备推广应用的一大挑战。构建一种结合自组织映射网络(SOM)和最小量化误差(MQE)的SOM-MQE模型,提出基于SOM-MQE模型的设备故障预警方法。首先,划分训练集和测试集,用训练集的设备正常状态数据训练SOM模型;然后,将实时数据与SOM所有图元中的权值矢量作比较,根据MQE值确定设备的故障预警区间,从而判断设备是否需要故障预警。采用某航空发动机的全生命周期数据进行实验验证,表明SOM-MQE模型在进行发动机故障预警时能达到74.81%的准确率,满足在缺少明确故障标签数据的条件下设备故障预警准确率不低于70%的行业要求。SOM-MQE模型易于构建,检测速度快,适用于大多数实际工业场景。