机械密封早期失效预警方法和系统技术方案

本发明专利技术涉及机械密封早期失效预警方法和系统，方法包括采集多个历史时间序列；根据各个历史时间序列确定模糊熵和排列熵；将模糊熵和排列熵进行自适应L1TF，并将偶发异常点去除得到各个目标历史时间序列；获取预设的早期失效预警模型中核函数的目标带宽；将各个目标历史时间序列作为第一输入集输入至早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射中心；获取待检测时间序列，并将待检测时间序列输入至目标早期失效预警模型，得到广义距离；根据广义距离和映射半径进行故障点预测，实现机械密封早期失效预警。解决了异常数据中异常波动数据较多，训练得到的模型对于机械密封的异常数据检测精度较低的问题。据检测精度较低的问题。据检测精度较低的问题。

【技术实现步骤摘要】
机械密封早期失效预警方法和系统


[0001]本专利技术涉及机械密封领域，尤其涉及机械密封早期失效预警方法和系统。

技术介绍

[0002]机械密封也被称为端面密封，是一种高科技机工产品，在泵、液压传动和相关设备的旋转装置密封中较为常见。而在当前科技不断发展的时期中，各种新型密封材料和加工技术也在随之不断地出现，这也推动了当前机械密封和各种密封技术的持续发展。机械密封普遍应用于炼油、化工、化纤、化肥等行业的泵、压缩机、反应釜等旋转设备。机械密封良好的使用性能为生产装置的长周期、安全、平稳运行打下了有效的物质基础。而且，机械密封在实践应用中不断地得到改进，使得机械密封应用更加广泛和完善。虽然如此，但由于诸多因素的影响，机械密封的使用寿命有长有短，长的可达1～2年，短的只有2～3月，甚至几周时间。因此为了节约成本并且防止安全事故的发生，应当对机械密封的早期失效进行预警，从而实现对机械密封进行预测性维修的目的。
[0003]现有技术主要是通过收集异常数据对模型进行训练，得到早期失效预警模型，从而对机械密封进行检测，但是异常数据中异常波动数据较多，训练得到的模型对于机械密封的异常数据检测精度较低。

技术实现思路

[0004]为了克服异常数据中异常波动数据较多，训练得到的模型对于机械密封的异常数据检测精度较低的问题，本专利技术提供了机械密封早期失效预警方法和系统。
[0005]第一方面，为了解决上述技术问题，本专利技术提供了机械密封早期失效预警方法，包括：
[0006]S1、采集设备处于正常运行状态下的机械密封振动信号，得到多个历史时间序列；
[0007]S2、根据各个历史时间序列确定模糊熵；
[0008]S3、根据各个历史时间序列确定排列熵；
[0009]S4、将模糊熵和排列熵进行自适应L1TF确定各个历史时间序列中的偶发异常点，并将偶发异常点去除得到各个目标历史时间序列；
[0010]S5、获取预设的早期失效预警模型中核函数的目标带宽，目标带宽为核函数的唯一可调参数；
[0011]S6、将各个目标历史时间序列作为第一输入集输入至早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射中心，映射超球体指各个目标历史时间序列中的各个元素被映射至高维空间后形成的球体；
[0012]S7、获取待检测时间序列，并将待检测时间序列输入至目标早期失效预警模型，得到广义距离，广义距离指目标待检测时间序列中的各个元素被映射至高维空间后距离映射中心的距离；
[0013]S8、根据广义距离和映射半径进行故障点预测，实现机械密封早期失效预警。
[0014]第二方面，本专利技术提供了机械密封早期失效预警系统，包括：
[0015]历史时间序列获取模块，用于采集设备处于正常运行状态下的机械密封振动信号，得到多个历史时间序列；
[0016]模糊熵确定模块，用于根据各个历史时间序列确定模糊熵；
[0017]排列熵确定模块，用于根据各个历史时间序列确定排列熵；
[0018]目标历史时间序列确定模块，用于将模糊熵和排列熵进行自适应L1TF确定各个历史时间序列中的偶发异常点，并将偶发异常点去除得到各个目标历史时间序列；
[0019]目标带宽获取模块，用于获取预设的早期失效预警模型中核函数的目标带宽，目标带宽为核函数的唯一可调参数；
[0020]训练模块，用于将各个目标历史时间序列作为第一输入集输入至早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射中心，映射超球体指各个目标历史时间序列中的各个元素被映射至高维空间后形成的球体；
[0021]待检测时间序列获取模块，用于获取待检测时间序列，并将待检测时间序列输入至目标早期失效预警模型，得到广义距离，广义距离指目标待检测时间序列中的各个元素被映射至高维空间后距离映射中心的距离；
[0022]预测模块，用于根据广义距离和映射半径进行故障点预测，实现机械密封早期失效预警。
[0023]本专利技术的有益效果是：通过收集设备在正常运行状态下的历史时间序列，减小了通过异常数据进行模型训练带来的大的数据波动，另外，在正常运行状态下的历史时间序列会存在数据波动，比如偶发异常点，因此，分析了历史时间序列的模糊熵和排列熵，从而将数据波动的偶发异常点删除，得到波动较小的目标历史时间序列，另外，目标历史时间序列为低维度的线性不可分数据，本专利技术在早期失效预警模型中加入核函数，将标历史时间序列映射至高维空间变为线性可分数据，而核函数的加入最重要的就是获取唯一可调参数，因此，加入预设的目标带宽，通过对加入目标带宽的早期失效预警模型进行训练，即可得到目标早期失效预警模型，以及映射超球体的映射中心和映射半径，通过将待检测时间序列输入目标早期失效预警模型可得到广义距离，最后根据广义距离与映射半径即可进行故障点检测，本申请采用正常运行状态下的历史时间序列训练带目标带宽的早期失效预警模型，解决了异常数据中异常波动数据较多，训练得到的模型对于机械密封的异常数据检测精度较低的问题。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面结合附图和实施例对本专利技术作进一步说明。
[0025]图1为本专利技术实施例的机械密封早期失效预警方法的流程示意图；
[0026]图2为本专利技术实施例的机械密封早期失效预警方法的逻辑图；
[0027]图3为根据各个测试样本的广义距离得到的距离曲线图；
[0028]图4为早期预警结果与有效值(RMS)对比结果图；
[0029]图5为本专利技术实施例的机械密封早期失效预警系统的结构示意图。
具体实施方式
[0030]下列实施例是对本专利技术的进一步解释和补充，对本专利技术不构成任何限制。
[0031]以下结合附图描述本专利技术实施例的机械密封早期失效预警方法和系统。
[0032]如图1
‑
图2所示，本专利技术提供了机械密封早期失效预警方法，包括：
[0033]S1、采集设备处于正常运行状态下的机械密封振动信号，得到多个历史时间序列。
[0034]多个历史时间序列采用一个N点的时间序列表示，{u(i):1≤i≤N}，u(i)表示第i个历史时间序列，N表示历史时间序列总数，正常运行状态是指机械密封时相关设备在运行时，发出的声音未发生明显异常。
[0035]S2、根据各个历史时间序列确定模糊熵。
[0036]模糊熵是对时间序列的复杂度的一种度量，可以定量的对时间序列的规律性进行评估，获取模糊熵的过程具体包括：
[0037]S21、对于每个历史时间序列，将历史时间序列按照时间点构建m维向量，其中，m为正整数，公式如下：
[0038][0039][0040]其中，表示第i个时间序列对应的m维向量，N表示所有历史时间序列的总数，u(i)、u(i+1)、
……
、u(i+m
‑
1)表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.机械密封早期失效预警方法，其特征在于，包括：S1、采集设备处于正常运行状态下的机械密封振动信号，得到多个历史时间序列；S2、根据各个所述历史时间序列确定模糊熵；S3、根据各个所述历史时间序列确定排列熵；S4、将所述模糊熵和所述排列熵进行自适应L1TF，确定各个所述历史时间序列中的偶发异常点，并将所述偶发异常点去除得到各个目标历史时间序列；S5、获取预设的早期失效预警模型中核函数的目标带宽，所述目标带宽为所述核函数的唯一可调参数；S6、将各个所述目标历史时间序列作为第一输入集输入至所述早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射中心，所述映射超球体指各个所述目标历史时间序列中的各个元素被映射至高维空间后形成的球体；S7、获取待检测时间序列，并将所述待检测时间序列输入至目标早期失效预警模型，得到广义距离，所述广义距离指所述目标待检测时间序列中的各个元素被映射至高维空间后距离所述映射中心的距离；S8、根据所述广义距离和所述映射半径进行故障点检测，实现机械密封早期失效预警。2.根据权利要求1所述的方法，其特征在于，获取预设的早期失效预警模型中核函数的目标带宽，包括：获取参考训练样本和目标训练样本；将所述参考训练样本输入早期失效预警模型中进行训练，得到所述参考训练样本对应的第一空间距离矩阵，并采用交叉验证的方法得到核函数的初始带宽，所述第一空间距离矩阵中每个元素表征了参考训练样本中数据映射至高维空间的空间距离；将所述目标训练样本输入早期失效预警模型中进行训练，得到所述目标训练样本对应的第二空间距离矩阵，所述第二空间距离矩阵中每个元素表征了目标训练样本中数据映射至高维空间的空间距离；采用核密度估计方法计算所述第一空间距离矩阵中概率密度最大值，记为第一估计数值，以及计算所述第二空间距离矩阵中概率密度最大值，记为第二估计数值；根据所述初始宽带、第一估计数值和第二估计数值确定目标带宽。3.根据权利要求2所述的方法，其特征在于，所述根据所述初始宽带、第一估计数值和第二估计数值确定目标带宽，公式如下：其中，σ1表示目标带宽，σ2表示初始带宽，e1、e2分别表示第一估计数值和第二估计数值。4.根据权利要求2所述的方法，其特征在于，采用核密度估计方法计算所述第一空间距离矩阵中概率密度最大值对应的第一估计数值，以及所述第二空间距离矩阵中概率密度最大值对应的第二估计数值，公式如下：其中，表示第一空间距离矩阵或第二空间距离矩阵中任意一个元素的概率密度
值，x表示第一空间距离矩阵或第二空间距离矩阵中任意一个元素，G表示高斯核函数，h表示初始带宽，x
i
(i＝1～n)为第一空间距离矩阵或第二空间距离矩阵中上三角或下三角矩阵中的元素，n表示第一空间距离矩阵或第二空间距离矩阵中元素总数，各个中的最大值表示第一估计数值或第二估计数值。5.根据权利要求1所述的方法，其特征在于，所述将各个所述目标历史时间序列作为第一输入集输入至带目标带宽的早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射超球体的映射中心，包括：将各个所述目标历史时间序列放至预设坐标系得到原始超球体，确定原始超球体的原始中心；将所述原始超球体和原始中心作为第一输入集输入至带目标带宽的早期失效预警模型中进行训练，得到目标早期失效预警模型，以及映射超球体的映射半径和映射超球体的映射中心，公式如下：映射中心，公式如下：其中，r表示映射半径，a表示原始中心映射至高维空间后得到的映射中心，x
sv
表示目标历史时间序列中映射至高维空间后在映射超球体界面上和边界之外的元素，φ(x
sv
)表示将x
sv
从原始空间映射至高维空间的映射函数，φ(a)表示映射中心a从原始空间映射至高维空间的映射函数，K(x
sv
,x
sv
)表示x
sv
的核函数，x
i
、x
j
表示第i个目标历...

【专利技术属性】
技术研发人员：李亚平，曹旦夫，李素杰，谢自力，张娟，谭鑫，王耀先，陆新星，陈昱含，葛荡，丁苏宁，毛申申，王小彤，潘儒，
申请(专利权)人：国家管网集团东部原油储运有限公司，
类型：发明
国别省市：