【技术实现步骤摘要】
本专利技术属于旋转机械故障信号分析与故障诊断技术研究领域，具体涉及一种基于多特征源聚类的离心泵故障诊断方法及系统。
技术介绍
1、离心泵在工业生产中扮演着至关重要的角色，然而，由于长期运行或异常操作，离心泵可能会出现各种故障。及早发现并诊断这些故障对于确保设备安全运行和生产效率至关重要。
2、故障诊断在数据分析里面可以看作是模式识别中的分类问题,将测量和采集到的数据分开并与故障类别建立相对应的关系。采用聚类方法来处理离心泵故障检测问题。聚类分析作为一种无监督学习方法,可以通过无标记的数据挖掘数据集内在结构。它有着算法简单、收敛性好的优点。
3、回顾目前已有的离心泵故障诊断方法，发现传统方法在准确性和效率上存在一定的局限性。且只使用单个传感器获取的故障信息有限，如只利用振动数据或者只利用压力数据，而忽略了不同数据源之间的关联性和综合性，导致诊断准确率较低。而且往往设计只是针对特定类型或特定品牌的离心泵进行故障诊断，缺乏通用性和泛化能力，难以应用于不同型号或不同制造商的离心泵。
4、因此，本专利技术介绍了一种基于多特征源聚类的离心泵故障诊断方法及系统。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于多特征源聚类的离心泵故障诊断方法及系统，通过快速精准的采集泵的各种信号，将各个故障信息进行特征子空间的提取，并通过聚类分析来提高故障诊断的准确性和效率。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于多
4、利用多个传感器采集离心泵的多种信号数据；
5、对采集到的信号数据进行预处理，并提取多特征的子空间表示矩阵；
6、基于所述子空间表示矩阵，得到公共特征空间表示；
7、基于所述公共特征空间表示，进行谱聚类，最终分析谱聚类的各个簇而得到故障原因。
8、优选的，所述多种信号数据包括：离心泵的叶轮进出口压力信号、流量信号、振动信号；
9、对采集到的信号数据进行预处理的方法包括：
10、数据清洗、缺失值处理、数据归一化。
11、优选的，提取多特征的子空间表示矩阵的方法包括：
12、通过时域、频域、时频域的特征提取，获得各种信号数据的特征向量；
13、利用线性降维方法pca，对所述特征向量进行线性降维；
14、基于降维后的所述特征向量，利用子空间聚类方法结合稀疏和低秩约束，获得各种特征的子空间表示矩阵。
15、优选的，基于所述子空间表示矩阵，得到公共特征空间表示的方法包括：
16、将所述子空间表示矩阵，通过低秩系数构造一个数据亲和矩阵，即将所述子空间表示矩阵融合，用一个子空间表示将每一种类的信号特征表示出来，把所有子空间表示矩阵合并成一个低维的、适用于每个多信号数据特征的一致性子空间表，即公共特征空间表示。
17、优选的，基于所述公共特征空间表示，进行谱聚类，最终分析谱聚类的各个簇而得到故障原因的方法包括：
18、对公共特征空间表示进行分析，创建数据点之间的相似度矩阵；
19、建立相似度矩阵的邻接矩阵和度矩阵，并计算拉普拉斯矩阵；
20、根据拉普拉斯矩阵特征值对应特征向量组成的特征矩阵，对拉普拉斯矩阵进行聚类，获得多种信号数据的标准聚类结果；
21、基于所述标准聚类结果，对离心泵进行故障诊断。
22、本专利技术还提供了一种基于多特征源聚类的离心泵故障诊断系统，包括：采集模块、提取模块、融合模块和聚类模块；
23、所述采集模块用于利用多个传感器采集离心泵的多种信号数据；
24、所述提取模块用于对采集到的信号数据进行预处理，并提取多特征的子空间表示矩阵；
25、所述融合模块用于基于所述子空间表示矩阵，得到公共特征空间表示；
26、所述聚类模块用于基于所述公共特征空间表示，进行谱聚类，最终分析谱聚类的各个簇而得到故障原因。
27、优选的，所述多种信号数据包括：离心泵的叶轮进出口压力信号、流量信号、振动信号；
28、对采集到的信号数据进行预处理的过程包括：
29、数据清洗、缺失值处理、数据归一化。
30、优选的，所述提取模块包括：提取单元、降维单元和第一聚类单元；
31、所述提取单元用于通过时域、频域、时频域的特征提取，获得各种信号数据的特征向量；
32、所述降维单元用于利用线性降维方法pca，对所述特征向量进行线性降维；
33、所述第一聚类单元用于基于降维后的所述特征向量，利用子空间聚类方法结合稀疏和低秩约束，获得各种特征的子空间表示矩阵。
34、优选的，基于所述子空间表示矩阵，得到公共特征空间表示的过程包括：
35、将所述子空间表示矩阵，通过低秩系数构造一个数据亲和矩阵，即将所述子空间表示矩阵融合，用一个子空间表示将每一种类的信号特征表示出来，把所有子空间表示矩阵合并成一个低维的、适用于每个多信号数据特征的一致性子空间表，即公共特征空间表示。
36、优选的，所述聚类模块包括：创建单元、计算单元、第二聚类单元和诊断单元；
37、所述创建单元用于对公共特征空间表示进行分析，创建数据点之间的相似度矩阵；
38、所述计算单元用于建立相似度矩阵的邻接矩阵和度矩阵，并计算拉普拉斯矩阵；
39、所述第二聚类单元用于根据拉普拉斯矩阵特征值对应特征向量组成的特征矩阵，对拉普拉斯矩阵进行聚类，获得多种信号数据的标准聚类结果；
40、所述诊断单元用于基于所述标准聚类结果，对离心泵进行故障诊断。
41、与现有技术相比，本专利技术的有益效果为：
42、(1)本专利技术在离心泵故障诊断中，可以将来自不同传感器和监测设备的数据作为不同的数据源，比如振动传感器采集的数据、压力传感器采集的数据等。利用多特征融合聚类算法，可以将这些数据进行综合分析，从而更全面地了解离心泵的运行情况，识别潜在的故障模式和异常情况。
43、(2)本专利技术通过将不同特征的信息(比如振动数据、压力数据等)整合在一起，多特征融合的聚类算法可以更全面地分析离心泵的运行状态，更准确地进行诊断故障。多特征融合的聚类算法可以发现不同特征之间的相关性，从而更好地理解离心泵的运行情况。通过综合不同特征的信息，算法可以提高故障诊断的准确性，减少误判和漏判的情况。这样的技术效果可以快速准确地找出离心泵的故障原因，提高设备的可靠性和安全性。多视图聚类算法可以自动化地分析多种数据源，提高诊断效率。
本文档来自技高网...【技术保护点】
1.一种基于多特征源聚类的离心泵故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，所述多种信号数据包括：离心泵的叶轮进出口压力信号、流量信号、振动信号；
3.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，提取多特征的子空间表示矩阵的方法包括：
4.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，基于所述子空间表示矩阵，得到公共特征空间表示的方法包括：
5.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，基于所述公共特征空间表示，进行谱聚类，最终分析谱聚类的各个簇而得到故障原因的方法包括：
6.一种基于多特征源聚类的离心泵故障诊断系统，其特征在于，包括：采集模块、提取模块、融合模块和聚类模块；
7.根据权利要求6所述的基于多特征源聚类的离心泵故障诊断系统，其特征在于，所述多种信号数据包括：离心泵的叶轮进出口压力信号、流量信号、振动信号；
8.根据权利要求6所述的基于多
9.根据权利要求6所述的基于多特征源聚类的离心泵故障诊断系统，其特征在于，基于所述子空间表示矩阵，得到公共特征空间表示的过程包括：
10.根据权利要求6所述的基于多特征源聚类的离心泵故障诊断系统，其特征在于，所述聚类模块包括：创建单元、计算单元、第二聚类单元和诊断单元；
...【技术特征摘要】
1.一种基于多特征源聚类的离心泵故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，所述多种信号数据包括：离心泵的叶轮进出口压力信号、流量信号、振动信号；
3.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，提取多特征的子空间表示矩阵的方法包括：
4.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，基于所述子空间表示矩阵，得到公共特征空间表示的方法包括：
5.根据权利要求1所述的基于多特征源聚类的离心泵故障诊断方法，其特征在于，基于所述公共特征空间表示，进行谱聚类，最终分析谱聚类的各个簇而得到故障原因的方法包括：
6.一...
【专利技术属性】
技术研发人员：裴吉，李启敏，王文杰，甘星城，陈佳，李彦军，
申请(专利权)人：江苏大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。