[发明专利]一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法

说明书

一种基于粒子群‑支持向量机的旋转机械设备运行工况预测方法，包括以下步骤：步骤1、采集振动速度信号，并计算振动烈度值作为训练样本集；步骤2、使用样本集结合改进的粒子群算法对支持向量回归机中的参数进行迭代寻优；步骤3、使用样本集和寻优得到的参数对支持向量回归机进行训练，得到支持向量机回归模型函数；步骤4、使用支持向量机回归模型函数预测未来一段时间的振动烈度值，得到预测集；步骤5、结合ISO2372设备振动标准，对预测集中的振动烈度进行分析，得到旋转机械设备在未来一段时间的运行状态。本发明可以对旋转机械设备的振动数据走势进行有效预测，最大限度保证设备的安全可靠运行。

技术领域

本发明涉及到一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法。

技术背景

随着旋转机械设备的老化，加上机械长久高负荷运转，从而给企业保障旋转机械设备安全高效运行带来了很大的压力，若出现突发性故障，不仅企业会受到巨大的经济损失，而且还会影响人民日常工作生活。如何准确的预测这些旋转机械设备的运行工况，并能根据预测的设备运行状态进行有效的设备维护，对于企业来说有着重要的现实意义。

发明内容

为了有效预测旋转机械设备的运行工况，降低突发性故障的产生，本发明提供了一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法，通过刚性安装在旋转机械设备固定底座上的振动传感器采集设备的振动速度信号，并使用支持向量回归机(SVR)对采集到的数据进行分析处理，有效预测旋转机械设备的运行工况。

本发明所采用的技术方案是：

一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法，包括以下步骤：

步骤1、连续采集n组振动速度信号，计算每组振动速度信号的振动烈度值作为样本集，即S＝{(t₁,d₁),(t₂,d₂),…,(t_i,d_i),…,(t_n,d_n)}，其中d_i为从t_i-1时刻到t_i时刻采集到的振动速度信号集合对应的振动烈度

步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优；得到最优的g_opt和C_opt；

步骤3、使用样本集S和g_opt、C_opt，对支持向量回归机进行训练，得到支持向量机回归模型函数f(t)；

步骤4、使用f(t)预测t_n时刻之后连续的m个振动烈度，即S_p＝{(t_n+1,d_n+1),(t_n+2,d_n+2)，…,(t_n+m,d_n+m)}，预测过程为：

(4.1)初始化集合迭代控制变量i＝1；

(4.2)将t＝t_n+i代入f(t)，得到t_n+i的振动烈度值d_n+i，将(t_n+i,d_n+i)添加到预测集S_p和样本集S中；

(4.3)将i自身增加1，如果im，则执行步骤5，否则返回到步骤4.2；

步骤5、根据ISO2372设备振动标准，对S_p进行分析，判断S_p中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中，并给出旋转机械设备的运行状态。

进一步，所述步骤5中，判断过程为：