[发明专利]基于聚类的往复式压缩机自适应故障监测方法

权利要求书

1.一种基于聚类的往复式压缩机自适应故障监测方法，其特征在于，包括：离线建模与在线监测；

所述离线建模包括以下步骤：

步骤1：通过往复机械上不同位点的多源传感器进行数据采集，导入现场服务器，传至中间件；

步骤2：通过TCP/IP协议从中间件取数，包括缸体振动信号、活塞杆位移信号、过程量信号，主要分析对象为振动信号；

步骤3：数据初始化，初步小波去噪；

步骤4：对振动信号数据求取特征，取标准差、均方根、峭度、偏度、峰值、峰峰值6种时域特征，5种时域因子，重心频率、方差频率、均方频率、功率谱能量、功率谱峰值5种频域特征，近似熵、样本熵、模糊熵、Teager算子能量、Teager算子峰值、LZ复杂度6种混沌特征；

步骤5：分别对时域、频域和混沌特征集进行归一化，再进行PCA得到降维后振动信号的特征矩阵，作为训练样本，记录对应的参数；

其中，归一化的方式为Zscore，其中分别为x的均值和标准差；记录参数具体为归一化的均值Mean1、标准差Std1以及PCA得分矩阵Coeff；

步骤6：采用DaviesBouldin和CalinskiHarabasz指标计算聚类的最优簇数量；采用K-means聚类方式，将训练样本聚为若干类，并在类内进行第二次归一化，并记录归一化参数；

步骤7：对每个聚类的边缘进行提取，采用LOF对每个簇的类内数据进行划分，将其分为安全数据，危险数据和边缘数据；

步骤8：单独取边缘样本集进行OCSVM的建模，将步骤5、6得到的参数和OCSVM模型存入现场服务器中；

所述在线监测包括以下步骤：

步骤1：通过多源传感器进行数据采集，将数据导入现场服务器；

步骤2：数据初始化，初步小波去噪；

步骤3：与离线建模阶段的步骤4相同，对实时数据求取三种特征组；

步骤4：采用离线建模阶段的步骤5得到的参数对特征组进行归一化和降维；

步骤5：再次用离线建模阶段步骤6中类内归一化参数进行归一化，随后采用KNN方法对实时数据点求取近邻，若该点为安全点，则输出该点属于的簇；若该点为危险点或边缘点，则对该点近邻点求取LOF值；额外的，若该点为边缘点，则调用该点所属簇的边缘的OCSVM模型对该点进行单分类，得到明确的离群判断结果；

步骤6：根据离群点的LOF值和当前簇的LOF阈值划分限，进行实时检测点的离群程度归类，并记录对应的报警结果；

步骤7：报警处理程序在数据报警结果触发报警机制后，将最终结果反馈至现场人员端；

所述归一化方式为Zscore或者通过Mad的Zscore，Zscore-Mad归一化的公式为x′＝(x-Median)/Mad，其中Median为x中位数，Mad为x的绝对中位差；在簇中数据差别很大时，采取Zscore-Mad的归一化方式。