[发明专利]一种基于熵值的离心泵故障诊断方法

摘要

本发明提出了一种基于熵值的离心泵故障诊断方法，称为复合多维多尺度符号动力学熵(CMvMSDE)。首先，为克服传统粗粒化过程中尺度增加而产生复杂度估计不准确和结果波动性较大的缺点，本文提出了复合多尺度粗粒化过程，利用滑动窗口进行多尺度分割，提高了方法的稳定性。其次，基于多变量相空间重构技术，将一维的符号动力学熵拓展到多维符号动力学熵，从而提出复合多维多尺度符号动力学熵。本文所提的CMvMSDE可提高故障特征提取能力，并可进一步丰富熵值理论。最后，结合逻辑回归分类器，有效识别不同的离心泵故障，并且识别率为100％。

主权项

1.一种基于熵值的离心泵故障诊断方法，其特征在于，包括以下步骤：步骤1：利用p个通道的震动传感器采集到p个通道的震动信号(每一个通道即为一维变量)，构建多维时间序列矩阵Xi,j，形式如下：式中，i代表了通道的数目，取值范围为i＝1,2,…,p，即矩阵中每一行表示了一个通道；j代表了数据的长度，取值范围为j＝1,2,…,N。步骤2：对于多维时间序列矩阵X_i,j中的每一个通道，按照下式将原始时间序列X_i,j进行粗粒化分割，得到在时间尺度τ下的τ个粗粒时间子序列其中的每一个粗粒时间子序列可表示为子序列中的每一个元素，可由下式确定：式中，k代表了通道，取值范围为k＝1,2,…,p；j代表了数据的长度，取值范围为j＝1,2,…,N；a代表子序列编号，取值范围为1≤a≤τ；b代表了子序列数据的长度，取值范围为τ代表时间尺度。步骤3：重复步骤2，能够得到中得到尺度τ下的所有通道的粗粒时间子序列，利用这些粗粒时间子序列构建多维多通道矩阵形式如下：式中，k代表了通道，取值范围为k＝1,2,…,p；τ代表时间尺度；a代表子序列编号，取值范围为1≤a≤τ。步骤4：利用步骤3中得到的多维多通道矩阵计算其多维动力学熵MvSDE，其计算过程可以由以下子步骤获得：子步骤1：利用步骤3得到的矩阵分别用ε个符号σ_i(i＝1,2,…,ε)将每一个通道转换为符号时间序列，该过程也被称为符号化。在符号化之后，矩阵可以被符号化为新的矩阵Z{z₁(k),z₂(k),…,z_i(k)}^T,其中，k＝1,2,…,N代表数据的长度，i＝1,2,…,p代表了通道的数目。子步骤2：利用子步骤1得到的符号矩阵Z{z₁(k),z₂(k),…,z_i(k)}^T，通过嵌入维度m和时间延迟λ构造矩阵如下所示：式中，i代表了通道，取值范围为i＝1,2,...,p；j代表了数据的长度，取值范围为j＝1,2,...,N‑(m‑1)λ。子步骤3：统计子步骤2中嵌入向量的可能出现的状态模式由于每个通道的嵌入维度为m，即嵌入了m个元素，每个元素可能具有ε个符号，因此存在ε^m个潜在的状态模式。并通过下式计算状态模式的概率式中，type(.)表示从符号空间到状态模式空间的映射，||·||表示集合的个数。p代表了通道总数目，m表示嵌入维度，N代表数据总长度，j代表了数据的长度，取值范围为j＝1,2,...,N‑(m‑1)λ。子步骤4：通过子步骤3得到的构建1×ε^m的状态模式矩阵如下：子步骤5：统计在子步骤3中每种模式出现时，下一个符号σ_b(b＝1,2,...,ε)出现的条件概率状态转移概率其计算公式如下：式中，ε是符号的数目，εm是状态的数目，a＝1,2,...,εm并且b＝1,2,...,ε。对于每一个通道总共有εm+1个状态转移。p代表了通道总数目，m表示嵌入维度，N代表数据总长度，j代表了数据的长度，取值范围为j＝1,2,...,N‑mλ子步骤6：通过子步骤5得到的构建ε×ε^m的条件概率状态转移矩阵如下：子步骤7：利用子步骤4得到的状态模式矩阵和步骤6得到的条件概率状态转移矩阵，计算多维号动力学熵MvSDE，如下所示：式中，m是嵌入维度，λ是时间延迟，ε是符号的数目。子步骤8：利用下式，正规化步骤7得到的多维号动力学熵MvSDE:MvSDEnorm＝MvSDE/ln(εm+1)通过正规化，MvSDE的范围是0式中，τ代表时间尺度。步骤6：重复步骤5，得到所有时间尺度下的CMvMSDE值。