導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 機(jī)械安全論文>>正文

基于安全聚類的大型機(jī)械故障診斷算法及應(yīng)用

文檔作者：吳笛文檔來源：西昌學(xué)院工程技術(shù)系		點擊數(shù)：	更新時間： 2021年02月27日
下載地址：點擊這里	文件大?。?431.66 KB 共6頁	文檔格式： PDF	下載點數(shù)： 1 點（VIP免費）

全屏查看

內(nèi)容預(yù)覽 [文件共6頁]

本文件共6頁，如需編輯使用，請下載。

注：預(yù)覽效果可能會出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問題，下載是正常的。

	文件大?。?31.66 KB 共6頁文件格式：PDF 下載點數(shù)：1 點（VIP會員免費）

下一篇：基于GB27607機(jī)械壓力機(jī)電氣安全系統(tǒng)的集…

上一篇：振動監(jiān)測在轉(zhuǎn)動設(shè)備維護(hù)中的應(yīng)用分析

文本預(yù)覽

僅提取頁面文字內(nèi)容，供快速閱讀使用。

2010年第12期 ·控制與檢測·
文章編號：1001—2265(2010)12—0071—06
基于安全聚類的大型機(jī)械故障診斷算法及應(yīng)用
吳笛
(西昌學(xué)院工程技術(shù)系，四川西昌 615013)
摘要：針對大型機(jī)械的故障特點，提出一種安全聚類故障診斷算法。該算法引入影響因子來度量故
障帶來的后果，把故障樣本的相關(guān)性和安全性結(jié)合考慮，通過計算故障樣本的相似度距離，把相似度
比較接近的故障類別聚類成一個新的聚類中心，并利用訓(xùn)練樣本生成的安全二叉樹實現(xiàn)該算法的故
障診斷流程。在生成的安全二叉樹中，影響因子越大的故障類別越靠近二叉樹的根結(jié)點處。利用安
全二叉樹對測試樣本進(jìn)行故障診斷時，按照從二又樹根結(jié)點到葉結(jié)點的順序進(jìn)行診斷，有效保證了
后果嚴(yán)重的故障類別優(yōu)先診斷。最后，將該算法應(yīng)用在液壓挖掘機(jī)故障診斷中，實驗結(jié)果表明該算
法的故障診斷正確率高，診斷的效率也較高，對大型機(jī)械的故障診斷具有可行性和有效性。
關(guān)鍵詞：安全聚類；故障診斷；算法；二叉樹
中圖分類號：TP182 文獻(xiàn)標(biāo)識碼：A
Fault Diagnosis Algorithm for Good-sized M achinery Based on Safety Clustering and Its Application
W U Di
(Department of Engineering Technology，Xichang Institute，Xichang Sichuan 615013，China)
Abstract：Aiming at the characteristics of fault in good-sized machinery，a safety clustering algorithm for
fault diagnosis is provided．The algorithm introduces influence gene to measure the aftermath of the fault，
synthetically considers the relativity and the security，and assembles the fault sp ecies with vicinal similarity
degree into a new clustering center by the method of calculating the sim ilarity degree distance of fault
samp les．Then a safety binary tree acquked through training samp les realizes fault diagnosis flow of the algorithm．
In the safety binary tree，the fault species with greater influence gene is more near to the root
node of the binary tree．According to the sequence from root node to leaf node，the safety binary tree diagnoses
fault through testing samples，which effectively ensures that the fault species brought serious aftermath
is firstly diagn osed．Finally，the algorithm is applied in fault diagn osis of hydraulic pressure excavator，
the exp erimental result demonstrates that the correct ratio and the efficiency of the algorithm are high，
and the algorithm is feasible an d effective to fault diagnosis of good-sized machinery ．
Key words：safety clustering；fault diagnosis；algorithm ；binary tree
O 引言
大型機(jī)械的故障與一般機(jī)械的故障相比，具有
以下特點：一是故障的種類繁多，各種故障之間存在
千絲萬縷的聯(lián)系；二是各種故障造成的后果各不相
同。有的故障只能造成機(jī)械設(shè)備局部功能不能實
現(xiàn)，而有的故障一旦發(fā)生卻能造成系統(tǒng)級的重大事
故，甚至造成人員傷亡和財產(chǎn)嚴(yán)重?fù)p失的惡果。三
是大型機(jī)械發(fā)生故障的概率一般較低，故障的樣本
較少，給故障的診斷帶來困難。因此，采用傳統(tǒng)的聚
類方法，如DBSCAN算法? 、FCM 算法 、K．均值聚
類分析算法 等，已經(jīng)不能滿足大型機(jī)械故障診斷
的需求。本文將引入影響因子，對各種故障造成的
后果進(jìn)行度量，提出一種安全聚類算法，并以二叉樹
的形式實現(xiàn)算法的流程，達(dá)到安全性和相關(guān)性的平
衡，并將該算法用于大型機(jī)械故障的診斷，從而驗證
算法的可行性和有效性。
1 安全聚類算法
1．1 算法的思想
聚類算法中的相關(guān)性考慮的是該類別與其他類
別的歐氏距離，距離越大相關(guān)性就越弱，距離越小相
收稿日期：2010—06一i1
作者簡介：吳笛(1970一)，女，四川西昌人，西昌學(xué)院工程技術(shù)系講師，碩士，主要從事機(jī)械工程應(yīng)用系統(tǒng)開發(fā)和教學(xué)等方面的研究，(E—
mail)tougaoxcu@126．corn。
· 控制與檢測· 組合機(jī)床與自動化加工技術(shù)
關(guān)性就越強(qiáng) 。在相關(guān)性強(qiáng)的兩個類別之間建立一
個支持向量機(jī)(Support Vector Machine，SVM)分類
器，充分利用SVM 在兩類邊界處的高區(qū)分能力。安
全性是指故障診斷時把誤診的風(fēng)險降到最低，把引
明，將相關(guān)性和影響因子結(jié)合稱為相似度。
該算法的思想是：在進(jìn)行故障聚類時，同時考慮
問題描述如下：存在訓(xùn)練樣本( 。，Y )，( ：，
Y )，? ，( ，Y )， ∈R ，Y代表著輸出結(jié)果，即各故
障的類別名稱，可分的類別數(shù)為C。 代表著輸入特征
量，假設(shè)特征量數(shù)目為m。要求將相似度較高的故障
， ：表示第k個故障類別的樣本數(shù)；
D ：表示第k個故障類別的相似度聚類中心，1≤
：表示第k個故障類別的第i個樣本，1≤ k≤
D 表示第i個故障類別與第 個故障類別之間
P ：表示影響因子矩陣。該矩陣表明各輸入特征
安全聚類算法(Safety Clustering)的步驟如下：
Step1：初始化影響因子矩陣P 。P 矩陣中的元
素P 表示在第i個故障類別中的第 個輸入向量的影
1 ㈩
Step2：計算故障類別的相似度中心。首先計算距
離聚類中心C 。設(shè)第k個故障類別的樣本總數(shù)為z 。
結(jié)合影響因子，得到各類故障類別的相似度聚
· 72 ·
類中心為：
。 ÷ lk p
：
●
p
令X =( ， ，? ， )，P =
化為：
p 1
p 2
：
●
p m
(3)
，則(3)式簡
D ：士 P (4)
通過上面的計算，得到每個故障類別的相似度
聚類中心，組成類中心向量為D = {D ，D ，? ，D。}。
Step3：計算各樣本的相似度距離。類別C‘與類
別 之間的相似度距離可以表示為：
D = II D‘一 ll=(D 一∥ ) (D‘+ ) (5)
第／7,次聚類時產(chǎn)生的相似度距離記為如下的矩
陣形式：
r Dl1 ? D1 1
= Il ‘． ；I (6)
Dc． ? DecJ
?
以后每聚類一次，則故障類別個數(shù)C減1。
Step4：在矩陣￡，中選取值最小的一項，假設(shè)為
D 將第i類故障和第 類故障進(jìn)行聚類成一類，記為
。新的故障類別u 的相似度中心如下：
南( ‘+x~pj) (7)
Step5：將 插入到原來的故障類別向量中，同
時在原來的故障類別向量D中刪除D‘和 兩個類別
的相似度中心。此時，類別的中心數(shù)目減1。
Step6：對新的聚類中心向量重復(fù)Step3到Step5，
直到聚類中心向量只剩下1個中心。
整個安全聚類算法的流程圖如圖1所示。
／初始化影響因＼
＼子及訓(xùn)練樣本／
，
J計算各故障類別I
I的相似度中 I
計算各樣本的
相似度距離
二二二】二：：：：：
選取距離最小的
兩類進(jìn)行聚類
二=二 二二
將新的聚類中心
代替原來的兩個
類聚類中心
Y
囤N●
圖1 安全聚類算法的流程圖
2010年第l2期 ·控制與檢測·
2 基于安全聚類算法的二叉樹設(shè)計
安全聚類算法既考慮了各類故障的相關(guān)性，又
考慮了各類故障的可能造成的后果，即影響因子。算
法進(jìn)行聚類的過程，實際上是一個二叉樹不斷剪枝
的過程，但是，在進(jìn)行算法的二叉樹設(shè)計時，如果二
叉樹的結(jié)構(gòu)設(shè)計得不合理，將會產(chǎn)生“誤差累積”現(xiàn)
象 ，致使算法對故障診斷的正確率降低。因此，在
構(gòu)造安全聚類算法的二叉樹時，要合理安排二叉樹
的結(jié)點和分支。為實現(xiàn)安全聚類算法的流程，下面將
利用訓(xùn)練樣本生成性能最優(yōu)的二叉樹，并稱這個性
能最優(yōu)的二叉樹為安全二叉樹(Safety
Clustering—Binary Tree，簡稱為SC—BT)。
2．1 安全二叉樹的定義
根據(jù)前面的安全聚類算法可知，對于c類故障模
式分類問題共需要聚類c一1次，因此生成的二叉樹
共有C一1個結(jié)點，同時二叉樹分類器包含C一1個
SVM子分類器。定義安全二叉樹由以下四個部分組
成：
① 訓(xùn)練樣本集 。設(shè)故障類別數(shù)為c，第i類的樣
本集合表示為 ，則有 。u u ? u Tc= ；
② 聚類中心 。一個結(jié)點代表一個聚類中心，分
別表示為 。， ，? ，U ；
③ 二元組( ，s)組成二叉樹。5是 上的樣本集
合。聚類中心U 的左子樹表示為(U S )，右子樹表
示為( S )，其中．s u S =S ；
④ 在每個結(jié)點 處根據(jù)樣本集構(gòu)造子分類器
S? f。
以三個故障類別為例，構(gòu)造的安全二叉樹結(jié)構(gòu)
如圖2所示。
圖2 三個故障類別的安全二叉樹結(jié)構(gòu)
2．2 安全二叉樹的生成
從安全二叉樹的定義看，該二又樹的構(gòu)造過程
實際上是SVM子分類器的構(gòu)造過程。整個故障診斷
過程主要包括兩個部分：第一個步驟是以訓(xùn)練樣本
為參考，通過安全聚類算法計算出各類故障的相似
度，然后根據(jù)相似度生成一棵安全二叉樹；第二個步
驟是利用該安全二叉樹對測試樣本進(jìn)行故障診斷，
得出故障結(jié)論。
安全二叉樹的生成過程如下：
Stepl：初始化二叉樹。根據(jù)給定的n個故障類別
{C。，C ，? ，c }構(gòu)造rt棵二叉樹集合u，U = { ，
，
?
， }，每棵二叉樹只有一個根結(jié)點c，左右子
樹都為空。
Step2：根據(jù)安全聚類算法得到第一次聚類中心
， 將 作為根結(jié)點構(gòu)造一棵二叉樹，左子樹和右
子樹分別為u‘和 ，則結(jié)點 的樣本就是故障類別
C 和 的樣本。在結(jié)點 處，把左子樹樣本看成負(fù)
類，把右子樹樣本看成正類，生成支持向量機(jī)分類器
Js? 。
Step3：在集合u中刪除 和 ，將新的二叉樹
插入到二叉樹聚合 中。
Step4：根據(jù)安全聚類算法，重復(fù)Step2和Step3，
直到集合 只含有一棵樹，這棵樹就是安全二叉樹。
2．3 安全二叉樹的故障診斷流程
通過以上四個步驟對輸入的訓(xùn)練樣本進(jìn)行分
析，生成的二叉樹能夠最優(yōu)地實現(xiàn)安全聚類算法，提
高診斷的效率和準(zhǔn)確性。對測試樣本進(jìn)行分析時，首
先從生成的安全二叉樹的根結(jié)點開始測試，根據(jù)該
結(jié)點的判斷函數(shù)，判斷輸出結(jié)果是正類還是負(fù)類，從
而判斷下一步診斷的方向，當(dāng)運行到二叉樹的葉結(jié)
點時，診斷結(jié)束。利用安全二叉樹進(jìn)行故障診斷的過
程如圖3所示。
圖3 利用安全二叉樹進(jìn)行故障診斷的流程
3 算法應(yīng)用
下面以液壓挖掘機(jī)為對象，介紹安全聚類算法
在大型機(jī)械故障診斷中的應(yīng)用。
3．1 問題描述及初始化
(1)故障問題的描述
根據(jù)液壓挖掘機(jī)的結(jié)構(gòu)原理，分析輸入訓(xùn)練樣
本和故障類別。通常情況下，液壓挖掘機(jī)的故障輸入
樣本分為兩部分，一部分是采集系統(tǒng)采集到的挖掘
機(jī)狀態(tài)信息，另一部分是由工作人員記錄的故障數(shù)
· 73 ·
· 控制與檢測· 組合機(jī)床與自動化加工技術(shù)
據(jù)記錄 。本文從這些輸入樣本中選取具有代表性
的樣本作為訓(xùn)練樣本進(jìn)行分析，得到安全聚類算法
的安全二叉樹，并利用安全二叉樹對測試樣本進(jìn)行
故障診斷。假設(shè)需要進(jìn)行故障測試的對象有以下20
種：發(fā)動機(jī)水溫C1(單位：℃)、液壓油油溫C2(單位：
℃)、發(fā)動機(jī)機(jī)油壓力c3(單位：MPa)、泵壓力c4(單
位：MPa)、先導(dǎo)壓力C5(單位：MPa)、柴油油位C6、
蓄電池電壓c7、充電指示c8、空濾報警C9、吸油壓力
報警C10、發(fā)動機(jī)轉(zhuǎn)速C11、泵噪音C12、動臂力度
C13、回轉(zhuǎn)力度C14、行走情況c15、行走動力C16、單
一油缸動作情況C17、挖掘機(jī)工作力度C18、斗桿力
度C19、鏟斗力度C20，這樣組成條件屬性集C =
{C1，C2，? ，C20}。將液壓挖掘機(jī)的故障分為7類，
即：電磁閥故障D1、泵吸進(jìn)空氣D2、發(fā)動機(jī)故障D3、
先導(dǎo)閥和換向閥故障D4、線路故障D5、溢流閥故障
D6、柴油機(jī)轉(zhuǎn)速不穩(wěn)定D7。7類故障組成決策屬性集
D = {D1，D2，? ，D7}。這樣，由條件屬性集C和決策
屬性集D組成訓(xùn)練樣本信息，如表1所示。
“1”；液壓油油溫C2在0—88℃ 之間為正常且定義
為?0’，偏高則為“1”；發(fā)動機(jī)機(jī)油壓力C3在
0．15MPa～0．5MPa之間為正常且定義為“0”，超出
則為“1”；泵壓力C4在16MPa～29MPa之間為正常
且定義為“0”，偏低則為“1”；先導(dǎo)壓力c5小于
25MPa為正常且定義為“0”，超出則為“1”；柴油油位
c6正常為“0”，偏低則為“l(fā)”；蓄電池電壓C7在22V
～ 29V之間為正常，偏低為“1”；充電指示c8正常為
“0”，需充電時則為“1”；空濾報警c9正常為“0”，報
警時則為“1”；吸油壓力報警C10正常為“0”，報警時
則為“1”；發(fā)動機(jī)轉(zhuǎn)速C11在880～3000之間為正常且
定義為“0”，不穩(wěn)定則為“1”；泵噪音C12正常為“0”，
有噪聲則為“1”；動臂C13正常工作為“0”，無力則為
“1”；回轉(zhuǎn)C14正常工作為“0”，無力則為“1”；行走情
況C15正常工作為“0”，不正常則為“1”；行走動力C16
動力正常作為“0”，無力則為“1”；單一油缸C17正常
工作為“0”，無動作則為“1”；挖掘機(jī)工作C18正常為
“0”，無力則為“1”；斗桿C19正常工作為“0”，無力則
表1 訓(xùn)練樣本信息表
＼ ＼ 屬性
樣本＼ 、 C1 C2 C3 C4 C5 C6 C7 C8 C9 Cl。 CIl Cl C1 C1 Cl Cl Cl C1 Cl C2。 故障種類
1 86 58 O．2 12 20 正常 22 正常 正常 正常 2400 正常 無力 無力 不正常 正常 正常 正常 無力 正常 D1
2 79 64 0．25 15 l9 正常 25 正常 正常 正常 2600 有噪音 無力 正常 正常 無力 正常 無力 正常 正常 D2
3 97 60 O．1 22 l7 正常 28 正常 正常 正常 33O0 正常 正常 正常 正常 正常 正常 正常 正常 正常 D3
^ 73 65 0．3 l8 18 正常 24 正常 正常 正常 2688 正常 無力 無力 正常 無力 無動作 正常 正常 正常 ／)4
5 70 5l 0．29 19 l7 正常 25 正常 正常 正常 2810 正常 正常 正常 不正常 無力 無動作 正常 正常 正常 D4
6 82 38 O．32 21 l9 正常 28 正常 正常 正常 2680 有噪音 無力 無力 正常 無力 正常 無力 無力 無力 D2
X， 80 5l 0．36 23 l8 正常 22 正常 正常 正常 3100 正常 正常 正常 正常 正常 正常 正常 正常 正常 D3
X8 89 63 O．09 l8 20 正常 27 正常 正常 正常 809 正常 正常 正常 正常 正常 正常 正常 正常 正常 D3
9 78 56 O．36 l9 l9 正常 24 低 正常 正常 321O 正常 正常 正常 正常 正常 正常 正常 正常 正常 D5
10 75 90 0．48 18 17 正常 24 正常 正常 正常 l870 正常 正常 正常 正常 正常 正常 正常 正常 正常 D6
(2)訓(xùn)練樣本的初始化
根據(jù)輸入的訓(xùn)練樣本信息，將條件屬性值c定義
在值域{0，1}，并將故障類型以二進(jìn)制的形式表示，
這樣可實現(xiàn)訓(xùn)練樣本信息的數(shù)字化。設(shè)發(fā)動機(jī)水溫
為“1”；鏟斗C20正常工作為“0”，無力則為“1”。
用二進(jìn)制編碼{001}、{010}、{011}、{100}、
{101}、{110}、{111}分別表示故障種類D1、D2、D3、
D4、D5、D6、D7，則將故障訓(xùn)練樣本信息數(shù)字化后，得
C1在0 —95℃ 之間為正常且定義為?0’，偏高則為 到的訓(xùn)練樣本如表2所示。
表2 訓(xùn)練樣本信息的數(shù)字化結(jié)果
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 Cl】 Cl2 Cl3 Cl4 C15 C16 Cl7 C18 Cl9 C20 故障類型
l O 0 0 1 0 O 0 0 0 0 0 O 1 1 1 0 0 0 l 0 O O 1
2 O O O l 0 0 O 0 O O O l l 0 O 1 O 1 O O O 1 O
邑 1 0 l 0 0 0 0 O 0 O l 0 0 0 0 O 0 O O O 0 1 l
O O 0 0 O O O 0 0 0 0 O 1 1 0 l 1 0 0 0 1 O O
5 O O O 0 O O O 0 O O O O O O l l l O O O 1 O O
6 O 0 O O 0 0 0 O O O 0 l 1 1 0 1 0 1 1 1 O l 0
0 O 0 0 O O O 0 O 0 l 0 0 0 0 O O 0 O O O 1 1
0 O l 0 O O 0 0 O 0 l 0 O O O 0 O O O 0 O 1 l
O 0 0 O 0 0 0 l O O 1 0 O O O O 0 O 0 O l O l
10 0 1 0 O O O 0 O O O 0 0 0 O O O O 0 0 0 l 1 O
2010年第12期 控制與檢測
(3)影響因子矩陣的初始化
挖掘機(jī)的各種故障造成的后果是不一樣的，根
據(jù)經(jīng)驗得到影響因子表，即安全聚類算法中的影響
因子矩陣P 。假設(shè)所有故障影響因子之和為l0，根
據(jù)工程經(jīng)驗，各個故障類別的影響因子如表3所示。
表3 故障類別的影響因子
從表3可以看出，線路故障造成的后果最嚴(yán)重，
泵吸進(jìn)空氣次之。同時，輸人特征對各故障的影響也
不相同，根據(jù)表3，將影響因子矩陣P 初始化如表4
所示。在表4中，?0’代表這個輸入特征不可能對故
障的判斷造成影響，利用“0”也可以間接地減少錯誤
數(shù)據(jù)給診斷的準(zhǔn)確性造成的影響，減少誤診斷。
從相似度矩陣 ：中，可以看到故障類別D1和
D6之間的相似度最小，因此將這兩類集合進(jìn)行聚類，
計算聚類中心D。 ，同時生成故障分類器S?。 。根據(jù)
安全聚類算法進(jìn)行第三次聚類，得到相似度矩陣 ，
如表7所示。
表7 第三次聚類的相似度矩陣
JD16 D2 D4 D5 D37
D16 0 0．418 0．355 0．568 0．263
D2 0．418 O 0．524 0．33 O．42
D4 0．355 O．524 0 O．33 0．32
D5 0．568 0．33 0．33 0 0．5
口37 0．263 O．42 0．32 O．5 O
從相似度矩陣 中，可以看到故障類別D16和
D37之間的相似度最小，因此將這兩類集合進(jìn)行聚
表4 故障影響因子的初始化結(jié)果
Cl C2 C3 C4 C5 C6 C7 C8 C9 Clo ClI Cl2 C13 C14 Cl5 Cl6 Cl7 C18 C19 C20
D1 0 O 0 O．1 0 0 0．1 O．2 0 O O．2 O 0．1 0．1 O 0．1 0．1 0 O．1 0
D2 O 0 O O．4 0．2 0 0．1 O 0．2 O．1 0．2 0．4 O 0．1 0．1 0．1 O．1 0．1 O．2 O．1
D3 0．1 O．1 0．1 0 O 0．1 0 0 0 O O．2 O O．1 0．1 O．1 O 0．1 O 0 0．1
D4 O 0 O．1 O 0．1 0 0．1 0 0 0 0．2 0 O．2 O，2 0．2 O 0．2 0．2 0 0．1
D5 0．1 0．1 0．1 0．1 O．1 0．1 O．1 0．2 O．3 0．3 0．2 O．1 0．1 0．1 O．1 O．3 0．1 0．1 0．1 O，1
D6 O．2 0 O．2 O 0 O O．1 O 0 0．1 0 0．1 0 O．1 0．1 0 O．1 0．3 0 0
D7 O 0．1 O 0．2 0 0．1 0 0 O．1 O O．1 O 0 O．1 0．1 0．1 0．1 0．1 0．2 0．2
3．2 算例的安全二叉樹生成
根據(jù)安全聚類算法，第一次聚類時得到的相似
度矩陣￡ 如表5所示。
表5 第一次聚類的相似度矩陣
Dl D2 D3 D4 D5 D6 D7
Dl O 0．318 0．299 0．337 0．668 0．225 0．423
D2 O．318 0 0．425 0．524 0．332 0．625 0．45
D3 0．299 0．425 0 0．43 0．524 0．324 0．124
D4 0．337 0．524 0．43 O 0．326 0．546 0．324
D5 0．668 0．332 0．524 0．326 0 0．552 0．532
D6 0．225 0．625 0．324 0．546 0．552 0 0．335
D7 0．423 0．45 O．124 0．324 0．532 0．335 O
從相似度矩陣 中，可以看到故障類別D3和
D7之間的相似度最小，因此將這兩類集合進(jìn)行聚類，
計算聚類中心D 同時生成故障分類器s?， 。根據(jù)
安全聚類算法進(jìn)行第二次聚類，得到相似度矩陣 ：
如表6所示。
表6 第二次聚類的相似度矩陣
D1 D2 D4 D5 D37
Dl 0 O．3l8 0．337 0．67 0．225 0．36
D2 0．318 0 0．524 O．33 O．63 0．42
D4 0．337 0．524 O 0．33 0．55 0．32
D5 O．67 0．33 0．33 0 O．55 O．5
D6 0．225 0．63 O．55 O．55 O O．29
D37 O．36 0．42 0．32 O．5 O．29 O
類，計算聚類中心D ，同時生成故障分類器s?，
按照同樣的方法一直聚類下去，根據(jù)安全二叉
樹的生成算法，得到故障診斷的二叉樹結(jié)構(gòu)如圖4所
示。從該二叉樹結(jié)構(gòu)看，影響因子越大的故障類別靠
二叉樹的根結(jié)點越近。故障診斷時，按照從二叉樹的
根結(jié)點向葉結(jié)點的順序進(jìn)行逐層診斷，確保了產(chǎn)生
后果越嚴(yán)重的故障越能最先被診斷出來。
聚
類
過
程
診
斷
過
程
圖4 算例的故障診斷安全二叉樹結(jié)構(gòu)
3．3 診斷結(jié)果及分析
為驗證安全聚類算法對大型機(jī)械故障診斷的有
效性和準(zhǔn)確性，本文利用上面由訓(xùn)練樣本生成的安
全二叉樹對20個測試對象的500個故障測試樣本進(jìn)
行了故障診斷實驗。同時，利用傳統(tǒng)的支持向量機(jī)算
法 (C—SVM)、有向無環(huán)圖SVM算法 (DAG．SVM)、
未考慮安全性的聚類二叉樹算法 (FSM．BT)對相
同的測試樣本進(jìn)行了診斷。在診斷中，選擇的向量機(jī)
· 控制與檢測· 組合機(jī)床與自動化加工技術(shù)
核函數(shù)為高斯徑向機(jī)核函數(shù) ：k(x，y) =
exp(一 )，通過變化核參數(shù)，比較各算法的
診斷性能，結(jié)果如表8所示。
zation for machinery fault detection[J]．Engineering Ap—
plications of Artificial Intelligence，2009(22)：308—316．
[4]SATU E S．Graph clustering[J]．Computer Science Review，
2007(1)：27—34．
表8 各種算法的診斷結(jié)果比較
故障 C-SVM算法 DAG SVM算法 FSM-BT算法 SC。BT算法
核參數(shù)
個數(shù) 誤診數(shù) 正確率 診斷時間(s) 誤診數(shù) 正確率 診斷時間(s) 誤診數(shù) 正確率 診斷時間(s) 誤診數(shù) 正確率 診斷時間(s)
0．2 l0 3 7O％ 4．221 3 70％ 3．995 2 8O％ 2．653 l 9O％ 2．698
O．4 10 4 6O％ 4．341 3 70％ 3．552 1 9O％ 2．556 1 90％ 2．996
0．6 10 3 70％ 4．465 2 8O％ 3．568 1 90％ 2．359 O lo0％ 2．856
O．8 10 2 80％ 4．8l6 2 8O％ 3．486 O 100％ 2．869 0 10o％ 3．22l
從表8可以看出，本文的SC．BT算法對故障診斷
的正確率最高，診斷速度較快，診斷效率高。與
FSM-BT算法相比，故障診斷的時間稍微長一些，這
主要是因為SC．BT算法在故障診斷中不但考慮相關(guān)
性還考慮了安全性，將后果最嚴(yán)重的故障類型優(yōu)先
進(jìn)行診斷，從而耗時要多一些。但是，從故障診斷的
正確性上看，SC．BT算法的故障診斷正確率明顯高于
FSM。BT算法，所以用適量的時間換取診斷的正確性
是值得的。
4 結(jié)束語
本文提出了一種安全聚類故障診斷算法，采用
安全二叉樹的形式實現(xiàn)了算法的流程，并將算法應(yīng)
用在大型機(jī)械故障診斷中，取得了很好的應(yīng)用效果。
通過具體的應(yīng)用，可以得到以下結(jié)論：
(1)該算法把相關(guān)性較高的故障樣本聚集在一
起進(jìn)行研究，提高了診斷的準(zhǔn)確性。同時，在聚類
時，每聚類一次，減少下次聚類的樣本個數(shù)，提高了
診斷的效率。
(2)該算法不但考慮故障樣本的相關(guān)性，而且還
考慮了故障樣本的安全性，即故障樣本代表的故障
類型對整個系統(tǒng)帶來的后果。在利用訓(xùn)練樣本生成
安全二叉樹時，將影響因子越大的故障類型越靠近
安全二叉樹的根結(jié)點。在故障診斷時，優(yōu)先對這些
影響因子較高的故障類別進(jìn)行診斷，可以有效防止
對重大故障的漏診。
(3)通過具體的工程應(yīng)用表明，該算法具有很好
的聚類性能，故障診斷的準(zhǔn)確性高，可以根據(jù)測試樣
本實現(xiàn)對大型機(jī)械早期的故障隱患的診斷和處置。
[參考文獻(xiàn)]
[1]HANDL J，KNOWLES J． An evolutionary approach to
multi—objective clustering[J]．IEEE Transactions on Evo—
lutionary Computation，2007，11(1)：56—76．
[2]RUI X，DONALD C，WUNSCH I．Recent advances in c／uster
analysis[J]．International Journal of Intelligent Com—
puting and Cybernetics，2008，1(4)：484—508．
[3]SAMANTA B，NATARAJ C．Use of particle swarm optimi一
． 76 ·
[5]ANDREW K S J，DAMING L，DRAGAN B．A review on
machinery diagnostics and prognostics implementing condi·
tion—based maintenance[J]．Mechanical Systems and Sighal
Processing，2006(20)：1483—1510．
[6]Ruqiang Yan，Robert X．Gao．Approximate Entropy as a di—
agnostic tool for machine health monitoring[J]．Mechanical
Systems and Signal Processing，2007，21(2)：824—839．
[7]KANGYW ，LIJ，CAOGY，eta1．Dynamic temperature model
in go fan SO reusing least square support vector machines
[J]．Journal of Power Sources，2008，17(9)：683—692．
[8]Cherkassky V，Ma Yunqian．Practical selection of SVM pa—
rameters and noise estimation of SVM regression[J]．Neu—
ral Networks，2004，17(1)：113—126．
[9]Zogg D，Shafai E，Geering H P．Fault diagnosis for heat
pump switch parameter identification and clustering[J]．
Control Engineering Practice，2006，14(12)：1435—1444．
[1O]E．A．Mohamed，A．Y．Abdelaziz，A．S．Mostafa．A Neural
Network—based Scheme for Fault Diagnosis of Power Trans··
formers[J]．Electric Power Systems Research，2005，75
(2)：29—39． (編輯趙蓉)

網(wǎng)友評論 more

機(jī)械安全論文最新內(nèi)容

03-05