基于PCA-SVM的PSA制氧系统关键部件故障诊断.pdf
《基于PCA-SVM的PSA制氧系统关键部件故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于PCA-SVM的PSA制氧系统关键部件故障诊断.pdf(5页珍藏版)》请在咨信网上搜索。
1、109医疗装备 2024 年 3 月第 37 卷第 5 期 Medical Equipment,March.2024,Vol.37,No.5随着我国人口老龄化程度的不断加深,居家养老人数不断增加,国内家用医疗设备市场规模不断上升,制氧系统行业的发展进入快速扩容阶段1。气控阀、分子筛、稳压阀等为制氧系统的关键部件,对于制氧系统的运行起着至关重要的作用2。制氧系统运行中常出现许多故障。朱芬梅等3提出运用支持向量机建立推理机自动判断实时的技术状态是否正常。刘璇斐等4以专家机为方法开发了用于制氧系统的故障分类诊断机,以提高制氧元件故障诊断的准确率。但分类算法诊断的关键是通过训练样本数据满足高准确率要求
2、,然后对实际状况下收集的数据进行故障诊断分类,所以样本的选择至关重要,特征突出的样本数据可以较好地提高分类的准确率,但仅通过对模型进行更新无法达到分类准确性的要求,所以以上方法应用于制氧系统故障诊断无法保证其诊断的准确性。基于此,提出一种基于主成分分析(principal component analysis,PCA)、支持向量机(support vector machine,SVM)的 PSA 制氧系统故障诊断方法,利用 PCA 降维消除特征值冗余,生成故障敏感特征,再对 SVM 进行训练和测试,生成故障诊断模型实现制氧系统故障的精准、高效、全面分类。1 PCA 主成分分析原理PCA 采用降
3、维思想将高维度的、相关性较大的多个指标,通过数学变换转换为数个不联系的综合指标,且转换后的综合指标一般可以表征为转换前90%以上的多个指标,即主成分5。假定样本数据进行中心化 i xi=0 与投影后,得到新的坐标系为 1,2,d,其中 i是标准正交基向量6,i2=1,iT j=0(i j)。若新坐标系中的部分坐标被更少部分的主成分表征,即将维度降维到 d 0 和惩罚因子 C,可以控制最优超平面对本身的路径规划,所以式(5)成为凸二次规划问题15:min122s.t.Txi+b 1-i,i=1,2,N+Ci=1N i(6)基于 PCA-SVM 的 PSA 制氧系统关键部件故障诊断刘健民华氧医疗科
4、技(大连)有限公司(辽宁沈阳110000)关键词PSA 制氧系统;故障诊断;主成分分析;支持向量机中图分类号TP206.3 文献标识码B 文章编号1002-2376(2024)05-0109-05DOI10.3969/j.issn.1002-2376.2024.05.031收稿日期:2023-08-11使用与维修110医疗装备 2024 年 3 月第 37 卷第 5 期 Medical Equipment,March.2024,Vol.37,No.5SVM 为解决数据特征不明显问题,通过寻找最优的核函数将 1 个低维度的数据集通过升维的方式向高维空间映射,最终获得 1 个函数,使数据集在低维与
5、高维的内积结果一致,此种函数即SVM 核函数。常用的核函数有高斯核函数、多项式核函数等16。引入核函数 k(xi,xj)和拉格朗日乘子 i,则式(6)变形为17:maxs.tNi=1i-12Ni=1yi yj i j k xi,xjNi=1i yi=0,0 i C,i=1,2,N(7)SVM 模型在给定的样本集 D1 中,通过寻找最优化的 和 d 确定 1 个划分超平面18,将不同类别的样本分开,遇到复杂的样本集 D2 时,通过寻找合适的核函数 g 使样本集中数据升维再寻找可划分的超平面19,或采用惩罚因子 C 与松弛变量 来约束划分超平面20,达到 SVM 模型准确分类的效果。3 PSA 制
6、氧系统故障诊断分析3.1 PSA 制氧系统关键部件的作用PSA 制氧系统内最关键的 3 个部件,分别为气控阀、分子筛以及稳压阀。气控阀实现分子筛的周期性进气,以及 PSA 制氧系统的整体排气。分子筛可以实现对空气中氮气的吸附,使进入分子筛的空气中的氧气剥离出来。稳压阀的作用是减小储气罐流出的氧气气体压力,让最终 PSA 制氧系统产生的氧气压力适合人体吸入,因此,此 3 个关键部件是 PSA 制氧系统平稳运行的基础,也是PSA 制氧系统内部故障率最高的 3 个部件。3.2 PSA 制氧系统故障特征值选定单独的 SVM 分类模型所采用的制氧系统特征值,通过人为选定,存在较大的干扰,故障分类准确性受
7、到限制。而采用 PCA 降维的方式,可有效解决故障诊断准确率不高以及诊断时间长的问题。对于 PCA 降维方式,选定的时域特征值为最大值、最小值、均值、峰值、方差、波形因子、峰值因子、脉冲因子、裕度因子、峭度、偏度均方根,频域特征值为重心频率、均方频率、均方根频率、频率标准差、频率方差。经过 PCA 后,重新生成 4 个主成分分量 PC1PC4,根据图 1 主成分分量累计贡献率可知,前 4 个分量已达 95%以上,符合 PCA 要求,即此 4 个主成分代表 16 项性能指标,4 个主成分性能指标的方差贡献率见表 1。图 1主成分分量累计贡献率表 1PCA 指标方差贡献(%)成分贡献率贡献率累计P
8、CA151.0851.08PCA221.8072.88PCA315.4288.30PCA4 9.4197.71PCA 为主成分分析经过 PCA 对 16 项特征值的降维处理,得到 4 种新的故障特征值 PCA1PCA4,4 种新型特征值可以表征该 PSA 制氧系统关键部件97.71%的故障特征,解决了所选取特征值不稳定性、未正交化、重复性的问题。如图 2 所示,通过 PCA 降维,综合指标保留了原始变量的重要信息,彼此间不存在相关性。4 种类型分散轮廓明显,各类型区域内的数据散落点在区域内存在相互靠拢的情况,且各类型间有较好的差异性,便于模型分类。图 24 种类型分散轮廓图4 模型建立4.1
9、SVM 模型的建立SVM 模型的最终表现形式,通过对待诊断特征值数据进行隔离分类,使其聚集在各自的标签下,以此表示该类故障的发生概率。每种运行类型选取 80 个维修返厂的 PSA 制氧系统,总计 320 个 PSA 制氧系统。收集各自的压力信号,并将上述选取到的特征值归于各自的标签下,同时数据分为2个部分,240组数据作为训练集,80 组数据作为预测集,见图 3、图 4。111医疗装备 2024 年 3 月第 37 卷第 5 期 Medical Equipment,March.2024,Vol.37,No.5注:SVM 为支持向量机图 3SVM 训练数据结果注:SVM 为支持向量机图 4SVM
10、 预测数据结果由图 3、图 4 可知,SVM 训练集的预测准确率为 92.1%,测试集的预测准确率为 81.25%,不符合模型预期的准确率要求,无法在实际故障诊断中应用。4.2 PCA-SVM 模型的建立 由 SVM 模型预测结果可知,该 SVM 分类模型诊断准确率过低,不适用于 PSA 制氧系统关键部件的故障诊断,由此需设计一种针对 PSA 制氧系统关键部件的故障诊断方法,即PCA-SVM故障分类模型。试验数据选择 320 个维修返厂的 PSA 制氧系统各自的压力信号,每种运行状态下有 80 组数据。数据分为 2 个部分,60 组数据作为训练集,20 组数据作为预测集,结果如图 5、图 6
11、所示。由图 5、图 6 可知,PCA-SVM 训练集的预测准确率为 100%,测试集的预测准确率为 95%,符合模型预期的准确率要求,可以在实际故障诊断中应用。5 验证为验证 2 种模型的 PSA 制氧系统故障诊断的实际适用性,选取 30 个稳压阀。因市场反馈稳压阀最常见的故障为稳压阀膜片磨损,所以对稳压阀的典型故障处理为对稳压阀膜片进行手工磨损,并安装在 PSA 制氧系统上进行检测,稳压阀处理结果如图 7 所示。注:PCA-SVM 为主成分分析-支持向量机算法图 5PCA-SVM 训练数据结果注:PCA-SVM 为主成分分析-支持向量机算法图 6PCA-SVM 预测数据结果图 7稳压阀膜片破
12、损采用 2 种分类模型(SVM 分类模型与 PCA-SVM 分类模型)对其进行故障诊断,故障诊断结果如图 8、图 9 所示。SVM 分类模型与 PCA-SVM 分类模型最终对特征数据进行归类划分,若多数特征数据归类于同一标签下,则证明此情况发生的可能性最大,应予以重视。如图 8 所示,SVM 分类模型结果显示,30 组特征数据在标签“3”处的散落点数最多为 80%,该模型认为标签“3”所代表的稳压阀膜片受损可能性最大,但由图 8 可知,SVM 分类模型还有112医疗装备 2024 年 3 月第 37 卷第 5 期 Medical Equipment,March.2024,Vol.37,No.5
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 PCA SVM PSA 系统 关键 部件 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。