CN105910806A - 加注泵早期健康状态监测方法 - Google Patents
加注泵早期健康状态监测方法 Download PDFInfo
- Publication number
- CN105910806A CN105910806A CN201610366766.0A CN201610366766A CN105910806A CN 105910806 A CN105910806 A CN 105910806A CN 201610366766 A CN201610366766 A CN 201610366766A CN 105910806 A CN105910806 A CN 105910806A
- Authority
- CN
- China
- Prior art keywords
- vector
- filling pump
- health
- principal component
- pump
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000003862 health status Effects 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 71
- 230000036541 health Effects 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000003380 propellant Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种加注泵早期健康状态监测方法，包括以下步骤：S1：选取加注泵运行过程健康度量相关性能参数；S2：采集加注泵正常运行数据构造参数向量组；S3：标准化S2参数向量组并进行PCA分析；S4：选取S3主成分并计算各主成分得分向量；S5：采集加注泵实时运行数据构造参数向量组；S6：标准化S5参数向量组并进行PCA分析；S7：选取S6主成分并计算各主成分得分向量；S8：计算S4和S7中各主成分向量的KLD值；S9：分析各主成分KLD值及系统健康状态变化情况。本发明公开了一种主成分分析和Kullback‑Leibler距离相融合的健康度量模型，该模型可有效检测加注泵运行过程中性能参数的微小变化，实现加注泵早期健康监测，为设备健康管理与视情维护提供决策支持。
Description
技术领域
本发明涉及加注泵系统，健康监测领域，特别涉及加注泵早期健康状态监测方法。
背景技术
随着现代化设备的规模和复杂程度日益提高，设备一旦发生故障就可能带来重大的财产损失和人员伤亡，尤其是发射场易燃易爆等燃料加注过程，对加注泵早期健康监测要求越来越高。
推进剂加注系统是发射场的关键地面设备之一，主要实现推进剂贮存、运输转注等功能。其中，加注泵结构复杂，工作条件恶劣，随着服役时间不断延长，其部件性将不可避免的发生退化。当加注泵设备性能参数出现异常，将会影响加注系统输出性能甚至影响系统运行可靠性与安全性。
加注泵性能参数早期微小异常征兆提取困难。一方面，航天加注泵属于长寿命、高可靠性产品，失效数据极少，长期处于备用状态，每次开机工作的时间极短，异常运行数据有限；另一方面，早期微小异常由于其征兆特征微弱，易被测量噪声、系统扰动等干扰所淹没，难以准确实现其微小异常检测，进而难以对加注泵早期健康状态进行监测。
目前，针对加注系统早期健康监测与健康度量的研究还较少。绝对值距离、欧氏距离和切比雪夫距离计算两参数样本的距离时，数量级较大的参数在距离计算结果中占有较大权重，但实际应用中该参数重要度未必很高；兰氏距离对各性能参数的相关性未做考虑；马氏距离能够表示参数间的协方差距离，考虑了各参数的相关性，能够有效表征两未知样本集之问的相似度(即偏离程度)；基于主成分分析和改进马氏距离相结合的健康度量模型，降低测试样本属性维数，但并未考虑测量噪声等对距离计算的影响，且难以实现加注泵设备早期健康状态异常的监测。
从设备健康管理与视情维护提供决策支持的需求出发，当前还没有针对加注泵早期健康监测方法的研究，尤其是低信噪比环境下距离测度灵敏性的提高。因而，本发明公开的一种加注泵早期健康状态监测方法具有重要意义。
发明内容
有鉴于此，本发明所要解决的技术问题是提供一种快速、高灵敏度、全局性的加注泵早期健康监测方法。
为达到上述目的，本发明提供如下技术方案：
一种加注泵早期健康状态监测方法，包括以下步骤：
S1：选取加注泵运行过程健康度量相关性能参数；
S2：采集加注泵正常运行数据构造参数向量组；
S3：标准化S2参数向量组并进行PCA分析；
S4：选取S3主成分并计算各主成分得分向量；
S5：采集加注泵实时运行数据构造参数向量组；
S6：标准化S5参数向量组并进行PCA分析；
S7：选取S6主成分并计算各主成分得分向量；
S8：计算S4和S7中各主成分向量的KLD值；
S9：分析各主成分KLD值及系统健康状态变化情况。
进一步，步骤S1中加注泵性能参数的选取准则由加注阶段不同运行特性决定，选取的相关性能参数主要包括：泵的出(入)口压力POB(PIB)、系统的出口压力POX、系统的瞬时流量L，泵电流I、系统出口温度TO、储罐的下点温度TD以及罐压PG；
进一步，步骤S2中考虑到各被测量对象的传感器均匀采样率有所差异，本专利利用数字信号处理的方法进行采样频率转换，记转换后的采样频率为f；当采样时间为T时，每个采样周期参数向量所包含的数据数为N＝T/f；记正常运行数据组成的参数向量组为其中
进一步，步骤S3中标准化各参数向量组，消除各性能参数不同物理量纲的影响，如记泵的正常运行出口压力向量均值与标准差分别为和 则正常运行出口压力向量中心化结果为其中 为单位向量；以此类推，记标准化参数向量组为
进一步，记标准化参数向量X*的协方差矩阵为其特征值、特征向量求解采用奇异值分解法，记特征值为其中diag{}表示对角阵，非对角元素全为0，对应的特征向量为其中
进一步，步骤S4中主成分选取规则按照主成分累积贡献率大于85％的原则确定样本主成分个数，记主成分数为m；记协方差矩阵S*得分向量为 其中记各主元得分向量概率密度函数(PDF)为i[1,m],m 7，各主元得分向量概率密度函数近似估计方法采用已有的密度演化方法；
进一步，步骤S5、S6、S7中加注泵实时运行数据采集、数据预处理、PCA分析、主成分选取及主成分得分向量计算方法分别与步骤S2、S3、S4类似，区别在于S2-S4为加注泵已知健康状态样本，作为加注泵健康状态变化监测的知识库，S5-S6为加注泵实时运行数据处理；
进一步，记实时运行数据组成的向量组为X＝[POB,PIB,POX,L,I,T,P]，其中类似地，记泵的正常运行出口压力向量均值与标准差分别为和则向量标准化结果为其中为单位向量；以此类推，记标准化参数向量组为
进一步，记标准化参数向量X的协方差矩阵为其特征值、特征向量求解采用奇异值分解法，记特征值为λ＝diag{λ1,…,λ7}，其中diag{}表示对角阵，非对角部分全为0，对应的特征向量为P＝[p1,…,p7]，其中
进一步，记协方差矩阵S得分向量为其中记各主元得 分向量概率密度函数(PDF)为ψi(x)，i[1,m],m 7，各主元得分向量概率密度函数近似估计方法采用已有的密度演化方法；
进一步，步骤S8计算各主元得分向量的KLD值，即其中
进一步，步骤S9分析各主元得分向量的KLD值变化，将健康度HD的取值范围定义为[0,a]，当HD取值为0时，表征系统绝对健康；当取值为a时，表征系统为完全故障；当取值介于0与a之间时，表征系统处于二者中间状态。随着实时运行数据的不断更新，实现加注泵运行过程中的早期健康状态变化监测。
本发明的优点在于将PCA-KLD用于加注泵系统健康监测中，选用距离测度中的KLD值作为度量加注泵健康状态的标准，提高了距离测度对微小分布变化的灵敏性；通过标准化参数向量消除了性能参数不同物理量纲影响，采用PCA方法降低样本属性维数，提高了在线健康监测的效率；样本与实时数据协方差矩阵之间的主成分得分向量的KL距离变化，可用于刻画健康退化趋势，对系统健康状态监测具有全局特性。基于PCA-KLD的健康度量方法，实现了加注泵早期健康监测，为设备健康管理与视情维护提供决策支持。
附图说明
图1为本发明所述加注泵早期健康监测流程图。
Claims (1)
1.一种加注泵早期健康状态监测方法，包括以下步骤：
S1：选取加注泵运行过程健康度量相关性能参数；
S2：采集加注泵正常运行数据构造参数向量组；
S3：标准化S2参数向量组并进行PCA分析；
S4：选取S3主成分并计算各主成分得分向量；
S5：采集加注泵实时运行数据构造参数向量组；
S6：标准化S5参数向量组并进行PCA分析；
S7：选取S6主成分并计算各主成分得分向量；
S8：计算S4和S7中各主成分向量的KLD值；
S9：分析各主成分KLD值及系统健康状态变化情况。
步骤S1中健康度HD是系统健康状况的综合指标，加注泵健康度量是指对健康状态进行定量计算，本发明采用一种基于PCA-KLD的健康度量方法。加注泵性能参数的选取准则由加注阶段不同运行特性决定，选取的相关性能参数主要包括：泵的出(入)口压力POB(PIB)、系统的出口压力POX、系统的瞬时流量L，泵电流I、系统出口温度TO、储罐的下点温度TD以及罐压PG；
步骤S2中各被测对象物理特性不同且不同类型传感器均匀采样率有所差异，本专利利用数字信号处理的方法进行采样频率转换，记转换后的采样频率为f；当采样时间为T时，每个采样周期参数向量所包含的数据数为N＝Tf；记正常运行数据组成的参数向量组为其中
步骤S3中标准化各参数向量组，消除各性能参数不同物理量纲的影响，如记泵的正常运行出口压力N向量均值与标准差分别为和则正常运行出口压力向量中心化结果为其中 N为单位向量；以此类推，记标准化参数向量组为
记标准化参数向量X*的协方差矩阵为其特征值、特征向量求解采用奇异值分解法，记特征值为其中diag{}表示对角阵，非对角部分全为0，对应的特征向量为其中步骤S4中主成分选取规则按照主成分累积贡献率大于85％的原则确定样本主成分个数，记主成分数为m；
记协方差矩阵S*得分向量为其中记各主元得分向量概率密度函数(PDF)为i∈[1,m],m≤7，各主元得分向量概率密度函数近似估计方法采用已有的密度演化方法；
步骤S5、S6、S7中加注泵实时运行数据采集、数据预处理、PCA分析、主成分选取及主成分得分向量计算方法分别与步骤S2、S3、S4类似，区别在于S2-S4为加注泵已知健康状态样本，作为加注泵健康状态变化监测的知识库，S5-S6为加注泵实时运行数据处理；
记实时运行数据组成的向量组为X＝[POB,PIB,POX,L,I,T,P]，其中类似地，记泵的正常运行出口压力向量均值与标准差分别为和则向量标准化结果为其中为单位向量；以此类推，记标准化参数向量组为
记标准化参数向量X的协方差矩阵为其特征值、特征向量求解采用奇异值分解法，记特征值为λ＝diag{λ1,…,λ7}，其中diag{}表示对角阵，非对角部分全为0，对应的特征向量为P＝[p1,…,p7]，其中
记协方差矩阵S得分向量为其中记各主元得分向量概率密度函数(PDF)为ψi(x)，i∈[1,m],m≤，各主元得分向量概率密度函数近似估计方法采用已有的密度演化方法；
步骤S8计算各主元得分向量的KLD值，即
其中
步骤S9分析各主元得分向量的KLD值变化，将健康度HD的取值范围定义为[0,a]，当HD取值为0时，表征系统绝对健康；当取值为a时，表征系统为完全故障；当取值介于0与a之间时，表征系统处于二者中间状态。随着实时运行数据的不断更新，实现加注泵运行过程中的早期健康状态变化监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610366766.0A CN105910806A (zh) | 2016-05-30 | 2016-05-30 | 加注泵早期健康状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610366766.0A CN105910806A (zh) | 2016-05-30 | 2016-05-30 | 加注泵早期健康状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105910806A true CN105910806A (zh) | 2016-08-31 |
Family
ID=56741738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610366766.0A Pending CN105910806A (zh) | 2016-05-30 | 2016-05-30 | 加注泵早期健康状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105910806A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
| CN110457731A (zh) * | 2019-05-28 | 2019-11-15 | 中国航空工业集团公司上海航空测控技术研究所 | 一种应用于直升机动部件振动趋势分析的方法 |
| CN111353236A (zh) * | 2020-03-16 | 2020-06-30 | 福建省特种设备检验研究院 | 基于多因素的石化常压储油罐健康状态评估系统 |
| CN113283375A (zh) * | 2021-06-08 | 2021-08-20 | 中国矿业大学 | 一种矿山液压支架系统早期故障实时预警方法 |
| CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
| CN118013808A (zh) * | 2024-04-09 | 2024-05-10 | 中国海洋大学 | 一种海上风力发电结构螺栓松动健康状态鉴别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009512097A (ja) * | 2005-10-18 | 2009-03-19 | ハネウェル・インターナショナル・インコーポレーテッド | 早期イベント検出のためのシステム、方法、およびコンピュータプログラム |
| JP2010092355A (ja) * | 2008-10-09 | 2010-04-22 | Hitachi Ltd | 異常検知方法及びシステム |
| CN102464291A (zh) * | 2010-11-17 | 2012-05-23 | 北京航天发射技术研究所 | 一种地面直接定量加注系统及方法 |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
-
2016
- 2016-05-30 CN CN201610366766.0A patent/CN105910806A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009512097A (ja) * | 2005-10-18 | 2009-03-19 | ハネウェル・インターナショナル・インコーポレーテッド | 早期イベント検出のためのシステム、方法、およびコンピュータプログラム |
| JP2010092355A (ja) * | 2008-10-09 | 2010-04-22 | Hitachi Ltd | 異常検知方法及びシステム |
| CN102464291A (zh) * | 2010-11-17 | 2012-05-23 | 北京航天发射技术研究所 | 一种地面直接定量加注系统及方法 |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邢晓辰 等: "《加注系统信息融合式健康监测方案研究》", 《计算机测量与控制》 * |
| 邢晓辰 等: "《基于PCA-IMD 的加注泵融合式健康监测研究》", 《航天控制》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
| CN106959397B (zh) * | 2017-04-24 | 2019-07-19 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
| CN110457731A (zh) * | 2019-05-28 | 2019-11-15 | 中国航空工业集团公司上海航空测控技术研究所 | 一种应用于直升机动部件振动趋势分析的方法 |
| CN111353236A (zh) * | 2020-03-16 | 2020-06-30 | 福建省特种设备检验研究院 | 基于多因素的石化常压储油罐健康状态评估系统 |
| CN111353236B (zh) * | 2020-03-16 | 2023-03-24 | 福建省特种设备检验研究院 | 基于多因素的石化常压储油罐健康状态评估系统 |
| CN113283375A (zh) * | 2021-06-08 | 2021-08-20 | 中国矿业大学 | 一种矿山液压支架系统早期故障实时预警方法 |
| CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
| CN117668498B (zh) * | 2024-01-31 | 2024-04-26 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
| CN118013808A (zh) * | 2024-04-09 | 2024-05-10 | 中国海洋大学 | 一种海上风力发电结构螺栓松动健康状态鉴别方法 |
| CN118013808B (zh) * | 2024-04-09 | 2024-07-09 | 中国海洋大学 | 一种海上风力发电结构螺栓松动健康状态鉴别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
| CN105975443B (zh) | 基于Lasso的网络异常行为检测方法及系统 | |
| WO2015176565A1 (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
| CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
| CN106600115A (zh) | 一种企业信息系统运维智能分析方法 | |
| CN116756595B (zh) | 一种导电滑环故障数据采集监测方法 | |
| CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
| CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
| CN118427750A (zh) | 一种环境监测数据异常识别的方法、系统及设备 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
| CN110220885B (zh) | 一种机械设备磨损状态综合判断方法 | |
| CN113125886B (zh) | 一种针对电能质量扰动源的定位方法 | |
| CN114674511A (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
| CN112113766B (zh) | 一种滚动轴承早期损伤状态的特征提取方法 | |
| CN108106717B (zh) | 一种基于声音信号识别机组状态的方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN110009033A (zh) | 一种基于动态主元分析的钻井过程异常预警模型 | |
| CN114371677A (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| CN114800036A (zh) | 一种设备健康状态评估方法 | |
| Yinxing et al. | Research on fault diagnosis algorithm of gas pressure regulator based on compressed sensing theory | |
| CN111913446B (zh) | 一种适用于多采样率化工过程的故障检测方法 | |
| Long et al. | An Outlier Fault Diagnosis Method Based on Principal Component of Entropy Weight | |
| Chen et al. | Intelligent fault diagnosis technology based on hybrid algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160831 |
|
| WD01 | Invention patent application deemed withdrawn after publication |