单向阀的小波包核主元分析故障检测

doi:10.3724/SP.J.1087.2013.00291

计算机应用 ›› 2013, Vol. 33 ›› Issue (01): 291-294.DOI: 10.3724/SP.J.1087.2013.00291

单向阀的小波包核主元分析故障检测

田宁¹,²,范玉刚²,³,吴建德³,⁴,黄国勇²,³,王晓东¹,²

1. 昆明理工大学信息工程与自动化学院，昆明 650500
2. 云南省矿物管道输送工程技术研究中心，昆明 650500
3. 昆明理工大学信息工程与自动化学院，昆明 650504
4. 云南省矿物管道输送工程技术研究中心，昆明 650504

收稿日期:2012-07-05 修回日期:2012-08-16 出版日期:2013-01-01 发布日期:2013-01-09
通讯作者: 范玉刚
作者简介:田宁(1984-)，男，山西大同人，硕士研究生，主要研究方向：基于声发射的故障检测系统；范玉刚(1973-)，男，山东威海人，副教授，博士，主要研究方向：基于机器学习的智能信息处理、数据挖掘；吴建德(1979-)，男，云南保山人，副教授，博士，主要研究方向：基于嵌入式技术的工业机器人技术、矿物管道输送实时检测与控制。
基金资助:
国家自然科学基金资助项目(51169007);云南省科技计划项目(2010DH004);云南省中青年学术和技术带头人后备人才培养计划项目(2011CI017)

Check valve's fault detection with wavelet packet's kernel principal component analysis

TIAN Ning¹,²,FAN Yugang¹,³,WU Jiande³,⁴,HUANG Guoyong¹,³,WANG Xiaodong¹,²

1. Engineering Research Center for Mineral Pipeline Transportation of Yunnan Province, Kunming Yunnan 650500, China
2. Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming Yunnan 650500, China
3. Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming Yunnan 650504, China
4. Engineering Research Center for Mineral Pipeline Transportation of Yunnan Province, Kunming Yunnan 650504, China

Received:2012-07-05 Revised:2012-08-16 Online:2013-01-01 Published:2013-01-09
Contact: FAN Yugang

摘要/Abstract

摘要： 高压活塞隔膜泵是管道输送的最重要动力源，为了解决其内部单向阀故障的在线监测问题，提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理，求出信号各频率段的能量值；然后采用KPCA方法对能量值在高维空间进行分解建立特征模型，利用特征模型中的SPE和T2统计量对故障信号进行检测；最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对，表明所提方法能够快速、准确地对单向阀故障进行在线检测，在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。

关键词: 声发射, 小波包分解, 核主元分析, 故障检测

Abstract: High pressure piston diaphragm pump is the most important power source of the pipeline transportation. To solve the problem of on-line monitoring on the fault of internal piston, the authors put forward a detection method based on acoustic emission signal's wavelet packet frequency and Kernel Principal Component Analysis (KPCA). Firstly, the author adopted wavelet packet to deal with the acoustic emission data to get each frequency band energy value. Secondly, the authors used KPCA to decompose the energy in high dimensional space to find the feature model, and made use of statistics SPE and T2 in feature model to make detection on fault signal. Finally, the authors conducted experiments to verify the statistics of acoustic emission of GEHO diaphragm pump's check valve. In comparison with the PCA method, the proposed method can make on-line monitoring on fault of internal piston fast and accurate, so it has good application prospect on the domain of the high pressure piston diaphragm pump's non-destructive fault detection.

Key words: acoustic emission, wavelet packet decomposition, Kernel Principal Component Analysis (KPCA), fault detection

中图分类号:

TP277

田宁范玉刚吴建德黄国勇王晓东. 单向阀的小波包核主元分析故障检测[J]. 计算机应用, 2013, 33(01): 291-294.

TIAN Ning FAN Yugang WU Jiande HUANG Guoyong WANG Xiaodong. Check valve's fault detection with wavelet packet's kernel principal component analysis[J]. Journal of Computer Applications, 2013, 33(01): 291-294.

参考文献

［1］邹伟生,袁海燕,罗绍卓.长距离管道输送发展现状及在矿山的应用前景［J］.金属材料与冶金工程,2009,37(1)：57-60.

［2］袁俊,沈功田,吴占稳.轴承故障诊断中的声发射检测技术［J］.无损检测,2011,33(4)：5-10.

［3］黄志坚,高立新,廖一凡.机械设备振动故障监测与诊断［M］.北京：化学工业出版社,2010.

［4］BANAKAR A, AZEEM M F. Artificial wavelet neural network and its application in neuro-fuzzy models ［J］. Applied Soft Computing, 2008, 8(4): 1463-1485.

［5］贺银芝,沈松,应怀樵,等.小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用［J］.振动工程学报,2001,14(1):72-75.

［6］OVANESOVA A V, SUAREZ L E. Applications of wavelet transforms to damage detection in frame structures ［J］. Engineering Structures, 2004, 26(1): 39-49.

［7］王耀南,霍百林,王辉,等.基于小波包的小电流接地系统故障选线的新判据［J］.中国电机工程学报,2004,24(6):54-58.

［8］SALIANI S. The solution of a problem of Coifman, Meyer, and Wickerhauser on wavelet packets ［J］. Constructive Approximation, 2011, 33(1): 15-39.

［9］ZHONG G S, LI J, ZHAO K. Structural safety criteria for blasting vibration based on wavelet packet energy spectra ［J］. Mining Science and Technology, 2011, 21(1): 35-40.

［10］SCHLKOPF B, SMOLA A, MULLER K R. Nonlinear component analysis as a kernel eigenvalue problem ［J］. Neural Computation, 1998, 10(5): 1299-1319.

［11］唐炬，谢彦斌，周倩,等.基于最优小波包变换与核主分量分析的局部放电信号特征提取［J］.电工技术学报，2010,25（9）：35-40.

［12］XIONG L, LIANG J, QIAN J X. Multivariate statistical process monitoring of an industrial polypropylene catalyzer reactor with component analysis and kernel density estimation ［J］. Chinese Journal of Chemical Engineering, 2007, 15(4): 524-532.

[1]	杨鲜, 赵计生, 强保华, 米路中, 彭博, 唐成华, 李宝莲. 基于改进的BSMOTE和时序特征的风机故障采样算法[J]. 计算机应用, 2021, 41(6): 1673-1678.
[2]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[3]	毛文涛, 杨超, 刘亚敏, 田思雨. 面向轴承早期故障检测的多尺度残差注意力深度领域适配模型[J]. 计算机应用, 2020, 40(10): 2890-2898.
[4]	王硕, 王培良. 基于深层长短期记忆网络与批规范化的间歇过程故障检测方法[J]. 计算机应用, 2019, 39(2): 370-375.
[5]	张成, 郭青秀, 冯立伟, 李元. 基于局部近邻标准化和动态主元分析的故障检测策略[J]. 计算机应用, 2018, 38(9): 2730-2734.
[6]	张成, 郭青秀, 李元. 基于判别核主元空间k近邻的批次过程监视[J]. 计算机应用, 2018, 38(8): 2185-2191.
[7]	冯立伟, 张成, 李元, 谢彦红. 基于改进的局部近邻标准化和kNN的多阶段过程故障检测[J]. 计算机应用, 2018, 38(7): 2130-2135.
[8]	李元, 吴昊俣, 张成, 冯立伟. 基于改进偏最小二乘法的多模态过程故障检测方法[J]. 计算机应用, 2018, 38(12): 3601-3606.
[9]	张敏龙, 王涛, 王旭平, 常红伟, 王放. 分步动态自回归核主元分析及其在故障诊断中应用[J]. 计算机应用, 2016, 36(5): 1464-1468.
[10]	刘勇, 沈轩帆, 廖勇, 赵明. 基于遗传算法的无线传感器/执行器网络故障检测滤波器设计[J]. 计算机应用, 2016, 36(3): 616-619.
[11]	许盛伟, 陈诚, 王荣荣. 针对椭圆曲线密码系统点乘算法的改进差分故障攻击[J]. 计算机应用, 2016, 36(12): 3328-3332.
[12]	张垚, 潘峰, 申军伟. 基于小波包分解与矩阵编码的自适应音频隐写算法[J]. 计算机应用, 2015, 35(3): 722-725.
[13]	辛小霞, 王奕, 李仁发. 基于现场可编程门阵列的SMS4故障检测实现[J]. 计算机应用, 2015, 35(2): 420-423.
[14]	张成李娜李元逄玉俊. 核参数判别选择方法在核主元分析中的应用[J]. 计算机应用, 2014, 34(10): 2895-2898.
[15]	唐柳黄樟钦侯义斌方凤才张会兵. 利用冗余核的MPSoC故障检测方法[J]. 计算机应用, 2014, 34(1): 41-45.

单向阀的小波包核主元分析故障检测

Check valve's fault detection with wavelet packet's kernel principal component analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics