CN109899281B - 一种基于红外热像的压裂设备微弱故障诊断方法及装置 - Google Patents

Abstract

本说明书实施例提供一种基于红外热像的压裂设备微弱故障诊断方法及装置。所述方法包括：获取第一红外热像图；根据所述第一红外热像图确定设备故障与温度变化的对应表征关系；根据设备故障与温度变化的对应表征关系建立卷积神经网络模型；根据所述卷积神经网络模型对设备故障类型进行诊断。本说明书实施例提出了一套基于红外热像的设备故障诊断技术体系，引入了卷积神经网络(CNN)这类特殊深层神经网络并进行模型选取及参数优化，利用其强大的图像处理及学习能力提取压裂装备红外热像图中的微弱故障特征并分类，从而实现页岩气压裂设备的故障诊断功能。

Description

一种基于红外热像的压裂设备微弱故障诊断方法及装置

技术领域

本说明书实施例涉及设备故障诊断技术领域，特别涉及一种基于红外热像的压裂设备微弱故障诊断方法及装置。

背景技术

油气的开采依赖于有效的压裂作业，而压裂泵作为压裂施工过程中最为关键的设备之一，需要将一定粘度的压裂液转换为高压力液体排出，用作挤压油气层以及支撑裂缝的介质。在此施工过程中压裂泵需要承受高压及循环载荷作用，增加了故障风险，严重影响压裂泵的使用寿命。

当前针对以压裂泵为核心的页岩气压裂装备的故障诊断方法主要有振动信号分析、油液分析、声发射技术等。振动信号分析作为机械设备监测诊断应用最广泛的技术手段之一，常见方法有改进的经验模态分解方法、小波包变换与支持向量机结合、希伯特-黄变换等。这些方法主要依据故障部位产生的异常振动信号来诊断识别故障模式及潜在区域，但存在振动信号采集困难、信号易受波动、需接触的问题，这种情况下采用红外热像图分析则更加便利和有效。

红外热成像技术是利用红外探测器、光学成像物镜和光机扫描系统得到被测目标的红外辐射能量分布图形并反映到红外探测器的光敏元上，通过探测器将红外辐射能转换为电信号，经放大处理、转换得到红外热像图的一种技术手段，最初被应用于军事领域，但随着民用红外热成像技术的快速发展，红外热成像技术作为一种迅速灵敏的无损检测技术在工程建设、医疗健康、工业监测等领域得到了广泛应用，但目前应用模式限于单一地将目标区域的温度并与正常样本进行比较或发现一定区域内的温度异常来进行检测和判断。这种图像分析模式对设备的分辨率等参数要求较高，得到的红外图像需要有较为明显的区域温度差异，否则难以诊断和分析，且过于依赖于人的经验，导致其稳定性及智能性较低。这种方法运用到压裂泵为核心的压裂装备故障区域诊断识别时也存在局限性，原因有以下两点，一是压裂泵发生故障的部位主要为输出端、泵头体、输入端。这三个部位由于液体流动带来的降温效果以及外部壳体厚重使得红外热像图上的温度变化和范围不明显，二是压裂泵热像图较之柴油机、齿轮箱、变压器等设备的热像图在色彩层次性上差异较小，通过简单调节对比度及明亮度也难以获得较好的直观显示。

发明内容

本说明书实施例的目的是提供一种基于红外热像的压裂设备微弱故障诊断方法及装置，以解决压裂泵为代表的页岩气压裂装备微弱隐含故障的识别诊断难点，摆脱对人为识别的过度依赖，提高诊断稳定性及准确性。

为解决上述技术问题，本说明书实施例提供一种基于红外热像的压裂设备微弱故障诊断方法及装置是这样实现的：

一种基于红外热像的压裂设备微弱故障诊断方法，所述方法包括：

获取第一红外热像图；

根据所述第一红外热像图确定设备故障与温度变化的对应表征关系；

根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型；

根据所述卷积神经网络模型对设备故障类型进行诊断。

一种基于红外热像的压裂设备微弱故障诊断装置，所述装置包括：

第一红外热像图获取模块，用于获取第一红外热像图；

设备故障与温度变化的对应表征关系确定模块，用于根据所述第一红外热像图确定设备故障与温度变化的对应表征关系；

卷积神经网络模型搭建模块，用于根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型；

设备故障类型诊断模块，用于根据所述卷积神经网络模型对设备故障类型进行诊断。

由以上本说明书实施例提供的技术方案可见，本说明书实施例提出了一套包含灰度化、去噪、边缘锐化处理在内的整体性的红外热像图预处理技术体系；建立了压裂泵典型故障与温度变化对应的表征关系；引入了卷积神经网络(CNN)这类特殊深层神经网络并进行模型选取及参数优化，利用其强大的图像处理及学习能力提取压裂装备红外热像图中的微弱故障特征并分类，从而实现页岩气压裂设备的故障诊断功能。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断方法流程图；

图2为本说明书实施例中中值滤波算法流程示意图；

图3a为本说明书实施例中压裂泵吸入端正常的红外热像图；

图3b为本说明书实施例中压裂泵吸入端缺水故障的红外热像图；

图4为本说明书实施例中压裂泵内部件磨损区域红外热像图；

图5为本说明书实施例中CNN网络训练及测试过程示意图；

图6为本说明书实施例中dropout原理示意图；

图7为本说明书实施例中CNN网络模型结构图；

图8为本说明书实施例CNN网络模型中损失函数变化曲线图；

图9为本说明书实施例中压裂泵输出端故障特征提取及判别结果；

图10为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断装置的功能结构示意图；

图11为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断装置中，设备故障与温度变化的对应表征关系确定模块的功能结构示意图；

图12为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断装置中，卷积神经网络模型建立模块的功能结构示意图。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

图1为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断方法流程图。

在本实施方式中，执行所述基于红外热像的设备故障类型诊断方法的主体可以是具有逻辑运算功能的电子设备，所述电子设备可以是服务器或客户端，所述客户端可以为台式电脑、平板电脑、笔记本电脑、工作站等。当然，客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。还可以是一种通过程序开发形成的程序软件，该程序软件可以运行于上述电子设备中。

如图1所示，本说明书实施例提供了一种基于红外热像的压裂设备微弱故障诊断方法，包括以下步骤：

S110：获取第一红外热像图。

在一些实施例中，可以使用红外热成像仪获取红外热像图。

红外热成像仪在使用过程中易受环境温度、光照、发射率、风速以及配套软件的调色板设置这些的因素影响使得形成的红外热像图存在差异。因此，在一些实施例中，可以在获取红外热像图后对红外热像图进行预处理。

在一些实施例中，为使红外热像图分析结果更为准确，红外热像图进行预处理步骤可以是：对图像进行灰度化处理，消除不同调色板造成的差异并进一步降噪、边缘锐化处理，最后根据需要进行图像尺寸的归一化。

在一些实施例中，红外热像图通过颜色深浅不同表征不同的温度，将其转换为灰度图可有效降低环境及软件调色板带来影响，且以灰度大小代替彩色深浅能够降低图像数据处理的计算量。

目前在图像降噪上主要采用的方法为均值滤波、小波变换、中值滤波及其改进。但均值滤波只是将某点的噪声强度平均分布在周围数据上，尽管降低了幅值，起到了降噪作用，能够有效抑制热噪声、散弹噪声等加性噪声但增加了噪声点的颗粒面积，且使得图像边缘变得比较模糊，不利于下一步图像处理。小波变换对于图像的降噪需要牺牲分辨率为代价，这是压裂泵热成像图片分析和研究中需要竭力避免的。中值滤波是基于排序统计理论的一种降噪方法，能够较好处理“椒盐”类部分点上随机分布的噪声，且能保持较好的清晰度。

在一些实施例中，采用中值滤波进行第一步图像预处理。具体的，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波方法：对一个数字信号序列X_j(-∞<j<∞)进行滤波处理时，首先要定义一个长度为奇数的L长窗口，L＝2N+1，N为正整数。设在某一个时刻，窗口内的信号样本为x(i-N)，…，x(i)，…，x(i+N)，其中x(i)为位于窗口中心的信号样本值。对这L个信号样本值按从小到大的顺序排列后，其中值，在i处的样值，便定义为中值滤波的输出值，写为如式(1)。

y(i)＝Med[x(i-N),...,x(i),...x(i+N)] (1)

其具体算法如图2所示。

在一些实施例中，降噪后为保证图像对比度，可以对边缘采取拉普拉斯算法进行锐化和增强。拉普拉斯算子是各向同性微分算子，具有旋转不变性。一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义为：

为了更适合于数字图像处理，将该方程表示为离散形式，如式(3)所示：

图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算能够突出图像细节，使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。因此，锐化处理可选择拉普拉斯算子对原图像进行处理，产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。拉普拉斯锐化的基本方法可由下式表示：

这种锐化方法既可以产生拉普拉斯锐化处理的效果，同时又能保留背景信息，将原始图像叠加到拉普拉斯变换的处理结果中去，可以使图像中的各灰度值得到保留，使灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节信息。

S120：根据所述第一红外热像图确定设备故障与温度变化的对应表征关系。

页岩气压裂过程具有压力高、排量大、连续性、时间长的特点，长时间的高压流体及支撑剂的冲击会使得压裂泵的高压件尤其是泵头体及高压输出端老化速度加快，同时酸性介质的存在加剧了腐蚀现象的发生，导致输出端或管线刺漏。管线或高压输出端的刺漏问题至今世界范围内均无好的预警方法，判别诊断也主要依靠视频监控或者时间滞后的压力、排量等工艺参数异常变化的监测，且正常压裂施工过程中也伴有压力、排量的变化因而不易区分。

使用红外热像技术进行诊断时可避免直接接触等问题，但需要做出不同故障模式所对应的区域或点的温度变化特征以作为判据。

在一些实施例中，可以通过实验模拟、文献及现场调研找出以压裂泵为代表的页岩气压裂设备常见典型故障及其温度表征的内在联系，从而反映至红外热像图上。

在一些实施例中，根据第一红外热像图确定设备故障与温度变化的对应表征关系可以包括以下步骤：

S121：确定压裂泵典型故障类型及其发生区域。

通过对压裂施工现场以及压裂设备生产厂家大量调研结合文献资料可知，现场压裂设备尤其是压裂泵的故障类型及可能原因主要有以下几种：

(1)吸入端吸空：多由混砂车故障或是吸入端管道泄漏、堵塞、沉降造成。

(2)泵头体刺漏：由于长期承受高压以及循环载荷作用造成，与施工时的工艺参数以及材料性质决定，无明显征兆，发生此类故障则需更换泵头体。

(3)输出端刺漏：多由螺栓紧固力不均、径向振动幅度过大、密封失效等原因造成。

(4)油路失火：油路发生泄漏且散热装置未能及时散热造成，诊断意义不大。

(5)动力端异常：动力部分或传动装置发生故障或异常造成功率异常甚至停泵。

(6)内部磨损：柱塞及曲轴等部位的长时间往复运动或是加工精度等引起的磨损。

S122：根据所述第一红外热像图、压裂泵典型故障类型及其发生区域确定所述故障引起的温度表征变化。

在一些实施例中，可以通过采用现场情况调研及平台实验的方式对这几类非正常工况进行分析研究。具体的，可以得到以下结果：

(1)变频乃至停泵对输出端、输入端、泵头体的温度分布影响较为缓慢，利用这几个区域红外热成像图进行分析难度较大，但动力端温度变化较为明显，因而可从动力端部分的热像图变化来进行判别。

(2)输入端吸入不足对于各部位温度影响均不大，如图3a和图3b所示，分别为某段时期缺水时输入端温度，图3a(正常工况下)与图3b(吸入端缺水)测点SP6温度没有变化，单独使用红外热像技术进行分析效果较差。

(3)磨损故障模拟实验中，如图4所示，磨损部件取自泵头体第二部分(温度测点SP4)，将其与正常部分(温度测点SP5)进行对照没有发现温度的上升或异常，甚至温度更低，原因可能为泵头体第一部分更接近电机，受到了到热量辐射而发生内部构件磨损对泵头体第二部分区域温度变化影响较小。

(4)高压输出端刺漏故障模拟中可发现刺漏区域温度变化异常点，主要原因是刺漏发生后流出的液体温度与当前环境温度间存在温差，随着空气和地面的传热作用这种温差会基本稳定，且差异不大(≤2℃)，可视作小范围温度变化。由于温度变化较小，体现在热像图上表现为色差较小，单靠人眼进行判断困难较大且容易疲劳和错判。

S123：建立所述故障对应的温度表征变化的判别机制。

根据S121和S122，对提取出的故障特征指定区域进行分析判断，当其超过已经设定的阈值时即判断为相应的故障。在一些实施例中，如果目标区域内出现温度升高且呈现面状或片状，则可以判定为设备发生刺漏故障；如果动力端区域出现温度短时间内急剧变化相较于正常状态区域外的局部温度急剧变化则判定为动力端故障。

S130：根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型。

卷积神经网络(CNN)模型是一种包含卷积层的特殊深层神经网络模型，凭借其权值共享、局部感知、下采样等特点能够有效降低权值数目及网络结构的复杂度，减少了前期图像的处理步骤并具备较好的泛化性能，因此当前被广泛应用在语音及图像识别领域。

在一些实施例中，根据设备故障与温度变化的对应表征关系搭建卷积神经网络模型可以包括以下步骤：

S131：根据所述设备故障与温度变化的对应表征关系制作样本图片。

在一些实施例中，可以根据可以设备故障与温度变化的对应表征关系，选择设备不同区域发生故障的红外热像图作为样本图片，也可以根据需要选择设备故障类型不同的红外热像图作为样本图片，也可以使得样本图片尽可能包括多个设备故障类型、多个故障发生区域，样本图片还可以是设备未发生故障时的红外热像图。

S132：搭建卷积神经网络模型，并根据所述样本图片对所述卷积神经网络模型进行训练和验证，得到经过训练后的卷积神经网络模型。

在一些实施例中，可以根据下述方法搭建卷积神经网络模型：

(1)模型的选择及搭建

CNN模型结构上一般包含输入层、卷积层、子采样层、全连接层以及输出层五个部分。其中的卷积层与子采样层交替排列，由不同的卷积核提取得到不同的二维特征图，子采样层可保证特征的缩放不变性，同一特征图的权值共享，最后由全连接层通过点积运算将二维特征图转换为一维的输出，其训练及测试过程如图5所示。

(2)网络结构的优化

①激活函数的选择

在多层神经网络结构中输入经过加权及求和处理后还被作用一个非线性的激活函数，以逼近任意非线性函数，否则无论网络有多少层，输出都是输入的线性组合，失去了深层网络的意义。常用的非线性激活函数有Sigmoid函数以及tanh函数。当使用Sigmoid函数时一旦输入远离了坐标原点则函数的梯度几乎为零。神经网络反向传播过程是以链式法则来计算各权重W的微分，当反向传播经过多个Sigmoid函数时会导致权重W对损失函数影响几乎为零，发生梯度弥散现象，同时Sigmoid函数需要进行指数运算，图像处理时速度较慢。tanh是双曲正切函数，在输入很大或是很小的时候，输出都几乎平滑，梯度很小，不利于权重更新。

在一些实施例中，可以在网络中引进ReLU函数作为激活函数来解决上述问题，使得网络稀疏性增加同时显著降低过拟合问题，提高训练过程中的收敛速度。

②Dropout层的设置

训练卷积神经网络模型时需要大量的数据作为训练样本，训练样本过少则会引起模型的过拟合，致使最后的分类结果准确率较低，无法保证较好的鲁棒性。

在一些实施例中，可以引入dropout层，在模型训练时按照一定概率让网络某些隐含层节点的权重不工作，不工作的节点可以暂时认为不是网络结构的一部分，但是保留其权重，对于随机梯度下降来说就是随机选择，使每一个mini-batch都在训练不同的网络，从而有效防止过拟合现象的发生，如图6所示。

在一些实施例中，CNN网络模型采用五层网络结构，选取了Relu为激活函数，添加了dropout层，以max-pooling为手段，利用交叉熵来定义损失，其结构如图7所示。

在一些实施例中，使用前面制作的样本图像，经过多次调整CNN模型中的权重参数后，训练次数为400次时的loss值变化如图8所示。

在一些实施例中，选取50张刺漏故障样本图像及40张正常样本图像进行诊断的准确性达到了95％，如图9所示。

S140：根据所述卷积神经网络模型对设备故障类型进行诊断。

在一些实施例中，在实际应用过程中，可以根据上述卷积神经网络模型对设备故障类型进行诊断。具体的，在实际应用过程中，可以获取设备的第二红外热像图，经过图像预处理后(例如灰度处理、降噪处理、边缘锐化处理等)，输入至训练好的CNN模型中，通过CNN模型对红外热像图的识别，从而得到设备是否出现故障以及设备的故障类型。

本说明书实施例通过提出了一种基于红外热像的压裂设备微弱故障诊断方法，建立了温度表征与特定典型故障的对应关系，以优化的CNN网络代替当前的人为图像判别，使得故障诊断更为智能化，进一步提高了诊断判别的稳定性，在具体实例中证明了其准确性。本说明书实施例还建立了以灰度化、中值降噪、拉普拉斯锐化为主的整套红外热成像图像预处理方案，结合深度学习技术解决了小范围温度变化内的红外热像图分析问题，以压裂泵为代表，为页岩气压裂装备故障诊断提供了重要技术思路。

下面介绍本说明书实施例一种基于红外热像的压裂设备微弱故障诊断装置。

图10为本说明书实施例一种基于红外热像的压裂设备微弱故障诊断装置的功能结构示意图。如图10所示，所述基于红外热像的压裂设备微弱故障诊断可以包括：第一红外热像图获取模块1010、设备故障与温度变化的对应表征关系确定模块1020、卷积神经网络模型建立模块1030和设备故障类型诊断模块1040。

其中，所述第一红外热像图获取模块1010，用于获取第一红外热像图。

所述设备故障与温度变化的对应表征关系确定模块1020，用于根据所述第一红外热像图确定设备故障与温度变化的对应表征关系。

所述卷积神经网络模型建立模块1030，用于根据所述设备故障与温度变化的对应表征关系建立卷积神经网络模型。

所述设备故障类型诊断模块1040，用于根据所述卷积神经网络模型对设备故障类型进行诊断。

在一些实施例中，所述装置还包括：图像预处理模块，用于对所述第一红外热像图进行预处理，所述对所述第一红外热像图进行预处理包括：红外热像图灰度化处理、降噪处理和边缘锐化处理。

在一些实施例中，如图11所示，所述设备故障与温度变化的对应表征关系确定模块1020可以包括：

故障类型确定子模块1021，用于确定压裂泵典型故障类型及其发生区域。

温度表征变化确定子模块1022，用于根据所述第一红外热像图、压裂泵典型故障类型及其发生区域确定所述故障引起的温度表征变化。

判别机制建立子模块1023，用于建立所述故障对应的温度表征变化的判别机制。

在一些实施例中，如图12所示，所述卷积神经网络模型建立模块1030可以包括：

样本图片制作子模块1031，用于根据所述设备故障与温度变化的对应表征关系制作样本图片。

卷积神经网络模型建立子模块1032，用于搭建卷积神经网络模型，并根据所述样本图片对所述卷积神经网络模型进行训练和验证，得到经过训练后的卷积神经网络模型。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(AlteraHardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (8)

1.一种基于红外热像的压裂设备微弱故障诊断方法，其特征在于，所述方法包括：

获取第一红外热像图；

根据所述第一红外热像图确定设备故障与温度变化的对应表征关系；包括：确定压裂泵典型故障类型及其发生区域；根据所述第一红外热像图、压裂泵典型故障类型及其发生区域确定所述故障引起的温度表征变化；建立所述故障对应的温度表征变化的判别机制；

根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型；

根据所述卷积神经网络模型对设备故障类型进行诊断。

2.如权利要求1所述的压裂设备微弱故障诊断方法，其特征在于，在获取第一红外热像图后还包括对所述第一红外热像图进行预处理步骤，对所述第一红外热像图进行预处理包括：红外热像图灰度化处理、降噪处理和边缘锐化处理。

3.如权利要求1所述的压裂设备微弱故障诊断方法，其特征在于，所述故障对应的温度表征变化的判别机制包括：

如果目标区域内出现温度升高且呈现面状或片状，则判定为设备发生刺漏故障；

如果动力端区域出现温度短时间内急剧变化相较于正常状态区域外的局部温度急剧变化则判定为动力端故障。

4.如权利要求1所述的压裂设备微弱故障诊断方法，其特征在于，所述根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型包括：

根据所述设备故障与温度变化的对应表征关系制作样本图片；

搭建卷积神经网络模型，并根据所述样本图片对所述卷积神经网络模型进行训练和验证，得到经过训练后的卷积神经网络模型。

5.一种基于红外热像的压裂设备微弱故障诊断装置，其特征在于，所述装置包括：

第一红外热像图获取模块，用于获取第一红外热像图；

设备故障与温度变化的对应表征关系确定模块，用于根据所述第一红外热像图确定设备故障与温度变化的对应表征关系；所述故障与温度变化的对应表征关系确定模块包括：故障类型确定子模块，用于确定压裂泵典型故障类型及其发生区域；温度表征变化确定子模块，用于根据所述第一红外热像图、压裂泵典型故障类型及其发生区域确定所述故障引起的温度表征变化；判别机制建立子模块，用于建立所述故障对应的温度表征变化的判别机制；

卷积神经网络模型搭建模块，用于根据所述设备故障与温度变化的对应表征关系搭建卷积神经网络模型；

设备故障类型诊断模块，用于根据所述卷积神经网络模型对设备故障类型进行诊断。

6.如权利要求5所述的装置，其特征在于，所述装置还包括：

图像预处理模块，用于对所述第一红外热像图进行预处理，对所述第一红外热像图进行预处理包括：红外热像图灰度化处理、降噪处理和边缘锐化处理。

7.如权利要求5所述的装置，其特征在于，所述故障对应的温度表征变化的判别机制包括：

如果目标区域内出现温度升高且呈现面状或片状，则判定为设备发生刺漏故障；

如果动力端区域出现温度短时间内急剧变化相较于正常状态区域外的局部温度急剧变化则判定为动力端故障。

8.如权利要求5所述的装置，其特征在于，所述卷积神经网络模型搭建模块包括：

样本图片制作子模块，用于根据所述设备故障与温度变化的对应表征关系制作样本图片；

卷积神经网络模型建立子模块，用于搭建卷积神经网络模型，并根据所述样本图片对所述卷积神经网络模型进行训练和验证，得到经过训练后的卷积神经网络模型。

Images