CN110388315A - 基于多源信息融合的输油泵故障识别方法、装置及系统 - Google Patents

Abstract

本说明书实施例公开了一种基于多源信息融合的输油泵故障识别方法、装置及系统，所述方法包括构建输油泵对应的多源异构风险情景数据库；根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。利用本说明书各个实施例，可以提高输油泵故障识别的准确性。

Description

基于多源信息融合的输油泵故障识别方法、装置及系统

技术领域

本发明涉及管道输油设备诊断技术领域，特别地，涉及一种基于多源信息融合的输油泵故障识别方法、装置及系统。

背景技术

随着国民经济的发展，管线运输已经在现代工业中占有了越来越重要的地位。输油泵作为管道输油的关键设备，是保证管线运输正常运行的重要因素。随着数字化进程的不断推进，振动传感器、温度传感器、压力传感器等越来越多的传感器被应用于输油泵现场状态监测，并每天产生大量的监测数据。如何利用大量的监测数据实现对输油泵部件故障的准确高效诊断具有十分重要的意义。

目前输油泵诊断技术主要面临以下两个问题：故障识别参数的选择和参数之间冗余度去除。由于大量不同型号不同类别传感器的布置导致所采集到的输油泵状态表征参数(如振动、温度等响应信号)与工艺参数(如输送介质、流量和压力等)众多，在进行故障识别时参数的选择以及参数的数量都难以确定。

在以往众多的研究中，人们更多的只凭专家经验进行参数的选取，很少考虑这些参数的选取是否具有一定的理论基础，以及这些参数个数的选择是否合理。这使得最终用于故障识别的数据对系统状态的表征能力无法得到保证，进而影响输油泵故障诊断的准确性。其次，现存的故障识别方法对参数之间的冗余度的考虑也较少。参数之间往往存在一定的冗余性，例如从振动信号中提取的一些特征(如均值、峰峰值等)具有一定的相似性，即特征之间存在着信息的冗余，如果不加以处理，将导致用于故障识别的数据偏向于冗余信息，影响识别结果的准确性。

因此，如何进行参数选取及降低参数信息的冗余性，以使设备故障诊断更为准确是本技术领域亟需解决的技术问题。

发明内容

本说明书实施例的目的在于提供一种基于多源信息融合的输油泵故障识别方法、装置及系统，可以提高输油泵故障识别的准确性。

本说明书提供一种基于多源信息融合的输油泵故障识别方法、装置及系统是包括如下方式实现的：

一种基于多源信息融合的输油泵故障识别方法，包括：

构建输油泵对应的多源异构风险情景数据库；

根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

本说明书提供的所述方法的另一个实施例中，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，包括：

获取所述多源异构风险情景数据库中的风险情景的风险发生概率以及风险严重程度，根据所述风险发生概率以及风险严重程度确定所述风险情景的情景重要度；

根据所述风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景。

本说明书提供的所述方法的另一个实施例中，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，包括：

根据所述多源异构风险情景数据库中的风险情景对输油泵系统的恢复性、鲁棒性及可替代性的影响度确定所述风险情景的风险等级；

根据所述风险情景的风险等级从所述多源异构风险情景数据库中筛选出风险等级大于预设值的风险情景，获得第一风险情景；

根据第一风险情景的风险发生概率以及风险严重程度确定第一风险情景的情景重要度；

根据所述第一风险情景的风险情景的情景重要度从所述第一风险情景中筛选出目标风险情景。

本说明书提供的所述方法的另一个实施例中，所述利用所述融合参数对所述输油泵进行故障识别，包括：

获取所述融合参数对应的实测数据，对所述实测数据进行特征提取获得特征集；

基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，获得所述输油泵的健康指标数据；

利用所述健康指标数据对所述输油泵进行故障识别。

本说明书提供的所述方法的另一个实施例中，所述利用所述健康指标数据对所述输油泵进行故障识别，包括：

利用预先构建的故障识别模型对所述健康指标数据进行处理，获得所述输油泵的故障识别结果，其中，所述故障识别模型采用下述方式构建：

获取输油泵的融合参数所对应的历史测试数据及所述历史测试数据对应的工况；

根据所述历史测试数据提取所述融合参数的特征数据，获得特征数据样本集；

基于最小冗余最大相关方法对所述特征数据样本集中的特征数据进行数据融合处理，获得所述输油泵在所述工况下的健康指标样本数据；

根据所述健康指标样本数据及所述健康指标样本数据对应的工况构建故障识别模型。

本说明书提供的所述方法的另一个实施例中，所述基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，包括：

计算所述特征集中各特征之间的互信息及各特征与所述特征集对应的类标签之间的互信息；

根据各特征之间的互信息最小及特征相对类标签的互信息最大原则确定所述特征集的最优子特征集；

根据所述最优子特征集确定所述输油泵的健康指标数据。

本说明书提供的所述方法的另一个实施例中，所述根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，包括：

从目标风险情景中获取电机振动信号中的定转子特征；

根据电机振动信号中的定转子特征确定所述目标风险情景对应的故障信号来源，所述故障信号来源包括电机或输油泵泵体；

根据所述目标风险情景对应的监控参数及故障信号来源确定所述电机对应的第一融合参数以及所述输油泵泵体对应的第二融合参数；

相应的，所述利用所述融合参数对所述输油泵进行故障识别包括利用所述第一融合参数对所述输油泵进行故障识别获得第一故障识别结果、利用第二融合参数对所述输油泵进行故障识别获得第二故障识别结果，根据所述第一故障识别结果以及第二故障识别结果确定所述输油泵的故障识别结果。

另一方面，本说明书实施例还提供一种基于多源信息融合的输油泵故障识别装置，包括：

情景数据库构建模块，用于构建取输油泵对应的多源异构风险情景数据库；

风险情景筛选模块，用于根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

融合参数确定模块，用于获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

故障识别模块，用于根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

另一方面，本说明书实施例还提供一种基于多源信息融合的输油泵故障识别设备，所述设备包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：

构建输油泵对应的多源异构风险情景数据库；

根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

另一方面，本说明书实施例还提供一种基于多源信息融合的输油泵故障识别设备，所述系统包括数据库构建模块、数据获取模块、情景分析模块、融合参数确定模块、信息融合模块、模型构建模块及故障识别模块，其中，

所述数据库构建模块用于构建多源异构风险情景数据库；

所述情景分析模块用于基于风险情景的风险发生概率、风险严重程度、风险情景对系统的影响度中的一种或者多种对风险情景进行筛选，获得目标风险情景；

所述融合参数确定模块用于根据目标风险情景确定用于故障识别的融合参数；

所述数据获取模块用于获取所述融合参数对应的实测数据及历史测试数据；

所述信息融合模块用于对融合参数对应的实测数据或历史测试数据进行特征提取，并基于最大相关最小冗余原则对提取的特征进行融合处理，获得健康指标数据或健康指标样本数据；

所述模型构建模块用于基于健康指标样本数据及健康指标样本数据对应的工况进行模型构建，获得故障识别模型；

所述故障识别模块用于利用所述故障识别模型对所述健康指标数据进行处理，获得故障识别结果。

本说明书一个或多个实施例提供的基于多源信息融合的输油泵故障识别方法、装置及系统，可以先全面的挖掘出输油泵可能存在的风险情景，然后，再利用风险情景的重要度进行风险情景的筛选，筛选出重要度较高的风险情景，利用重要度较高的风险情景来确定用于故障识别的参数类型，从而提高参数类型选取的全面性以及准确性。进一步的，还可以再对融合参数的特征数据进行处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，以进一步实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

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性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书提供的一种输油泵故障识别方法实施例的流程示意图；

图2为本说明书提供的另一种输油泵故障识别方法实施例的流程示意图；

图3为本说明书提供的一个实施例中的故障识别模型构建流程示意图；

图4为本说明书提供的一种输油泵故障识别装置实施例的模块结构示意图；

图5为根据本说明书的一个示例性实施例的服务器的示意结构图；

图6为本说明书提供的另一个实施例中的输油泵故障识别系统模块结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，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实施例方案保护的范围。

目前输油泵故障识别过程中，由于大量不同型号不同类别传感器的布置导致所采集到的输油泵状态表征参数(如振动、温度等响应信号)与工艺参数(如输送介质、流量和压力等)众多，在进行故障识别时参数的选择以及参数的数量都难以确定。

在以往众多的研究中，人们更多的只凭专家经验进行参数的选取，很少考虑这些参数的选取是否具有一定的理论基础，以及这些参数个数的选择是否合理。这使得最终用于故障识别的数据对系统状态的表征能力无法得到保证，进而影响输油泵故障诊断的准确性。其次，现存的故障识别方法对参数之间的冗余度的考虑也较少。参数之间往往存在一定的冗余性，例如从振动信号中提取的一些特征(如均值、峰峰值等)具有一定的相似性，即特征之间存在着信息的冗余，如果不加以处理，将导致用于故障识别的数据偏向于冗余信息，影响识别结果的准确性。

相应的，本说明书实施例提供了一种基于多源信息融合的输油泵故障识别方法，可以通过对已知的风险情景进行分析，利用风险情景确定监控参数类型，提高用于故障分析的监控参数确定的准确性及全面性。使得多种状态的表征参数与工艺参数可以在故障诊断的过程中被充分地利用，提高站场设备的利用率。进一步的，还可以对监控参数的特征数据进行融合处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，从而实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

图1是本说明书提供的所述一种基于多源信息融合的输油泵故障识别方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

具体的一个实施例如图1所示，本说明书提供的基于多源信息融合的输油泵故障识别方法的一个实施例中，所述方法可以包括：

S102：构建输油泵对应的多源异构风险情景数据库。

所述风险情景可以包括可能会导致工况发生的部件故障因素，如转轴裂纹、轴承内圈故障、轴承内圈故障、风扇裂纹等等。可以从多种角度出发尽可能的挖掘出所有可能对工况发生产生影响的风险情景，获得多源异构风险情景数据库，以便于全面准确的进行工况风险分析与管控。所述多源异构风险情景数据库可以包括风险情景类型、风险情景对应的参数及参数数据等。

一些实施方式中，例如可以先对输油泵的各个部件进行划分子系统，如可以划分获得轴系、电机、泵体等子系统，然后，再挖掘每个子系统下的风险情景，获得多源异构风险情景数据库。如，对于轴系子系统，其中可能会包含转轴、轴承、叶轮等轴上部件，然后，可以挖掘各部件可能会出现的风险，如转轴可能存在裂纹，轴承可能会存在轴承内圈故障、轴承外圈故障、滚动体故障等。依次对其他子系统进行风险情景挖掘，可以全面的获得输油泵的风险情景。

另一些实施方式中，如还可以进一步获取实际工况所对应的部件故障数据，然后与上述实施例挖掘出的部件故障数据相结合，构建多源异构风险情景数据库。当然，具体实施时，还可以通过其他多种方式进行部件故障的挖掘，以尽可能全面的确定输油泵所可能对应的风险情景，这里不做限定。

本说明书的一个实施例中，如可以利用等级全息建模(HHM)技术对输油泵各个故障根源依照不同角度进行全面地挖掘。等级全息建模能够从多个方面多个角度对同一系统进行不同层面上的建模，从而能够全面地评估风险的来源，更为准确全面的确定输油泵的存在及潜在的各个风险场景。

S104：根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景。

可以确定多源异构风险情景数据库中各风险情景的情景重要度，情景重要度越高，该风险情景对实际工况发生产生的影响越大或越重要。一些实施方式中，如可以根据专家经验确定各风险情景的情景重要度，也可以通过统计分析实际工况数据来确定各风险情景的情景重要度。

然后，可以筛选出情景重要度比较高的一种或者多种风险情景作为目标风险情景。例如，可以根据情景重要度对风险情景进行排序，选择排序靠前的风险情景作为目标风险情景；也可以设定预设阈值，选择情景重要度大于预设阈值的风险情景作为目标风险情景。

本说明书的另一个实施例中，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，可以包括：

获取所述多源异构风险情景数据库中的风险情景的风险发生概率以及风险严重程度；

根据所述风险发生概率以及风险严重程度确定所述风险情景的情景重要度；

根据所述风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景。

可以通过综合考虑风险情景的两个特征来确定风险情景的情景重要度，该两个特征可以为风险发生概率和风险严重程度。所述风险发生概率可以是指风险情景可能发生的概率，风险严重程度可以是指风险情景所引起的系统故障的后果严重程度。经过大量的实际操作分析可知，通常风险发生概率越高、后果越严重的情景重要度越高。

一些实施例中，风险发生概率的确定如可以根据贝叶斯推理进行，具体公式如下所示：

Pr(A|B)＝Pr(A)Pr(B|A)/Pr(B) (1)

Pr(B)＝Pr(B|A)Pr(A)+Pr(B|非A)Pr(非A) (2)

其中，Pr(A|B)表示在条件B下系统故障发生的概率，A表示故障发生，B表示故障发生的相关证据，Pr(A)表示A的先验概率，Pr(B)表示B的先验概率，非A是指A不发生的情况，Pr(B|A)表示在故障发生时观察到相应证据的概率，Pr(B|非A)表示在未发生故障时观察到相应证据的概率，Pr(非A)表示A不发生的先验概率。

另一些实施例中，风险严重程度如可以利用事故树算法确定。获取已知的某事故及该事故的严重程度，然后，利用事故树算法逐层向上递推，找到导致这个事故发生的初始情景，比如叶轮断裂，从而可以得出叶轮断裂风险情景的风险后果及后果严重程度。当然，具体实施时，风险发生概率及风险严重程度也可以采用其他方式实施，这里不做限定。

一些实施方式中，可以先定性的对各风险情景的风险发生概率以及风险发生后果进行分析，初步筛选出情景重要度较高的风险情景，降低后续定量分析的数据处理量。然后，可以将上述筛选出的风险情景的风险发生概率以及风险严重程度进行定量分析，量化各风险情景的风险发生概率以及风险严重程度，进一步基于量化后的风险发生概率以及风险严重程度计算确定风险情景的情景重要度。如可以将风险发生概率与风险严重程度的乘积作为风险情景的情景重要度。

风险发生概率较高和/或后果相对严重的风险情景对实际生产的影响较大，是实践中分析和关注的重点。因此，通过分析风险发生概率和风险严重程度，可以准确的确定出对实际生产影响较为大的风险情景，进而准确确定出对实际生产影响较为大的监控参数。

本说明书的另一个实施例中，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，可以包括：

根据所述多源异构风险情景数据库中的风险情景对输油泵系统的恢复性、鲁棒性及可替代性的影响度确定所述风险情景的风险等级；

根据所述风险情景的风险等级从所述多源异构风险情景数据库中筛选出风险等级大于预设值的风险情景，获得第一风险情景；

根据第一风险情景的风险发生概率以及风险严重程度确定第一风险情景的情景重要度；

根据所述第一风险情景的风险情景的情景重要度从所述第一风险情景中筛选出目标风险情景。

可以分析风险情景对整体系统恢复性、鲁棒性与可替代性这三种固有属性的影响，根据三者的影响度对风险情景进行等级划分，筛选出风险等级较高的风险情景。在此基础上，再进一步结合风险情景的风险发生概率以及风险严重程度风险情景的情景重要度，根据情景重要度筛选出目标风险情景，可以进一步提高目标风险情景确定的准确性。

其中，恢复性可以是指系统在发生风险事故后，系统恢复到正常状态的能力；鲁棒性可以是指系统本身对外界干扰的敏感程度，鲁棒性越高，系统越不容易被干扰；可替代性可以是指指当零部件发生损坏时存在备件可替换，使得系统维持正常运转的能力。可以通过结合部件设计、实际生产等进行综合分析确定风险情景对整体系统恢复性、鲁棒性与可替代性的影响度。

一些实施方式中，可以先基于专家经验以及输油泵设备的现场安全监测的考虑，人工去除重要度较低的风险情景，如人为因占主导地位的风险情景，保留重要度较高的风险情景，以极大地减少了下一步风险过滤的工作量。

然后，可以通过定性分析情景风险的两个特征(双准则)，即风险发生概率和风险严重程度，筛选出风险发生概率较高、后果相对严重的风险情景。之后，可以将检验过滤后剩下的情景对整体系统恢复性、鲁棒性与可替代性这三种固有属性的影响，将评价等级低的情景进行过滤，剩下的情景将继续进行下一步的评估。最后，可以再量化风险情景的风险发生概率及风险严重程度，定量的确定风险情景的情景重要度，利用情景重要度定量的进行最终的过滤，选出最为重要的几个情景，进一步提高风险情景筛选的准确性。

S106：获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种。

可以获取各目标风险情景对应的部件的监控参数。所述监控参数的类型可以通过综合输油泵的实际工作情景、分析需求等因素后确定，以便于更为准确全面的实现对输油泵运转情况的诊断分析。

一些实施方式中，可以利用多源异构传感器来获取输油泵运转过程中各部件的多种参数数据，获得任意一个部件的多源参数数据。利用上述方式，可以使得多种参数在故障诊断的过程中被充分地利用，使得站场内的各类传感器充分发挥作用，提高了站场设备的利用率。同时还可以进一步提高监控参数获取的全面性，进而提高后续故障诊断的准确性。

一些实施方式中，所述监控参数可以至少包括劣化状态表征参数、工艺参数中的一种或者多种。所述工艺参数可以包括输送介质、流量和压力等，所述劣化状态表征参数可以包括泵自由端及非自由端轴承振动速度、加速度信号，输油泵轴承、电机、泵壳等部件温度等。利用状态表征参数及工艺参数综合作为监控参数，可以兼顾输油泵传统诊断方法中振动信号的特性，又可根据工艺参数使得诊断过程中的信息更加地丰富与贴合实际工况，从而可以进一步提高输油泵故障诊断的鲁棒性。

S108：根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

可以根据目标风险情景对应的监控参数确定所述输油泵的融合参数。可以综合各目标风险情景对应的监控参数类型确定输油泵的融合参数类型，然后，可以利用优选出的融合参数进行输油泵的故障识别。如可以从各传感器中在线采集各融合参数的实测数据，然后进行分析，确定输油泵可能会出现某种工况以及出现该中工况的概率等，实现对输油泵故障在线诊断。

上述实施例的方案，通过基于输油泵的风险情景来进行重要融合参数的选取，可在准确全面的筛选待融合分析的参数类型的同时，进一步去除融合参数之间的冗余部分，从而能够实现设备故障的准确高效诊断，为管道输油泵的安全提供科学的判断。

图2表示本说明书提供的利用所述融合参数进行输油泵故障识别的流程示意图。如图2所示，本说明书的另一个实施例中，所述利用所述融合参数对所述输油泵进行故障识别可以包括：

S202：获取所述融合参数对应的实测数据，对所述实测数据进行特征提取获得特征集；

S204：基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，获得所述输油泵的健康指标数据；

S206：利用所述健康指标数据对所述输油泵进行故障识别。

可以在线采集输油泵的各融合参数所对应的实测数据，如可以通过数据采集与监视控制系统在线采集各融合参数所对应的实测数据。一些实施方式中，还可以利用小波包分解等降噪与信号增强技术对现场采集信号进一步处理，从而剔出其中的背景噪声。

然后，可以对各融合参数的实测数据进行特征提取，如对于振动信号，可以提取振动信号对应的实测数据的时域特征：峰值、峰峰值、均值、均方根值、峭度因子等，以及，频域特征：一倍频、二倍频、轴承内外圈故障特征频率等。对于，其他的如输送介质、流量、压力等参数，也可以根据需要提取相应的特征。然后，可以将各融合参数提取的特征数据组合，构建获得特征集。

可以对所述特征集中的特征数据进行融合处理，以降低各特征之间的冗余度，获得所述输油泵的健康指标数据。各特征之间往往存在一定的冗余性，例如从振动信号中提取的一些特征(如均值、峰峰值等)具有一定的相似性，即特征之间存在着信息的冗余，进行融合时如果不加以处理，将导致融合后的指标偏向于冗余信息，影响指标的准确性。通过进一步对特征集内的数据进行融合处理，可以降低各特征之间的冗余度，进而提高故障识别结果的准确性。

一些实施例中，可以基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，获得最优子特征集，根据所述最优子特征集确定所述输油泵的健康指标数据。所述最大相关最小冗余原则可以包括融合处理后获得的特征子集内各特征之间的相关性最小、各特征与所述特征集对应的类标签的相关性最大的原则。一些实施方式中，可以根据需要将最优子特征集中的各数据转换为一维或者多维向量的形式，获得故障诊断的健康指标数据。

一些实施方式中，对特征集中的特征数据进行融合处理操作中：模型构建时，特征集对应的上述类标签可以为特征集对应的工况类别；故障诊断时，根据实测数据构建的特征集对应的类标签可以为单独设置的一类标签。如，工况正常对应的类标签设为1，故障G₁对应的类标签设为2，故障G₂对应的类标签设为3，而在诊断时则可以将待诊断实测数据对应的类标签设为4。

一些实施方式中，如可以采用主成分分析、局部线性嵌入(LLE)、LDA等方法，对所述特征集中的特征数据进行融合处理，以降低各特征之间的冗余信息，确定出最优的特征信息。优选的，本说明书的一个实施例中，可以采用下述方式对特征数据进行融合处理：

计算所述特征集中各特征之间的互信息及各特征与所述特征集对应的类标签之间的互信息；

根据各特征之间的互信息最小及特征相对所述类标签的互信息最大原则确定所述特征集的最优子特征集；

根据所述最优子特征集确定所述输油泵的健康指标数据。

所述互信息可以理解为两个数据之间共同拥有的信息量，表征两个数据间的相关性强弱关系。

一些实施方式中，可以采用下述方式计算两个数据之间的互信息：

假设p(x)是特征值X取值为x的概率，则其信息熵H(X)可以表示为：

H(X)＝-∫_xp(x)lnp(x)dx (3)

特征集中的不同特征X和Y之间的条件熵H(X|Y)可以表示为：

H(X|Y)＝∫_yp(x)H(X|y)dy＝-∫_y∫_xp(x,y)lnp(x|y)dxdy (4)

式中，p(x,y)为随机变量X和Y的联合概率分布，H(X|y)为X和Y取值为y时二者之间的条件熵，p(x|y)为Y已知情况下X的条件概率分布。

特征X和Y之间的互信息I(X,Y)可以表示为：

I(X,Y)＝H(X)-H(X|Y) (5)

然后，可以根据各特征之间的互信息最小及特征相对类标签的互信息最大原则确定所述特征集的最优子特征集。最优子特征集中的特征满足特征与其对应的类标签的相关性最大，而特征之间的相关性最小，即最小冗余最大相关准则。

一些实施方式中，可以采用下述方式计算特征之间的最大相关性与最小冗余性：

假设存在一个特征集S以及其对应的类标签F，通过最小冗余最大关联算法对该特征集进行处理后，可以得到它的最优子特征集s：

其中，D表示特征与类标签F之间的互信息值，R表示特征之间的互信息值。s表示特征子集s的个数，I(F,x_i)表示特征值x_i与其对应标签F之间的互信息大小，x_i、y_j指的是特征集S中的特征值，I(x_i,y_j)是指特征集S中的各个特征值x_i、y_j之间的互信息大小。

互信息可以表征数据间的相关性大小，通过计算特征之间以及特征与类标签之间的互信息，然后，进一步基于特征间相关性最小而特征与类标签间相关性最大算法，准确的确定出特征集的最优子特征集。最优子特征集满足特征之间冗余性最小，但各特征与类标签相关性最大的特点，进一步根据最优子特征集确定用于故障诊断的健康指标数据，可以降低冗余数据对诊断结果的影响，提高诊断结果的准确性。

本说明书的另一个实施例中，还可以利用预先构建的故障识别模型对所述健康指标数据进行处理，获得所述输油泵的故障识别结果。图3表示本说明书的一个或者多个实施例中的模型构建流程示意图。如图3所示，所述故障识别模型可以采用下述方式构建：

S302：获取输油泵的融合参数所对应的历史测试数据及所述历史测试数据对应的工况；

S304：根据所述历史测试数据提取所述融合参数的特征数据，获得特征数据样本集；

S306：基于最小冗余最大相关原则对所述特征数据样本集中的特征数据进行数据融合处理，获得所述输油泵在所述工况下的健康指标样本数据；

S308：基于所述健康指标样本数据及所述健康指标样本数据对应的工况构建故障识别模型。

所述健康指标样本数据可以通过预先采集输油泵的融合参数所对应的历史测试数据，然后，对历史测试数据进行融合处理后获得。各健康指标样本数据对应的工况可以包括历史测试数据所对应的工况。所述工况可以为输油泵工作正常对应的正常工况，或者，输油泵工作异常对应的故障工况，所述故障工况可以为具体的某种故障工况。

可以获取输油泵在多种工况下的融合参数所对应的历史测试数据。然后，可以根据历史测试数据提取融合参数的特征数据，获得特征数据样本集，特征提取具体实施方式可以参考步骤S202实施。相应的，对于每一个工况在预设时间段内的历史测试数据进行特征提取后，可以得到一个相应的特征数据样本集。

然后，可以基于最大相关最小冗余原则对所述特征数据样本集中的特征数据进行融合处理，获得所述输油泵在该工况下的健康指标样本数据。相应的融合处理处理方法可以参考步骤S204中的实施例实施，相应的，融合处理过程中的类标签数据可以为所述特征数据样本集对应的工况类别。

对每一个特征数据样本集进行融合处理后，可以得到对应的健康指标样本数据。可以将健康指标样本数据作为模型构建的样本数据，将健康指标样本数据对应的工况作为健康指标样本数据对应的标签数据，基于分类算法进行模型构建，获得故障识别模型。所述分类算法如可以为支持向量机、人工神经网络等。

一些实施方式中，可以先对健康指标样本数据进行预处理，以使得各健康指标样本数据的维数相同、数据长度相同、数据点数相同、数据点对应的时间间隔相同等，保证各输入数据形式上的一致性，进而保证模型构建的准确性。对健康指标样本数据进行预处理后，可以以各健康指标样本数据对应的工况作为健康指标样本数据的标签数据，进行模型的构建。

具体实施时，可以将模型构建的样本数据按照2:1的比例分成两部分，前一部分作为训练集，后一部分作为测试集。然后，利用训练集对分类模型进行训练，再利用测试集对训练好的模型进行测试效果测试，以进一步对模型进行调整，提高最终获得的模型的准确性。

本说明书的另一个实施例中，在确定目标风险情景后，可以进一步根据电机振动信号中的定转子特征确定目标风险情景对应的故障信号来源于电机还是泵体。然后，进一步根据故障信号的来源不同，分别确定各故障信号来源对应的融合参数。

电机或输油泵泵体所对应的融合参数类型有所不同，可以分别确定故障信号来源于电机或输油泵泵体时所对应的融合参数类型，获得所述电机对应的第一融合参数、以及所述输油泵泵体对应的第二融合参数。然后，可以分别利用第一融合参数进行故障识别，及利用第二融合参数进行故障识别，获得两个识别结果，再综合两个识别结果确定最终的输油泵故障识别结果。

如可以分别基于第一融合参数、第二融合参数进行数据采集、数据处理以及模型训练，得到两个故障识别子模型。相应的，故障识别时，可同时采集电机和输油泵泵体所对应的融合参数类型的实测数据，然后，将电机、输油泵泵体对应的实测数据分别输入各自对应的故障识别子模型中进行处理，得到两个故障识别结果。进一步的，可以综合分析两个故障识别结果获得最终的故障识别结果。

基于上述实施例提供的方案，本说明书的一个实施例中，所述方法可以包括：

从目标风险情景中获取电机振动信号中的定转子特征；

根据电机振动信号中的定转子特征确定所述目标风险情景对应的故障信号来源，所述故障信号来源包括电机或输油泵泵体；

根据所述目标风险情景对应的监控参数确定所述电机对应的第一融合参数以及所述输油泵泵体对应的第二融合参数；

相应的，所述利用所述融合参数对所述输油泵进行故障识别包括利用所述第一融合参数对所述输油泵进行故障识别获得第一故障识别结果、利用第二融合参数对所述输油泵进行故障识别获得第二故障识别结果，根据所述第一故障识别结果以及第二故障识别结果确定所述输油泵的故障识别结果。

电机和输油泵泵体对应的监测参数有一定的差异性，通过在故障识别过程中区分进行故障诊断，可以进一步提高故障诊断的准确性。

基于上述一个或者多个实施例提供的方案，本说明书还提供一种应用上述实施例的实例，可以包括以下步骤：

步骤1，数据采集及预处理，首先通过数据采集与监视控制(Supervisory Controland Data Acquisition，SCADA)系统采集反映输油泵工艺过程与劣化状态的特征参数，其中工艺特征参数包括输送介质、流量和压力等，劣化状态表征参数包括泵自由端及非自由端轴承振动速度、加速度信号，输油泵轴承、电机、泵壳等部件温度值，共计M个状态表征参数；其次，利用小波包分解等降噪与信号增强技术对现场采集信号进一步处理，从而剔出其中的背景噪声。

步骤2，利用等级全息建模技术(Hierarchical holographic modeling，HHM)深度挖掘输油泵存在及潜在的各个风险情景，并为后期提取输油泵重要参数进行融合提供支持。具体包括以下内容：

2.1建立输油泵等级全息模型

等级全息建模能够从多个方面多个角度对同一系统进行不同层面上的建模，因而能够全面地评估风险的来源，获得多源异构风险情景数据库。

2.2基于风险过滤、评级与管理的情景重要度排序与过滤

可分别基于见识、时间域和决策制定水平的情景过滤、双准则标准风险过滤、多标准评价、风险矩阵定量评价、风险管理、检验是否丢失关键项目和反馈。

首先，可以先基于专家经验对多源异构风险情景数据库进行初过滤，通过对该领域专家和技术人员对于输油泵设备现场安全监测的考虑，人工筛去重要度较低的风险情景，保留重要度较高的风险情景，极大地减少了下一步风险过滤的工作量。

之后，可以通过定性考虑情景风险的两个特征(双准则)，即风险发生概率和风险严重程度，筛选出风险发生概率较高、后果相对严重的风险情景。风险发生概率较高和/或后果相对严重的风险情景对实际生产的影响较大，是实践中分析和关注的重点。因此，通过分析风险发生概率和风险严重程度，可以准确的确定出对实际生产影响较为大的风险情景，进而准确确定出对实际生产影响较为大的监控参数。

第三阶段可以将检验过滤后剩下的情景对整体系统恢复性、鲁棒性与可替代性这三种固有属性的影响。可以通过11项衡量标准进行(见表1)，对于各项评价等级低于“低”的情景进行过滤，剩下的风险情景将继续进行下一步的评估。

表1标准风险评价表

然后，可以再量化风险情景的风险发生概率及风险严重程度，定量的确定风险情景的情景重要度，利用情景重要度定量的进行最终的过滤，选出最为重要的几个情景，以进一步提高风险情景筛选的准确性。

步骤3，可依据上述输油泵重要情景相关的状态表征参数和工艺参数，构建基于最小冗余最大相关原则数据融合的健康融合综合指标，从而实现输油泵不同故障的合理诊断。具体包括以下内容：

首先，利用选取出的状态表征参数和工艺特征参数进行特征提取，如振动信号时域特征峰值、峰峰值、均值、均方根值、峭度因子等，频域特征一倍频、二倍频、轴承内外圈故障特征频率等，并建立特征集u；

其次，利用最小冗余最大相关原则进行特征集的融合，该方法的具体步骤如下：

(1)根据公式(3)构建特征与特征之间的信息熵；

(2)根据公式(4)确定特征值X在给定特征值Y下的条件熵；

(3)根据公式(5)计算特征之间的互信息；

(4)计算特征之间的最大相关性与最小冗余性：

假设存在一个特征集S以及其对应的类标签F，通过最小冗余最大关联算法对该特征集进行处理后，可以得到它的最优子特征集s，具体的，可以根据公式(6)和(7)进行。

步骤4，根据上述获取的健康融合综合指标依据分析所需取一定的长度(指标数据点与时间对应)，并依据各自的工况进行相同长度对应标签集的建立。如工况正常对应的类标签设为1，故障G₁对应的类标签设为2，故障G₂对应的类标签设为3，以此类推。其中，类标签与指标时间点相对应。

将建立好的健康融合综合指标与标签集按照2:1的比例分为两段，其中前一段作为训练集输入智能分类模型(如支持向量机等)中进行训练。具体的，可以通过计算融合特征向量与向量超平面之间的距离，将融合健康指标与对应的标签输入进行训练学习，并通过最大化间隔距离margin来进行分类超平面的确定，以得到训练好的故障分类模型。之后可以输入后一段的测试集进行诊断效果测试，依照结果对模型不断进行调整，最终得到完善的故障识别模型。

步骤5，模型构建完成后，可以获取相应监测参数的实时测试数据，进行特征提取及数据融合，获得健康指标数据；将健康指标数据输入故障识别模型中进行处理，可以得出相应的工况，从而实现对工况的实现监控及预测。

本说明书上述各个实施例提供的方案，在分析输油泵融合所需的重要参数时，通过上述相关分析技术对输油泵风险情景进行充分地挖掘并进行重要度排序，可以为后期重要参数融合提供支持。进一步考虑到参数特征与特征之间冗余性较高的特点，根据上述输油泵状态表征参数及工艺参数特征之间的互信息，在融合过程中自动去除冗余信息同时保留了输油泵状态表征信号中信息的多样性，建立精准表征输油泵状态的健康融合综合指标，可以实现输油泵故障的更加合理诊断。

在进行输油泵故障诊断时，依据上述健康融合综合指标，基于智能分类算法进行输油泵故障分类诊断模型训练，从而得到能够自主分辨输油泵不同故障工况数据的智能故障识别模型，利用故障识别模型可以实现设备状态的准确预警，并可以为进一步的维修和设备管理提供支持。

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。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书一个或多个实施例提供的基于多源信息融合的输油泵故障识别方法，可以先全面的挖掘出输油泵可能存在的风险情景，然后，再利用风险情景的重要度进行风险情景的筛选，筛选出重要度较高的风险情景，利用重要度较高的风险情景来确定用于故障识别的参数类型，从而提高参数类型选取的全面性以及准确性。进一步的，还可以再对融合参数的特征数据进行处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，以进一步实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

基于上述所述的基于多源信息融合的输油泵故障识别方法，本说明书一个或多个实施例还提供一种基于多源信息融合的输油泵故障识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图4表示说明书提供的一种基于多源信息融合的输油泵故障识别装置实施例的模块结构示意图，如图4所示，所述装置可以包括：

情景数据库构建模块402，可以用于构建输油泵对应的多源异构风险情景数据库；

风险情景筛选模块404，可以用于根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

融合参数确定模块406，可以用于获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

故障识别模块408，可以用于根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书一个或多个实施例提供的基于多源信息融合的输油泵故障识别装置，可以先全面的挖掘出输油泵可能存在的风险情景，然后，再利用风险情景的重要度进行风险情景的筛选，筛选出重要度较高的风险情景，利用重要度较高的风险情景来确定用于故障识别的参数类型，从而提高参数类型选取的全面性以及准确性。进一步的，还可以再对融合参数的特征数据进行处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，以进一步实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。因此，本说明书还提供一种基于多源信息融合的输油泵故障识别设备，包括处理器及存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：

构建取输油泵对应的多源异构风险情景数据库；

根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

需要说明的，上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是应用本说明书实施例的基于多源信息融合的输油泵故障识别服务器的硬件结构框图。如图5所示，服务器10可以包括一个或多个(图中仅示出一个)处理器20(处理器20可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器30、以及用于通信功能的传输模块40。本邻域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。

存储器30可用于存储应用软件的软件程序以及模块，如本发明实施例中的搜索方法对应的程序指令/模块，处理器20通过运行存储在存储器30内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器30可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器30可进一步包括相对于处理器20远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块40用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块40包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块40可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

上述实施例所述的基于多源信息融合的输油泵故障识别设备，可以先全面的挖掘出输油泵可能存在的风险情景，然后，再利用风险情景的重要度进行风险情景的筛选，筛选出重要度较高的风险情景，利用重要度较高的风险情景来确定用于故障识别的参数类型，从而提高参数类型选取的全面性以及准确性。进一步的，还可以再对融合参数的特征数据进行处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，以进一步实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

本说明书还提供一种基于多源信息融合的输油泵故障识别系统，所述系统可以为单独的基于多源信息融合的输油泵故障识别系统，也可以应用在多种故障诊断或者数据监控系统中。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述基于多源信息融合的输油泵故障识别系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。

图6表示本说明书提供的一种基于多源信息融合的输油泵故障识别系统的结构示意图。如图6所示，本说明书的一个或者多个实施例中，所述系统可以包括数据库构建模块、数据获取模块、情景分析模块、融合参数确定模块、信息融合模块、模型构建模块及故障识别模块，其中，

所述数据库构建模块可以用于构建多源异构风险情景数据库；

所述情景分析模块可以用于基于风险情景的风险发生概率、风险严重程度、风险情景对系统的影响度中的一种或者多种对风险情景进行筛选，获得目标风险情景；

所述融合参数确定模块可以用于根据目标风险情景确定用于故障识别的融合参数；

所述数据获取模块可以用于获取所述融合参数对应的实测数据及历史测试数据；

所述信息融合模块可以用于对融合参数对应的实测数据或历史测试数据进行特征提取，并基于最大相关最小冗余原则对提取的特征进行融合处理，获得健康指标数据或健康指标样本数据；

所述模型构建模块可以用于基于健康指标样本数据及健康指标样本数据对应的工况进行模型构建，获得故障识别模型；

所述故障识别模块可以用于利用所述故障识别模型对所述健康指标数据进行处理，获得故障识别结果。

各模块具体的实施方式可以参考上述方法实施例进行，这里不做赘述。一些实施方式中，在基于上述模块结构的基础上，还可以结合倍福数据采集模组，联通上位机、下位机、服务器等硬件设备共同组成输油泵故障识别系统，以实现对输油泵故障的在线实时准确监控与诊断。

需要说明的，上述所述的系统根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

上述实施例所述的基于多源信息融合的输油泵故障识别系统，可以先全面的挖掘出输油泵可能存在的风险情景，然后，再利用风险情景的重要度进行风险情景的筛选，筛选出重要度较高的风险情景，利用重要度较高的风险情景来确定用于故障识别的参数类型，从而提高参数类型选取的全面性以及准确性。进一步的，还可以再对融合参数的特征数据进行处理，提取对输油泵故障影响较大、敏感度较强的特征数据，并同时降低融合参数之间的冗余性，以进一步实现设备故障的准确诊断，为管道输油泵的安全提供科学的判断。

需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。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，对于硬件+程序类、存储介质+程序实施例而言，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。

尽管本说明书实施例内容中提到的风险概率及风险严重程度量化等获取、定义、交互、计算、判断等操作和数据描述，但是，本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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、车载人机交互设备、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。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例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本说明书一个或多个实施例，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。

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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于多源信息融合的输油泵故障识别方法，其特征在于，包括：

构建输油泵对应的多源异构风险情景数据库；

根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，包括：

获取所述多源异构风险情景数据库中的风险情景的风险发生概率以及风险严重程度，根据所述风险发生概率以及风险严重程度确定所述风险情景的情景重要度；

根据所述风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景。

3.根据权利要求1所述的方法，其特征在于，所述根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景，包括：

根据所述多源异构风险情景数据库中的风险情景对输油泵系统的恢复性、鲁棒性及可替代性的影响度确定所述风险情景的风险等级；

根据所述风险情景的风险等级从所述多源异构风险情景数据库中筛选出风险等级大于预设值的风险情景，获得第一风险情景；

根据第一风险情景的风险发生概率以及风险严重程度确定第一风险情景的情景重要度；

根据所述第一风险情景的风险情景的情景重要度从所述第一风险情景中筛选出目标风险情景。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述利用所述融合参数对所述输油泵进行故障识别，包括：

获取所述融合参数对应的实测数据，对所述实测数据进行特征提取获得特征集；

基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，获得所述输油泵的健康指标数据；

利用所述健康指标数据对所述输油泵进行故障识别。

5.根据权利要求4所述的方法，其特征在于，所述利用所述健康指标数据对所述输油泵进行故障识别，包括：

利用预先构建的故障识别模型对所述健康指标数据进行处理，获得所述输油泵的故障识别结果，其中，所述故障识别模型采用下述方式构建：

获取输油泵的融合参数所对应的历史测试数据及所述历史测试数据对应的工况；

根据所述历史测试数据提取所述融合参数的特征数据，获得特征数据样本集；

基于最小冗余最大相关方法对所述特征数据样本集中的特征数据进行数据融合处理，获得所述输油泵在所述工况下的健康指标样本数据；

根据所述健康指标样本数据及所述健康指标样本数据对应的工况构建故障识别模型。

6.根据权利要求4所述的方法，其特征在于，所述基于最大相关最小冗余原则对所述特征集中的特征数据进行融合处理，包括：

计算所述特征集中各特征之间的互信息及各特征与所述特征集对应的类标签之间的互信息；

根据各特征之间的互信息最小及特征相对类标签的互信息最大原则确定所述特征集的最优子特征集；

根据所述最优子特征集确定所述输油泵的健康指标数据。

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，包括：

从目标风险情景中获取电机振动信号中的定转子特征；

根据电机振动信号中的定转子特征确定所述目标风险情景对应的故障信号来源，所述故障信号来源包括电机或输油泵泵体；

根据所述目标风险情景对应的监控参数及故障信号来源确定所述电机对应的第一融合参数以及所述输油泵泵体对应的第二融合参数；

相应的，所述利用所述融合参数对所述输油泵进行故障识别包括利用所述第一融合参数对所述输油泵进行故障识别获得第一故障识别结果、利用第二融合参数对所述输油泵进行故障识别获得第二故障识别结果，根据所述第一故障识别结果以及第二故障识别结果确定所述输油泵的故障识别结果。

8.一种基于多源信息融合的输油泵故障识别装置，其特征在于，包括：

情景数据库构建模块，用于构建取输油泵对应的多源异构风险情景数据库；

风险情景筛选模块，用于根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

融合参数确定模块，用于获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

故障识别模块，用于根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

9.一种基于多源信息融合的输油泵故障识别设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：

构建输油泵对应的多源异构风险情景数据库；

根据所述多源异构风险情景数据库中的风险情景的情景重要度从所述多源异构风险情景数据库中筛选出目标风险情景；

获取所述目标风险情景对应的监控参数，所述监控参数至少包括劣化状态表征参数、工艺参数中的一种或者多种；

根据所述目标风险情景对应的监控参数确定所述输油泵的融合参数，利用所述融合参数对所述输油泵进行故障识别。

10.一种基于多源信息融合的输油泵故障识别系统，其特征在于，所述系统包括数据库构建模块、数据获取模块、情景分析模块、融合参数确定模块、信息融合模块、模型构建模块及故障识别模块，其中，

所述数据库构建模块用于构建多源异构风险情景数据库；

所述情景分析模块用于基于风险情景的风险发生概率、风险严重程度、风险情景对系统的影响度中的一种或者多种对风险情景进行筛选，获得目标风险情景；

所述融合参数确定模块用于根据目标风险情景确定用于故障识别的融合参数；

所述数据获取模块用于获取所述融合参数对应的实测数据及历史测试数据；

所述信息融合模块用于对融合参数对应的实测数据或历史测试数据进行特征提取，并基于最大相关最小冗余原则对提取的特征进行融合处理，获得健康指标数据或健康指标样本数据；

所述模型构建模块用于基于健康指标样本数据及健康指标样本数据对应的工况进行模型构建，获得故障识别模型；

所述故障识别模块用于利用所述故障识别模型对所述健康指标数据进行处理，获得故障识别结果。