CN110657091A - 一种循环泵轴承故障诊断方法及系统 - Google Patents
一种循环泵轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110657091A CN110657091A CN201910894486.0A CN201910894486A CN110657091A CN 110657091 A CN110657091 A CN 110657091A CN 201910894486 A CN201910894486 A CN 201910894486A CN 110657091 A CN110657091 A CN 110657091A
- Authority
- CN
- China
- Prior art keywords
- time
- phase current
- pump
- frequency
- fault
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 364
- 230000009467 reduction Effects 0.000 claims abstract description 104
- 239000007788 liquid Substances 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims description 96
- 230000003134 recirculating effect Effects 0.000 claims description 38
- 238000009360 aquaculture Methods 0.000 claims description 36
- 244000144974 aquaculture Species 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提供一种循环泵轴承故障诊断方法及系统，系统中的数据采集模块获取循环泵电机的三相电流和振动信号并送入故障诊断模块，还将用液位传感器采集循环水养殖池的液位信号；故障诊断模块利用人工蜂群算法优化后的堆叠降噪自编码器网络对循环泵轴承故障和程度进行分类；报警模块将根据不同故障类型和故障程度发出不同的报警信号；调控模块根据故障诊断模块的结果可以得到四种情况，并且结合养殖池的液位信息可以得到四种调控命令；总控模块实现对整体系统的监管与控制，其发出的命令优先级最高。本发明中的故障诊断算法模型较传统网络降低了噪声干扰，可以快速准确地对故障类型进行分类，确保了循环水养殖系统的安全，增加了循环水养殖收益。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种循环泵轴承故障诊断方法及系统。
背景技术
循环水养殖模式在20世纪80年代被引入我国，它集自动化技术、生物过滤技术、土木工程技术等多项技术手段，突破了水产养殖过度依赖环境水的问题，并且可以降低养殖污染、降低能耗、提高水产品质量、提高养殖效率，是一种绿色的养殖模式。
循环水水泵作为循环水养殖的关键动力，其较高的轴承故障发生率会直接给循环水养殖造成经济损失，水泵电机实时准确的轴承故障诊断具有十分重大的意义。
发明内容
针对上述问题，本发明实施例提供一种循环泵轴承故障诊断方法及系统。
第一方面，本发明实施例提供一种循环泵轴承故障诊断方法，包括：
获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率，所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；
其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
第二方面，本发明实施例提供一种循环泵轴承故障诊断系统，包括：
采集模块，用于获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
入水水泵的状态信号预处理模块，用于对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
出水水泵的状态信号预处理模块，用于对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率，所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
入水水泵故障诊断模块，用于将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
出水水泵故障诊断模块，用于将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
第三方面，本发明实施例提供一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的一种循环泵轴承故障诊断方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的一种循环泵轴承故障诊断方法。
本发明实施例提供的一种循环泵轴承故障诊断方法及系统，结合人工蜂群算法和堆叠降噪自编码神经网络的优势，增强了神经网络的鲁棒性，使得网络处于快速收敛的最优状态，简化了网络的复杂性，并实现入水水泵轴承故障和出水水泵轴承故障的准确分类，从而可以对循环水养殖池的故障进行预防，保障了生产的安全性，保障了循环水养殖系统的正常运行，达到降低损耗和生产成本的效果。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种循环泵轴承故障诊断方法的流程图；
图2为本发明实施例提供的一种故障诊断算法的具体流程图；
图3为本发明实施例提供的一种循环泵轴承故障诊断系统的结构示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
循环水养殖是现在工厂化养殖的一种流行方式，循环泵作为主要的耗电设备，是整个循环水养殖系统的关键动力。现代循环水养殖企业已经开始进入规模化生产，通常一家企业拥有许多循环水车间，而每个循环水车间也会根据具体的养殖规模大小配备不同数量的循环水泵，仅单个循环水泵发生故障就可能造成整个生产线的停滞，造成巨大的经济损失。循环泵数量多，滚动轴承故障偶发性都导致了电机运行状态的数据显现出大数据特性。对诊断技术的鲁棒性、泛化能力、实时性提出了较高的要求。
因此，本发明实施例提供一种循环泵轴承故障诊断方法，图1为本发明实施例提供的一种循环泵轴承故障诊断方法的流程图，如图1所示，该方法包括：
S1，获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
S2，对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
S3，对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率，所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
S4，将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
S5，将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
为了对循环水养殖池当前时刻下入水水泵和出水水泵轴承的状态进行检测，首先采集该循环水养殖池中入水水泵的状态信息和出水水泵的状态信息，此处，状态信息是指电机的三相电流信号和振动信号，三相电流信号是指相应电机在三个相位上的电流信号。
具体地，无论是振动信号还是三相电流信号，都不是一个时刻采集的值，而是在当前采集时间段内采集的值，本发明实施例中使用5分钟内的信号。例如每次采集振动信号，需要采集5分钟内的振动信号，设置频率后，可以达到6000个时刻的值，同样，电流信号也是两分钟内的值，可以采集三组6000个时刻的电流值，那么特征可能就是4*6000的数组，在预处理阶段对特征进行预处理，计算各自的时域、频域、时频域的值。
优选地，本发明实施例中时频特征包括峭度、方根均值、平均幅值、均方值、峭度指标、裕度指标、均方频率、中心频率、频率方差和多个固有模态函数分量，多个固有模态函数分量为经验模态分解后的模态分量。
时频域特征指用经验模态分解得到IMF时频域分量，IMF时频域分量包括第一时频分量、第二时频分量、第三时频分量和第四时频分量。
因此，对于入水水泵的三相电流信号和出水水泵的三相电流信号，三相电流信号的时频域特征由第一相电流信号的第一时频分量IMF1、第一相电流信号的第二时频分量IMF2、第一相电流信号的第三时频分量IMF3、第一相电流信号的第四时频分量IMF4、第二相电流信号的第一时频分量IMF5、第二相电流信号的第二时频分量IMF6、第二相电流信号的第三时频分量IMF7、第二相电流信号的第四时频分量IMF8、第三相电流信号的第一时频分量IMF9、第三相电流信号的第二时频分量IMF10、第三相电流信号的第三时频分量IMF11、第三相电流信号的第四时频分量IMF12组成。
对于入水水泵的振动信号和出水水泵的振动信号，振动信号的时频域特征由振动信号的第一时频分量IMF13、振动信号的第二时频分量IMF14、振动信号的第三时频分量IMF15和振动信号的第四时频分量IMF16组成。
优选地，对采集的三相电流信号和振动信号进行预处理，去除其中的异常值，采用插值的方法对其中的缺失值进行插值，并且分别获得三相电流信号在时域、频域和时频域上的特征，这些特征简称时频特征。
具体地，计算入水水泵的三相电流信号的在时域上的峭度、方根均值、平均幅值、均方值，在频域上的峭度指标、裕度指标、均方频率、中心频率、频率方差，在时频域上的多个固有模态函数(intrinsic mode function，简称IMF)分量，这些特征称为入水水泵三相电流信号的时频特征。
其中，对于固有模态函数分量，需要在时频域上通过经验模态分解，以对三相电流信号进行处理，从而得到三相电流信号对应的固有模态函数分量。
按照相同的方法，计算入水水泵的振动信号的时频特征、出水水泵的三相电流信号对应的时频特征、出水水泵的振动信号对应的时频特征。
将入水水泵的三相电流信号的时频特征、入水水泵的振动信号的时频特征、出水水泵的三相电流信号的时频特征和出水水泵的振动信号的时频特征输入到训练后的堆叠降噪自编码神经网络中，得到出水水泵电机的轴承状态和入水水泵电机的轴承状态。
具体地，堆叠降噪自编码神经网络为进行机器学习的神经网络，通过事先对其进行训练，使其能根据入水水泵和出水水泵的三相电流信号的时频特征、振动信号的时频特征，预测出入水水泵和出水水泵的轴承状态。
与现有技术不同的是，本发明实施例在现有堆叠降噪自编码神经网络结构的基础上，利用人工蜂群算法对现有堆叠降噪自编码神经网络结构进行优化，得到优化后的堆叠降噪自编码神经网络，然后再对优化后的堆叠降噪自编码神经网络进行训练。
本发明实施例提供一种循环泵轴承故障诊断方法，结合人工蜂群算法和堆叠降噪自编码神经网络的优势，增强了神经网络的鲁棒性，使得网络处于快速收敛的最优状态，简化了网络的复杂性，并实现入水水泵轴承故障和出水水泵轴承故障的准确分类，从而可以对循环水养殖池的故障进行预防，保障了生产的安全性，保障了循环水养殖系统的正常运行，达到降低损耗和生产成本的效果。
在上述实施例的基础上，优选地，图2为本发明实施例提供的一种故障诊断算法的具体流程图，如图2所示，所述优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到，具体包括：
S21，将若干个堆叠降噪自编码器进行堆叠，获取所述堆叠降噪自编码神经网络，且所述堆叠降噪自编码器的个数不大于3，具体步骤如下：
S211，初始化层次结构后，确定正向编码过程：
S212，定义自编码网络解码过程：
S213，定义稀疏编码约束：在sigmoid函数作用时，隐藏单元用1表示激活，用0表示约束，只有激活单元可表达特征，定义每个隐含单元的平均激活因子ρj，并引入KL散度来限制模型过拟合，通过单个自编码器的损失函数来构建具有m个输入样本和n层深度的总架构的损失函数；
S214，进行降噪自编码，随机把受到污染的损伤样本重新映射回到原始数据，提高学习特征的鲁棒性；
S215，将多个降噪自编码器进行堆叠得到SDAE深层网络；
S22，利用反向传播算法，对所述堆叠降噪自编码神经网络中每个连接层的权值和偏置进行调整，具体包括：
S221，通过softmax给每个类别一个分类概率进行有监督学习；
S222，反向传播算法的微调过程以最小化训练误差更新SDA模型的参数；
S223，通过人工蜂群算法对所述堆叠降噪自编码神经网络的输入损伤比例和每一隐藏层的稀疏参数进行优化，获取优化后的堆叠降噪自编码神经网络。
首先将3个堆叠降噪自编码器进行堆叠，得到堆叠降噪自编码神经网络(简称SDAE网络)，本发明实施例中，通过试验发现，4个以上的堆叠降噪自编码器的误差较大，因此，本发明实施例中采用3个堆叠降噪自编码器进行堆叠。具体步骤如下：
(1)、初始化层次结构后，确定正向编码过程，具体过程为：
其中，x(k)表示输入，a(k+1)表示输出，w(k,l)表示权重矩阵，b(k,l)表示偏置向量，f(·)代表分线性变换表达。
(2)、定义自编码网络解码过程，具体过程为：
z＝gθ′(a)＝s(wTa+bT),θ′＝{wT,bT}， (2)
其中，z、a和θ表示所采用的级联模型中每层自动编码器的输出，隐藏层输出和连接参数。该s(·)代表重建功能，旨在实现输出z等于输入数据。
(3)、定义稀疏编码约束，具体为：
在sigmoid函数作用时，隐藏单元用1表示激活，用0表示约束，只有激活单元可表达特征。这里定义每个隐含单元的平均激活因子ρj为：
其中，aj表示隐含单元的激活x(i)和输入节点的个数。
引入KL散度来限制模型过拟合：
单个自编码器的损失函数如下：
有m个输入样本和n层深度的总架构的损失函数为：
其中，C(w,b)是平均平方和误差，w是模型权重，
是第l层第i个神经元和第l+1层第j个神经元，λ为正则化权重衰减系数，λ＝3e-3，β为稀疏惩罚系数，β＝3。
而且，进行降噪自编码，随机把受到污染的“损伤”样本重新映射回到原始数据，提高学习特征的鲁棒性。可以利用一个随机分布映射将原始数据按照一定比例随机置零，这里包含重要参数即输入置零比例，得到降噪自编码网络DAE。
最后，将多个降噪自编码器进行堆叠得到SDAE深层网络，确定堆叠降噪自编码器的深度在4层及以上时，分类错误率会增大，而且模型复杂度和计算量大大增加，重构误差没有明显下降，因此确定SDAE网络深度为3。
用softmax回归算法用于多分类，训练过程是有监督学习，通过softmax给每个类别一个分类概率。
反向传播算法的微调过程以最小化训练误差更新SDA模型的参数：
计算正方向输出，得到每个输出单元的残差；
反向计算每个隐藏层单元的残差；
计算损失函数的偏导数；
基于偏导数更新每层残差；
最后，通过人工蜂群算法对所述堆叠降噪自编码神经网络的输入损伤比例和每一隐藏层的稀疏参数进行优化，获取优化后的堆叠降噪自编码神经网络，具体步骤如下：
将所述输入损伤比例和每一隐藏层的稀疏参数作为所述人工蜂群算法的初始食物源；
所述人工蜂群算法中的雇佣蜂进行全局搜索，并对每一雇佣蜂对应的初始食物源进行更新，获取每一雇佣蜂对应的新食物源；
对于任一雇佣蜂，若所述任一雇佣蜂对应的新食物源的适应度大于所述任一雇佣蜂对应的初始食物源的适应度，将所述任一雇佣蜂对应的新食物源作为所述任一雇佣蜂对应的初始食物源；
重复上述过程，直到获取最优输入损伤比例和每一隐藏层的最优稀疏参数，所述最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的损失值小于第一预设阈值，或，所述最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的分类错误率小于第二预设阈值。
首先初始化，设人工蜂群算法生成SN个初始食物源，即SN个解，每个初始食物源是一个D维向量Qi(i＝1,2,…,SN)，初始食物源的初始值按照公式(7)在随机空间产生：
qij＝Lmin+rand(0,1)(Lmax-Lmin)， (7)
其中，qij∈(Lmin,Lmax)，Lmax和Lmin分别表示搜索空间的最小值和最大值，j∈(1,2,…,D)。
针对3层SDAE网络，每个初始食物源被定义为一个4维向量(Ch1,Ch2,Ch3,Ch4)，向量前3项表示3个隐含层的稀疏参数，第4项表示降噪过程设置的输入置零比例，此处的初始食物源是指SDAE网络的输入损伤比和每个隐藏层的稀疏参数。
雇佣蜂负责全局搜索。依次对雇佣蜂对应的每个初始食物源进行更新，对初始食物源进行任意变异，产生新食物源：
其中，Qk是随机选取的一个初始食物源，k∈(1,2,…,SN)，j∈(1,2,…,D)是随机选取的，且k≠i，Φ∈[-1,1]是控制搜索步长的随机数。在产生新的候选食物源qi′j后，计算其适应度。在这个故障诊断问题中，适应度被定义为错误分类率，即错误分类的样本占总样本的比例。
根据贪心原则，雇佣蜂在q′ij和qij之间进行选择：如果新食物源的适应度比初始食物源的适应度好，则以q′ij替换qij，否则保持初始食物源不变，记录qij的更新失败次数加1。
跟随蜂局部搜索。跟随蜂从雇佣蜂处得到食物源信息，根据选择策略(每只跟随蜂依据概率Pi)选择食物源，同时确定食物源的质量。并利用公式(8)进行邻域搜索，产生新食物源。根据贪心算法选择食物源。
处理进化失败的食物源。某个初始食物源在有限次循环后没有得到改善，陷入局部最优，那么这个解会被丢弃，雇佣蜂会变成侦察蜂，侦察蜂会按照公式(7)寻找新的食物源。
返回雇佣蜂阶段，开始新一轮迭代。
当达到终止条件后，蜂群找到最优解，即最优输入损伤比例和每一隐藏层的最优稀疏参数，将获得的最优解用来更新堆叠降噪自编码神经网络的结构参数，此处的终止条件为：最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的损失值小于第一预设阈值，或，最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的分类错误率小于第二预设阈值。
在上述实施例的基础上，优选地，所述训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，具体包括：
获取所述循环水养殖池每一历史采集时间段内入水水泵的状态信息、所述入水水泵的轴承状态、所述出水水泵的状态信息和所述出水水泵的轴承状态；
获取每一历史采集时间段内所述入水水泵的三相电流信号的时频特征、每一历史采集时间段内所述入水水泵的振动信号的时频特征、每一历史采集时间段内所述出水水泵的三相电流信号的时频特征和每一历史采集时间段内所述出水水泵的振动信号的时频特征；
获取训练样本集，对于所述训练样本集中任一训练样本，所述任一训练样本包括对应的所述入水水泵的三相电流信号的时频特征、所述对应的所述入水水泵的振动信号的时频特征、所述对应的所述出水水泵的三相电流信号的时频特征、所述对应的所述出水水泵的振动信号的时频特征、所述对应的所述入水水泵的轴承状态和所述出水水泵的轴承状态；
通过所述训练样本集对优化后的堆叠降噪自编码神经网络进行训练，获取训练后的堆叠降噪自编码神经网络。
具体地，利用电流传感器对出水水泵和入水水泵的三相电流信号进行采集，利用对出水水泵和入水水泵的振动信号进行采集，液位传感器采集循环水养殖池实时液位信息。根据电机具体型号和使用时间可以设置采样时间，这里设置5分钟采集一次，连续两个月的时间连续采集。采集该循环水养殖池连续两个月的入水水泵的状态信息和出水水泵的状态信息。
并且获得每个历史时刻入水水泵的轴承状态和出水水泵的轴承状态。
对入水水泵的状态信息和出水水泵的状态信息进行预处理，故障诊断中电机数据有异常是正常现象，不对其中异常值进行处理，但对缺失值要利用插值方法填充。
并对每个历史采集时间段内入水水泵的状态信息进行处理，获取每个历史采集时间段内入水水泵的三相电流信号的时频特征、每个历史采集时间段内入水水泵的振动信号的时频特征、每个历史采集时间段内出水水泵的三相电流信号的时频特征和每个历史采集时间段内出水水泵的振动信号的时频特征，并且结合每个历史采集时间段内出水水泵的轴承状态和出水水泵的轴承状态。
将一个历史时刻对应的入水水泵的三相电流信号的时频特征、一个历史时刻对应的入水水泵的振动信号的时频特征、一个历史时刻对应的出水水泵的三相电流信号的时频特征和一个历史时刻对应的出水水泵的振动信号的时频特征，一个历史时刻出水水泵的轴承状态和出水水泵的轴承状态作为一个样本，对所有的样本进行划分，得到训练集和测试集，比例为4：1，训练集包含验证集，算法采取交叉验证。
利用训练集中的训练样本对优化后的堆叠降噪自编码神经网络进行训练，就可以得到训练后的堆叠降噪自编码神经网络。
图3为本发明实施例提供的一种循环泵轴承故障诊断系统的结构示意图，如图3所示，该系统包括：采集模块301、入水水泵的状态信号预处理模块302、出水水泵的状态信号预处理模块303、入水水泵故障诊断模块304和出水水泵故障诊断模块305，其中：
采集模块301用于获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
入水水泵的状态信号预处理模块302用于对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
出水水泵的状态信号预处理模块303用于对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率，所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
入水水泵故障诊断模块304用于将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
出水水泵故障诊断模块305用于将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
具体地，需要对循环水养殖池中入水水泵和出水水泵的轴承状态进行预测时，采集模块301采集循环水养殖池当前时刻入水水泵和出水水泵的状态信息，具体地，状态信息包括电机的三相电流信号和振动信号。采集模块中包2个电流传感器和2个加速度传感器，一个电流传感器用于采集入水水泵的三相电流信号，一个加速度传感器用于采集入水水泵的振动信号，另一个电流传感器用于采集出水水泵的三相电流信号，另一个加速度传感器用于采集出水水泵的振动信号。采集模块将入水水泵和出水水泵的状态信息发送给分别发送给入水水泵的状态信号预处理模块和出水水泵的状态信号预处理模块。
入水水泵的状态信号预处理模块302对采集的入水水泵的状态信息进行预处理，计算出入水水泵三相电流信号的时频特征、频域特征和时频域特征、以及入水水泵振动信号的时频特征、频域特征和时频域特征。出水水泵的状态信号预处理模块303对采集的出水水泵的状态信息进行预处理，计算出出水水泵三相电流信号的时频特征、频域特征和时频域特征、以及出水水泵振动信号的时频特征、频域特征和时频域特征。
入水水泵故障诊断模块304将入水水泵的三相电流信号的时频特征和当前采集时间段内的入水水泵的振动信号的时频特征，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取循环水养殖池中所述入水水泵的轴承状态。出水水泵故障诊断模块305将入水水泵的三相电流信号的时频特征和当前采集时间段内的出水水泵的振动信号的时频特征，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取循环水养殖池中入水水泵的轴承状态。
具体计算方法与上述方法实施的过程相同，本系统实施例在此不再赘述。
本发明实施例提供的一种循环泵轴承故障诊断系统，实现了对循环水养殖池中入水水泵和出水水泵的预防性故障诊断，实现了自动化智能故障诊断，可以实时监控水泵电机状态，降低人工成本。
在上述实施例的基础上，优选地，还包括：报警模块306；
所述入水水泵故障诊断模块用于根据所述循环水养殖池中所述入水水泵的轴承状态获取所述入水水泵的故障类型和故障程度，并将所述入水水泵的故障类型和故障程度发送给所述报警模块；
所述出水水泵故障诊断模块用于根据所述循环水养殖池中所述出水水泵的轴承状态获取所述出水水泵的故障类型和故障程度，并将所述出水水泵的故障类型和故障程度发送给所述报警模块；
所述报警模块用于根据所述入水水泵的故障类型和故障程度、所述出水水泵的故障类型和故障程度，生成相应的报警命令，并根据所述报警命令采用相应的铃声和语音进行报警，并通过无线传输将所述故障类型传输给相应工作人员，所述故障类型包括正常、外圈轻度故障、外圈中度故障、外圈严重故障、内圈轻度故障、内圈中度故障和内圈严重故障。
具体地，入水水泵故障诊断模块根据循环水养殖池中入水水泵的轴承状态，来判断入水水泵的故障类型和故障程度，并将入水水泵的故障类型和故障程度发送给报警模块。出水水泵故障诊断模块根据循环水养殖池中出水水泵的轴承状态，来判断出水水泵的故障类型和故障程度，并将出水水泵的故障类型和故障程度发送给报警模块。一般来说，故障程度包括：正常、外圈轻度故障、外圈中度故障、外圈严重故障、内圈轻度故障、内圈中度故障、内圈严重故障。
报警模块接收到入水水泵的故障类型和故障程度、出水水泵的故障类型和故障程度后，生成报警命令，并根据该报警命令进行报警，提醒维修人员分清故障类型并及时维修。
具体地，报警模块包括语音报警信箱、无线传输单元和蜂鸣器，报警音箱是与生产现场放置的嵌入式系统中故障诊断模块的数据信号通路相连接。每种水泵故障对应一种报警语音，通过音箱播放出来；
无线传输单元包括无线发射单元和无线接收单元，无线发射单元可以将接收到报警命令通过无线信号传输到维修人员办公处的无线接收单元。无线接收单元将获得的报警命令经过蜂鸣器发出报警信号。
优选地，该系统还包括总控模块307，总控模块用于对采集模块、入水水泵故障诊断模块、出水水泵故障诊断模块、报警模块进行资源分配，其发出的命令具有最高优先级，对系统异常进行判断和处理。工作人员可以通过总控模块控制报警模块停止报警。
总控模块用于调度和分配计算资源，对整体系统进行最高优先级控制，可以用于处理故障紧急情况和系统异常情况，工作人员在接收到报警信号后，可以通过总控模块预先设置的按键关闭语音报警。
当总控模块监测到采集模块在一段时间内无数据，则判断发生跳闸或者断电，将会给报警模块发出报警命令。当没有接收到故障类型，而液位传感器的数据也超过阈值，同样向调控模块发出最高优先级的调控命令。
在上述实施例的基础上，优选地，还包括：调控模块308；
所述采集模块还用于采集所述循环水养殖池所述当前时刻对应的液位信息，并将所述液位信息发送给所述入水水泵故障诊断模块和所述出水水泵故障诊断模块；
所述入水水泵故障诊断模块用于将所述入水水泵的故障类型和故障程度、所述液位信息发送给所述调控模块；
所述出水水泵故障诊断模块用于将所述出水水泵的故障类型和故障程度、所述液位信息发送给所述调控模块。
具体地，采集模块中还包括液位传感器，用来采集循环水养殖池中的液位信息，采集模块采集到循环水养殖池中的液位信息后，将该液位信息发送给入水水泵故障诊断模块和出水水泵故障诊断模块。
入水水泵故障诊断模块将入水水泵的故障类型和故障程度、液位信息都发送给调控模块，出水水泵故障诊断模块将出水水泵的故障类型和故障程度、液位信息都发送给调控模块，调控模块中存储了每种入水水泵故障类型和故障程度、每种出水水泵的故障类型和故障程度、每种液位信息对应的调控策略，具体地，可以得到以下四种情况：
第一种情况，入水水泵正常，出水水泵正常，调控模块不用进行调控。
第二种情况，入水水泵发生故障则及时关闭入水水泵防止进一步损伤，此时出水水泵正常，根据液位传感器采集的液位信息判断此时的液位是否低于液位最低阈值，如果低于最低液位，那么调控模块将关闭出水水泵。
第三种情况，出水水泵发生故障则及时关闭出水水泵防止进一步损伤，此时入水水泵正常，根据液位传感器采集的液位信息判断此时的液位是否高于液位最高阈值，如果高于最高液位，那么调控模块将关闭入水水泵。
第四种情况，出水水泵和入水水泵都发生故障，且根据液位传感器采集的液位信息判断此时的液位是否处于液位最低阈值和最高阈值之间，则及时关闭入水水泵和出水水泵。
综上，本发明实施例通过数据采集模块、故障诊断模块、报警模块，调控模块和总控模块，实现了故障诊断系统、及时警报系统以及紧急解决方案。以嵌入式作为技术支撑，在嵌入式集成板外围添加相应传感器和设备，可以在对入水水泵和出水水泵进行故障诊断的同时，预防出现严重的故障影响循环水养殖池的生产过程的现象，还提出了对入水水泵和出水水泵出现故障的紧急调控方案，保障了养殖池保持在正常水位。以保证在维修人员不能及时发现和检修时，提前对循环泵电机故障做出反应，减少故障带来的损失。
本发明实施例中的报警模块通过近距离语音报警和远距离无线报警相结合，可以保障在故障发生时及时做出反应，并且给维修人员具体的故障类型，方便判断和维修。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该服务器可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和总线440，其中，处理器410，通信接口420，存储器430通过总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：
获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号；
对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率；
将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；
其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号；
对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率；
将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；
其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种循环泵轴承故障诊断方法，其特征在于，包括：
获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率；
所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；
其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
2.根据权利要求1所述方法，其特征在于，所述优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到，具体包括：
S21，将若干个堆叠降噪自编码器进行堆叠，获取所述堆叠降噪自编码神经网络，且所述堆叠降噪自编码器的个数不大于3，具体步骤如下：
S211，初始化层次结构后，确定正向编码过程：
S212，定义自编码网络解码过程：
S213，定义稀疏编码约束：在sigmoid函数作用时，隐藏单元用1表示激活，用0表示约束，只有激活单元可表达特征，定义每个隐含单元的平均激活因子ρj，并引入KL散度来限制模型过拟合，通过单个自编码器的损失函数来构建具有m个输入样本和n层深度的总架构的损失函数；
S214，进行降噪自编码，随机把受到污染的损伤样本重新映射回到原始数据，提高学习特征的鲁棒性；
S215，将多个降噪自编码器进行堆叠得到SDAE深层网络；
S22，利用反向传播算法，对所述堆叠降噪自编码神经网络中每个连接层的权值和偏置进行调整，具体包括：
S221，通过softmax给每个类别一个分类概率进行有监督学习；
S222，反向传播算法的微调过程以最小化训练误差更新SDA模型的参数；
S223，通过人工蜂群算法对所述堆叠降噪自编码神经网络的输入损伤比例和每一隐藏层的稀疏参数进行优化，获取优化后的堆叠降噪自编码神经网络。
3.根据权利要求2所述方法，其特征在于，所述通过人工蜂群算法对所述堆叠降噪自编码神经网络的输入损伤比例和每一隐藏层的稀疏参数进行优化，获取优化后的堆叠降噪自编码神经网络，具体包括：
将所述输入损伤比例和每一隐藏层的稀疏参数作为所述人工蜂群算法的初始食物源；
所述人工蜂群算法中的雇佣蜂进行全局搜索，并对每一雇佣蜂对应的初始食物源进行更新，获取每一雇佣蜂对应的新食物源；
对于任一雇佣蜂，若所述任一雇佣蜂对应的新食物源的适应度大于所述任一雇佣蜂对应的初始食物源的适应度，将所述任一雇佣蜂对应的新食物源作为所述任一雇佣蜂对应的初始食物源；
重复上述过程，直到获取最优输入损伤比例和每一隐藏层的最优稀疏参数，且所述最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的损失值小于第一预设阈值，或，所述最优输入损伤比例和每一隐藏层的最优稀疏参数对应的堆叠降噪自编码神经网络的分类错误率小于第二预设阈值。
4.根据权利要求1所述方法，其特征在于，所述训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，具体包括：
获取所述循环水养殖池每一历史采集时间段内入水水泵的状态信息、所述入水水泵的轴承状态、所述出水水泵的状态信息和所述出水水泵的轴承状态；
获取每一历史采集时间段内所述入水水泵的三相电流信号的时频特征、每一历史采集时间段内所述入水水泵的振动信号的时频特征、每一历史采集时间段内所述出水水泵的三相电流信号的时频特征和每一历史采集时间段内所述出水水泵的振动信号的时频特征；
获取训练样本集，对于所述训练样本集中任一训练样本，所述任一训练样本包括对应的所述入水水泵的三相电流信号的时频特征、所述对应的所述入水水泵的振动信号的时频特征、所述对应的所述出水水泵的三相电流信号的时频特征、所述对应的所述出水水泵的振动信号的时频特征、所述对应的所述入水水泵的轴承状态和所述出水水泵的轴承状态；
通过所述训练样本集对优化后的堆叠降噪自编码神经网络进行训练，获取训练后的堆叠降噪自编码神经网络。
5.一种循环泵轴承故障诊断系统，其特征在于，包括：
采集模块，用于获取循环水养殖池当前时刻对应的当前采集时间段内的入水水泵的状态信息和所述当前采集时间段内出水水泵的状态信息，所述状态信息包括三相电流信号和振动信号，所述三相电流信号包括第一相电流信号、第二相电流信号和第三相电流信号，所述第一相电流信号用I1表示，所述第二相电流信号用I2表示，所述第三相电流信号用I3表示，所述振动信号用Z表示；
入水水泵预的状态信号处理模块，用于对所述当前采集时间段内的入水水泵的状态信息进行预处理，获取所述当前采集时间段内所述入水水泵的三相电流信号的时域特征、频域特征和时频域特征，所述当前采集时间段内所述入水水泵的振动信号的时域特征、频域特征和时频域特征；
出水水泵预的状态信号处理模块，用于对所述当前采集时间段内的出水水泵的状态信息进行预处理，获取所述当前采集时间段内所述出水水泵的三相电流信号的时域、频域和时频域特征，所述当前采集时间段内所述出水水泵的振动信号的时域、频域和时频域特征，其中，所述时域特征包括峭度、方根均值、均方值、绝对能量值、方差和偏度，所述频域特征包括峭度指标、裕度指标、均方频率和中心频率，所述时频域特征指用经验模态分解得到IMF时频域分量，对于所述入水水泵的三相电流信号和所述出水水泵的三相电流信号，所述三相电流信号的时频域特征包括所述第一相电流信号的第一时频分量IMF1、所述第一相电流信号的第二时频分量IMF2、所述第一相电流信号的第三时频分量IMF3、所述第一相电流信号的第四时频分量IMF4、所述第二相电流信号的第一时频分量IMF5、所述第二相电流信号的第二时频分量IMF6、所述第二相电流信号的第三时频分量IMF7、所述第二相电流信号的第四时频分量IMF8、所述第三相电流信号的第一时频分量IMF9、所述第三相电流信号的第二时频分量IMF10、所述第三相电流信号的第三时频分量IMF11、所述第三相电流信号的第四时频分量IMF12，对于所述入水水泵的振动信号和所述出水水泵的振动信号，所述振动信号的时频域特征包括所述振动信号的第一时频分量IMF13、所述振动信号的第二时频分量IMF14、所述振动信号的第三时频分量IMF15和所述振动信号的第四时频分量IMF16；
入水水泵故障诊断模块，用于将所述当前采集时间段内的入水水泵的三相电流信号的时频特征和所述当前采集时间段内的入水水泵的振动信号的时频特征，构成输入向量，输入到入水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中所述入水水泵的轴承状态；
出水水泵故障诊断模块，用于将所述当前采集时间段内的所述出水水泵的三相电流信号的时频特征和所述出水水泵的振动信号的时频特征，构成输入向量，输入到出水水泵对应的训练后的堆叠降噪自编码神经网络中，获取所述循环水养殖池中入所述出水水泵的轴承状态；其中，训练后的堆叠降噪自编码神经网络通过对优化后的堆叠降噪自编码神经网络进行训练得到，优化后的堆叠降噪自编码神经网络通过人工蜂群算法对堆叠降噪自编码神经网络的网络结构进行优化得到。
6.根据权利要求5所述系统，其特征在于，还包括：报警模块；
所述入水水泵故障诊断模块用于根据所述循环水养殖池中所述入水水泵的轴承状态获取所述入水水泵的故障类型和故障程度，并将所述入水水泵的故障类型和故障程度发送给所述报警模块；
所述出水水泵故障诊断模块用于根据所述循环水养殖池中所述出水水泵的轴承状态获取所述出水水泵的故障类型和故障程度，并将所述出水水泵的故障类型和故障程度发送给所述报警模块；
所述报警模块用于根据所述入水水泵的故障类型和故障程度、所述出水水泵的故障类型和故障程度，生成相应的报警命令，并根据所述报警命令采用相应的铃声和语音进行报警，并通过无线传输将所述故障类型传输给相应工作人员，所述故障类型包括正常、外圈轻度故障、外圈中度故障、外圈严重故障、内圈轻度故障、内圈中度故障和内圈严重故障。
7.根据权利要求6所述系统，其特征在于，还包括：调控模块；
所述采集模块还用于采集所述循环水养殖池所述当前时刻对应的液位信息，并将所述液位信息发送给所述入水水泵故障诊断模块和所述出水水泵故障诊断模块；
所述入水水泵故障诊断模块用于将所述入水水泵的故障类型和故障程度、所述液位信息发送给所述调控模块；
所述出水水泵故障诊断模块用于将所述出水水泵的故障类型和故障程度、所述液位信息发送给所述调控模块；
所述调控模块用于根据所述入水水泵的故障类型和故障程度、所述出水水泵的故障类型和故障程度进行判断，具体调控情况如下：
第一种：若判断获知所述入水水泵正常，且所述出水水泵正常，则所述调控模块不进行调控；
第二种：若判断获知所述入水水泵故障，且所述液位信息低于最低阈值，所述调控模块关闭所述出水水泵；
第三种：若判断获知所述出水水泵故障，且所述液位信息高于最高阈值，所述调控模块关闭所述入水水泵；
第四种：若所述出水水泵和所述入水水泵均故障，且所述液位信息位于最高阈值和所述最低阈值之间，关闭所述出水水泵和所述入水水泵。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述循环泵轴承故障诊断方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述循环泵轴承故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894486.0A CN110657091B (zh) | 2019-09-20 | 2019-09-20 | 一种循环泵轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894486.0A CN110657091B (zh) | 2019-09-20 | 2019-09-20 | 一种循环泵轴承故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110657091A true CN110657091A (zh) | 2020-01-07 |
| CN110657091B CN110657091B (zh) | 2020-12-11 |
Family
ID=69038242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910894486.0A Active CN110657091B (zh) | 2019-09-20 | 2019-09-20 | 一种循环泵轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110657091B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
| CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN115076086A (zh) * | 2022-06-16 | 2022-09-20 | 燕山大学 | 用于柱塞泵在多工况下的故障模拟方法及其试验装置 |
| CN116595444A (zh) * | 2023-07-19 | 2023-08-15 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
| CN117250001A (zh) * | 2023-11-17 | 2023-12-19 | 云翔赛博(山东)数字技术有限公司 | 电机轴承故障检测方法和系统 |
| CN118294145A (zh) * | 2024-06-05 | 2024-07-05 | 聊城市中瑞轴承配件股份有限公司 | 一种轴承故障预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学（保定） | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN108366386A (zh) * | 2018-05-11 | 2018-08-03 | 东南大学 | 一种使用神经网络实现无线网络故障检测的方法 |
| CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
| CN110132578A (zh) * | 2019-06-01 | 2019-08-16 | 吉林大学 | 一种齿轮系统复合故障特征提取方法及故障试验装置 |
| EP3246689B1 (en) * | 2016-05-20 | 2019-08-21 | ABB Schweiz AG | Method and system for monitoring mechanical bearing |
-
2019
- 2019-09-20 CN CN201910894486.0A patent/CN110657091B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学（保定） | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
| EP3246689B1 (en) * | 2016-05-20 | 2019-08-21 | ABB Schweiz AG | Method and system for monitoring mechanical bearing |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN108366386A (zh) * | 2018-05-11 | 2018-08-03 | 东南大学 | 一种使用神经网络实现无线网络故障检测的方法 |
| CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
| CN110132578A (zh) * | 2019-06-01 | 2019-08-16 | 吉林大学 | 一种齿轮系统复合故障特征提取方法及故障试验装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
| CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN111795819B (zh) * | 2020-06-12 | 2021-06-22 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN115076086A (zh) * | 2022-06-16 | 2022-09-20 | 燕山大学 | 用于柱塞泵在多工况下的故障模拟方法及其试验装置 |
| CN116595444A (zh) * | 2023-07-19 | 2023-08-15 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
| CN116595444B (zh) * | 2023-07-19 | 2023-09-26 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
| CN117250001A (zh) * | 2023-11-17 | 2023-12-19 | 云翔赛博(山东)数字技术有限公司 | 电机轴承故障检测方法和系统 |
| CN118294145A (zh) * | 2024-06-05 | 2024-07-05 | 聊城市中瑞轴承配件股份有限公司 | 一种轴承故障预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110657091B (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110657091B (zh) | 一种循环泵轴承故障诊断方法及系统 | |
| CN108062572B (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
| CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| Zhang et al. | A novel case adaptation method based on an improved integrated genetic algorithm for power grid wind disaster emergencies | |
| CN112784920B (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN107169610A (zh) | 水产养殖溶解氧预测方法及装置 | |
| CN113158364A (zh) | 循环泵轴承故障检测方法及系统 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| Favaro et al. | Artificial neural network approach for revealing individuality, group membership and age information in goat kid contact calls | |
| CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
| CN116797204A (zh) | 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法 | |
| CN117473445B (zh) | 基于极限学习机的设备异常分析方法及装置 | |
| CN115712817A (zh) | 一种基于卷积神经网络的工业电机泵的故障的诊断方法 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN115115113A (zh) | 基于图注意力网络关系嵌入的设备故障预测方法及系统 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| Cheng et al. | Deep stacking l1-norm center configuration convex hull and its application in fault diagnosis of rolling bearing | |
| CN117407673A (zh) | 基于灰狼优化算法和LSTM-Attention的电力设备缺陷预测方法 | |
| CN117909860A (zh) | 一种采棉机及其采棉头堵塞故障诊断预警装置和方法 | |
| CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
| CN116415147A (zh) | 基于自学习的面向光伏系统设备运行数据的预训练方法 | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| Huan et al. | A hybrid model of empirical wavelet transform and extreme learning machine for dissolved oxygen forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |