CN111401136B - 一种柱塞泵空化程度检测方法、装置及终端 - Google Patents

一种柱塞泵空化程度检测方法、装置及终端 Download PDF

Info

Publication number
CN111401136B
CN111401136B CN202010109714.1A CN202010109714A CN111401136B CN 111401136 B CN111401136 B CN 111401136B CN 202010109714 A CN202010109714 A CN 202010109714A CN 111401136 B CN111401136 B CN 111401136B
Authority
CN
China
Prior art keywords
vibration signal
cavitation
plunger pump
signal
picture
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.)
Active
Application number
CN202010109714.1A
Other languages
English (en)
Other versions
CN111401136A (zh
Inventor
刘成良
潮群
魏晓良
陶建峰
覃程锦
王立尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010109714.1A priority Critical patent/CN111401136B/zh
Publication of CN111401136A publication Critical patent/CN111401136A/zh
Application granted granted Critical
Publication of CN111401136B publication Critical patent/CN111401136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种柱塞泵空化程度检测方法、装置、储存介质及终端，其中，柱塞泵空化程度检测方法，包括：获取柱塞泵空化时壳体的三轴振动信号；将所述三轴振动信号进行切分，得到振动信号片段集；将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。本发明采用的将振动信号转换成RGB图片并结合卷积神经网络的方法，实现了对柱塞泵空化程度的识别，并且在不使用附加降噪方法的情况下，对有噪声的振动信号依然具有良好的性能。

Description

一种柱塞泵空化程度检测方法、装置及终端
技术领域
本发明涉及柱塞泵故障诊断技术领域，尤其涉及一种柱塞泵空化程度检测方法、装置及终端。
背景技术
泵是飞机液压系统的关键元件。因为柱塞泵结构紧凑，转动惯量小，流量大，易于控制等特点，飞机液压系统广泛采用柱塞泵。为了进一步提高柱塞泵的功率密度，提高转速是一个有效的方法。高转速的柱塞泵发生汽蚀的风险更高，一旦发生汽蚀故障，将会造成壳体损坏、剧烈振动等不良后果甚至引发安全事故。因此，对航空柱塞泵进行汽蚀故障诊断具有重要的意义。
传统的汽蚀故障诊断主要是对比健康状态和发生汽蚀时泵的运行状态，包括数据采集，特征提取和故障分类识别。主要利用频谱分析提取相关特征，再结合相关的分类算法如SVM，随机森林等进行故障识别。目前存在一下缺点：1)诊断的准确性严重依赖于特征的提取，特征提取需要手动设计，比较耗时和依赖经验；2)手动提取的特征不能保证充分表示汽蚀故障发生时的特征。
深度学习技术有着强大的特征表示能力，并且可以自动提取特征，在语音识别，图像处理上有着广泛的应用。目前，已经有部分学者将深度学习的方法应用到各种机械设备的故障诊断上，然而针对柱塞泵汽蚀故障诊断问题关注不足，并且准确率较低、适应能力差。
发明内容
(一)发明目的
本发明的目的是提供一种柱塞泵空化程度检测方法、装置及终端以解决针对柱塞泵汽蚀故障诊断准确率较低、适应能力差的问题。
(二)技术方案
为解决上述问题，本发明的第一方面提供了一种柱塞泵空化程度检测方法，包括：获取柱塞泵空化时壳体的三轴振动信号；将所述三轴振动信号进行切分，得到振动信号片段集；将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。
进一步地，所述训练好的模型是通过下述步骤建立的：获取不同空化程度的柱塞泵空化时壳体的三轴振动信号；将不同空化程度的所述三轴振动信号切分成对应有空化程度的信号片段，得到对应有空化程度的振动信号片段集；将所述对应有空化程度的振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成对应有空化程度的图片集；利用所述对应有空化程度的图片集对机器学习模型进行训练和测试，得到所述训练好的模型。
进一步地，所述利用所述用于建立模型的图片集中图片和该图片对应的空化程度对机器学习模型进行训练和测试，得到所述训练好的模型包括：将所述用于建立模型的图片集划分成训练集和测试集；利用所述训练集中图片和该图片对应的空化程度对机器学习模型进行训练，得到训练模型；利用所述测试集中图片和该图片对应的空化程度对机器学习模型进行测试，当测试结果达到预设条件，得到所述训练好的模型。
进一步地，所述获取柱塞泵空化时壳体的三轴振动信号具体为：获取所述柱塞泵在不同进口压力下的三轴振动信号。
进一步地，所述将所述三轴振动信号进行切分，得到振动信号片段集具体包括：根据柱塞泵转速和振动信号采样频率确定目标图片的像素点数；根据所述像素点数确定每段三轴振动信号长度；根据所述每段三轴振动信号长度将所述三轴振动信号进行切分，得到振动信号片段集。
进一步地，所述像素点数满足以下公式：
Figure BDA0002389545320000031
size1*size2表示图片像素大小；
k表示选择的倍数，取整数；
fs表示振动信号采样频率，单位为Hz；
n表示柱塞泵的转速，单位为rpm。
进一步地，所述将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成图片集具体包括：将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集。
进一步地，所述将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，按照如下公式：
Figure BDA0002389545320000032
Figure BDA0002389545320000033
xi[s]k表示信号片段集，第k类样本中第i个样本片段；
s是信号片段中的长度,s＝size1*size2；
μ是信号片段的均值；
Max是信号片段中的最大值；
Min是信号片段中的最小值；
pi表示进行缩放后的信号片段；
Figure BDA0002389545320000034
是映射到0-255之后的信号片段；
unit8是把数据映射到0-255的无符号格式运算操作。
根据本发明的另一个方面，提供一种柱塞泵空化程度检测装置，包括：信号采集模块，用于获取柱塞泵空化时壳体的三轴振动信号；信号切分模块，用于将所述三轴振动信号进行切分，得到振动信号片段集；信号转化模块，用于将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；检测模块，用于将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。
进一步地，还包括：模型建立模块，其搭建有机器学习模型；所述信号采集模块还用于获取不同空化程度的柱塞泵空化时壳体的三轴振动信号；所述信号切分模块将不同空化程度的所述三轴振动信号切分成对应有空化程度的信号片段，得到对应有空化程度的振动信号片段集；所述信号转化模块将所述用于建立模型的振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成对应有空化程度的图片集；所述模型建立模块利用所述用于建立模型的对应有空化程度的图片集对所述机器学习模型进行训练和测试，得到所述训练好的模型。
进一步地，所述模型建立模块包括：图片划分单元，用于将所述用于建立模型的图片集划分成训练集和测试集；模型训练单元，用于利用所述训练集中图片和该图片对应的空化程度对机器学习模型进行训练，得到训练模型；模型测试单元，用于利用所述测试集中图片和该图片对应的空化程度对机器学习模型进行测试，当测试结果达到预设条件，得到所述训练好的模型。
进一步地，所述信号采集模块具体用于：获取所述柱塞泵在不同进口压力下的三轴振动信号。
进一步地，所述信号切分模块包括：
像素点数计算单元，用于根据柱塞泵转速和振动信号采样频率确定目标图片的像素点数；
信号长度计算单元，用于根据所述像素点数确定每段三轴振动信号长度；
切分单元，用于根据所述每段三轴振动信号长度将所述三轴振动信号进行切分，得到振动信号片段集。
进一步地，所述像素点数计算单元计算过程满足以下公式：
Figure BDA0002389545320000041
Figure BDA0002389545320000051
size1*size2表示图片像素大小；
k表示选择的倍数，取整数；
fs表示振动信号采样频率，单位为Hz；
n表示柱塞泵的转速，单位为rpm。
进一步地，所述信号转化模块包括：通道对应单元，用于将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；映射单元，用于将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集。
进一步地，所述映射单元按照如下公式进行映射：
Figure BDA0002389545320000052
Figure BDA0002389545320000053
xi[s]k表示信号片段集，第k类样本中第i个样本片段；
s是信号片段中的长度,s＝size1*size2；
μ是信号片段的均值；
Max是信号片段中的最大值；
Min是信号片段中的最小值；
pi表示进行缩放后的信号片段；
Figure BDA0002389545320000054
是映射到0-255之后的信号片段；
unit8是把数据映射到0-255的无符号格式运算操作。
根据本发明的又一方面，提供一种计算机存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述技术方案中任意一项所述方法的步骤。
根据本发明的又一方面，提供一种终端，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案中任意一项所述方法的步骤。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果：
本发明采用的将振动信号转换成RGB图片并结合卷积神经网络的方法，实现了对柱塞泵空化程度的识别，并且在不使用附加降噪方法的情况下，对有噪声的振动信号依然具有良好的性能。
附图说明
图1是根据本发明第一实施方式的柱塞泵空化程度检测方法流程图；
图2是根据本发明一可选实施方式的数据处理流程图；
图3是根据本发明一可选实施方式的图片转换流程图；
图4是根据本发明一可选实施方式的训练过程准确率和损失曲线图；
图5是根据本发明一可选实施方式的在不同噪声下测试集的准确率和损失曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
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做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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示，在本发明实施例的第一方面，提供了一种柱塞泵空化程度检测方法，包括：
S1：获取柱塞泵空化时壳体的三轴振动信号；
S2：将所述三轴振动信号进行切分，得到振动信号片段集；
S3：将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；
S4：将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。
可选的，所述训练好的模型是通过下述步骤建立的：获取不同空化程度的柱塞泵空化时壳体的三轴振动信号；将不同空化程度的所述三轴振动信号切分成对应有空化程度的信号片段，得到对应有空化程度的振动信号片段集；将所述对应有空化程度的振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成对应有空化程度的图片集；利用所述对应有空化程度的图片集对机器学习模型进行训练和测试，得到所述训练好的模型。
可选的，所述利用所述用于建立模型的图片集中图片和该图片对应的空化程度对机器学习模型进行训练和测设，得到所述训练好的模型包括：将所述用于建立模型的图片集划分成训练集和测试集；利用所述训练集中图片和该图片对应的空化程度对机器学习模型进行训练，得到训练模型；利用所述测试集中图片和该图片对应的空化程度对机器学习模型进行测试，当测试结果达到预设条件，得到所述训练好的模型。
可选的，所述获取柱塞泵空化时壳体的三轴振动信号具体为：获取所述柱塞泵在不同进口压力下的三轴振动信号。
可选的，所述将所述三轴振动信号进行切分，得到振动信号片段集具体包括：根据柱塞泵转速和振动信号采样频率确定目标图片的像素点数；根据所述像素点数确定每段三轴振动信号长度；根据所述每段三轴振动信号长度将所述三轴振动信号进行切分，得到振动信号片段集。
可选的，所述像素点数满足以下公式：
Figure BDA0002389545320000071
size1*size2表示图片像素大小；
k表示选择的倍数，取整数；
fs表示振动信号采样频率，单位为Hz；
n表示柱塞泵的转速，单位为rpm。
可选的，所述将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成图片集具体包括：将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集。
可选的，所述将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，按照如下公式：
Figure BDA0002389545320000081
Figure BDA0002389545320000082
xi[s]k表示信号片段集，第k类样本中第i个样本片段；
s是信号片段中的长度,s＝size1*size2；
μ是信号片段的均值；
Max是信号片段中的最大值；
Min是信号片段中的最小值；
pi表示进行缩放后的信号片段；
Figure BDA0002389545320000083
是映射到0-255之后的信号片段；
unit8是把数据映射到0-255的无符号格式运算操作。
在本发明实施例的另一个方面，提供一种柱塞泵空化程度检测装置，包括：信号采集模块，用于获取柱塞泵空化时壳体的三轴振动信号；信号切分模块，用于将所述三轴振动信号进行切分，得到振动信号片段集；信号转化模块，用于将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；检测模块，用于将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。
可选的，还包括：模型建立模块，其搭建有机器学习模型；所述信号采集模块还用于获取不同空化程度的柱塞泵空化时壳体的三轴振动信号；所述信号切分模块将不同空化程度的所述三轴振动信号切分成对应有空化程度的信号片段，得到对应有空化程度的振动信号片段集；所述信号转化模块将所述用于建立模型的振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成对应有空化程度的图片集；所述模型建立模块利用所述用于建立模型的对应有空化程度的图片集对所述机器学习模型进行训练和测试，得到所述训练好的模型。
可选的，所述模型建立模块包括：图片划分单元，用于将所述用于建立模型的图片集划分成训练集和测试集；模型训练单元，用于利用所述训练集中图片和该图片对应的空化程度对机器学习模型进行训练，得到训练模型；模型测试单元，用于利用所述测试集中图片和该图片对应的空化程度对机器学习模型进行测试，当测试结果达到预设条件，得到所述训练好的模型。
可选的，所述信号采集模块具体用于：获取所述柱塞泵在不同进口压力下的三轴振动信号。
可选的，所述信号切分模块包括：
像素点数计算单元，用于根据柱塞泵转速和振动信号采样频率确定目标图片像素大小；
信号长度计算单元，用于根据所述像素点数确定每段三轴振动信号长度；
切分单元，用于根据所述每段三轴振动信号长度将所述三轴振动信号进行切分，得到振动信号片段集。
可选的，所述像素点数计算单元计算过程满足以下公式：
Figure BDA0002389545320000091
size1*size2表示图片像素大小；
k表示选择的倍数，取整数；
fs表示振动信号采样频率，单位为Hz；
n表示柱塞泵的转速，单位为rpm。
可选的，所述信号转化模块包括：通道对应单元，用于将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；映射单元，用于将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集。
可选的，所述映射单元按照如下公式进行映射：
Figure BDA0002389545320000101
Figure BDA0002389545320000102
在本发明实施例的又一方面，提供一种计算机存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述实施例中任意一项所述方法的步骤。
在本发明实施例的又一方面，提供一种终端，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中任意一项所述方法的步骤。
在本发明一可选实施例中提供一种柱塞泵空化程度检测方法，包括以下步骤：
S1：在柱塞泵的壳体合适位置安装一个三轴加速度振动传感器，连接好信号采集设备，采集泵在不同入口压力下发生不同程度空化时的振动信号；以采样频率fs，采集柱塞泵在不同进口压力下的振动信号，振动传感器可以同时采集三个方向的振动信号。柱塞泵的进口压力下降会导致发生不同程度的空化，空化的严重性用流量损失进行衡量，
Figure BDA0002389545320000103
其中qt是理论流量，qin是实际进口流量；采集到的振动信号记为x[n]m，原始数据集X＝{x[n1]1,x[n2]2,……x[nm]m}其中ni是采样点数，m是振动信号的类别数，每个样本包含三列数据，分别是三个方向的振动信号。
S2：将原始振动信号分成N段，每一段作为一个样本。本实施根据流量损失将空化程度共分为四个等级，分别是严重空化、中等空化、轻微空化和无空化。每段样本的长度size1*size2，计算公式如下：
Figure BDA0002389545320000104
实施案例中fs＝10240Hz,n＝10000rpm,取k＝4，计算得245.76，让图片保持正方形，取256个数据点，转换图片大小是(16，16，3)
S3:分割后的数据样本转换成彩色图片；
如图2所示，对每个样本进行以下相同的处理：
Figure BDA0002389545320000111
pi＝pi·255
Figure BDA0002389545320000112
数据处理完成后，调整每段样本的数据为：
shape(pi)＝(size1 size12 3)＝(16 16 3)
最后把处理后的每段样本的三维数组保存成图片格式。
划分训练集和测试集，将转换后的图片按照测试集比例0.1划分为训练集和测试集，即90％的样本作为训练集Xtrain，其余作为测试集Xtest。
S4：建立空化故障程度分类模型；
如图3所示，输入是每段样本转换后的RGB图片，第一层是高斯噪声层，在训练过程中会引入噪声，不改变数据输入的形状大小。第二层是卷积层conv_1，卷积核大小设置(2,2)，数量是32，输出形状是(16,16,32)。之后经过批量标准化层和最大池化层，池化核大小设置(2,2)。池化层之后经过随机丢弃层连接到下一卷积层conv_2。第二卷积层的卷积核大小设置为(2,2)，卷积核数目设为24，数据输出形状为(8，8，24)。第二层卷积之后经过批量标准化层和随机丢弃层进行展开。展开之后设置一个神经元数目为32的全连接层，最后经过批量标准化和随机丢弃层连接到输出层。输出层输出空化故障的类别。
建立损失函数，选择优化算法进行模型的训练。损失函数采用交叉熵(CrossEntropy Loss)作为损失函数。对于本例的四类故障等级，假设样本的真实值是q(x)＝(0 10 0)，模型的预测值是p(x)＝(a b c d)，则：
Loss(p,q)＝-0·loga-1·logb-0·logc-0·logd
S5:将测试集Xtest输入到训练好的模型中，预测出测试集的空化故障程度。
实例：
1.数据说明
本例利用柱塞泵故障模拟实验台，通过安装在柱塞泵壳体上三轴振动加速度传感器采集不同入口压力下的振动信号。实验台可以测量进口出口流量，通过流量损失程度对空化程度进行划分，如下表所示：
进口压力(Mpa) 0.25 0.15 0.10 0
流量损失 1.0％ 2.0％ 8.0％ 76.0％
空化严重程度 无空化 轻微空化 中等空化 严重空化
振动信号的采集频率是10240Hz，采集到的原始信号分为四类。对每类数据进行分段并转成彩色图片，按比例划分训练集和测试集，数据集情况如下：
类别 训练集 测试集
严重空化 216@(16,16,3) 24@(16,16,3)
中等空化 216@(16,16,3) 24@(16,16,3)
轻微空化 216@(16,16,3) 24@(16,16,3)
无空化 216@(16,16,3) 24@(16,16,3)
总计 864 96
实验结果
(1)模型预测准确率
利用python和TensorFlow搭建模型并训练，在测试集上验证模型性能。训练好的模型在验证集准确率能够到达100％，如图4所示。
(2)模型抗噪能力
为了更好的模拟现实故障监测的复杂工况，在测试集的原始信号中加入不同信噪比(SNR)的白噪声。模型在没有白噪声的数据上进行训练，由于本发明的数据处理方式和模型结构的组合，模型能够在没有额外降噪措施的情况下具有良好的抗噪性能。
振动信号包含三个通道的信号，假设每个通道附加的噪声信号一样，信噪比按照X轴振动信号进行衡量。公式如下：
Figure BDA0002389545320000121
其中P表示信号的功率大小。
实验验证了在SNR＝-4～10dB情况下的抗噪能力，结果如下：
SNR -4 -2 0 2 4 6 8 10
准确率 69.79％ 82.29％ 91.67％ 94.79％ 97.92％ 97.92％ 100％ 100％
损失 0.85 0.51 0.33 0.19 0.09 0.05 0.02 0.02
结果表明，如图5所示，本发明提出的空化故障诊断方法具有良好的抗噪能力，在信噪比高于0dB的情况，测试集准确率高于90％，并且对应的损失函数值较小，说明诊断的可靠性高，对噪声具有很强的鲁棒性。
本发明旨在保护一种柱塞泵空化程度检测方法，包括：获取柱塞泵空化时壳体的三轴振动信号；将所述三轴振动信号进行切分，得到振动信号片段集；将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度。本发明采用的将振动信号转换成RGB图片并结合卷积神经网络的方法，实现了对柱塞泵空化程度的识别，并且在不使用附加降噪方法的情况下，对有噪声的振动信号依然具有良好的性能。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (6)

1.一种柱塞泵空化程度检测方法，其特征在于，包括：
以采样频率fs获取柱塞泵空化时壳体的三轴振动信号；
将所述三轴振动信号进行切分，得到振动信号片段集，
每段样本的长度size1*size2，计算公式如下：
Figure FDA0003900634760000011
其中，k表示选择的倍数，取整数；fs表示振动信号采样频率，单位为Hz；n表示柱塞泵的转速，单位为rpm；
将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；
将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度，所述训练好的模型包括依次连接的高斯噪声层、第一卷积层、第一批量标准化层、最大池化层、第一随机丢弃层、第二卷积层、第二批量标准化层、第二随机丢弃层、全连接层、第三批量标准化、第三随机丢弃层及输出层；
所述获取柱塞泵空化时壳体的三轴振动信号具体为：
获取所述柱塞泵在不同进口压力下的三轴振动信号；
所述柱塞泵的进口压力下降会导致发生不同程度的空化，空化的严重性用流量损失进行衡量，流量损失的计算公式如下：
Figure FDA0003900634760000012
其中qt是理论流量，qin是实际进口流量；
所述将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成图片集具体包括：
将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；
将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集；
所述将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，按照如下公式：
Figure FDA0003900634760000021
Figure FDA0003900634760000022
xi[s]k表示信号片段集，第k类样本中第i个样本片段；
s是信号片段中的长度,s＝size1*size2；
μ是信号片段的均值；
Max是信号片段中的最大值；
Min是信号片段中的最小值；
pi表示进行缩放后的信号片段；
Figure FDA0003900634760000023
是映射到0-255之后的信号片段；
unit8是把数据映射到0-255的无符号格式运算操作。
2.根据权利要求1所述的方法，其特征在于，所述训练好的模型是通过下述步骤建立的：
获取不同空化程度的柱塞泵空化时壳体的三轴振动信号；
将不同空化程度的所述三轴振动信号切分成对应有空化程度的信号片段，得到对应有空化程度的振动信号片段集；
将所述对应有空化程度的振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成对应有空化程度的图片集；
利用所述对应有空化程度的图片集对机器学习模型进行训练和测试，得到所述训练好的模型。
3.根据权利要求2所述的方法，其特征在于，所述利用用于建立模型的图片集中图片和该图片对应的空化程度对机器学习模型进行训练和测试，得到所述训练好的模型包括：
将所述用于建立模型的图片集划分成训练集和测试集；
利用所述训练集中图片和该图片对应的空化程度对机器学习模型进行训练，得到训练模型；
利用所述测试集中图片和该图片对应的空化程度对机器学习模型进行测试，当测试结果达到预设条件，得到所述训练好的模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述三轴振动信号进行切分，得到振动信号片段集具体包括：
根据柱塞泵转速和振动信号采样频率确定目标图片的像素点数；
根据所述像素点数确定每段三轴振动信号长度；
根据所述每段三轴振动信号长度将所述三轴振动信号进行切分，得到振动信号片段集。
5.一种柱塞泵空化程度检测装置，其特征在于，包括：
信号采集模块，用于以采样频率fs获取柱塞泵空化时壳体的三轴振动信号；
信号切分模块，用于将所述三轴振动信号进行切分，得到振动信号片段集，每段样本的长度size1*size2，计算公式如下：
Figure FDA0003900634760000031
其中，k表示选择的倍数，取整数；fs表示振动信号采样频率，单位为Hz；n表示柱塞泵的转速，单位为rpm；
信号转化模块，用于将所述振动信号片段集按照振动信号的三个方向与RGB图片三色通道的对应关系转化成目标图片集；
检测模块，用于将所述目标图片集输入到训练好的模型中，得到所述柱塞泵的空化程度，所述训练好的模型包括依次连接的高斯噪声层、第一卷积层、第一批量标准化层、最大池化层、第一随机丢弃层、第二卷积层、第二批量标准化层、第二随机丢弃层、全连接层、第三批量标准化、第三随机丢弃层及输出层；
所述信号采集模块具体用于获取所述柱塞泵在不同进口压力下的三轴振动信号；所述柱塞泵的进口压力下降会导致发生不同程度的空化，空化的严重性用流量损失进行衡量，流量损失的计算公式如下：
Figure FDA0003900634760000041
其中qt是理论流量，qin是实际进口流量；
述信号转化模块包括：通道对应单元，用于将所述三轴振动信号的三个方向与RGB图片三色通道进行对应；映射单元，用于将所述振动信号片段集中的每一个振动信号片段的每个方向上的振动信号数据均映射到该方向对应通道颜色值的0～255之间，得到图片集；
所述映射单元按照如下公式进行映射：
Figure FDA0003900634760000042
Figure FDA0003900634760000043
xi[s]k表示信号片段集，第k类样本中第i个样本片段；
s是信号片段中的长度,s＝size1*size2；
μ是信号片段的均值；
Max是信号片段中的最大值；
Min是信号片段中的最小值；
pi表示进行缩放后的信号片段；
Figure FDA0003900634760000044
是映射到0-255之后的信号片段；
unit8是把数据映射到0-255的无符号格式运算操作。
6.一种终端，其特征在于，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-4中任意一项所述方法的步骤。
CN202010109714.1A 2020-02-22 2020-02-22 一种柱塞泵空化程度检测方法、装置及终端 Active CN111401136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010109714.1A CN111401136B (zh) 2020-02-22 2020-02-22 一种柱塞泵空化程度检测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010109714.1A CN111401136B (zh) 2020-02-22 2020-02-22 一种柱塞泵空化程度检测方法、装置及终端

Publications (2)

Publication Number Publication Date
CN111401136A CN111401136A (zh) 2020-07-10
CN111401136B true CN111401136B (zh) 2022-11-25

Family

ID=71434006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010109714.1A Active CN111401136B (zh) 2020-02-22 2020-02-22 一种柱塞泵空化程度检测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN111401136B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409213B (zh) * 2021-06-22 2023-11-14 中铁工程装备集团有限公司 柱塞泵故障信号时频图降噪增强方法和系统
CN114673653B (zh) * 2022-04-07 2023-04-07 北京理工大学 一种单柱塞泵空蚀试验装置
CN114997246B (zh) * 2022-07-27 2022-12-13 浙江大学 一种流体机械振动数据驱动的空化状态识别方法
CN116612783B (zh) * 2023-07-17 2023-10-27 联想新视界（北京）科技有限公司 一种声音识别方法、装置、电子设备及存储介质
CN117231524B (zh) * 2023-11-14 2024-01-26 浙江嘉源和达水务有限公司 一种泵汽蚀状态监测诊断方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682688B (zh) * 2016-12-16 2020-07-28 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
CN107144430B (zh) * 2017-06-27 2019-02-01 电子科技大学 一种基于增量学习的轴承故障诊断方法
CN108062514A (zh) * 2017-11-28 2018-05-22 西安理工大学 一种基于三维谱图分析的胶印机墨辊故障诊断方法
CN108334936B (zh) * 2018-01-30 2019-12-24 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN110321830B (zh) * 2019-06-28 2020-11-13 北京邮电大学 一种基于神经网络的中文字符串图片ocr识别方法
CN110502991B (zh) * 2019-07-18 2022-12-02 武汉理工大学 基于随机卷积神经网络结构的内燃机健康监测方法及系统
CN110781854B (zh) * 2019-11-04 2022-07-26 上海联影智能医疗科技有限公司 故障检测模型的训练方法和机电设备的故障检测方法

Also Published As

Publication number Publication date
CN111401136A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401136B (zh) 一种柱塞泵空化程度检测方法、装置及终端
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN104166804B (zh) 一种基于时频域单源点稀疏成分分析的工作模态辨识方法
CN109993105A (zh) 一种改进的自适应稀疏采样故障分类方法
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测系统
CN116417013B (zh) 水下推进器故障诊断方法及系统
CN113125135A (zh) 旋转机械的故障诊断方法、存储介质及电子设备
CN115861210B (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
CN113887136A (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN115060494A (zh) 一种滚动轴承的故障诊断方法
CN114964782A (zh) 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统
CN116168720A (zh) 一种电机声音异常故障诊断方法、系统、及可存储介质
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
CN113916535A (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
WO2023185801A1 (zh) 振动信号的识别方法及装置
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统
TW201633025A (zh) 工具機主軸故障形式的診斷方法及其系統
CN115238833B (zh) 一种空气涡轮起动机轴承性能退化特征提取方法
CN113435321A (zh) 一种主轴轴承状态评估方法、系统、设备及可读存储介质
CN113569989A (zh) 用于舞台装备故障诊断的ti-tsdcn模型构建方法
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN110763466A (zh) 一种Adaboost算法组合的GABP滚动轴承诊断方法
CN117235650B (zh) 一种高空作业状态检测方法、装置、设备及介质
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统

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