CN111693264B - 一种基于人工智能及大数据的流体机械诊断系统及方法 - Google Patents

Abstract

本发明涉及一种基于人工智能及大数据的流体机械诊断系统及方法，其特征在于，包括诊断仪和云端；诊断仪包括外壳，外壳的顶部固定连接噪声采集装置；外壳内设置有集成芯片、网络接口和电池；外壳上设置有触控显示面板和充电接口；集成芯片分别电连接噪声采集装置、触控显示面板和网络接口，网络接口还连接云端；集成芯片用于确定噪声采集装置的最佳声源采集位置区域和采集时长；云端用于存储各类型流体机械正常运行声源和病灶声源的特征数据，采用人工智能算法，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据；云端或集成芯片还确定待测流体机械的运行状况分析结果，本发明可广泛用于流体机械运行情况诊断领域中。

Description

一种基于人工智能及大数据的流体机械诊断系统及方法

技术领域

本发明是关于一种基于人工智能及大数据的流体机械诊断系统及方法，属于流体机械运行情况诊断领域。

背景技术

流体机械作为能源(发电及抽水蓄能)、水资源调度(例如中国的南水北调等重大工程)、水利灌溉、石油化工、城市排水排涝和污水处理等重要工业、民生领域核心装备，对中国的工农业具有不可替代重要作用，数据显示每年中国各类泵用电量约占全国用电总量的20％左右。现今，随着人民群众生活水平的不断提高，能源需求迅速提高。但是供能过程中无可避免的，核心产品即流体机械存在运行稳定性及运行安全问题等重大安全隐患，这类问题严重时可造成安全事故，因此需要定时定期进行拆卸检查工作。

然而，定时定期拆卸检查耗时耗力，并不高效，例如：针对运行良好的流体机械，如果拆卸检查，既造成停机停产，产生经济损失，又耗费拆卸精力，资源浪费；针对已经发生运行工况的流体机械，极有可能情况已经较严重，拆卸补救措施可能为时已晚，需消耗更大的人力物力进行补救。上述各情况均时有发生。因此，开发一种可即时检测、免拆装、高效准确的非接触式流体机械诊断系统及方法非常必要，然而现今还未有同类型或相关的该类诊断仪。

发明内容

针对上述问题，本发明的目的是提供一种可即时检测、免拆装、高效准确的基于人工智能及大数据的流体机械诊断系统及方法。

为实现上述目的，本发明采取以下技术方案：一种基于人工智能及大数据的流体机械诊断系统，包括诊断仪和云端；所述诊断仪包括外壳，所述外壳的顶部固定连接用于采集待测流体机械运行噪声声源的噪声采集装置；所述外壳内设置有集成芯片、网络接口和用于为所述诊断仪各用电部件供电的电池；所述外壳上设置有触控显示面板和用于连接电源为所述诊断仪各用电部件供电的充电接口；所述集成芯片分别电连接所述噪声采集装置、触控显示面板和网络接口，所述网络接口还连接所述云端；所述集成芯片用于确定所述噪声采集装置的最佳声源采集位置区域和采集时长，控制所述噪声采集装置的开启或关闭，以及根据所述噪声采集装置采集的运行噪声声源确定待测流体机械运行噪声声源的特征数据；所述云端用于存储各类型流体机械正常运行声源和病灶声源的特征数据，采用人工智能算法，根据待测流体机械的指标参数，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据；所述云端或集成芯片还用于采用人工智能算法，根据待测流体机械运行噪声声源的特征数据以及挑选出的正常运行声源和病灶声源的特征数据，确定待测流体机械的运行状况分析结果和维修建议；所述触控显示面板用于输入待测流体机械的指标参数以及显示待测流体机械的运行状况分析结果和维修建议。

进一步，所述集成芯片内设置有：参数设定模块，用于通过所述触控显示面板输入待测流体机械的指标参数；运行模式选择模块，用于通过所述触控显示面板选择所述诊断仪的运行模式；位置区域确定模块用于根据输入的指标参数，采用人工智能算法，确定所述噪声采集装置的最佳声源采集位置区域和采集时长；噪声采集控制模块，用于根据确定的最佳声源采集位置区域和采集时长以及设定的运行模式，控制所述噪声采集装置开启或关闭；数据获取模块，用于获取所述噪声采集装置采集的运行噪声声源以及所述云端通过所述网络接口发送的数据；特性分析模块，用于对所述噪声采集装置采集的运行噪声声源进行初步声学特性分析，确定待测流体机械运行噪声声源的特征数据；运行状况分析模块，用于采用人工智能算法，对待测流体机械运行噪声声源的特征数据以及所述云端挑选出的正常运行声源和病灶声源的特征数据进行对比分析，确定待测流体机械的运行状况分析结果；以及，根据待测流体机械的运行状况分析结果和预先设定的各类运行状况对应的维修建议，给出维修建议。

进一步，所述运行模式包括运行条件判别模式和诊断模式。

进一步，所述网络接口采用无线网络接口或5G接口。

进一步，所述近似设备为与待测流体机械类型相同、几何尺寸相近的流体机械，其中，几何尺寸相近为几何参数相对误差不超过5％。

一种基于人工智能及大数据的流体机械诊断方法，包括以下内容：1)开启诊断仪，通过触控显示面板选择诊断仪的运行模式；2)选择待测流体机械的安装位置；3)通过触控显示面板输入待测流体机械的指标参数，集成芯片分析确定噪声采集装置的最佳声源采集位置区域和采集时长；4)噪声采集装置在最佳声源采集位置区域按照分析得到的采集时长采集待测流体机械的运行噪声声源；5)集成芯片对所述步骤4)中采集的运行噪声声源进行初步声学特性分析，确定待测流体机械运行噪声声源的特征数据，并发送至云端；6)云端采用人工智能算法，根据待测流体机械的指标参数，对存储的各类型流体机械进行挑选分析，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据，并发送至集成芯片；7)集成芯片或云端对待测流体机械运行噪声声源的特征数据以及挑选出的正常运行声源和病灶声源的特征数据进行流体机械症状对比分析，确定待测流体机械的运行状况分析结果；8)集成芯片或云端根据确定的运行状况分析结果以及预先设定的各类运行状况对应的维修建议，给出维修建议；9)通过触控显示面板显示待测流体机械的运行状况分析结果和维修建议。

进一步，所述步骤1)的具体过程为：1.1)开启诊断仪，通过触控显示面板选择诊断仪的运行模式为运行条件判别模式；1.2)当诊断仪处于运行条件判别模式时，噪声采集装置采集待测流体机械的背景噪声声源；1.3)当待测流体机械的背景噪声声源不高于预先设定的背景噪声声源阈值或人为判定背景噪声声源满足要求时，诊断仪进入诊断模式，进入所述步骤2)。

进一步，所述步骤3)的具体过程为：3.1)通过触控显示面板输入待测流体机械的指标参数；3.2)集成芯片根据运行条件判别模式下待测流体机械的背景噪声声源和运行噪声声源，得到待测流体机械的背景噪声声源波长和运行噪声声源波长；3.3)集成芯片采用布尔加法运算方法，将待测流体机械的背景噪声声源波长和运行噪声声源波长进行叠加，得到叠加声源信号，并将噪声采集装置的最佳声源采集位置区域设定为叠加声源信号的波峰与波谷位置；3.4)集成芯片根据待测流体机械的背景噪声声源波长、运行噪声声源波长和频率，确定噪声采集装置的采集时长。

进一步，所述步骤5)的具体过程为：5.1)集成芯片根据噪声采集装置采集的运行噪声声源的波形图谱，确定待测流体机械运行噪声声源的波峰峰值；5.2)集成芯片采用傅里叶变换，确定待测流体机械运行噪声声源的频率极值、频率值和单个声音脉动耗时；5.3)集成芯片根据待测流体机械运行噪声声源的频率极值，确定待测流体机械运行噪声声源的音色H：

H＝J₀*E^x

其中，J₀和x均为经验系数；E为频率极值；5.4)集成芯片确定待测流体机械运行噪声声源的响度X：

X＝10lg(L_p/10)

其中，L_p为流体机械噪声声压级；5.5)集成芯片确定待测流体机械运行噪声声源的音调D：

其中，T为周期；5.6)集成芯片将待测流体机械运行噪声声源的频率极值、频率值、单个声音脉动耗时、音色、响度和音调通过网络接口发送至云端。

进一步，所述步骤6)的具体过程为：6.1)云端按照存储的各类型流体机械运行噪声声源对应的流体机械比转速数值，对存储的各类型流体机械进行筛选；6.2)云端根据待测流体机械的产品型号，对筛选后的流体机械进行二次筛选，得到与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明由于配套设置有诊断仪和云端大数据，基于声动力学及流体动力学理论，在非接触状态下，测量待测流体机械即时运行工况下的运行噪声声源，并结合人工智能算法，将测量的运行噪声声源和云端存储的与待测流体机械相同或近似设备的正常运行声源和病灶声源进行对比，分析得出待测流体机械对应的运行状况分析结果，并给出维修建议，将后期拆卸维护等耗费降低到最小范围内，并将重大安全隐患苗头扼杀在摇篮里，对于流体机械的安全生产、高效节能具有重大意义。

2、本发明中涉及的测量设备数据均在网络端口传输速度满足最低要求(可结合5G技术手段)的情况下，在云端运行，数据传输省时省力且方便快捷。

3、本发明中的诊断仪具有免拆装、免接触和即时测量诊断的优点，同时，结构简单、易于生产且测量工作随时随地，即时性全面，可以广泛应用于流体机械运行情况诊断领域中。

附图说明

图1是本发明诊断仪的整体结构示意图；

图2是本发明诊断仪的背面结构示意图；

图3是本发明方法中最佳声源采集位置区域确定的原理示意图；

图4是本发明方法中声源的特征数据示意图，其中，图4(a)为诊断目录选择声学频谱内存储的正常运行声源的特征数据，图4(b)为诊断目录选择声学频谱内存储的病灶声源的特征数据，图4(c)和(d)为两种待测流体机械运行噪声声源的特征数据。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

如图1、图2所示，本发明提供的基于人工智能及大数据的流体机械诊断系统包括诊断仪1和云端，其中，诊断仪1包括外壳2、噪声采集装置3、集成芯片4、大容量电池5、网络接口6、触控显示面板7和充电接口8。

外壳2的顶部固定连接噪声采集装置3，噪声采集装置3用于采集待测流体机械的运行噪声声源。外壳2内设置有集成芯片4、大容量电池5和网络接口6。大容量电池5用于为诊断仪1的各用电部件供电。外壳2上设置有触控显示面板7和充电接口8。充电接口8用于连接电源为诊断仪1的各用电部件供电。

集成芯片4分别电连接噪声采集装置3、网络接口6和触控显示面板7，网络接口6还连接云端。

集成芯片4用于确定噪声采集装置3的最佳声源采集位置区域和采集时长，控制噪声采集装置3的开启或关闭，以及根据噪声采集装置3采集的运行噪声声源确定待测流体机械运行噪声声源的特征数据。

云端用于存储各类型流体机械的正常运行声源(即出厂检测合格时的运行声源)和病灶声源的特征数据(病灶声源的特征数据是逐步从开始阶段积累的，在每组确诊声源及相应的流体机械病症以后，将病症声源数据与确诊病症信息存入云端，由少积多，最终相应的数据库越来越丰富)，采用人工智能算法，根据待测流体机械的产品型号和工作参数等指标参数，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据。

集成芯片4或云端还用于采用人工智能算法，根据待测流体机械运行噪声声源的特征数据以及挑选出的与待测流体机械相同或近似设备正常运行声源和病灶声源的特征数据，确定待测流体机械的运行状况分析结果，并根据运行状况分析结果确定维修建议，其中，近似设备为与待测流体机械类型相同、几何尺寸相近(即重要几何参数相对误差不超过5％，例如叶轮外径、进口内径和出口内径等重要几何参数)的流体机械，待测流体机械的运行状况分析结果包括待测流体机械是否出现空化、空蚀、吸入一定量空气或空泡、吸入丝带状垃圾缠绕、叶轮磨损壳体内壁面、空转、叶片断裂、电机运行异常和润滑装置损坏等现象。

触控显示面板7用于在测量工作进行前输入待测流体机械的指标参数，以及显示噪声采集装置3的最佳声源采集位置区域、待测流体机械的运行状况分析结果和维修建议。

在一个优选的实施例中，集成芯片4内设置有参数设定模块、运行模式选择模块、位置区域确定模块、噪声采集控制模块、数据获取模块、特性分析模块和运行状况分析模块。

参数设定模块用于通过触控显示面板7输入待测流体机械的产品型号和工作参数等指标参数。

运行模式选择模块用于通过触控显示面板7选择诊断仪1的运行模式，包括运行条件判别模式和诊断模式。

位置区域确定模块用于根据输入的指标参数，采用人工智能算法，确定噪声采集装置3的最佳声源采集位置区域和采集时长。

噪声采集控制模块用于根据确定的最佳声源采集位置区域和采集时长以及设定的运行模式，控制噪声采集装置3开启或关闭。

数据获取模块用于获取噪声采集装置3采集的运行噪声声源以及云端通过网络接口6发送的数据。

特性分析模块用于对噪声采集装置3采集的运行噪声声源进行初步声学特性分析，确定待测流体机械运行噪声声源的频率极值、频率值、单个声音脉动耗时、音色、响度及音调等噪声的特征数据。

运行状况分析模块用于采用人工智能算法，对待测流体机械运行噪声声源的特征数据以及云端挑选出的正常运行声源和病灶声源的特征数据进行对比分析，确定待测流体机械的运行状况分析结果，以及，根据待测流体机械的运行状况分析结果和预先设定的各类运行状况对应的维修建议，最终给出维修建议。

在一个优选的实施例中，网络接口6可以采用无线网络接口或5G接口。

基于上述基于人工智能及大数据的流体机械诊断系统，本发明还提供一种基于人工智能及大数据的流体机械诊断方法，包括以下步骤：

1)在诊断仪1电力和网络均正常情况下，开启诊断仪1，通过触控显示面板7选择诊断仪1的运行模式，包括运行条件判别模式和诊断模式，具体为：

1.1)在诊断仪1电力和网络均正常情况下，开启诊断仪1，通过触控显示面板7选择诊断仪1的运行模式为运行条件判别模式。

1.2)当诊断仪1处于运行条件判别模式时，噪声采集装置3采集待测流体机械的背景噪声声源和运行噪声声源。

1.3)当待测流体机械的背景噪声声源不高于预先设定的背景噪声声源阈值例如40分贝时或人为判定背景噪声声源满足要求时，诊断仪1进入诊断模式，进入步骤2)，否则需等待或创造适当条件使测量背景噪音满足要求。

2)选择待测流体机械的安装位置，例如在厂房角落、中央或者地下。

3)通过触控显示面板7输入待测流体机械的产品型号和工作参数等指标参数，集成芯片4分析确定噪声采集装置3的最佳声源采集位置区域和采集时长，具体为：

3.1)通过触控显示面板7输入待测流体机械的产品型号和工作参数等指标参数。

3.2)集成芯片4根据运行条件判别模式下待测流体机械的背景噪声声源和运行噪声声源，得到待测流体机械的背景噪声声源波长和运行噪声声源波长。

3.3)集成芯片4采用布尔加法运算方法，将待测流体机械的背景噪声声源波长和运行噪声声源波长进行叠加，得到叠加声源信号，并将噪声采集装置3的最佳声源采集位置区域设定为叠加声源信号的清晰区域，即叠加声源信号的波峰与波谷位置：

最佳声源采集位置区域确定的原理如图3所示，集成芯片4对待测流体机械的背景噪声声源波长和运行噪声声源波长进行布尔加法运算，依据叠加前背景噪声声源波长和运行噪声声源波长的波峰与波谷分别对应相加，得到更大峰值的波峰与波谷；叠加前背景噪声声源波长和运行噪声声源波长的波形中间值相加或背景噪声声源波长和运行噪声声源波长的波峰与波谷相加，得到波形中间值即峰值接近于0。按照上述原理得到叠加声源信号后，即可确定叠加声源信号的波峰与波谷位置以及波长数值，此时的波峰与波谷位置即为叠加声源信号的清晰区域。

上述叠加声源信号的声能大小并非简单的各种采集声能的相加，需按照下述公式进行计算：

其中，P为叠加前的声能，P′为叠加声源信号的声能，n为声源类型数量。

叠加声源信号的声音强度即总声压级L_p为：

如上所述，两种声源叠加以的强度并非简单的相加，而是经过有前提的布尔运算进行计算得到相关叠加结果，因此上述确定的最佳声源采集位置区域非常重要。

3.4)集成芯片4根据待测流体机械的背景噪声声源波长、运行噪声声源波长和频率，确定噪声采集装置3的采集时长，初步建议至少采集2000组声波波峰与波谷即时数据。

4)噪声采集装置3在最佳声源采集位置区域按照分析得到的采集时长采集待测流体机械的运行噪声声源，此过程可以尽量避免人为噪声的出现，影响最终诊断结果。

5)集成芯片4对步骤4)中采集的运行噪声声源进行初步声学特性分析，进行例如波峰确定、傅里叶变换、声压级具体数值确定等数据处理，确定待测流体机械运行噪声声源的频率极值、频率值、单个声音脉动耗时、音色、响度及音调等噪声的特征数据，并通过网络接口6发送至云端。上述数据相对于高清噪声声源文件，其对数据存储空间及传输的硬性要求大大减小，具体为：

5.1)集成芯片4根据噪声采集装置3采集的运行噪声声源的波形图谱，确定待测流体机械运行噪声声源的波峰峰值。

5.2)集成芯片4采用傅里叶变换，确定待测流体机械运行噪声声源的频率极值、频率值和单个声音脉动耗时。

将噪声采集装置3采集的运行噪声声源的周期信号f(t)分解为：

其中，t为信号采集时长；n为周期序数，即n为整数；傅里叶系数为：

其中，t₀为负值半个周期，即t₀＝-T/2；ω为时间间隔，即角频率，且

T为周期。

确定上述周期信号f(t)的平均功率P为：

其中，F_n为复傅里叶系数。平均功率值也是判定最终结果的有效数据之一。

采用下述公式(8)，开始进行周期信号f(t)的傅里叶变换：

其中，δ为定义函数，且满足δ(t)＝0,t≠0；δ(t)＝∞,t＝0；ω₁为第一级波形角频率，且指数形式(指数形式更好运算)下的复傅里叶系数F_n为：

其中，f(t)为周期信号；e^-jnωt为虚指数函数；复傅里叶变换系数的数值可以根据实际情况设定。

至此得到周期T，重复频率

复傅里叶系数F_n此处可理解为频谱F_n(ω)：

其中，E为脉幅即脉动幅值大小。

由上述各公式，确定待测流体机械运行噪声声源傅里叶变换后的声源频率极值即脉幅E，频率值为

单个声音脉动耗时T_n。

5.3)集成芯片4采用下述公式(11)，根据待测流体机械运行噪声声源的频率极值E，确定待测流体机械运行噪声声源的音色H：

H＝J₀*E^x (11)

其中，J₀和x均为经验系数，其中，J₀为声源能量级数参数化系数，后期可根据脉幅E的数量级大小给定参考范围，初步预定为0.01-100.00之间；x为声源脉幅级数系数，初步给定为e^-r,r为脉幅数量级级数，上述经验系数也可以根据实际情况确定。

进一步地，音色H也可以根据相关方法参数化表达。

5.4)集成芯片4确定待测流体机械运行噪声声源的响度X即声压级具体数值：

X＝10lg(L_p/10) (12)

其中，L_p为流体机械噪声声压级。

5.5)集成芯片4采用下述公式(13)，确定待测流体机械运行噪声声源的音调即响度D随时间的变化趋势：

其中，T为周期。

5.6)集成芯片4将待测流体机械运行噪声声源的频率极值、频率值、单个声音脉动耗时、音色、响度及音调等噪声的特征数据通过网络接口6发送至云端。

6)云端采用人工智能算法，根据待测流体机械的指标参数，对存储的各类型流体机械进行挑选分析，挑选出与待测流体机械相同或近似设备(挑选目标可以单个或多个)的正常运行声源和病灶声源的特征数据，得到待测流体机械的诊断目录选择声学频谱，并通过网络接口6发送至集成芯片4，其中，诊断目录选择声学频谱包括挑选出的流体机械或近似设备的正常运行声源和病灶声源的特征数据，具体为：

6.1)云端按照存储的各类型流体机械运行噪声声源对应的流体机械比转速数值ns，对存储的各类型流体机械进行筛选，其中，n_s数值的左右浮动不超过采集标本数据的15％，即±1.15*n_s。

6.2)云端根据待测流体机械的产品型号，对筛选后的流体机械进行二次筛选，即产品型号数据对比，得到待测流体机械的诊断目录选择声学频谱：

例如：待测流体机械的产品型号为HL100-50-315-1(云端对各类型流体机械的产品型号均需按照类似格式提前输入后才上传，且比转速和产品型号为必选输入项)，其中，HL表示化工流程泵，100表示泵进口直径为100mm，50表示泵出口直径为50mm，315表示叶轮名义直径为315mm，1表示单级泵。

则在云端中，编写人工智能筛选代码，首先对比流体机械的产品型号，需满足同为化工流程泵作为此步骤下的对比分析模型库，即同时满足HL型号；随后，逐步对比进出口直径数据、叶轮名义直径和叶轮级数数据，此过程中可适当放宽对比限制条件，即上述各数据可在对比采集的数据基础上左右浮动不超过采集标本数据的15％。

6.3)云端将待测流体机械的诊断目录选择声学频谱通过网络接口6发送至集成芯片4。

7)集成芯片4或云端对待测流体机械运行噪声声源的特征数据和得到的诊断目录选择声学频谱进行流体机械症状对比分析，确定待测流体机械的运行状况分析结果，包括待测流体机械是否出现空化、空蚀、吸入一定量空气或空泡、吸入丝带状垃圾缠绕、转轴磨损、叶轮磨损壳体内壁面、空转、叶片断裂、电机运行异常和润滑装置损坏等现象。

例如：如图4(a)和(b)所示，分别为诊断目录选择声学频谱内存储的正常运行声源和病灶声源的特征数据(病灶表现为转轴磨损及泥沙冲蚀)，病灶声源的特征数据中可以清晰捕捉到泥沙冲蚀所产生的大幅度声源特征脉动，同时也叠加了频繁的低脉幅转轴磨损声源特征脉动曲线结果。同时，如图4(c)和(d)所示，分别为两种待测流体机械运行噪声声源的特征数据，分别为涡轮卷吸涡带及转轴磨损叠加泥沙冲蚀声源特征曲线，可以清楚地分辨出待测流体机械的运行噪声声源的特征数据中，转轴磨损叠加泥沙冲蚀声源特征曲线与云端存储的结果非常相似，同样具有表征泥沙冲蚀声源特征的大脉动幅度曲线，也具有频繁低脉幅表征转轴磨损的声源特征脉动曲线趋势，且与涡轮卷吸涡带所产生的即时声学特征数据相似，但是其频繁脉动幅值并没有涡轮卷吸涡带脉动幅值低，由此，可以排除涡轮卷吸涡带现象或降低涡轮卷吸涡带确诊概率数值。最终集成芯片4或云端经流体机械症状对比分析后可给出以下运行状况分析结果，即转轴磨损概率为90％，泥沙冲蚀概率为95％，涡轮卷吸涡带概率为5％，其他为5％。

8)如果确定待测流体机械的运行状况分析结果时是将待测流体机械与云端存储的多个流体机械或近似设备进行对比分析，则集成芯片4或云端采用统计与统筹算法，给出各运行状况分析结果的概率分布，以方便施工人员结合实际情况进行综合判断。

例如：在5个原始数据的对比中均存在频率值接近，且峰值接近的现象，如果这种现象对应的某一型号流体机械的转轴磨损分析结果，则集成芯片4或云端记录上述信息。再进行音色频谱图对比，在这一过程中，例如得到的结果是4个原始数据显示音色频谱图出现峰值及频率相似的现象，则可根据预留数据判定转轴磨损的位置及磨损材料；剩余1例未满足可能是由于转轴材料不同，造成最终频谱图中数据差异较大的结果。再进行音调频谱图对比，在这一过程中，例如得到的结果是3个原始数据显示音色频谱图出现峰值及频率相似的现象，剩余2例数据结果差异较大，这可能是由于转轴同心度的问题导致的。诸如此类思路的判定工作逐步进行或同步进行。最终集成芯片4或云端根据上述描述进行最终结果的给定。

9)集成芯片4或云端根据确定的运行状况分析结果以及预先设定的各类运行状况对应的维修建议，给出维修建议。

10)触控显示面板7显示待测流体机械的运行状况分析结果和维修建议。

上述步骤中，在各类流体机械运行过程中，还可通过前期试验研究，总结例如泵组吸入漩涡程度、吸入气体体积分数、吸入缠绕带杂质、吸入泥沙颗粒和轴承润滑失效等现象的相关声谱数据，并上传至云端，通过测量分析还可得到各类流体机械内泵组的运行稳定性。

下面以某石油化工领域内的单级单吸离心泵运行工况诊断为具体实施例详细说明本发明的基于人工智能及大数据的流体机械诊断方法：

1)开启诊断仪1，并通过触控显示面板7选择诊断仪1的运行模式为运行条件判别模式，噪声采集装置3测量单级单吸离心泵的背景噪声声源，当单级单吸离心泵的背景噪声声源不高于40分贝时，诊断仪1进入诊断模式。

2)选择单级单吸离心泵的安装位置。

3)通过触控显示面板7输入单级单吸离心泵的类型和工作参数等指标参数，集成芯片4根据输入的指标参数，采用人工智能算法，分析得到噪声采集装置3的最佳声源采集位置区域和采集时长，本实施例中单级单吸离心泵的采集时长为5分钟。

4)噪声采集装置3在最佳声源采集位置区域按照采集时长采集单级单吸离心泵的运行噪声声源，并发送至集成芯片4。

5)集成芯片4对噪声采集装置3采集的运行噪声声源进行初步声学特性对比分析，进行例如布尔减法、频率及波峰确定、傅里叶变换等数据处理，确定单级单吸离心泵运行噪声声源的频率极值、频率、单个声音脉动耗时、音色、响度及音调等噪声的特征数据，并将单级单吸离心泵运行噪声声源的特征数据通过网络接口6发送至云端。

6)云端采用人工智能算法，根据待测流体机械的指标参数，对存储的各类型流体机械进行挑选分析，挑选出与单级单吸离心泵类型相同、几何尺寸相对误差不超过5％的一个或多个流体机械或近似设备的正常运行声源和病灶声源的特征数据，得到单级单吸离心泵的诊断目录选择声学频谱，并将单级单吸离心泵的诊断目录选择声学频谱通过网络接口6发送至集成芯片4。

7)集成芯片4或云端对单级单吸离心泵运行噪声声源的特征数据和得到的诊断目录选择声学频谱进行流体机械症状对比分析，确定单级单吸离心泵的运行状况分析结果：

在对比分析单级单吸离心泵过程中，发现噪声频率与离心泵运转频率相近，且噪声峰值并未随时间减弱，期间出现一定量的单时刻极大值现象(这主要是由于空化泡冲击流体机械或者空化泡溃灭引起的)，且噪声音色清脆，反映在音色频谱图上即频率小，峰值大；噪声响度较大，反映在响度频率图上即响度极大值较高等。

基于上述分析结果，人工集成芯片4或云端会给出单级单吸离心泵的运行状况分析结果为：

叶轮内部空化，概率为0.97；单级单吸离心泵内部进沙粒，概率为0.03；因为石油化工领域的单级单吸离心泵一般涉沙工况较少，所以该单级单吸离心泵出现内部空化现象。

8)集成芯片4根据确定的运行状况分析结果以及预先设定的各类运行状况对应的维修建议，给出维修建议：

针对运行状况分析结果，集成芯片4可能的建议为排查上游管路来流气压情况，并核查单级单吸离心泵的安装高度及运行参数是否满足要求，然后集成芯片4根据运行状况分析结果和预先设定的各类运行状况对应的维修建议，判别是否需要维修单级单吸离心泵的叶轮部件。如果叶轮部件被严重磨损，会影响单级单吸离心泵运行安全，并影响其所在的工业系统安全，严重可能造成生产事故。

上述判别是否需要维修单级单吸离心泵的叶轮部件，可根据待测流体机械运行噪声声源的特征数据中音色频谱图中是否出现大面积或大时间跨度的极大值以及音调频谱图中是否出现大面积或大时间跨度的极大值作为依据，此外两种频谱图中相对应的特征数据点时间刻度相似。

最终综合上述考虑给出单级单吸离心泵的维修建议。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (8)

1.一种基于人工智能及大数据的流体机械诊断系统，其特征在于，包括诊断仪和云端；

所述诊断仪包括外壳，所述外壳的顶部固定连接用于采集待测流体机械运行噪声声源的噪声采集装置；所述外壳内设置有集成芯片、网络接口和用于为所述诊断仪各用电部件供电的电池；所述外壳上设置有触控显示面板和用于连接电源为所述诊断仪各用电部件供电的充电接口；

所述集成芯片分别电连接所述噪声采集装置、触控显示面板和网络接口，所述网络接口还连接所述云端；

所述集成芯片用于确定所述噪声采集装置的最佳声源采集位置区域和采集时长，控制所述噪声采集装置的开启或关闭，以及根据所述噪声采集装置采集的运行噪声声源确定待测流体机械运行噪声声源的特征数据，所述集成芯片内设置有：

参数设定模块，用于通过所述触控显示面板输入待测流体机械的指标参数；

运行模式选择模块，用于通过所述触控显示面板选择所述诊断仪的运行模式；

位置区域确定模块用于根据输入的指标参数，采用人工智能算法，确定所述噪声采集装置的最佳声源采集位置区域和采集时长；

噪声采集控制模块，用于根据确定的最佳声源采集位置区域和采集时长以及设定的运行模式，控制所述噪声采集装置开启或关闭；

数据获取模块，用于获取所述噪声采集装置采集的运行噪声声源以及所述云端通过所述网络接口发送的数据；

特性分析模块，用于对所述噪声采集装置采集的运行噪声声源进行初步声学特性分析，确定待测流体机械运行噪声声源的特征数据；

运行状况分析模块，用于采用人工智能算法，对待测流体机械运行噪声声源的特征数据以及所述云端挑选出的正常运行声源和病灶声源的特征数据进行对比分析，确定待测流体机械的运行状况分析结果；以及，根据待测流体机械的运行状况分析结果和预先设定的各类运行状况对应的维修建议，给出维修建议；

所述云端用于存储各类型流体机械正常运行声源和病灶声源的特征数据，采用人工智能算法，根据待测流体机械的指标参数，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据；

所述云端或集成芯片还用于采用人工智能算法，根据待测流体机械运行噪声声源的特征数据以及挑选出的正常运行声源和病灶声源的特征数据，确定待测流体机械的运行状况分析结果和维修建议；

所述触控显示面板用于输入待测流体机械的指标参数以及显示待测流体机械的运行状况分析结果和维修建议。

2.如权利要求1所述的一种基于人工智能及大数据的流体机械诊断系统，其特征在于，所述运行模式包括运行条件判别模式和诊断模式。

3.如权利要求1所述的一种基于人工智能及大数据的流体机械诊断系统，其特征在于，所述网络接口采用无线网络接口或5G接口。

4.如权利要求1所述的一种基于人工智能及大数据的流体机械诊断系统，其特征在于，所述近似设备为与待测流体机械类型相同、几何尺寸相近的流体机械，其中，几何尺寸相近为几何参数相对误差不超过5％。

5.一种基于权利要求1至4任一项所述的基于人工智能及大数据的流体机械诊断系统的诊断方法，其特征在于，包括以下内容：

1)开启诊断仪，通过触控显示面板选择诊断仪的运行模式；

2)选择待测流体机械的安装位置；

3)通过触控显示面板输入待测流体机械的指标参数，集成芯片分析确定噪声采集装置的最佳声源采集位置区域和采集时长，具体过程为：

3.1)通过触控显示面板输入待测流体机械的指标参数；

3.2)集成芯片根据运行条件判别模式下待测流体机械的背景噪声声源和运行噪声声源，得到待测流体机械的背景噪声声源波长和运行噪声声源波长；

3.3)集成芯片采用布尔加法运算方法，将待测流体机械的背景噪声声源波长和运行噪声声源波长进行叠加，得到叠加声源信号，并将噪声采集装置的最佳声源采集位置区域设定为叠加声源信号的波峰与波谷位置；

3.4)集成芯片根据待测流体机械的背景噪声声源波长、运行噪声声源波长和频率，确定噪声采集装置的采集时长；

4)噪声采集装置在最佳声源采集位置区域按照分析得到的采集时长采集待测流体机械的运行噪声声源；

5)集成芯片对所述步骤4)中采集的运行噪声声源进行初步声学特性分析，确定待测流体机械运行噪声声源的特征数据，并发送至云端；

6)云端采用人工智能算法，根据待测流体机械的指标参数，对存储的各类型流体机械进行挑选分析，挑选出与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据，并发送至集成芯片；

7)集成芯片或云端对待测流体机械运行噪声声源的特征数据以及挑选出的正常运行声源和病灶声源的特征数据进行流体机械症状对比分析，确定待测流体机械的运行状况分析结果；

8)集成芯片或云端根据确定的运行状况分析结果以及预先设定的各类运行状况对应的维修建议，给出维修建议；

9)通过触控显示面板显示待测流体机械的运行状况分析结果和维修建议。

6.如权利要求5所述的一种基于人工智能及大数据的流体机械诊断方法，其特征在于，所述步骤1)的具体过程为：

1.1)开启诊断仪，通过触控显示面板选择诊断仪的运行模式为运行条件判别模式；

1.2)当诊断仪处于运行条件判别模式时，噪声采集装置采集待测流体机械的背景噪声声源；

1.3)当待测流体机械的背景噪声声源不高于预先设定的背景噪声声源阈值或人为判定背景噪声声源满足要求时，诊断仪进入诊断模式，进入所述步骤2)。

7.如权利要求5所述的一种基于人工智能及大数据的流体机械诊断方法，其特征在于，所述步骤5)的具体过程为：

5.1)集成芯片根据噪声采集装置采集的运行噪声声源的波形图谱，确定待测流体机械运行噪声声源的波峰峰值；

5.2)集成芯片采用傅里叶变换，确定待测流体机械运行噪声声源的频率极值、频率值和单个声音脉动耗时；

5.3)集成芯片根据待测流体机械运行噪声声源的频率极值，确定待测流体机械运行噪声声源的音色H：

H＝J₀*E^x

其中，J₀和x均为经验系数；E为频率极值；

5.4)集成芯片确定待测流体机械运行噪声声源的响度X：

X＝10lg(L_p/10)

其中，L_p为流体机械噪声声压级；

5.5)集成芯片确定待测流体机械运行噪声声源的音调D：

其中，T为周期；

5.6)集成芯片将待测流体机械运行噪声声源的频率极值、频率值、单个声音脉动耗时、音色、响度和音调通过网络接口发送至云端。

8.如权利要求5所述的一种基于人工智能及大数据的流体机械诊断方法，其特征在于，所述步骤6)的具体过程为：

6.1)云端按照存储的各类型流体机械运行噪声声源对应的流体机械比转速数值，对存储的各类型流体机械进行筛选；

6.2)云端根据待测流体机械的产品型号，对筛选后的流体机械进行二次筛选，得到与待测流体机械相同或近似设备的正常运行声源和病灶声源的特征数据。

Images