CN112101142A - 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 - Google Patents
泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112101142A CN112101142A CN202010876446.6A CN202010876446A CN112101142A CN 112101142 A CN112101142 A CN 112101142A CN 202010876446 A CN202010876446 A CN 202010876446A CN 112101142 A CN112101142 A CN 112101142A
- Authority
- CN
- China
- Prior art keywords
- data
- slurry pump
- pump
- frequency
- mud pump
- 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.)
- Pending
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种泥浆泵运行状态评估方法、监控终端和计算机可读存储介质，包含：建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练；获取泥浆泵的实时工作数据，对数据进行滤波降噪，提高信噪比；对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量；将所述主成分矢量数据输入所述训练完成的自组织映射网络评估模型，计算其与最佳匹配单元权值之间的距离，当所述距离偏离正常状态时，则判定泥浆泵运行异常，否则判定泥浆泵运行正常。本发明评估泥浆泵运行状态无需泥浆泵的各失效模式下的数据，且评估效率更高，评估结果更准确。
Description
技术领域
本发明涉及一种泥浆泵运行状态评估方法、监控终端和计算机可读存储介质。
背景技术
在早期的泥浆泵故障诊断中，基于模型的故障诊断方法凭借其在故障机理阐述及诊断精确度等方面的优势被广泛应用，但随着泥浆泵结构设计越来越复杂，其精确的数学模型也越来越难以建立。随后基于数据源驱动的方法被提出，它无需建立系统的精确模型，仅通过对泥浆泵运行数据的处理、分析和挖掘就可以对泥浆泵的运行状态进行评估。如利用时域统计指标提取泵阀组件的故障特征，考察不同状态下的统计参数分布特征与量化规律，建立设备故障之间的对应关系，但由于泥浆泵振动信号的非平稳性，提取的时域特征通常没有规律性，故障信息不易区分，难以直接应用于泥浆泵的状态监测中。
现代故障诊断最常用的方法是频谱分析法，主要包括功率谱分析、倒谱与包络解调分析等方法，有诸多研究成果应用于泥浆泵状态监测与故障诊断。对于微弱的低频调制信号来说，频谱分析能有效提取其中的特征信息，特别适用于泥浆泵这类存在强噪声和其他振动干扰源的场合。但有效应用频谱分析法的前提是信号的幅值谱或包络谱足够明了清晰。此外，频谱分析法需要故障的先验知识，而泥浆泵的有些故障是可推算的，有的则无明确定义，且频谱分析的频谱范围、滤波方法、窗函数等需要根据不同工况进行设置，使得频谱分析法实施起来过于复杂。
利用振动信号的时域分析、频域分析和小波变换等处理方法，结合智能诊断理论来实现机械设备的故障诊断和状态评估是近年的研究热点，如神经网络、支持向量机、K最近邻算法、隐马尔可夫模型等，此类算法主要通过设备正常与故障状态下所采集的运行数据之间的偏差来实现。但是，在大多数环境下，机械设备正常运行的数据可以大量地获取，而故障情况下的数据则相对较少，在数据样本不平衡条件下评估模型诊断效果和泛化能力较差、对噪声较为敏感。
发明内容
有鉴于此，本发明要解决的技术问题是提供一种泥浆泵运行状态评估方法、监控终端和计算机可读存储介质,以解决现有泥浆泵运行状态评估方法对现场操作人员技术背景要求高、样本失衡条件下状态评估结果不够准确的问题。
本发明解决上述技术问题所采用的技术方案如下：
本发明的一个方面，提出一种泥浆泵运行状态评估方法，应用于泥浆泵的监控终端，包括以下步骤：
建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练；
获取泥浆泵的实时工作数据，对数据进行滤波降噪，提高信噪比；
对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量；
将所述主成分矢量数据输入所述训练完成的自组织映射网络评估模型，计算其与最佳匹配单元权值之间的距离，当所述距离偏离正常状态时，则判定泥浆泵运行异常，否则判定泥浆泵运行正常。
其中，所述工作数据包括由振动加速度传感器、温度变送器、压力变送器以及流量计的一个或多个采集的数据。
其中，所述时域特征包括对应数据的峰值、均值、方差、标准差、均方根值、波形指标、裕度指标、脉冲指标、峰值因子、峭度、歪度、三次中心距和四次中心距的一项或多项。
其中，所述频域特征包括对应数据的重心频率、均方频率、均方根频率、频率方差、频率标准差的一项或多项。
其中，所述时频域特征包括对应数据经小波包分解方法提取的能量特征和经集合经验模态分解方法提取的本征模函数分量样本熵。
其中，所述工作数据包括泥浆泵的十字头导板处振动和温度，活塞/缸套处振动和温度，进水凡尔、排水凡尔端盖处振动和温度，进口压力，出口流量。
其中，所述步骤对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量进一步包括：
对获取的d维数据集做标准化处理；
构造样本的协方差矩阵；
计算协方差矩阵的特征值和相应的特征向量；
选择与前k个最大特征值对应的特征向量，其中k为新特征空间的维度k≤d；
通过前k个特征向量构建映射矩阵W；
通过映射矩阵W将d维的输入数据集X转换到新的k维特征子空间，得到反映泥浆泵状态的主成分矢量。
其中，所述步骤建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练进一步包括：
采用较小的随机数对连接输入层和映射层的各权值向量进行赋值，并进行归一化处理，得到权值向量
建立初始的优胜邻域Nj*(0)和确定学习率η的初始值；其中，变量m为输出层神经元数目，由自组织映射网络结构确定；
从泥浆泵正常状态下的历史工作数据组成的训练样本集中按照随机方式任意抽取一个输入样本并进行归一化处理，获得输入特征量
其中变量n为输入层神经元的数目，由输入样本特征向量的维数决定；
计算归一化输入量
与权值向量
的点积或者归一化输入量
和权值向量
的欧式距离，从中找到点积最大或欧式距离最小的最佳匹配单元j*，即获胜的神经元；
以获胜的神经元j*为中心确定t时刻的优胜领域进行权值调整，初始领域Nj*(0)为总神经元的50％-80％，训练过程中优胜领域Nj*(t)随着训练进行而不断收缩，最终为0；
按照下列公式对优胜领域Nj*(t)内的所有神经元进行权值调整
ωij(t+1)＝ωij(t)+α(t,N)[xi p-ωij(t)]i＝1,2,…,n，j∈Nj*(t)
其中α(t,N)是训练时间t和优胜领域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数，随时间的变化逐渐下降为0，该函数的规律如下：
t↑→α↓，N↑→α↓
如α(t,N)＝α(t)e-N，α(t)可采用t的单调递减函数；
当学习率α(t)≤αmin，时，则网络训练结束；否则重新随机抽取输入样本，重复上述步骤直至满足条件；其中，αmin为设定值。
本发明的另一个方面，提供一种监控主机，包括存储器、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泥浆泵运行状态评估程序；所述泥浆泵运行状态评估程序被所述处理器执行时实现上述任一泥浆泵运行状态评估方法的步骤。
本发明的再一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个泥浆泵运行状态评估程序，所述一个或者多个泥浆泵运行状态评估程序可被一个或者多个处理器执行，以实现上述任一泥浆泵运行状态评估方法的步骤。
本发明实施例的泥浆泵运行状态评估方法、监控终端和计算机可读存储介质，无需泥浆泵的各失效模式下的数据，通过基于偏离正常数据特征空间的量化误差来度量泥浆泵的运行状态，以最小量化误差作为泥浆泵健康度的评价指标；从多个维度评估泥浆泵的运行状态，融合了泥浆泵振动信号的时域、频域以及时频域信息，实现了各维度信息的互补；使用数据降维算法对多维特征数据进行降维处理，去除特征数据的冗余信息，得到反映泥浆泵状态的有效成分，使得评估效率更高，评估结果更准确。
附图说明
图1为本发明实施例提供的泥浆泵运行状态评估方法实现方法流程示意图；
图2为自组织映射网络学习算法训练流程示意图；
图3泥浆泵的凡尔在正常状态和故障状态下的特征数据对比；
图4a为正常状态下的小波包分解各个分量；
图4b为故障状态下的小波包分解各个分量；
图4c为正常状态下的小波包分解频段能量分布；
图4d为故障状态下的小波包分解频段能量分布；
图5a为正常状态下的EEMD分解各IMF分量；
图5b为故障状态下的EEMD分解各IMF分量；
图5c为正常状态下m＝2，r＝0.18*std(data)时IMF分量样本熵分布；
图5d为故障状态下m＝2，r＝0.18*std(data)时IMF分量样本熵分布；
图6为不同主成分的单个方差贡献率和累计方差贡献率曲线示意图；
图7为泥浆泵数据集降至2维时的可视化图；
图8为方差贡献率超过0.85时的11个主成分矢量趋势示意图；
图9为SOM-MQE模型在泥浆泵数据上的测试效果示意图；
图10为小波包三层分解树结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
本发明第一实施例提出一种泥浆泵运行状态评估方法，应用于泥浆泵的监控终端，如图1所示，包括以下步骤：
S1，建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练；
自组织映射网络(Self-organizing Maps，SOM)评估模型，是一种基于非监督式学习的、由全连接的神经元阵列组成的无教师、自组织、自学习网络类神经网络，可从输入数据中发掘数据本身的特征与关联性，并且将学习结果于输出层来呈现。自组织映射网络学习算法流程主要按照如图2所示的以下步骤进行：
(1)网络初始化
采用较小的随机数对连接输入层和映射层的各权值向量进行赋值，并进行归一化处理，得到权值向量
建立初始的优胜邻域Nj*(0)和确定学习率η的初始值；其中，变量m为输出层神经元数目，由自组织映射网络结构确定；
(2)接受输入样本
按照随机方式从训练样本集中任意抽取一个输入样本并进行归一化处理，获得输入特征量
其中变量n为输入层神经元的数目，由输入样本特征向量的维数决定；
(3)寻找获胜节点
计算归一化输入量
与权值向量
的点积或者归一化输入量
和权值向量
的欧式距离，从中找到点积最大或欧式距离最小的最佳匹配单元j*，即获胜的神经元；
(4)定义优胜领域Nj*(t)
以获胜的神经元j*为中心确定t时刻的优胜领域进行权值调整，一般初始领域Nj*(0)较大(约为总神经元的50％-80％)，训练过程中优胜领域Nj*(t)随着训练进行而不断收缩，最终为0；
(5)调整权值
按照下列公式对优胜领域Nj*(t)内的所有神经元进行权值调整
ωij(t+1)＝ωij(t)+α(t,N)[xi p-ωij(t)]i＝1,2,…,n，j∈Nj*(t)
其中α(t,N)是训练时间t和优胜领域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数，是一个比例增益函数，随时间的变化逐渐下降为0，该函数的规律如下：
t↑→α↓，N↑→α↓
如α(t,N)＝α(t)e-N，α(t)可采用t的单调递减函数(退火函数)。
(6)停止准则
当学习率α(t)≤αmin(设定值)时，则网络训练结束；否则，返回步骤(2)，直至满足停止准则为止。
S2，获取泥浆泵的实时工作数据，对数据进行滤波降噪，提高信噪比；
其中，所述工作数据包括由振动加速度传感器、温度变送器、压力变送器以及流量计的一个或多个采集的数据。更进一步的，所述工作数据包括泥浆泵的十字头导板处振动和温度，活塞/缸套处振动和温度，进水凡尔、排水凡尔端盖处振动和温度，进口压力，出口流量。
S3，对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量；
其中，所述时域特征包括对应数据的峰值、均值、方差、标准差、均方根值、波形指标、裕度指标、脉冲指标、峰值因子、峭度、歪度、三次中心距和四次中心距的一项或多项；这些时域指标的特点是对故障和缺陷足够敏感，对信号的幅值和频率不敏感，即与机器的运行工况无关，只依赖于信号的幅值概率密度函数。这些参数的变化，能够较为直观的反应出机械泥浆泵的故障特征。
其中，所述频域特征包括对应数据的重心频率、均方频率、均方根频率、频率方差、频率标准差的一项或多项。设备无故障时，信号中频率成分较少，功率谱上能量分布表现为集中；而发生故障时，会引入新的频率成分，信号中频率成分增多，功率谱上能量分布表现为分散。通过功率谱中主频带位置的变化以及谱能量分布的分散程度，可以对泥浆泵的运行状态进行粗略判断。所述时频域特征包括对应数据经小波包分解方法提取的能量特征和经集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法提取的本征模函数(Intrinsic Mode Function，IMF)分量样本熵。对于时频域特征提取，由于往复泵液力端振源丰富、振动形态复杂，振动信号互相影响，尤其是泥浆泵的凡尔的振动具有非平稳性和瞬变性，逐一考虑振源、往复泵结构类型以及传递特性等因素对振动信号的具体影响，不仅难度大、可行性差，而且不利于故障特征的提取，尤其是当泥浆泵的凡尔发生早期故障时，故障信号相当微弱，使用传统的方法很难对故障信号进行有效的识别；但是，由于泥浆泵的凡尔发生不同故障时会对振动信号的各频率成分产生不同的抑制或增强作用，与正常状态相比某些频带能量所占成分会增大，而某些频带能量所占成分会减少，因此在信号各频率成分的能量中包含有丰富的故障信息。基于此，可以利用小波包分解方法提取的能量特征和经集合经验模态分解方法提取的本征模函数分量样本熵作为后续算法模型的输入向量。
以振动信号为例，小波包分解方法提取振动信号的能量特征步骤如下：
(1)对信号进行小波包分解，其分解树如图10所示。
在图10中(i,j)表示第i层的第j个结点，其中i＝1,2,3，j＝1,2,3,…,7，每个结点都代表一定的信号特征。其中(0,0)结点代表原始信号S，(1,0)结点代表小波包分解的第一层低频系数X10，(1,1)代表小波包分解的第一层高频系数X11，其它依次类推。
(2)对小波包分解系数进行重构，提取各频带内的信号特征。
以S30表示X30重构后的信号，其它依次类推。由于三层小波包分解里，每一层都包含了全部的振动信息，因此只需对第三层即小波包分解的最细化层的结点进行分析，提取到的全部信号S为：
S＝S30+S31+S32+S33+S34+S35+S36+S37
若原始信号的最低频率为0Hz，最高频率为10000Hz，则提取的S3j(j＝0,1,2,…,7)8个频率成分所代表的频率范围如表所示。
各频率成分所代表的频率范围
(3)求各频带内信号的总能量E3j：
式中，Xjk(j＝0,1,2,…,7；k＝0,1,2,…,n)表示重构信号S3j的离散点的幅值。
(4)构造特征向量
以信号各个频带内的能量为元素构造特征向量T：
T＝[E30,E31,E32,E33,E34,E35,E36,E37]
E3j(j＝0,1,2,…,7)往往数值较大，为使数据处理方便，需要对向量进行改进，以各段能量所占总能量的百分比表示，令：
归一化后的向量即为所求的特征向量，通过对比经小波包分解计算得到的各频率区段能量的分布情况，以此判断凡尔的工作状态。
集合经验模态分解方法提取振动信号的样本熵特征步骤如下：
样本熵是一种度量时间序列复杂度的理论，能够表征不同频带内信号的复杂程度，为故障信号的特征向量提取提供了良好的依据。对于一个已知时间序列{x(i)|1≤i≤N}，其样本熵值的求解步骤如下：
(1)预先选定模式维数m，构造一组m维矢量X(i)：
X(i)＝(x(i),x(i+1),...,x(i+m-1))
i＝1,2,...N-m+1
(2)将矢量X(i)与X(j)对应元素中最大差值定义为两者之间的距离d[X(i),X(j)]，即
(3)给定相似容限r的阈值，统计小于r的距离d[X(i),X(j)]的数目Num{d[X(i),X(j)]＜r}，并让其与矢量总个数N-m作比值，记为
即
i.j＝1,2,...,N-m+1,i≠j
Bm(r)为N-m+1个
的平均值：
(4)将模式维数m加1，构成一组m+1维矢量，重复步骤(2)和步骤(3)，得到
(5)理论上此序列的样本熵为
当数据长度N为有限值时，按照上述步骤得出的时间序列样本熵的估计值为
由样本熵的计算公式可知，样本熵的值跟嵌入维数m和相似容限r的取值有关。m可取1或2，r可取0.1～0.25倍的数据标准差。
作为利用多种特征数据进行泥浆泵性能劣化状态评价的基础，往往需要将时域分析、频域分析、时频域分析提取到的参数全部作为特征数据进行分析。但是过多的特征数据往往会造成信息冗余，所以必须使用一定的数据降维算法，去除特征数据冗余信息，得到主要反映泥浆泵性能劣化状态的有效成分。
对于数据进行主成分分析的步骤如下：
1)对d维数据集做标准化处理。
2)构造样本的协方差矩阵。
3)计算协方差矩阵的特征值和相应的特征向量。
4)选择与前k个最大特征值对应的特征向量，其中k为新特征空间的维度(k≤d)。
5)通过前k个特征向量构建映射矩阵W。
6)通过映射矩阵W将d维的输入数据集X转换到新的k维特征子空间。
S4，将所述主成分矢量数据输入所述训练完成的自组织映射网络评估模型，计算其与最佳匹配单元权值之间的距离，当所述距离偏离正常状态时，则判定泥浆泵运行异常，否则判定泥浆泵运行正常。
由于正常状态下的泥浆泵数据比较容易获取，而在故障状态下运行的泥浆泵数据很难获得。所以可以基于泥浆泵特征数据偏离其在无故障状态下特征数据的量化误差来对泥浆泵的健康状态进行分析与评估。当系统具有量化误差很高时则表示泥浆泵很可能已经处于故障状态。
最佳匹配单元(Best Matching Unit，BMU)权值之间的距离，也就是最小量化误差(Minimum Quantification Error，MQE)，其计算公式如下：
MMQE＝||D-mBMU||
式中：
MMQE—MQE值
D—输入矢量
mBMU—BMU权值矢量
||*||—表示求输入矢量与BMU权值矢量间的欧式距离
综上所述，利用最小量化误差MQE可以实现对多特征数据形成的特征空间中偏离程度的综合衡量，SOM-MQE模型能够很好的描述泥浆泵故障状态下性能退化的各个阶段，可以根据MQE值来判断泥浆泵的性能状态。
选取下表中阴影部分标记的数据作为验证数据，分别代表泥浆泵正常和异常两种不同的运行状态，传感器安装在泥浆泵的排水凡尔端盖位置。
利用MATLAB、LabVIEW和Python等软件编写时域、频域和时频域特征提取程序，包括：
时域特征：峰值、均方根值、波形指标、裕度指标、脉冲指标、峰值因子、峭度、歪度共8个；
频域指标：重心频率、均方频率、均方根频率、频率方差共4个。
数据库中读取标记数据的时域、频域特征，各特征数据趋势如图3所示。
选取数据长度为0.5s(1024个数据点)的标记数据进行截止频率为500-700Hz的带通滤波处理，并对滤波后的数据分别提取小波包频段能量值和集合经验模态分解的本征模函数样本熵值。
利用小波包分析可将信号分解低频和高频的特点，对采集的振动信号利用小波包wpdencmp函数进行3层小波包分解得到8个频段，把各频段有用信息进行信号重构，提取各频段能量特征作为特征参数。泥浆泵振动信号小波包分解得到的各个分量如图4a-4d所示。
EEMD在分解过程中的分解效果受高斯白噪声幅值系数K与总体平均个数M两个参数的影响。K是高斯白噪声幅值标准差与原信号的幅值标准差之比，幅值K过大会使得分解时产生虚假分量，从而导致信号失真。幅值K过小则会引起信号局部极值的变化导致模态混叠。总体平均个数M原则上来说越大越好，M越大，所添加的高斯白噪声对分解结果影响越小，结果就越能准确地反应原信号的特性。但假如高斯白噪声后算法的时间复杂度就大大提高了，M越大，计算的时间大大增长。
本实施例中EEMD分解参数设置：噪声标准差K为0.2，迭代次数M为500，允许的最大筛选迭代次数为5000。其分解后的各个在正常状态和故障状态下的IMF分量如图5a-5b所示。对EEMD分解后的各个IMF分量分别求其样本熵，重构维数m一般选择1或2，优先选择2，而阈值r一般选择r＝(0.1～0.25)*std(data)。本次求解中，m＝2，r＝0.18*std(data)。其正常状态和故障状态下的IMF分量样本熵分布所图5c-5d示。
对钻机泥浆泵的实测数据提取了时域、频域和时频域共24个特征数据，分别是时域、频域统计特征12个，小波包分解能量值8个以及EEMD分解的IMF样本熵值4个。主成分分量的个数可以根据协方差矩阵R进行分解后所得的特征值的累积方差贡献率来确定，通常选择累积方差贡献率总和大于85％时的前几个矢量作为主成分矢量。
从图6可以看出方差贡献率超过0.85时的主成分个数为11，而前两个主成分的方差贡献率超过40％。为对主成分进行可视化，将数据集的维度降维至2维，数据集降至2维时的可视化如图7所示；11个主成分矢量数据趋势如图8所示。
将降维处理后得到的11个主成分矢量作为SOM-MQE评估模型的输入，将特征数据集按7：3的比例划分为训练集和测试集，并对模型进行训练和测试分析。SOM-MQE模型的测试结果如图9所示，前280个样本为泥浆泵正常时的数据，后280个为泥浆泵异常时的数据。从图9可以看出，该方法可以有效区分泥浆泵的正常和故障状态。
实施例二
本发明第二实施例提供一种监控主机，包括存储器、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泥浆泵运行状态评估程序；所述泥浆泵运行状态评估程序被所述处理器执行时实现实施例一的方法的步骤。
实施例三
本发明第三实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个泥浆泵运行状态评估程序，所述一个或者多个泥浆泵运行状态评估程序可被一个或者多个处理器执行，以实现实施例一的方法的步骤。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。
Claims (10)
1.一种泥浆泵运行状态评估方法，应用于泥浆泵的监控终端，其特征在于包括以下步骤：
建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练；
获取泥浆泵的实时工作数据，对数据进行滤波降噪，提高信噪比；
对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量；
将所述主成分矢量数据输入所述训练完成的自组织映射网络评估模型，计算其与最佳匹配单元权值之间的距离，当所述距离偏离正常状态时，则判定泥浆泵运行异常，否则判定泥浆泵运行正常。
2.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述工作数据包括由振动加速度传感器、温度变送器、压力变送器以及流量计的一个或多个采集的数据。
3.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述时域特征包括对应数据的峰值、均值、方差、标准差、均方根值、波形指标、裕度指标、脉冲指标、峰值因子、峭度、歪度、三次中心距和四次中心距的一项或多项。
4.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述频域特征包括对应数据的重心频率、均方频率、均方根频率、频率方差、频率标准差的一项或多项。
5.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述时频域特征包括对应数据经小波包分解方法提取的能量特征和经集合经验模态分解方法提取的本征模函数分量样本熵。
6.根据权利要求2所述的泥浆泵运行状态评估方法，其特征在于：所述工作数据包括泥浆泵的十字头导板处振动和温度，活塞/缸套处振动和温度，进水凡尔、排水凡尔端盖处振动和温度，进口压力，出口流量。
7.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述步骤对滤波降噪后的数据提取时域、频域和时频域特征，然后再对这些特征数据进行降维处理，得到反映泥浆泵状态的主成分矢量进一步包括：
对获取的d维数据集做标准化处理；
构造样本的协方差矩阵；
计算协方差矩阵的特征值和相应的特征向量；
选择与前k个最大特征值对应的特征向量，其中k为新特征空间的维度k≤d；
通过前k个特征向量构建映射矩阵W；
通过映射矩阵W将d维的输入数据集X转换到新的k维特征子空间，得到反映泥浆泵状态的主成分矢量。
8.根据权利要求1所述的泥浆泵运行状态评估方法，其特征在于：所述步骤建立自组织映射网络评估模型并通过泥浆泵正常状态下的历史工作数据进行训练进一步包括：
采用较小的随机数对连接输入层和映射层的各权值向量进行赋值，并进行归一化处理，得到权值向量
建立初始的优胜邻域Nj*(0)和确定学习率η的初始值；其中，变量m为输出层神经元数目，由自组织映射网络结构确定；
从泥浆泵正常状态下的历史工作数据组成的训练样本集中按照随机方式任意抽取一个输入样本并进行归一化处理，获得输入特征量
其中变量n为输入层神经元的数目，由输入样本特征向量的维数决定；
计算归一化输入量
与权值向量
的点积或者归一化输入量
和权值向量
的欧式距离，从中找到点积最大或欧式距离最小的最佳匹配单元j*，即获胜的神经元；
以获胜的神经元j*为中心确定t时刻的优胜领域进行权值调整，初始领域Nj*(0)为总神经元的50％-80％，训练过程中优胜领域Nj*(t)随着训练进行而不断收缩，最终为0；
按照下列公式对优胜领域Nj*(t)Nj*(0)内的所有神经元进行权值调整
ωij(t+1)＝ωij(t)+α(t,N)[xi p-ωij(t)] i＝1,2,…,n，j∈Nj*(t)
其中α(t,N)是训练时间t和优胜领域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数，随时间的变化逐渐下降为0，该函数的规律如下：
t↑→α↓，N↑→α↓
如α(t,N)＝α(t)e-N，α(t)可采用t的单调递减函数；
当学习率α(t)≤αmin时，则网络训练结束；否则重新随机抽取输入样本，重复上述步骤直至满足条件；其中，αmin为设定值。
9.一种监控主机，包括存储器、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泥浆泵运行状态评估程序；所述泥浆泵运行状态评估程序被所述处理器执行时实现所述权利要求1-8任一泥浆泵运行状态评估方法的步骤。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有一个或者多个泥浆泵运行状态评估程序，所述一个或者多个泥浆泵运行状态评估程序可被一个或者多个处理器执行，以实现所述权利要求1-8任一泥浆泵运行状态评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876446.6A CN112101142A (zh) | 2020-08-27 | 2020-08-27 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876446.6A CN112101142A (zh) | 2020-08-27 | 2020-08-27 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101142A true CN112101142A (zh) | 2020-12-18 |
Family
ID=73757967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010876446.6A Pending CN112101142A (zh) | 2020-08-27 | 2020-08-27 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101142A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297792A (zh) * | 2021-05-26 | 2021-08-24 | 浙江大学 | 一种基于振动数据的离心泵能效评估方法 |
| CN114384348A (zh) * | 2021-10-20 | 2022-04-22 | 国网宁夏电力有限公司检修公司 | 一种换流阀关键组件的健康裕度的监测方法、介质及系统 |
| CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
| CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
| CN117250942A (zh) * | 2023-11-15 | 2023-12-19 | 成都态坦测试科技有限公司 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
| CN117493791A (zh) * | 2023-10-10 | 2024-02-02 | 交通运输部东海航海保障中心温州航标处 | 一种基于数据分析的海上航标监测与评估方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105129109A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 |
| CN108154190A (zh) * | 2018-01-12 | 2018-06-12 | 上海海事大学 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN108760266A (zh) * | 2018-05-31 | 2018-11-06 | 西安交通大学 | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 |
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109255201A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人（山东）智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
| WO2019080367A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN109766905A (zh) * | 2018-09-28 | 2019-05-17 | 中国人民解放军空军工程大学 | 基于自组织特征映射网络的目标分群方法 |
| CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
| CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
-
2020
- 2020-08-27 CN CN202010876446.6A patent/CN112101142A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105129109A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 |
| WO2019080367A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN108154190A (zh) * | 2018-01-12 | 2018-06-12 | 上海海事大学 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN108760266A (zh) * | 2018-05-31 | 2018-11-06 | 西安交通大学 | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 |
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109766905A (zh) * | 2018-09-28 | 2019-05-17 | 中国人民解放军空军工程大学 | 基于自组织特征映射网络的目标分群方法 |
| CN109255201A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人（山东）智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
| CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
| CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOCHUANG TAO 等: "Study on Fault Detection Using Wavelet Packet and SOM Neural Network", PROCEEDINGS OF THE IEEE 2012 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE, 2 July 2012 (2012-07-02) * |
| 王建利: "滚动轴承性能退化评价与趋势预测研究", 中国优秀硕士学位论文全文数据库工程科技II辑, 15 August 2013 (2013-08-15), pages 2 - 4 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297792A (zh) * | 2021-05-26 | 2021-08-24 | 浙江大学 | 一种基于振动数据的离心泵能效评估方法 |
| CN114384348A (zh) * | 2021-10-20 | 2022-04-22 | 国网宁夏电力有限公司检修公司 | 一种换流阀关键组件的健康裕度的监测方法、介质及系统 |
| CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
| CN116933170B (zh) * | 2023-09-18 | 2024-01-02 | 福建福清核电有限公司 | 一种机械密封故障分类方法 |
| CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
| CN117033912B (zh) * | 2023-10-07 | 2024-02-13 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
| CN117493791A (zh) * | 2023-10-10 | 2024-02-02 | 交通运输部东海航海保障中心温州航标处 | 一种基于数据分析的海上航标监测与评估方法及系统 |
| CN117250942A (zh) * | 2023-11-15 | 2023-12-19 | 成都态坦测试科技有限公司 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
| CN117250942B (zh) * | 2023-11-15 | 2024-02-27 | 成都态坦测试科技有限公司 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
| CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN112903294A (zh) | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 | |
| Afrasiabi et al. | Real-time bearing fault diagnosis of induction motors with accelerated deep learning approach | |
| CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
| CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN116186590A (zh) | 基于数据层特征融合和卷积神经网络的轴承故障诊断方法 | |
| Liu et al. | Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis | |
| CN116429426A (zh) | 一种多域特征融合的轴承故障诊断方法、装置及介质 | |
| CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
| CN118035815A (zh) | 压缩机健康状态劣化识别方法、装置及存储介质 | |
| CN111721534B (zh) | 一种滚动轴承健康状态在线评估方法及系统 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN116337446A (zh) | 一种基于lmd分解与gwo-pnn的滚动轴承故障诊断方法 | |
| CN114547601B (zh) | 一种基于多层分类策略的随机森林入侵检测方法 | |
| CN114705431A (zh) | 基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法 | |
| CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
| CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| Tian et al. | Bearing diagnostics: A method based on differential geometry |
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 |