CN113530850B - 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法 - Google Patents

Abstract

本发明是一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法，首先对包含扬程、入口流速、电机转矩等离心泵故障数据使用电特征分析技术选取电信号作为故障参数，使用PCA得到贡献率最大的故障参数为电机转矩，验证ESA选择的正确性；其次，将六种故障的电机转矩数据转化为灰度图像，作为故障诊断的输入数据；然后，建立堆叠胶囊自编码器故障诊断模型，采用基于自注意力的池化来降低胶囊数量，提升计算速度，以最大化图像与部分似然性为目标，训练堆叠胶囊自编码器。最后，使用测试集验证故障诊断模型准确性。本发明解决了离心泵故障诊断中故障信号传感器安装复杂、泛化性差等问题，提高了离心泵故障诊断的鲁棒性和精确度。

Description

一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法

技术领域

本发明属于离心泵故障诊断研究的技术领域，具体的说是涉及一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法。

背景技术

离心泵作为工业系统中的基本元件之一，在工业上被广泛应用于各种不同的应用场合。由于长时间处于高负荷的运行环境以及装配了许多非线性部件，所以故障时有发生。离心泵的安全性和可靠性与生产效率直接相关，对离心泵进行故障诊断可以节省大量的维修费用以及提高运行的可靠性。

现有的故障诊断方法大致可分为三大类:基于数学模型的、基于信号处理的和基于数据的。离心泵结构复杂，建立动力学模型提取故障的特征信号非常困难。目前，基于信号处理的诊断方法在诊断技术中占有重要地位。其中，振动信号分析最为广泛，其理论依据是不同的故障会在振动信号中产生独有的故障特征频率。通过捕捉振动信号可以进行有效的故障诊断。但是采集振动信号需要昂贵的传感器，并且安装在离心泵内部，对离心泵的运行产生一定的影响。

将一维数据转为二维图像是近年来逐渐兴起的对故障数据的处理方法，这种方法省略了大量的数据预处理以及数据分析步骤，大大减少了故障诊断的时间，适用于工业的现场作业，具有很高的及时性。目前常用的故障图像识别的方法主要有神经网络、对抗网络、支持向量机等。

中国专利CN 110242588 B公开了一种离心泵诊断信号采集系统及故障诊断方法，将采集信号各频段能量百分比代替传统的频段能量作为特征向量，在一定程度上削弱信号频段能量绝对值大小造成的地位不平等。对于神经网络的隐含层神经元个数和函数分布密度都加入遍历算法进行优化，使得在遍历范围内总可以自动找到最佳参数设点，可以使得该方法更广泛适用于不同型号的离心泵。但是网络结构冗杂，优化参数过多导致网络训练速度缓慢。

中国专利CN201911322049.8公开了一种离心泵故障诊断方法及系统,获取离心泵的振动信号后，对所述振动信号进行预处理,获得去噪信号。提取所述去噪信号的时域特征参数和能量特征参数。建立离心泵诊断模拟实验系统,获取不同模式下所述时域特征参数和所述能量特征参数,并建立故障检测模型。这种方法使用信号处理的方法，提高了故障诊断的准确性，但是采集振动信号的加速度传感器安装在离心泵内部，影响离心泵运行状态。

除了专利外，现有国内外文献也可用于对比。“基于多传感器信号和卷积神经网络的滚动轴承故障诊断”提出将不同故障下多个传感器测得的1维振动信号转化为2维灰度图像作为CNN网络输入,提取其中的特征,实现滚动轴承故障识别。但是多通道传感器信号也造成数据冗余，降低计算速度。“基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法”提出一种基于补偿距离评估的离心泵故障快速智能识别方法。通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力；通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。虽然减少了数据冗余，但是无法很好在对故障数据缺失情况下进行故障诊断。

发明内容

针对现有技术中故障诊断信号采集处理复杂、数据部分缺失下诊断精确度不高的问题，本发明提出了一种基于ESA的离心泵故障诊断技术，使用离心泵系统原有电信号传感器采集离心泵的电机功率进而求得电机转矩作为故障诊断的输入信号，使用添加了自注意力机制的全局平均池化层的堆叠胶囊自编码器作为故障图像的识别网络，减少了部分胶囊数量，提升了计算速度，实现了使用电信号进行高精度的离心泵故障诊断

本发明的特殊之处在于采用ESA选择的电气信号作为离心泵故障诊断信号，将一维数据转为二维灰度图像作为故障诊断模型的输入信号，使用添加了基于自注意力机制的全局平均池化层的堆叠胶囊网络作为图像识别模型。

具体包括如下步骤：

步骤1：使用电特征分析技术(ESA)选择电信号作为故障诊断输入数据并归一化处理，采用主元分析(PCA)分析不同故障信号在故障诊断中的贡献率，证实ESA选择的正确性，将选择的故障信号转为灰度图像；此处的从离心泵不同故障数据包括：扬程、出口流速、入口流速、泵转矩、电机转矩中根据ESA技术选取电机转矩作为故障信号数据，后通过PCA验证选择的正确性。

步骤2：将训练集值输入PCAE中进行训练，PCAE的编码器由CNN组成，通过CNN划分部分以及推断部分的特征图，然后输入基于注意力机制的全局平均池化层，将输出的数据输入全连接层，全连接层连接解码器，PCAE的解码器是仿射变换，将仿射变换后生成的部分作为模板，根据特征图将图像的模板重构为新的图像。最大化新图像与原始图像的似然性，以得到最优的PCAE。

所述步骤2中最大化原始图像和重建图像似然度的目标函数为：

其中，y是原始图像，

为混合概率，

为仿射变换到模板的新部分，c_m为预测部分的颜色，p(y)是原始图像与重建图像的似然度，似然度越好高则PCAE性能越好。

步骤3：将PCAE提取的特征图输入OCAE，OCAE使用基于注意力机制的Set Transfer编码器根据特征图稀疏激活少量对象胶囊，激活的对象胶囊使用多层感知器作为解码器预测几个候选部分。根据预测的候选部分组成一个混合部分。比较原始部分与混合部分的相似性，判定这个部分是否属于激活的对象胶囊，若不是则传递给下一个对象胶囊。最大化原始部分与混合部分的似然性，训练对象胶囊，使其拥有最高的分类精度，以得到最优的OCAE。

步骤4：使用测试集验证故障诊断模型准确性。

本发明的有益效果是：

本发明使用ESA技术选择电信号进行故障诊断，降低了安装在内部的传感器对设备运行造成的影响，使用二维灰度图像代替一维数据，省去大量数据分析与异常值筛选过程，具有良好的实时性，广泛的适用于工业应用。

本发明中的胶囊网络作为图像识别领域的新兴网络结构，对于同一对象的不同方向、不同大小、缺失某部分的图像具有良好的识别能力，所以对于不同型号离心泵具有很好的鲁棒性与适应性。

本发明针对计算繁琐，结构复杂的传统胶囊网络，通过在胶囊网络中加入基于注意力的全局平局池，有效的降低了部分胶囊数量，减少计算成本，提高计算速度。

附图说明

图1是本发明离心泵故障诊断方法流程图。

具体实施方式

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

本发明所述的基于ESA和堆叠胶囊编码器的离心泵故障诊断方法首先对包含扬程、出口流速、入口流速、泵转矩、电机转矩的离心泵故障数据使用ESA技术选取故障参数中的电信号，使用PCA验证ESA选择的正确性；其次使用六种故障的电机转矩数据归一化至[0-255]像素区间，分段将电气数据转化为灰度图像，将灰度图像输入构建好的堆叠胶囊自编码器网络进行故障诊断训练，其中采用基于自注意力的池化来降低胶囊数量提升计算速度，以最大化原始图像与重构图像的似然性为目标训练PCAE，以最大化原始部分与混合部分似然性训练OCAE，从而得到最优堆叠胶囊自编码器故障诊断模型。

如图1所示，本发明所述的基于ESA和堆叠胶囊编码器的离心泵故障诊断方法，包括步骤：

步骤1：数据的选择与处理：提取离心泵在在间隙处磨损、出口处有少量沉积物、入口处有沉积物、出口的磨料磨损、叶轮刀片损坏、叶轮气蚀六种故障状态下的扬程、出口速度、入口速度、离心泵转矩、与离心泵相连的电机转矩五个故障信号，然后处理故障数据。

步骤1.1：使用ESA选择其中的电信号作为故障诊断输入数据，使用PCA验证ESA选择正确性，PCA将归一化后的各种故障数据降为k维，对其去平均值，即每一位特征减去各自的平均值，计算协方差矩阵及其特征值，将最大特征值对应的故障参数作为本次故障诊断的故障数据；

步骤1.2：将不同的故障按时间顺序划分为数据段，每个数据段有676个数据，将故障数据归一化到[0,255]之间，转为大小是26×26的灰度图像并划分训练集与测试集。公式为：

其中，max(L)为本数据段中最大值，min(L)为本数据段中最小值，L((j-1)×M+k)为数据段中的某一个值，P(j,k)为的归一化后的值。

步骤2：建立堆叠胶囊自编码器模型的PCAE：将步骤1中的灰度图像训练集数据提取像素后输入PCAE。

步骤2.1：将图像像素输入PCAE的CNN编码器，编码器将图像划分为部分并推断不同部分的特征图。特征图包括一个六维姿势x_m、一个存在变量d_m∈[0,1]和一个表示部分遮挡关系和部分颜色的特殊标识z_m∈R，

x_1:M,d_1:M,z_1:M＝h^enc(y)

其中，h^enc(y)为CNN编码器，六维姿势x_m包括两次旋转、两次平移、缩放和剪切。

将CNN提取出的特征图输入基于自注意力池化的全局平均池，降低划分的部分胶囊数量。将池化层输出输入全连接层，根据d_m判定该部分胶囊是否存在。若部分胶囊别被判定存在，则使用PCAE的仿射变换解码器将部分胶囊变换到图像的模板T_m。

其中，

为仿射变换后的模板。

步骤2.2：图像全部部分胶囊变换完成后，使用d_m和

预测模板之间的混合概率：

其中，

为图像模板的混合概率。

计算模板生成的重构图像与原始图像的似然性：

其中，p(y)为图像似然性。根据最大化图像的似然性训练PCAE，使其得到最优的划分部分与推断特征图的性能。

步骤3：建立堆叠胶囊自编码器模型的OCAE:将训练完成的PCAE提取的特征图输入OCAE进行分类。

步骤3.1：将特征图输入OCAE的基于自下而上注意力机制的Set Transfer编码器，根据输出稀疏激活少量对象胶囊。

OV_1:K,c_1:K,a_1:K＝h^caps(x_1:M)

其中，编码器输出的OV_1:K是对象胶囊-观众仿射矩阵，c_1:K是输出的特征向量，a_1:K是不同对象胶囊的存在概率，h^caps是Set Transfer编码器。根据a_1:K稀疏激活少量对象胶囊，对象胶囊使用多层感知器(MLP)解码器从c_1:K中预测出n个候选部分以及它们的参数：

其中，解码器输出的OP_k,1:N是对象胶囊-部分胶囊仿射矩阵，a_k,1:N是候选部分的条件概率，λ_k,1:N是相关的标量标准差，

是对象胶囊的MLP解码器。根据候选部分生成一个独立的混合预测部分，并计算混合部分与原始部分的似然性：

μ_k,n＝OV_kOP_k,n

p(x_m∣k,n)＝N(x_m∣μ_k,n,λ_k,n)

其中，μ_k,n为候选部分的仿射矩阵，p(x_m∣k,n)是混合预测的部分，p(x_1:M)是混合部分与原始部分的似然性。

步骤3.2：根据部分似然性判定部分是否属于激活的对象胶囊，如不是传递给下一个对象胶囊。通过最大化混合部分与原始部分的似然性，训练对象胶囊，使其拥有最高的分类精度。

步骤4:将测试集输入得到的最优堆叠自编码器模型进行故障诊断。提取测试机像素输入PCAE中划分部分提取特征图，输入OCAE中判别故障类型，输出诊断结果

本发明解决了现有离心泵故障诊断算法中存在的不足，提供了结合自编码器、胶囊网络、灰度图像、ESA技术的离心泵故障诊断方法，使得在不同型号以及故障数据缺失的情况下依然可得到较高的故障诊断精度。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (1)

1.一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述离心泵故障诊断方法包括如下步骤：

步骤1：数据的选择与处理：使用电特征分析技术(ESA)选择电信号作为故障诊断输入数据并归一化处理，采用主元分析(PCA)分析不同故障信号在故障诊断中的贡献率，证实电特征分析技术(ESA)选择的正确性，将选择的故障信号转为灰度图像；

步骤2：建立和训练堆叠胶囊自编码器模型的PCAE：将步骤1中的灰度图像训练集数据提取像素后输入PCAE；

步骤3：建立和训练堆叠胶囊自编码器模型的OCAE：将训练完成的PCAE提取的特征图输入OCAE进行分类；

步骤4：使用测试集验证故障诊断模型准确性；

其中：

所述步骤2具体包括如下步骤：

步骤2.1：将图像像素输入PCAE的CNN编码器，编码器将图像划分为部分并推断不同部分的特征图，将CNN编码器提取出的特征图输入基于自注意力池化的全局平均池，降低划分的部分胶囊数量，将池化层输出输入全连接层，根据部分胶囊存在概率d_m判定该部分胶囊是否存在，若部分胶囊被判定存在，则使用PCAE的仿射变换解码器将部分胶囊变换到图像的模板T_m，

其中，

为仿射变换后的模板；

步骤2.2：部分胶囊图像全部变换完成后，使用d_m和

预测模板之间的混合概率：

其中，

为图像模板的混合概率，使其得到最优的划分部分与推断特征图的性能；

所述步骤2.1中的所述特征图包括一个六维姿势x_m、一个部分胶囊存在概率d_m∈[0,1]和一个表示部分遮挡关系和部分颜色的特殊标识z_m∈R，表示为：

x_1:M,d_1:M,z_1:M＝h^enc(y)

其中，h^enc(y)为CNN编码器；

所述步骤2.2中，计算重构混合图像与原始图像的似然性的目标函数为：

其中，y是原始图像，

为混合概率，

为仿射变换到模板的新部分，c_m为预测部分的颜色；

所述步骤3具体包括如下步骤：

步骤3.1：将训练完成的PCAE提取的特征图输入OCAE的基于自下而上注意力机制的SetTransfer编码器，根据输出稀疏激活少量对象胶囊：

OV_1:K,c_1:K,a_1:K＝h^caps(x_1:M)

其中，编码器输出的OV_1:K是对象胶囊-观众仿射矩阵，c_1:K是输出的特征向量，a_1:K是不同对象胶囊的存在概率，h^caps是Set Transfer编码器；

步骤3.2：根据a_1:K稀疏激活少量对象胶囊，对象胶囊使用多层感知器解码器从c_1:K中预测出n个候选部分以及它们的参数：

其中，解码器输出的OP_k,1:N是对象胶囊-部分胶囊仿射矩阵，a_k,1:N是候选部分的条件概率，λ_k,1:N是相关的标量标准差，

是对象胶囊的MLP解码器；

步骤3.3：根据候选部分生成一个独立的混合预测部分，并计算混合部分与原始部分的似然性，原始部分和混合部分似然度的目标函数为：

其中，a_k为对象胶囊的存在概率，a_k,m为对象胶囊的候选部分存在概率，d_m为部分胶囊存在概率，x_m为部分的姿势，p(x_1:M,d_1:M)是原始部分与混合部分的似然度；

步骤3.4：根据部分似然性判定部分是否属于激活的对象胶囊，如不是传递给下一个对象胶囊，通过最大化混合部分与原始部分的似然性，训练对象胶囊，使其拥有最高的分类精度；

所述步骤1中从离心泵选择的故障信号为：提取离心泵在间隙处磨损、出口处有少量沉积物、入口处有沉积物、出口的磨料磨损、叶轮刀片损坏、叶轮气蚀六种故障状态下的扬程、出口速度、入口速度、离心泵转矩、与离心泵相连的电机转矩的五个故障信号。

Images