CN113553759A - 水泵剩余使用寿命预测方法、装置、设备及存储介质 - Google Patents
水泵剩余使用寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113553759A CN113553759A CN202110669858.7A CN202110669858A CN113553759A CN 113553759 A CN113553759 A CN 113553759A CN 202110669858 A CN202110669858 A CN 202110669858A CN 113553759 A CN113553759 A CN 113553759A
- Authority
- CN
- China
- Prior art keywords
- water pump
- information
- service life
- feature
- feature set
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009467 reduction Effects 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请提供了一种水泵剩余使用寿命预测方法、装置、设备及存储介质,涉及工业设备维护技术领域。该方法包括:采集水泵的振动信息、压力值信息以及水泵流量值信息;对振动信息进行时频域信息提取,构建水泵的特征集;对特征集进行数据降维,对降维后的特征集进行预测,确定水泵的剩余使用寿命。本申请实施例通过获取水泵在运行时的各种信息,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
Description
技术领域
本申请涉及工业设备维护技术领域,具体而言,本申请涉及一种水泵剩余使用寿命预测方法、装置、设备及存储介质。
背景技术
随着我国经济的高速发展,居民生活用水和工业用水量逐年增大,水务企业水泵的稳定运行尤为重要。预测水泵的剩余使用寿命,对于后续的维护工作具有非常重要的工程价值。
现有对水泵剩余寿命进行预测的技术方案中,仅采集水泵运行时个别种类数据,无法获得水泵的全面信息,会对剩余使用寿命预测的精准度产生影响,导致水泵剩余寿命预测不准确,不便于工作人员进行维护,且存在一定的安全隐患。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有对水泵剩余寿命进行预测的技术方案中,仅采集水泵运行时个别种类数据,无法获得水泵的全面信息,会对剩余使用寿命预测的精准度产生影响,导致水泵剩余寿命预测不准确,不便于工作人员进行维护,且存在一定的安全隐患的技术缺陷。
第一方面,提供了水泵剩余使用寿命预测方法,其特征在于,包括:
每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;
对所述振动信息进行时频域信息提取,确定多个所述时频域信息;
基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;
采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;
对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
作为本申请一种可能的实施方式,在该实施方式中,所述每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息,包括:
每隔时间间隔T,采集所述水泵泵体、基座以及驱动端的振动信息xk(n),采集所述水泵进出口压力值mj,采集所述水泵流量大小q,其中,k∈{1,2,3},x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息,n表示采样点数;j∈{1,2},m1、m2分别表示进口压力和出口压力。
作为本申请一种可能的实施方式,在该实施方式中,所述对所述振动信息进行时域信息提取,确定多个所述时域信息,包括:
对所述xk(n)提取如下时域信息:
峰-峰值Peakk=max(xk(i))-min(xk(i)),记为zk4;
对所述xk(n)提取频域域信息,并求取所述振动信息的自相关函数,对所述自相关函数进行快速傅立叶变换,得到频率f和功率谱值S(f),其中,均方频率记为zk12;重心频率记为zk13;频率方差记为zk14。
作为本申请一种可能的实施方式,在该实施方式中,所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括:
将所述水泵流量值信息记为Lt={qt};
作为本申请一种可能的实施方式,在该实施方式中,所述采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集,包括:
对所述特征集Dinput的每个数据dij标准化,其中,dij代表特征集Dinput中第i行第j列的数据,标准化公式为:
计算Ainput的相关系数矩阵R,计算公式为:
采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1,…,λn,和对应的特征向量v1,…,vn;
将所述特征值按降序排列得λ’1>…λ’n,并分别将各所述特征值对应的特征向量进行对应得v’1,…,v’n;
通过施密特正交化方法单位正交化所述调整后的特征向量,得到α1,…,αn;
计算第l个特征值的贡献率,计算公式为:
计算l个特征值的累积贡献率,计算公式为:
根据预设的提取效率tp,当BSl>tp,提取前l个特征向量α1,…,αl作为主成分;
计算已标准化的特征集Ainput在提取出的所述主成分上的投影A’input=Ainput·α,α=(α1,…,αl),A’input是降维后的特征集。
作为本申请一种可能的实施方式,在该实施方式中,所述对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命,包括:
对所述降维后的特征集以滑动窗口构建输入样本,其中,所述,滑动窗口宽为特征集维度Dim=l,长为Lwin;
采用所述预测模型的第一层对所述输入样本进行局部特征提取,得到局部特征,其中,所述第一层为一维卷积神经网络层,卷积核宽为特征维度 Dim,卷积核大小记为Lcon,卷积核数量记为Ncon,所述局部特征为Lwin×Ncon的数据矩阵;
采用所述预测模型的第二层对所述局部特征进行时序特征提取,得到第二特征,其中,所述第二层包括两层LSTM层,所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout;
采用所述预测模型的第三层对所述第二特征进行预测,得到所述水泵的剩余使用寿命,其中,所述第三层为三个全连接层。
第二方面,提供了一种水泵剩余使用寿命预测装置,该装置包括:
信息获取模块,用于每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;
信息提取模块,用于对所述振动信息进行时频域信息提取,确定多个所述时频域信息;
特征提取模块,用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;
特征降维模块,用于采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;
预测模块,用于对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
第三方面,提供了一种电子设备,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,所述处理器执行上述的水泵剩余使用寿命预测方法。
第四方面,提供了一种计算机可读存储介质,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的水泵剩余使用寿命预测方法。
本申请实施例通过获取水泵在运行时的各种信息,如水泵泵体、基座以及驱动端的振动信息,水泵进出口的压力值以及水泵流体的流量信息等,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种水泵剩余使用寿命预测方法的流程示意图;
图2为本申请实施例提供的一种传感器安装位置示意图;
图3为本申请实施例提供的一样本输入方式示意图;
图4为本申请实施例提供的一种预测模型结构示意图;
图5为本申请实施例提供的一种预测结果示意图;
图6为本申请实施例提供的一种水泵剩余使用寿命预测装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例中提供了一种水泵剩余使用寿命预测方法,如图1所示,该方法包括:
步骤S101,每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息。
在本申请实施例中,为方便说明,以一个具体实施例为例,以某个水泵设备为例,该水泵设备的额定功率为20KW,额定转速为1750rpm,泵中心高=243mm,在对水泵进行信息采集时,每隔时间间隔T,采集所述水泵泵体、基座以及驱动端的振动信息xk(n),采集所述水泵进出口压力值mj,采集所述水泵流量大小q,其中,k∈{1,2,3},
x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息,n表示采样点数;
j∈{1,2},m1、m2分别表示进口压力和出口压力。如图2所示,为各个传感器的安装位置,表一为水泵泵体不同采样点的振动信息,表二为水泵基座不同采样点的振动信息,表三为水泵驱动端不同采样点的振动信息;表四水泵进水口采集到的压力值,表五为水泵出口采集到的压力值;表六为采集到的水体流量。
表一
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
x<sub>1</sub> | 0.0547 | 0.0119 | 0.0106 | 0.0411 | 0.0517 | 0.0282 | -0.0348 |
n | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
x<sub>1</sub> | -0.0532 | -0.0252 | 0.0115 | 0.0409 | 0.0255 | 0.0625 | -0.0165 |
n | 15 | 16 | 17 | 18 | 19 | 20 | 21 |
x<sub>1</sub> | 0.0052 | 0.0376 | 0.0142 | -0.0290 | -0.0705 | -0.0609 | -0.0050 |
表二
表三
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
x<sub>3</sub> | -0.2251 | -0.0760 | 0.2350 | 0.0776 | -0.1387 | -0.0200 | 0.0687 |
n | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
x<sub>3</sub> | -0.0668 | -0.0700 | -0.0651 | -0.0746 | 0.1631 | 0.2552 | -0.0416 |
n | 15 | 16 | 17 | 18 | 19 | 20 | 21 |
x<sub>3</sub> | -0.1751 | 0.1736 | 0.2004 | -0.1569 | -0.1621 | 0.0968 | 0.1273 |
表四
t | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
m<sub>1</sub> | 0.18 | 0.17 | 0.18 | 0.18 | 0.19 | 0.19 | 0.18 |
t | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
m<sub>1</sub> | 0.19 | 0.20 | 0.18 | 0.18 | 0.18 | 0.18 | 0.18 |
表五
t | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
m<sub>2</sub> | 0.28 | 0.29 | 0.30 | 0.30 | 0.27 | 0.26 | 0.28 |
t | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
m<sub>2</sub> | 0.30 | 0.28 | 0.28 | 0.29 | 0.28 | 0.28 | 0.28 |
表六
t | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
q | 13.88 | 14.01 | 13.78 | 13.86 | 13.68 | 14.03 | 13.88 |
t | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
q | 13.88 | 14.08 | 14.02 | 13.88 | 13.85 | 13.84 | 13.93 |
步骤S102,对所述振动信息进行时频域信息提取,确定多个所述时频域信息。
在本申请实施例中,在对振动信息进行时频域信息提取时,先提取时域信息,对所述xk(n)提取如下时域信息:
峰-峰值Peakk=max(xk(i))-min(xk(i)),记为zk4;
对所述xk(n)提取频域域信息,并求取所述振动信息的自相关函数,对所述自相关函数进行快速傅立叶变换,得到频率f和功率谱值S(f),其中,均方频率记为zk12;重心频率记为zk13;频率方差记为zk14。
步骤S103,基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集。
在本申请实施例中,所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括:
将所述水泵流量值信息记为Lt={qt};
表七
步骤S105,采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集。
在本申请实施例中,所述采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集,包括:
对所述特征集Dinput的每个数据dij标准化,其中,dij代表特征集Dinput中第i行第j列的数据,标准化公式为:
计算Ainput的相关系数矩阵R,计算公式为:
采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1,…,λn,和对应的特征向量v1,…,vn;
将所述特征值按降序排列得λ’1>…λ’n,并分别将各所述特征值对应的特征向量进行对应得v’1,…,v’n;
通过施密特正交化方法单位正交化所述调整后的特征向量,得到α1,…,αn;
计算第l个特征值的贡献率,计算公式为:
计算l个特征值的累积贡献率,计算公式为:
根据预设的提取效率tp,当BSl>tp,提取前l个特征向量α1,…,αl作为主成分;
计算已标准化的特征集Ainput在提取出的所述主成分上的投影A’input=Ainput·α,α=(α1,…,αl),A’input是降维后的特征集。其中,表八为表七降维之后的数据。
表八
p<sub>1</sub> | 147.0082 | p<sub>1</sub> | 124.007 |
p<sub>2</sub> | 348.1007 | p<sub>2</sub> | 298.7468 |
p<sub>3</sub> | 67.20526 | p<sub>3</sub> | 51.71407 |
p<sub>4</sub> | 214.1348 | p<sub>4</sub> | 183.5892 |
p<sub>5</sub> | 42.12149 | p<sub>5</sub> | 23.63249 |
p<sub>6</sub> | -61.5384 | p<sub>6</sub> | -53.2189 |
p<sub>7</sub> | -88.5384 | p<sub>7</sub> | -77.2549 |
p<sub>8</sub> | -62.2123 | p<sub>8</sub> | -49.3379 |
p<sub>9</sub> | 467.9585 | p<sub>9</sub> | 387.8495 |
p<sub>10</sub> | -64.837 | p<sub>10</sub> | -55.5953 |
p<sub>11</sub> | 202.0698 | p<sub>11</sub> | 174.6 |
步骤S106,对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
在本申请实施例中,所述对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命,包括:
对所述降维后的特征集以滑动窗口构建输入样本,其中,所述,滑动窗口宽为特征集维度Dim=l,长为Lwin;
采用所述预测模型的第一层对所述输入样本进行局部特征提取,得到局部特征,其中,所述第一层为一维卷积神经网络层,卷积核宽为特征维度Dim,卷积核大小记为Lcon,卷积核数量记为Ncon,所述局部特征为Lwin×Ncon的数据矩阵;
采用所述预测模型的第二层对所述局部特征进行时序特征提取,得到第二特征,其中,所述第二层包括两层LSTM层,所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout;
采用所述预测模型的第三层对所述第二特征进行预测,得到所述水泵的剩余使用寿命,其中,所述第三层为三个全连接层。
在本申请实施例中,为方便说明,以一个具体实施例为例,如图3所示,对降维后的特征集A’input以滑动窗口构建输入样本Sample,滑动窗口宽为特征集维度Dim=11,长为Lwin=30。其中,所述预测模型为1D-CNN-LSTM模型,其结构如图4所示,预测模型第一部分包含一层一维卷积神经网络1D-CNN层。卷积核宽为特征维度Dim=11,卷积核大小记为Lcon=3,卷积核数量记为Ncon=8。1D-CNN层利用卷积核对Sample进行局部特征提取。然后对提取到的局部特征使用padding填充策略进行填充,1D-CNN层提取得到的局部特征S’是30×8的数据矩阵。预测模型第二部分包含两层LSTM层。两层LSTM设置激活函数为Relu、神经元个数=64、Dropout=0.2。Dropout使部分神经元失活,增加预测模型的泛化性。两层LSTM层对局部特征S’进行时序特征提取并进行flatten操作,得到特征S”。预测模型第三部分包含三层全连接层。全连接层对特征S”进行剩余使用寿命的预测,得到预测结果,如图5所示,为本申请实施例提供的一种预测结果。
本申请实施例通过获取水泵在运行时的各种信息,如水泵泵体、基座以及驱动端的振动信息,水泵进出口的压力值以及水泵流体的流量信息等,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
本申请实施例提供了一种水泵剩余使用寿命预测装置,如图6所示,该试验数据处理装置60可以包括:信息获取模块601、信息提取模块602、特征提取模块603、特征降维模块604以及预测模块605,其中,
信息获取模块601,用于每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;
信息提取模块602,用于对所述振动信息进行时频域信息提取,确定多个所述时频域信息;
特征提取模块603,用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;
特征降维模块604,用于采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;
预测模块605,用于对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
作为本申请一种可能的实施方式,在该实施方式中,信息获取模块601在每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息时,可以用于:
每隔时间间隔T,采集所述水泵泵体、基座以及驱动端的振动信息xk(n),采集所述水泵进出口压力值mj,采集所述水泵流量大小q,其中,k∈{1,2,3},x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息,n表示采样点数;j∈{1,2},m1、m2分别表示进口压力和出口压力。
作为本申请一种可能的实施方式,在该实施方式中,信息提取模块602在对所述振动信息进行时域信息提取,确定多个所述时域信息时,可以用于:
对所述xk(n)提取如下时域信息:
峰-峰值Peakk=max(xk(i))-min(xk(i)),记为zk4;
对所述xk(n)提取频域域信息,并求取所述振动信息的自相关函数,对所述自相关函数进行快速傅立叶变换,得到频率f和功率谱值S(f),其中,均方频率记为zk12;重心频率记为zk13;频率方差记为zk14。
作为本申请一种可能的实施方式,在该实施方式中,特征提取模块603在基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集时,可以用于:
将所述水泵流量值信息记为Lt={qt};
作为本申请一种可能的实施方式,在该实施方式中,特征降维模块604在采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集时,可以用于:
对所述特征集Dinput的每个数据dij标准化,其中,dij代表特征集Dinput中第i行第j列的数据,标准化公式为:
计算Ainput的相关系数矩阵R,计算公式为:
采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1,…,λn,和对应的特征向量v1,…,vn;
将所述特征值按降序排列得λ’1>…λ’n,并分别将各所述特征值对应的特征向量进行对应得v’1,…,v’n;
通过施密特正交化方法单位正交化所述调整后的特征向量,得到α1,…,αn;
计算第l个特征值的贡献率,计算公式为:
计算l个特征值的累积贡献率,计算公式为:
根据预设的提取效率tp,当BSl>tp,提取前l个特征向量α1,…,αl作为主成分;
计算已标准化的特征集Ainput在提取出的所述主成分上的投影A’input=Ainput·α,α=(α1,…,αl),A’input是降维后的特征集。
作为本申请一种可能的实施方式,在该实施方式中,预测模块605在对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命时,可以用于:
对所述降维后的特征集以滑动窗口构建输入样本,其中,所述,滑动窗口宽为特征集维度Dim=l,长为Lwin;
采用所述预测模型的第一层对所述输入样本进行局部特征提取,得到局部特征,其中,所述第一层为一维卷积神经网络层,卷积核宽为特征维度Dim,卷积核大小记为Lcon,卷积核数量记为Ncon,所述局部特征为Lwin×Ncon的数据矩阵;
采用所述预测模型的第二层对所述局部特征进行时序特征提取,得到第二特征,其中,所述第二层包括两层LSTM层,所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout;
采用所述预测模型的第三层对所述第二特征进行预测,得到所述水泵的剩余使用寿命,其中,所述第三层为三个全连接层。
本申请实施例的水泵剩余使用寿命预测装置可执行本申请前述实施例所示的水泵剩余使用寿命预测方法,其实现原理相类似,此处不再赘述。
本申请实施例通过获取水泵在运行时的各种信息,如水泵泵体、基座以及驱动端的振动信息,水泵进出口的压力值以及水泵流体的流量信息等,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
本申请实施例中提供了一种电子设备,该电子设备包括:存储器和处理器;至少一个程序,存储于存储器中,用于被处理器执行时,每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;对所述振动信息进行时频域信息提取,确定多个所述时频域信息;基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。与现有技术相比可实现:本申请实施例通过获取水泵在运行时的各种信息,如水泵泵体、基座以及驱动端的振动信息,水泵进出口的压力值以及水泵流体的流量信息等,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
在一个可选实施例中提供了一种电子设备,如图7所示,图7所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信息处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:电脑、平板、工业控制器等。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,本申请实施例通过获取水泵在运行时的各种信息,如水泵泵体、基座以及驱动端的振动信息,水泵进出口的压力值以及水泵流体的流量信息等,通过预设的预测模型提取水泵的特征进行预测,充分考虑了水泵的各种运行数据,预测结果更加准确,并且通过对振动信息提取时频域信息,与水泵进出口压力和水泵流体流量值构建输入,使寿命预测更加准确,保证水泵剩余寿命预测的准确性,便于维护人员对水泵进行维护或更换,提高生产的安全性。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种水泵剩余使用寿命预测方法,其特征在于,包括:
每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;
对所述振动信息进行时频域信息提取,确定多个所述时频域信息;
基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;
采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;
对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
2.根据权利要求1所述的水泵剩余使用寿命预测方法,其特征在于,所述每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息,包括:
每隔时间间隔T,采集所述水泵泵体、基座以及驱动端的振动信息xk(n),采集所述水泵进出口压力值mj,采集所述水泵流量大小q,其中,k∈{1,2,3},x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息,n表示采样点数;j∈{1,2},m1、m2分别表示进口压力和出口压力。
3.根据权利要求2所述的水泵剩余使用寿命预测方法,其特征在于,所述对所述振动信息进行时域信息提取,确定多个所述时域信息,包括:
对所述xk(n)提取如下时域信息:
峰-峰值Peakk=max(xk(i))-min(xk(i)),记为zk4;
5.根据权利要求4所述的水泵剩余使用寿命预测方法,其特征在于,所述采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集,包括:
对所述特征集Dinput的每个数据dij标准化,其中,dij代表特征集Dinput中第i行第j列的数据,标准化公式为:
采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1,…,λn,和对应的特征向量v1,…,vn;
将所述特征值按降序排列得λ′1>…λ′n,并分别将各所述特征值对应的特征向量进行对应得v′1,…,v′n;
通过施密特正交化方法单位正交化所述调整后的特征向量,得到α1,…,αn;
计算第l个特征值的贡献率,计算公式为:
计算l个特征值的累积贡献率,计算公式为:
根据预设的提取效率tp,当BSl>tp,提取前l个特征向量α1,…,αl作为主成分;
计算已标准化的特征集Ainput在提取出的所述主成分上的投影A′input=Ainput·α,α=(α1,…,αl),A′input是降维后的特征集。
6.根据权利要求5所述的水泵剩余使用寿命预测方法,其特征在于,所述对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命,包括:
对所述降维后的特征集以滑动窗口构建输入样本,其中,所述,滑动窗口宽为特征集维度Dim=l,长为Lwin;
采用所述预测模型的第一层对所述输入样本进行局部特征提取,得到局部特征,其中,所述第一层为一维卷积神经网络层,卷积核宽为特征维度Dim,卷积核大小记为Lcon,卷积核数量记为Ncon,所述局部特征为Lwin×Ncon的数据矩阵;
采用所述预测模型的第二层对所述局部特征进行时序特征提取,得到第二特征,其中,所述第二层包括两层LSTM层,所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout;
采用所述预测模型的第三层对所述第二特征进行预测,得到所述水泵的剩余使用寿命,其中,所述第三层为三个全连接层。
7.一种水泵剩余使用寿命预测装置,其特征在于,包括:
信息获取模块,用于每隔预设的时间间隔,采集所述水泵的振动信息、压力值信息以及水泵流量值信息;
信息提取模块,用于对所述振动信息进行时频域信息提取,确定多个所述时频域信息;
特征提取模块,用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集;
特征降维模块,用于采用预设的分析方法对所述特征集进行数据降维,得到降维后的特征集;
预测模块,用于对所述降维后的特征集以滑动窗口构建输入样本,并采用预训练好的预测模型对所述输入样本进行预测,确定所述水泵的剩余使用寿命。
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权利要求1~6中任一项所述的水泵剩余使用寿命预测方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1~6中任一项所述的水泵剩余使用寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669858.7A CN113553759B (zh) | 2021-06-17 | 2021-06-17 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669858.7A CN113553759B (zh) | 2021-06-17 | 2021-06-17 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553759A true CN113553759A (zh) | 2021-10-26 |
CN113553759B CN113553759B (zh) | 2024-04-30 |
Family
ID=78130677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110669858.7A Active CN113553759B (zh) | 2021-06-17 | 2021-06-17 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050613A (zh) * | 2023-01-06 | 2023-05-02 | 中国长江电力股份有限公司 | 水电机组顶盖排水泵剩余使用寿命预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255395A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的寿命预测方法 |
US20200104200A1 (en) * | 2018-09-27 | 2020-04-02 | Oracle International Corporation | Disk drive failure prediction with neural networks |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
KR20200043196A (ko) * | 2018-10-17 | 2020-04-27 | 고려대학교 산학협력단 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
CN111220387A (zh) * | 2020-01-08 | 2020-06-02 | 北京交通大学 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
CN112926644A (zh) * | 2021-02-22 | 2021-06-08 | 山东大学 | 一种滚动轴承剩余使用寿命预测方法及系统 |
CN112966355A (zh) * | 2021-03-30 | 2021-06-15 | 西安电子科技大学 | 基于深度学习的盾构机刀具剩余使用寿命预测方法 |
-
2021
- 2021-06-17 CN CN202110669858.7A patent/CN113553759B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200104200A1 (en) * | 2018-09-27 | 2020-04-02 | Oracle International Corporation | Disk drive failure prediction with neural networks |
KR20200043196A (ko) * | 2018-10-17 | 2020-04-27 | 고려대학교 산학협력단 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
CN109255395A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的寿命预测方法 |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
CN111220387A (zh) * | 2020-01-08 | 2020-06-02 | 北京交通大学 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
CN112926644A (zh) * | 2021-02-22 | 2021-06-08 | 山东大学 | 一种滚动轴承剩余使用寿命预测方法及系统 |
CN112966355A (zh) * | 2021-03-30 | 2021-06-15 | 西安电子科技大学 | 基于深度学习的盾构机刀具剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
朱朔;白瑞林;吉峰;: "改进CHSMM的滚动轴承剩余寿命预测方法", 机械传动, no. 10 * |
韩林洁;石春鹏;张建超;: "基于一维卷积神经网络的轴承剩余寿命预测", 制造业自动化, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050613A (zh) * | 2023-01-06 | 2023-05-02 | 中国长江电力股份有限公司 | 水电机组顶盖排水泵剩余使用寿命预测方法 |
CN116050613B (zh) * | 2023-01-06 | 2024-01-02 | 中国长江电力股份有限公司 | 水电机组顶盖排水泵剩余使用寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113553759B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network | |
Choi | Combination unit root tests for cross-sectionally correlated panels | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN108709745A (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
WO2021220358A1 (ja) | 異常診断方法、異常診断装置および異常診断プログラム | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
Gao et al. | Rolling bearing fault diagnosis of PSO–LSSVM based on CEEMD entropy fusion | |
Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
CN113553759A (zh) | 水泵剩余使用寿命预测方法、装置、设备及存储介质 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
EP3847521A1 (en) | Automated overclocking using a prediction model | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN110136841B (zh) | 疾病发病预测方法、装置及计算机可读存储介质 | |
CN109255368B (zh) | 随机选取特征的方法、装置、电子设备及存储介质 | |
CN113470799B (zh) | 一种医院综合质量监督平台智能化编辑器 | |
Chen | On COVID-19 country containment metrics: a new approach | |
CN111158974B (zh) | 一种面向云服务器的硬件感知cpu能耗测算方法 | |
CN113052256B (zh) | 一种风向聚类方法、装置及电子设备 | |
Mammeri et al. | Performance counters based power modeling of mobile GPUs using deep learning | |
Drysdale et al. | Forecasting emergency department capacity constraints for COVID isolation beds | |
CN107180391B (zh) | 一种风电数据跨度选取方法及装置 | |
Liu et al. | Ensemble of surrogates with an evolutionary multi-agent system | |
Ben-Assuli et al. | ED revisits forecasting: utilizing latent models |
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 |