CN113640027A - 基于边缘计算和神经网络的换热机组故障诊断方法及系统 - Google Patents

基于边缘计算和神经网络的换热机组故障诊断方法及系统 Download PDF

Info

Publication number
CN113640027A
CN113640027A CN202110924078.2A CN202110924078A CN113640027A CN 113640027 A CN113640027 A CN 113640027A CN 202110924078 A CN202110924078 A CN 202110924078A CN 113640027 A CN113640027 A CN 113640027A
Authority
CN
China
Prior art keywords
data
fault diagnosis
vibration
neural network
principal component
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
Application number
CN202110924078.2A
Other languages
English (en)
Other versions
CN113640027B (zh
Inventor
时伟
穆佩红
谢金芳
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.)
Changzhou Engipower Technology Co ltd
Original Assignee
Changzhou Engipower Technology Co ltd
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 Changzhou Engipower Technology Co ltd filed Critical Changzhou Engipower Technology Co ltd
Priority to CN202110924078.2A priority Critical patent/CN113640027B/zh
Publication of CN113640027A publication Critical patent/CN113640027A/zh
Application granted granted Critical
Publication of CN113640027B publication Critical patent/CN113640027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/002—Thermal testing
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于边缘计算和神经网络的换热机组故障诊断方法，包括：实时采集换热机组设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；边缘计算节点针对振动数据采用滑动窗口策略和提取相应的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量；针对压力数据、温度数据和流量数据进行主成分分析，若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为主元特征，形成泄漏和堵塞故障诊断特征向量；根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至故障诊断模型进行诊断，生成诊断结果。

Description

基于边缘计算和神经网络的换热机组故障诊断方法及系统
技术领域
本发明属于智慧供热故障诊断技术领域，具体涉及一种基于边缘计算和神经网络的换热机组故障诊断方法及系统。
背景技术
集中供热由于热源量大、热效率高、单位燃料消耗少、节约劳动力和占用面积小，因此，在城市供热中，普遍以集中供热为主。所谓集中供热，就是由热源——换热站——用户三部分组成，利用一定的管道向住户的住宅内以各种方式输送热量的一个循环过程。换热站是集中供热系统的重要组成部分，换热站是系统供热网路和供热用户连接的场所，是热源和热源所送达目的地的中间环节。所以换热站的设备在集中供热中起着举足轻重的作用。换热站里面核心设备是换热机组，换热机组由二次侧和一次侧循环系统构成。二次侧循环系统由循环水泵、补水泵、管道和阀门等组成，与用户构成一个环路；一次侧循环系统由热侧管道、阀门等组成，与热源构成一个环路。两个循环系统通过换热器进行热量交换，将一次侧循环系统的热量传递到二次侧，进而把热量送给用户。
换热机组中的设备在长期运行后，由于磨损、变形、松动、材料疲劳等原因，发生故障的概率大为增加，严重时会给人们生活带来重大影响和损失，对于换热机组进行定期的故障诊断，可以有效降低设备的运行维护成本，保证设备的安全稳定运行；目前，针对换热机组故障的诊断由于数据量较大、数据类型不一、采样频率高，因此不易完成实时计算和智能诊断分析。
云计算是近年来快速发展的新型计算模式，它是一种将可伸缩、弹性、共享的物理和虚拟资源池以按需自服务的方式供应和管理，并提供网络访问的模式。但是由数据量急增带来的网络传输拥堵和计算复杂度增强等问题，使得数据在传输过程中时延不断增大，另外换热机组设备、施工常处于偏远的位置和恶劣的环境中，存在带宽和网络连接方面的问题。
基于上述技术问题，需要设计一种新的基于边缘计算和卷积神经网络的换热机组故障诊断方法及系统。
发明内容
本发明的目的是提供一种基于边缘计算和神经网络的换热机组故障诊断方法及系统。
为了解决上述技术问题，本发明提供了一种基于边缘计算和神经网络的换热机组故障诊断方法，包括如下步骤：
步骤S1，在换热机组设备上部署不同类型的传感器，实时采集设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障，所述换热机组设备包括循环泵、换热器、过滤器和管路；
步骤S2，所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
步骤S3，根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；
步骤S4，对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。
进一步，所述步骤S1中，所述振动数据通过在循环泵采集获得，所述压力数据通过在一次侧供回水、二次侧换热器和循环泵的进出口采集获得；所述温度数据通过在一次侧和二次侧的供回水的进出口采集获得；所述流量数据通过在一次侧供回水、二次侧供回水和循环泵的进出口采集获得。
进一步，在所述步骤S2之前还包括：对所述样本数据集进行预处理，所述预处理的方法包括：数据清洗、数据集成和数据规约；
所述数据清洗选取删除法或插值法进行缺失值填补，选取回归法或小波去噪法或均值平滑法进行噪声去除；
所述数据集成是将数据通过一定的逻辑关系集成到数据集合中；
所述数据规约是剔除冗余的、无效的数据，将数据中有效的数据提取出来。
进一步，所述步骤S2中，所述滑动窗口策略具体包括：滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割；滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列；
所述步骤S2中，所述提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，具体包括：
提取子序列的时域特征，包括：加速度有效值、速度有效值、峰值因子、峭度因子、裕度因子和偏斜度；
提取子序列的频域特征，包括：采用绝对傅里叶变换将子序列转换成频域信号，然后提取频谱的质心、方差、偏度和峰度作为频域特征；
提取子序列的时频域特征，包括：小波包分解子序列后的信号能量谱中各频带的能量；
对每个子序列包含的换热机组中传感器采集的振动数据提取时域特征、频域特征和时频域特征，形成振动故障诊断特征向量。
进一步，所述步骤S2中，针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，具体包括：
对样本数据集中的压力数据、温度数据和流量数据进行标准化处理，得到由n个特征变量组成的数据矩阵；
计算数据矩阵的协方差得到协方差矩阵，再计算协方差矩阵的特征值和每个特征值对应的特征向量；
将特征值从大到小排列，并将特征向量依照对应的特征值排序方式进行排列；
按照特征向量对应的方差贡献率选取累计贡献率为预设值的前m个主元作为特征提取后的主元特征；
对换热机组中传感器采集的压力数据、温度数据和流量数据提取主元特征，形成泄漏和堵塞故障诊断特征向量。
进一步，所述步骤S3中，所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成。
进一步，所述步骤S3中，所述根据所述故障诊断特征向量构建基于卷积神经网络的振动故障诊断模型，具体包括：
搭建卷积神经网络，将样本数据集中的训练集数据对应的故障诊断特征向量作为输入，训练基于卷积神经网络的振动故障诊断模型，选用交叉熵作为训练的损失函数，将诊断结果作为输出；所述诊断结果包括静止状态、正常运行状态和某一故障状态；
测试基于卷积神经网络的振动故障诊断模型，将样本数据集中的验证集对应的故障诊断特征向量输入已经训练好的卷积神经网络，得到预测的诊断结果，然后将预测的诊断结果与真实的诊断结果进行比对，若比对一致，则说明振动故障诊断模型的准确率达到要求，基于卷积神经网络的振动故障诊断模型训练阶段完成，否则调整卷积神经网络参数继续进行训练。
进一步，所述边缘计算节点的数量至少为一个，每一边缘计算节点对应相应片区的换热机组；所述样本数据集通过边缘接入层、边缘网络传输层、边缘网关接入层传输至边缘平台层中的边缘计算节点。
进一步，在所述步骤S4之前还包括：采用粒子群算法优化所述卷积神经网络的超参数，确定优化后的卷积神经网络，具体包括：
设置粒子群算法参数；
更新粒子群算法，计算更新后粒子的适应度；
比较当前粒子适应度和全局历史最优适应度，若当前适应度更优，则全局历史最优的位置为当前粒子位置。
本发明第二方面还提出一种基于边缘计算和神经网络的换热机组故障诊断系统，所述换热机组故障诊断系统包括：
数据采集模块，用于在换热机组设备上部署不同类型的传感器，实时采集设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障，所述换热机组设备包括循环泵、换热器、过滤器和管路；
特征提取模块，用于所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
诊断模型构建模块，用于所述边缘计算节点根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；
故障诊断模块，用于所述边缘计算节点对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。
本发明的有益效果是：
(1)本发明通过邻近部署的边缘计算节点对样本数据集进行特征提取形成故障诊断特征向量后构建故障诊断模型，再依据故障诊断模型对换热机组进行诊断生成诊断结果，从而实现通过边缘计算节点能够在近端及时有效地对换热机组故障进行诊断，有效改善了数据的传输速率，提高了数据交互的实时性，减缓了网络带宽压力，提高了故障诊断的效率；
(2)本发明一方面通过对振动数据采用滑动窗口分割样本数据，再对数据进行时域、频域和时频域特征的提取，从而能够均衡反映换热机组的振动故障状态，有效且准确地对振动故障进行诊断，提高现有换热机组振动故障的诊断水平；另一方面通过对压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，能够反映换热机组泄漏、堵塞的故障状态，为换热机组的预防性维修提供指导；针对不同类型的数据采用适应的特征提取方法，能够提高故障诊断的精确性；
(3)本发明采用卷积神经网络构建对数据进行训练，构建故障诊断模型以及对故障诊断模型进行测试，实现诊断准确率和诊断精度的提高。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于边缘计算和神经网络的换热机组故障诊断方法流程图；
图2为本发明的基于边缘计算和神经网络的换热机组故障诊断系统原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
实施例1
图1是本发明所涉及的基于边缘计算和神经网络的换热机组故障诊断方法流程图。
如图1所示，本发明提供了一种基于边缘计算和神经网络的换热机组故障诊断方法，包括如下步骤：
步骤S1，在换热机组设备上部署不同类型的传感器，实时采集设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；采集的数据至少包括振动数据、压力数据、温度数据和流量数据；工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障，换热机组设备包括循环泵、换热器、过滤器和管路；
步骤S2，边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
步骤S3，根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；
步骤S4，对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至故障诊断模型进行诊断，生成诊断结果。
在本实施例中，步骤S1中，振动数据通过在循环泵采集获得，压力数据通过在一次侧供回水、二次侧换热器和循环泵的进出口采集获得；温度数据通过在一次侧和二次侧的供回水的进出口采集获得；流量数据通过在一次侧供回水、二次侧供回水和循环泵的进出口采集获得。
在本实施例中，在步骤S2之前还包括：对样本数据集进行预处理，预处理的方法包括：数据清洗、数据集成和数据规约；
数据清洗选取删除法或插值法进行缺失值填补，选取回归法或小波去噪法或均值平滑法进行噪声去除；
数据集成是将数据通过一定的逻辑关系集成到数据集合中；
数据规约是剔除冗余的、无效的数据，将数据中有效的数据提取出来。
在本实施例中，步骤S2中，滑动窗口策略具体包括：滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割；滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列；
步骤S2中，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，具体包括：
提取子序列的时域特征，包括：加速度有效值、速度有效值、峰值因子、峭度因子、裕度因子和偏斜度；
提取子序列的频域特征，包括：采用绝对傅里叶变换将子序列转换成频域信号，然后提取频谱的质心、方差、偏度和峰度作为频域特征；
提取子序列的时频域特征，包括：小波包分解子序列后的信号能量谱中各频带的能量；
对每个子序列包含的换热机组中传感器采集的振动数据提取时域特征、频域特征和时频域特征，形成振动故障诊断特征向量。
需要说明的是，换热机组中机械设备的振动故障通常包括：转子不平衡故障，包括转子系统的质量偏心及转子部件出现缺损；转子不对中故障，是振动故障发生最多的故障之一，通常包括平行位移不对中、角度位移不对中以及混合不对中；转子周期性冲击故障，转子是旋转机械的重要组成部分，随着对旋转机械高转速高效率的要求，转子与静子的间隙越来越小，导致转子与静子间的周期性冲击成为一种常见、却又极易引起失效的故障现象；滚动轴承故障，引起轴承损坏的主要原因是过大的动载荷。
在本实施例中，步骤S2中，针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，具体包括：
对样本数据集中的压力数据、温度数据和流量数据进行标准化处理，得到由n个特征变量组成的数据矩阵；
计算数据矩阵的协方差得到协方差矩阵，再计算协方差矩阵的特征值和每个特征值对应的特征向量；
将特征值从大到小排列，并将特征向量依照对应的特征值排序方式进行排列；
按照特征向量对应的方差贡献率选取累计贡献率为预设值的前m个主元作为特征提取后的主元特征；
对换热机组中传感器采集的压力数据、温度数据和流量数据提取主元特征，形成泄漏和堵塞故障诊断特征向量。
在实际的应用中，如果一次侧供回水压差或者二次侧换热器的进出口压差超过0.15MPa以上，并且二次供水温度不热，则需要检查换热器是否堵塞；如果一次侧供水流量不足，则检查一次侧供水、回水管路所有阀门是否全部打开以及检查一次供水过滤器是否堵塞，如果阀门全部打开，再判断一次供回水的压差，如果压差大于0.15MPa，则需要清洗换热器；如果二次侧不通畅，同样采用上述过程判断过滤器是否堵塞或者清洗换热器；如果一次供水温度与一次回水温度的温差很大，高温水超过45度以上，低温水超过30度以上，并且二次供水不热，此时检查一次供水处的过滤器堵塞；如果二次供水温度与二次回水温度温差很大，地暖温差超过15度以上，散热器采暖温差超过30度以上，并且压差很小，检查二次回水处的过滤器堵塞；如果补水泵出现频繁补水情况，则检查二次侧系统管路或者阀门泄漏。
在本实施例中，步骤S3中，卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成。
在本实施例中，步骤S3中，根据故障诊断特征向量构建基于卷积神经网络的振动故障诊断模型，具体包括：
搭建卷积神经网络，将样本数据集中的训练集数据对应的故障诊断特征向量作为输入，训练基于卷积神经网络的振动故障诊断模型，选用交叉熵作为训练的损失函数，将诊断结果作为输出；诊断结果包括静止状态、正常运行状态和某一故障状态；
测试基于卷积神经网络的振动故障诊断模型，将样本数据集中的验证集对应的故障诊断特征向量输入已经训练好的卷积神经网络，得到预测的诊断结果，然后将预测的诊断结果与真实的诊断结果进行比对，若比对一致，则说明振动故障诊断模型的准确率达到要求，基于卷积神经网络的振动故障诊断模型训练阶段完成，否则调整卷积神经网络参数继续进行训练。
在本实施例中，边缘计算节点的数量至少为一个，每一边缘计算节点对应相应片区的换热机组；样本数据集通过边缘接入层、边缘网络传输层、边缘网关接入层传输至边缘平台层中的边缘计算节点。
在本实施例中，在步骤S4之前还包括：采用粒子群算法优化卷积神经网络的超参数，确定优化后的卷积神经网络，具体包括：
设置粒子群算法参数；
更新粒子群算法，计算更新后粒子的适应度；
比较当前粒子适应度和全局历史最优适应度，若当前适应度更优，则全局历史最优的位置为当前粒子位置。
实施例2
图2是本发明所涉及的基于边缘计算和神经网络的换热机组故障诊断系统原理框图。
如图2所示，本发明第二方面还提出一种基于边缘计算和神经网络的换热机组故障诊断系统，换热机组故障诊断系统包括：
数据采集模块，用于在换热机组设备上部署不同类型的传感器，实时采集设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；采集的数据至少包括振动数据、压力数据、温度数据和流量数据；工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障，换热机组设备包括循环泵、换热器、过滤器和管路；
特征提取模块，用于边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
诊断模型构建模块，用于边缘计算节点根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；
故障诊断模块，用于边缘计算节点对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至故障诊断模型进行诊断，生成诊断结果。
本发明通过邻近部署的边缘计算节点对样本数据集进行特征提取形成故障诊断特征向量后构建故障诊断模型，再依据故障诊断模型对换热机组进行诊断生成诊断结果，从而实现通过边缘计算节点能够在近端及时有效地对换热机组故障进行诊断，有效改善了数据的传输速率，提高了数据交互的实时性，减缓了网络带宽压力，提高了故障诊断的效率；本发明一方面通过对振动数据采用滑动窗口分割样本数据，再对数据进行时域、频域和时频域特征的提取，从而能够均衡反映换热机组的振动故障状态，有效且准确地对振动故障进行诊断，提高现有换热机组振动故障的诊断水平；另一方面通过对压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，能够反映换热机组泄漏、堵塞的故障状态，为换热机组的预防性维修提供指导；针对不同类型的数据采用适应的特征提取方法，能够提高故障诊断的精确性；本发明采用卷积神经网络构建对数据进行训练，构建故障诊断模型以及对故障诊断模型进行测试，实现诊断准确率和诊断精度的提高。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于边缘计算和神经网络的换热机组故障诊断方法，其特征在于，包括如下步骤：
步骤S1，在换热机组设备上部署不同类型的传感器，通过传感器实时采集换热机组设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障；
步骤S2，所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
步骤S3，所述边缘计算节点根据故障诊断特征向量构建基于神经网络的故障诊断模型；
步骤S4，所述边缘计算节点对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。
2.根据权利要求1所述的换热机组故障诊断方法，其特征在于，所述步骤S1中，所述振动数据通过在循环泵采集获得，所述压力数据通过在一次侧供回水、二次侧换热器和循环泵的进出口采集获得；所述温度数据通过在一次侧和二次侧的供回水的进出口采集获得；所述流量数据通过在一次侧供回水、二次侧供回水和循环泵的进出口采集获得。
3.根据权利要求1所述的换热机组故障诊断方法，其特征在于，在所述步骤S2之前还包括：对所述样本数据集进行预处理，所述预处理的方法包括：数据清洗、数据集成和数据规约；
所述数据清洗选取删除法或插值法进行缺失值填补，选取回归法或小波去噪法或均值平滑法进行噪声去除；
所述数据集成是将数据通过一定的逻辑关系集成到数据集合中；
所述数据规约是剔除冗余的、无效的数据，将数据中有效的数据提取出来。
4.根据权利要求1所述的换热机组故障诊断方法，其特征在于，所述步骤S2中，所述滑动窗口策略具体包括：滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割；滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列；
所述步骤S2中，所述提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，具体包括：
提取子序列的时域特征，包括：加速度有效值、速度有效值、峰值因子、峭度因子、裕度因子和偏斜度；
提取子序列的频域特征，包括：采用绝对傅里叶变换将子序列转换成频域信号，然后提取频谱的质心、方差、偏度和峰度作为频域特征；
提取子序列的时频域特征，包括：小波包分解子序列后的信号能量谱中各频带的能量；
对每个子序列包含的换热机组中传感器采集的振动数据提取时域特征、频域特征和时频域特征，形成振动故障诊断特征向量。
5.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，所述步骤S2中，针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，具体包括：
对样本数据集中的压力数据、温度数据和流量数据进行标准化处理，得到由n个特征变量组成的数据矩阵；
计算数据矩阵的协方差得到协方差矩阵，再计算协方差矩阵的特征值和每个特征值对应的特征向量；
将特征值从大到小排列，并将特征向量依照对应的特征值排序方式进行排列；
按照特征向量对应的方差贡献率选取累计贡献率为预设值的前m个主元作为特征提取后的主元特征；
对换热机组中传感器采集的压力数据、温度数据和流量数据提取主元特征，形成泄漏和堵塞故障诊断特征向量。
6.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，所述步骤S3中，所述神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成。
7.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，所述步骤S3中，根据所述故障诊断特征向量构建基于神经网络的振动故障诊断模型，具体包括：
搭建神经网络，将样本数据集中的训练集数据对应的故障诊断特征向量作为输入，训练基于神经网络的振动故障诊断模型，选用交叉熵作为训练的损失函数，将诊断结果作为输出；所述诊断结果包括静止状态、正常运行状态和某一故障状态；
测试基于神经网络的振动故障诊断模型，将样本数据集中的验证集对应的故障诊断特征向量输入已经训练好的神经网络，得到预测的诊断结果，然后将预测的诊断结果与真实的诊断结果进行比对，若比对一致，则说明振动故障诊断模型的准确率达到要求，基于神经网络的振动故障诊断模型训练阶段完成，否则调整神经网络参数继续进行训练。
8.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，所述边缘计算节点的数量至少为一个，每一边缘计算节点对应相应片区的换热机组；所述样本数据集通过边缘接入层、边缘网络传输层、边缘网关接入层传输至边缘平台层中的边缘计算节点。
9.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，在所述步骤S4之前还包括：采用粒子群算法优化所述神经网络的超参数，确定优化后的神经网络，具体包括：
设置粒子群算法参数；
更新粒子群算法，计算更新后粒子的适应度；
比较当前粒子适应度和全局历史最优适应度，若当前适应度更优，则全局历史最优的位置为当前粒子位置。
10.一种基于边缘计算和神经网络的换热机组故障诊断系统，其特征在于，它包括：
数据采集模块，用于在换热机组设备上部署不同类型的传感器，实时采集换热机组设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括热机组设备的正常运行、振动、泄漏和堵塞故障；
特征提取模块，用于所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
诊断模型构建模块，用于所述边缘计算节点根据故障诊断特征向量构建基于神经网络的故障诊断模型；
故障诊断模块，用于所述边缘计算节点对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。
CN202110924078.2A 2021-08-12 2021-08-12 基于边缘计算和神经网络的换热机组故障诊断方法及系统 Active CN113640027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924078.2A CN113640027B (zh) 2021-08-12 2021-08-12 基于边缘计算和神经网络的换热机组故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924078.2A CN113640027B (zh) 2021-08-12 2021-08-12 基于边缘计算和神经网络的换热机组故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113640027A true CN113640027A (zh) 2021-11-12
CN113640027B CN113640027B (zh) 2024-05-07

Family

ID=78421094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924078.2A Active CN113640027B (zh) 2021-08-12 2021-08-12 基于边缘计算和神经网络的换热机组故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113640027B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115163513A (zh) * 2022-06-02 2022-10-11 北京和利时系统集成有限公司 一种地铁潜污泵的故障诊断方法和装置
CN115273429A (zh) * 2022-07-29 2022-11-01 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种板式换热器堵塞预警方法、系统、设备及存储介质
CN115560381A (zh) * 2022-12-06 2023-01-03 建科环能科技有限公司 一种基于边缘计算的智能群控电供暖系统、方法及设备
CN115914307A (zh) * 2022-12-06 2023-04-04 中国建筑科学研究院有限公司 一种基于边缘计算的供热气象调控方法、系统及设备
CN116150566A (zh) * 2023-04-20 2023-05-23 浙江浙能迈领环境科技有限公司 船舶燃料供应安全监测系统及其方法
CN116306095A (zh) * 2023-01-16 2023-06-23 中国电建集团北京勘测设计研究院有限公司 基于边缘计算的抽水蓄能机组故障诊断系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理系统的故障诊断方法
CN111319601A (zh) * 2020-02-28 2020-06-23 中南大学 一种均衡风缸控制模块故障诊断方法、装置及存储介质
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN112164153A (zh) * 2020-09-22 2021-01-01 厦门德威智联科技有限公司 一种ai边缘计算故障诊断器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理系统的故障诊断方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111319601A (zh) * 2020-02-28 2020-06-23 中南大学 一种均衡风缸控制模块故障诊断方法、装置及存储介质
CN112164153A (zh) * 2020-09-22 2021-01-01 厦门德威智联科技有限公司 一种ai边缘计算故障诊断器

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115163513A (zh) * 2022-06-02 2022-10-11 北京和利时系统集成有限公司 一种地铁潜污泵的故障诊断方法和装置
CN115163513B (zh) * 2022-06-02 2024-02-23 北京和利时系统集成有限公司 一种地铁潜污泵的故障诊断方法和装置
CN115273429A (zh) * 2022-07-29 2022-11-01 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种板式换热器堵塞预警方法、系统、设备及存储介质
CN115560381A (zh) * 2022-12-06 2023-01-03 建科环能科技有限公司 一种基于边缘计算的智能群控电供暖系统、方法及设备
CN115560381B (zh) * 2022-12-06 2023-03-10 建科环能科技有限公司 一种基于边缘计算的智能群控电供暖系统、方法及设备
CN115914307A (zh) * 2022-12-06 2023-04-04 中国建筑科学研究院有限公司 一种基于边缘计算的供热气象调控方法、系统及设备
CN115914307B (zh) * 2022-12-06 2023-09-26 中国建筑科学研究院有限公司 一种基于边缘计算的供热气象调控方法、系统及设备
CN116306095A (zh) * 2023-01-16 2023-06-23 中国电建集团北京勘测设计研究院有限公司 基于边缘计算的抽水蓄能机组故障诊断系统及方法
CN116150566A (zh) * 2023-04-20 2023-05-23 浙江浙能迈领环境科技有限公司 船舶燃料供应安全监测系统及其方法

Also Published As

Publication number Publication date
CN113640027B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN113640027B (zh) 基于边缘计算和神经网络的换热机组故障诊断方法及系统
CN107941537B (zh) 一种机械设备健康状态评估方法
Fu et al. Condition monitoring of wind turbine gearbox bearing based on deep learning model
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN111597682B (zh) 预测风力机齿轮箱轴承剩余寿命的方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
CN110410282A (zh) 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
CN110954312A (zh) 一种基于无键相整周期信号的往复机械故障诊断方法
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
CN111178378B (zh) 一种设备的故障预测方法、装置、电子设备及存储介质
CN111474919B (zh) 基于aann网络组的航空发动机控制系统传感器故障诊断方法
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN103729444A (zh) 一种基于设备监测数据间潜在关系的异常数据检测方法
Zhang et al. A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及系统
CN115983374A (zh) 基于优化sa-cacgan的电缆局放数据库样本扩充方法
Pang et al. Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings
Li et al. Diagnosis for the refrigerant undercharge fault of chiller using deep belief network enhanced extreme learning machine
CN113641486A (zh) 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
Wu et al. An improved LSTM neural network with uncertainty to predict remaining useful life

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