CN113723486B - 一种离心泵多模态监测数据清洗及特征融合提取方法 - Google Patents
一种离心泵多模态监测数据清洗及特征融合提取方法 Download PDFInfo
- Publication number
- CN113723486B CN113723486B CN202110969162.6A CN202110969162A CN113723486B CN 113723486 B CN113723486 B CN 113723486B CN 202110969162 A CN202110969162 A CN 202110969162A CN 113723486 B CN113723486 B CN 113723486B
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- time
- information
- data
- motion
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开一种离心泵多模态监测数据清洗及建模方法,通过布设热红外成像及振动传感器,实时获取运转中离心泵热红外成像和振动两种传感数据,形成离心泵工作状态原始数据序列,表征离心泵时序的温度,运动及振动信息三种模态数据。对离心泵工作状态原始数据序列进行数据清洗,根据数据的可靠性滤除不可靠的监测数据,形成离心泵工作状态数据序列。对离心泵工作状态数据序列进行多流深度特征提取并融合,形成离心泵多模态监测特征模型,以表征离心泵的工作状态。
Description
技术领域
本发明涉及一种离心泵多模态监测数据清洗及特征融合提取方法,属于离心泵运行状态建模技术领域。
背景技术
离心泵是一种应用广泛的旋转机械,具有运行转速高、介质温度压力高等特点,加之复杂的设备工况,极易发生各类故障,导致各类恶性事故的产生,影响设备运行的可靠性和安全性。鲁棒获取离心泵运行状态信息并建模是离心泵运行状态辨识及故障诊断的前提和基础。现有技术多采用单一的振动传感器获取离心泵的运行过程中的振动信息以表达离心泵的运行状态。但是,大量的研究和实际应用成果表明该类策略所获取的单一模态的传感器监测信息难以准确、及时的反应离心泵的运行状态,导致故障诊断结果常出现严重误差,无法满足实际应用的需求。
离心泵运行状态相关要素主要包括:机体温度变化、壳体运动状态及轴承振动三个要素。随着传感器技术的发展,对于这三种信息要素监测的技术日趋成熟,使得离心泵多模态监测数据的及时获取成为可能,能够为离心泵运行状态监测及建模提供更加丰富的基础数据。然而,数据量的增加导致大量错误数据的产生,为准确的离心泵运行状态建模及故障诊断造成严重影响。此外,面对数据格式具有明显差异多模态数据,数据建模的困难性显著增加。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明提供一种离心泵多模态监测数据清洗及特征融合提取方法,通过红外成像传感器、振动传感器获取离心泵机体温度变化、壳体运动状态及轴承振动三个要素的信息。在此基础上,采用时序耦合方法对三种模态的数据进行清洗,滤除不可靠的传感数据,滤除不可靠的传感数据,形成离心泵工作状态数据序列。最后,采用深度学习方法对离心泵工作状态数据序列进行多流深度特征提取并融合,形成离心泵多模态监测特征模型,以表征离心泵的工作状态。为及时有效的离心泵故障诊断及健康状态评价等提供基础。
技术方案:一种离心泵多模态监测数据清洗及特征融合提取方法,包括如下步骤:
步骤(1)实时获取运转中离心泵热红外成像和振动两种传感数据,形成离心泵工作状态原始数据序列,表征离心泵时序的温度,运动及振动信息三种模态的数据。
步骤(2)采用时序的耦合计算,根据耦合计算结果判断温度,运动及振动信息的原始数据序列的可靠性。
步骤(3)对表征离心泵时序的温度,运动及振动信息的原始数据序列进行数据清洗,构造离心泵工作状态数据序列。
步骤(4)对离心泵工作状态数据序列进行多流深度特征提取并融合,形成离心泵的工作状态模型。
在离心泵区域内布设热红外成像传感器,用于实时获取运转中离心泵热红外成像的传感数据,成像视域以离心泵区域为中心,离心泵区域像素占据图像像素的50%以上。在离心泵滚动轴承器件布设振动传感器,用于实时获取运转中离心泵振动数据。
有益效果:与现有技术相比,本发明提供的离心泵多模态监测数据清洗及特征融合提取方法,能够协同获取、处理离心泵多模态监测数据,并通过协同数据清洗技术,保障离心泵监测数据的完整性和鲁棒性,为离心泵健康状态的估计和故障诊断提供更加丰富的特征和依据,提高估计和诊断的准确性。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,一种离心泵多模态监测数据清洗及特征融合提取方法,包括:
一、通过布设热红外成像及振动传感器,实时获取运转中离心泵热红外成像和振动两种模态的传感数据,形成离心泵工作状态原始数据序列,表征离心泵时序的温度,运动及振动信息。
在离心泵区域内布设热红外成像传感器,用于实时获取运转中离心泵热红外成像的传感数据,成像视域以离心泵区域为中心,离心泵区域像素占据图像像素的50%以上。在离心泵滚动轴承器件布设振动传感器,用于实时获取运转中离心泵振动数据。
(1)实时获取运转中离心泵热红外成像数据表征离心泵时序的温度信息。利用热红外成像的强度信息,采用基于兴趣区域的离心泵热成像区域提取方法,考虑到离心泵布设区域在热成像区域中的像素位置相对稳定,离心泵轴承部件区域在热成像区域中的像素位置相对稳定,标定离心泵区域R及轴承部件区域S,计算轴承部件区域S中热成像的强度值并换算成温度值:
其中,Rt(x,y)为t时刻离心泵区域,Rt-v(x,y)为t-v时刻离心泵区域,τ为预设阈值(典型值τ=0.6),(x,y)为图像像素位置。
(3)利用振动传感器实时获取运转中离心泵振动信息Vt。
二、采用时域耦合法对表征离心泵时序的温度,运动及振动信息的原始数据序列的可靠性进行判别。
可靠性判别的依据:
①当时域耦合性降低时表明数据发生瞬变。
②当温度,运动及振动信息数据协同瞬变时,数据可靠。
③当温度,运动及振动信息数据的瞬变不协同时,不协同的一类数据不可靠。
(1)考虑到离心泵状态的时间连续性,建立温度,运动及振动信息的间隔为k的序列作为t时刻的时序样本,以时序样本为离心泵监测数据清洗和建模的基元。
t时刻的温度信息的时序样本:
ηt=[It-k,It-k+1,…,It]
t时刻的运动信息时序样本:
t时刻的振动信息时序样本:
βt=[Vt-k,Vt-k+1,…,Vt]
计算t时刻的时序样本与t-1时刻温度信息的时序样本的耦合相关性
(2)判断温度、运动、振动信息判断三种数据的可靠性。
对相关性进行阈值滤波:
三、对表征离心泵时序的温度,运动及振动信息的原始数据序列进行数据清洗,根据数据的可靠性滤除不可靠的传感数据,形成离心泵工作状态数据序列。采用上一时刻的时序样本替代当前时刻的时序样本。
若温度信息为非可靠信息,则ηt=ηt-1
若运动信息为非可靠信息,则θt=θt-1
若振动信息为非可靠信息,则βt=βt-1。
四、对离心泵工作状态数据序列(离心泵温度,运动及振动的时序样本)进行多流深度特征提取并融合,形成离心泵多模态监测特征模型,以表征离心泵的工作状态。
对温度信息采用一维卷积神经网络(1D-CNN)提取温度深度特征,对于运动信息采用二维卷积神经网络(2D-CNN)提取运动深度特征,对于振动信息采用一维卷积神经网络(1D-CNN)提取振动深度特征。采用压缩-拼接-激励(Squeeze-Connection-Excitation)模型进行温度、运动、振动多流深度特征融合。融合结果为离心泵多模态监测特征模型,以表征离心泵的工作状态。
Claims (5)
1.一种离心泵多模态监测数据清洗及特征融合提取方法,其特征在于,实时获取运转中离心泵热红外成像和振动两种传感数据,形成离心泵工作状态原始数据序列,表征离心泵时序的温度,运动及振动信息;采用时序的耦合计算,根据耦合计算结果判断温度,运动及振动信息的原始数据序列的可靠性;对表征离心泵时序的温度,运动及振动信息的原始数据序列进行数据清洗,构造离心泵工作状态数据序列;对离心泵工作状态数据序列进行多流深度特征提取并融合,形成离心泵多模态监测特征模型,以表征离心泵的工作状态;
其中,Rt(x,y)为t时刻离心泵区域,Rt-v(x,y)为t-v时刻离心泵区域,τ为预设阈值,(x,y)为图像像素位置;
采用时域耦合法对表征离心泵时序的温度,运动及振动信息的原始数据序列的可靠性进行判别:
可靠性判别的依据:
①当时域耦合性降低时表明数据发生瞬变;
②当温度,运动及振动信息数据协同瞬变时,数据可靠;
③当温度,运动及振动信息数据的瞬变不协同时,不协同的一类数据不可靠;
可靠性判别为:
(1)考虑到离心泵状态的时间连续性,建立温度,运动及振动信息的间隔为k的序列作为t时刻的时序样本,以时序样本为离心泵监测数据清洗和建模的基元;
t时刻的温度信息的时序样本:
ηt=[It-k,It-k+1,…,It]
t时刻的运动信息时序样本:
t时刻的振动信息时序样本:
βt=[Vt-k,Vt-k+1,…,Vt]
计算t时刻的时序样本与t-1时刻温度信息的时序样本的耦合相关性:
(2)判断温度、运动、振动信息判断三种数据的可靠性;
对相关性进行阈值滤波:
对表征离心泵时序的温度,运动及振动信息的原始数据序列进行数据清洗,根据数据的可靠性滤除不可靠的传感数据,形成离心泵工作状态数据序列;采用上一时刻的时序样本替代当前时刻的时序样本;
若温度信息为非可靠信息,则ηt=ηt-1;
若运动信息为非可靠信息,则θt=θt-1;
若振动信息为非可靠信息,则βt=βt-1。
2.根据权利要求1所述的离心泵多模态监测数据清洗及特征融合提取方法,其特征在于,在离心泵区域内布设热红外成像传感器,用于实时获取运转中离心泵热红外成像的传感数据,成像视域以离心泵区域为中心,离心泵区域像素占据图像像素的50%以上;在离心泵滚动轴承器件布设振动传感器,用于实时获取运转中离心泵振动数据。
4.根据权利要求1所述的离心泵多模态监测数据清洗及特征融合提取方法,其特征在于,利用振动传感器实时获取运转中离心泵振动信息Vt。
5.根据权利要求1所述的离心泵多模态监测数据清洗及特征融合提取方法,其特征在于,对离心泵工作状态数据序列进行多流深度特征提取并融合,形成离心泵多模态监测特征模型,以表征离心泵的工作状态;对温度信息采用一维卷积神经网络提取温度深度特征,对于运动信息采用二维卷积神经网络提取运动深度特征,对于振动信息采用一维卷积神经网络提取振动深度特征;采用压缩-拼接-激励模型进行温度、运动、振动多流深度特征融合;融合结果为离心泵多模态监测特征模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969162.6A CN113723486B (zh) | 2021-08-23 | 2021-08-23 | 一种离心泵多模态监测数据清洗及特征融合提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969162.6A CN113723486B (zh) | 2021-08-23 | 2021-08-23 | 一种离心泵多模态监测数据清洗及特征融合提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723486A CN113723486A (zh) | 2021-11-30 |
CN113723486B true CN113723486B (zh) | 2022-07-29 |
Family
ID=78677387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110969162.6A Active CN113723486B (zh) | 2021-08-23 | 2021-08-23 | 一种离心泵多模态监测数据清洗及特征融合提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114962248B (zh) * | 2022-07-27 | 2022-11-04 | 北京华夏圣远能源科技有限公司 | 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8049723B2 (en) * | 2005-12-20 | 2011-11-01 | Accenture Global Services Limited | Wireless handheld device and method with remote GUI control |
US9959471B2 (en) * | 2008-05-06 | 2018-05-01 | Careview Communications, Inc. | Patient video monitoring systems and methods for thermal detection of liquids |
US10756995B2 (en) * | 2015-07-27 | 2020-08-25 | Datagrid Systems, Inc. | Method, apparatus and system for real-time optimization of computer-implemented application operations using machine learning techniques |
CN107132064B (zh) * | 2017-05-17 | 2019-02-26 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
CN108362382B (zh) * | 2017-11-30 | 2019-11-29 | 武汉高德智感科技有限公司 | 一种热成像监控方法及其监控系统 |
CN109947750B (zh) * | 2018-07-23 | 2021-02-05 | 河海大学 | 一种基于耦合建模的多领域数据清洗及学习方法 |
CN111426387A (zh) * | 2019-01-10 | 2020-07-17 | 杭州海康威视数字技术股份有限公司 | 温度异常检测方法及装置 |
CN110083593B (zh) * | 2019-04-23 | 2023-02-10 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 电站运行参数清洗及修复方法、修复系统 |
CN111523509B (zh) * | 2020-05-08 | 2023-08-29 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111538708B (zh) * | 2020-07-08 | 2020-10-13 | 武汉智慧地铁科技有限公司 | 地铁隧道全时全域振动监测历史数据的清洗压缩方法 |
CN112347093B (zh) * | 2020-11-05 | 2021-08-03 | 哈尔滨航天恒星数据系统科技有限公司 | 便于海量多源异构数据的清洗整合存储的方法 |
CN112525951A (zh) * | 2020-11-30 | 2021-03-19 | 中科院过程工程研究所南京绿色制造产业创新研究院 | 一种加热成像装置及关联辐射图像与积灰温度的方法 |
CN112527788B (zh) * | 2020-12-17 | 2024-04-30 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
CN112784906B (zh) * | 2021-01-26 | 2024-02-02 | 中国科学院半导体研究所 | 基于多条件时间序列的农机监测数据清洗方法与装置 |
CN113034506B (zh) * | 2021-05-24 | 2021-08-06 | 湖南大学 | 遥感图像语义分割方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-23 CN CN202110969162.6A patent/CN113723486B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113723486A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN106875395A (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN113723486B (zh) | 一种离心泵多模态监测数据清洗及特征融合提取方法 | |
CN114818774A (zh) | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 | |
CN112946081B (zh) | 基于缺陷多特征智能提取与融合的超声成像方法 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN103593849A (zh) | 一种用于影像序列椭圆形人工目标点快速识别与跟踪方法 | |
CN115526515B (zh) | 一种水利水电用闸门的安全监测系统 | |
CN104408741A (zh) | 一种时序一致性约束的视频全局运动估计方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN110827263B (zh) | 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN107330440A (zh) | 基于图像识别的海洋状态计算方法 | |
Jiao et al. | A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection | |
CN113283276A (zh) | 一种联动热成像自学习火点检测方法及系统 | |
CN116843725A (zh) | 一种基于深度学习光流法的河流表面流速测量方法及系统 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
JP7460391B2 (ja) | 学習装置、画像検査装置、プログラム、および学習方法 | |
CN113222950B (zh) | 表面缺陷检测模型训练方法、表面缺陷检测方法及系统 | |
CN112330660B (zh) | 一种基于神经网络的精子尾部检测方法及其系统 | |
CN115050095A (zh) | 一种基于高斯过程回归和渐进滤波的人体姿态预测方法 | |
CN113569806A (zh) | 人脸识别方法及装置 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 |
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 |