CN114508490B - 一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块 - Google Patents

Abstract

本申请涉及一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块，涉及离心泵故障检测技术领域，其包括：泵体，泵体上通过两转动轴承转动设置有转轴，转轴位于泵体内设置有叶轮，转轴延伸至泵体外的一端同轴设置有电机，泵体上还包括介质进口以及介质出口，转轴与泵体上设置有振动传感器，泵体位于介质出口位置处设置有流量传感器，泵体位于介质进口、介质出口处设置有压力传感器与流速传感器，转动轴承上与电机内均设置有温度传感器，转轴靠近叶轮位置处设置有位移传感器，转轴与电机连接处设置有扭矩传感器；电机上还设置有与外界数据处理设备信号连接的传输模块。本申请具有提高中开离心泵故障点定位智能化的效果。

Description

一种智能中开离心泵以及应用于该离心泵的网络故障点定位 方法、可读存储模块

技术领域

本申请涉及中开离心泵故障检测技术领域，尤其是涉及一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块。

背景技术

中开离心泵是石油化工、冶金、电力及国防工业的一种关键旋转机械，由于其工作转速高、介质温度压力高等运行特点，使其容易发生各种机械故障。同时，虽然大多数中开离心泵均有备台可切换，但由于其介质部分具有可燃性，导致其故障危害性往往较大，近年来石化企业发生多起由于关键中开离心泵故障引起的恶性事故，严重影响了流程工业的可靠运行和生产安全。

目前在线监测技术已经广泛应用于各类大型企业，但是对于故障识别及诊断，由于中开离心泵在运行过程中中开离心泵内部数据难以获取，只能依赖于现场相关人员以人工的方式，通过中开离心泵壳体振动的检测数据进行分析，并结合自身知识和经验对中开离心泵的运行状态进行判断。

针对上述相关技术，发明人认为随着我国各类企业对无人或少人化生产的推进，上述诊断方式已显示出明显的弊端，主要存在以下两个问题：①人工诊断因能采集到的中开离心泵数据较少，基于少量的检测数据要实现准确的故障分析，对人的要求较高，要求相关人员不仅具备全面的故障诊断专业知识和信号处理分析理论，还需具备丰富的实际现场经验；②人工诊断效率难以满足企业大批量中开离心泵的故障分析需求，各大型企业现场的中开离心泵数量往往较多，少则数百台，多则上千台，形成大规模的中开离心泵网络，具备诊断能力的专家有限，难以满足及时诊断的需求。因此，中开离心泵网络故障的智能诊断是一个亟需解决的问题。

发明内容

为了提高中开离心泵故障点定位的智能化，本申请提供一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块。

第一方面，本申请通过的一种智能中开离心泵，采用如下的技术方案：包括泵体，所述泵体上通过两转动轴承转动设置有转轴，所述转轴位于所述泵体内设置有叶轮，所述转轴延伸至泵体外的一端同轴设置有电机，所述泵体上还包括介质进口以及介质出口，所述转轴与所述泵体上设置有振动传感器，所述泵体位于所述介质出口位置处设置有流量传感器，所述泵体位于所述介质进口、所述介质出口处设置有压力传感器与流速传感器，所述转动轴承上与所述电机内均设置有温度传感器，所述转轴靠近所述叶轮位置处设置有位移传感器，所述转轴与所述电机连接处设置有扭矩传感器；

所述电机上还设置有与外界数据处理设备信号连接的传输模块，上述振动传感器、流量传感器、压力传感器、流速传感器、温度传感器、位移传感器以及扭矩传感器均信号连接于所述传输模块。

通过采用上述技术方案，各传感器对中开离心泵运行过程的各项数据进行实时监控，并将监控到的采集数据实时发送至传输模块，传输模块将采集到的数据传输至外部数据处理设备，从而有利于对中开离心泵在运行过程中内部数据进行监测并获取，进而提高中开离心泵发生过程时故障点定位的智能化。

第二方面，本申请提供的一种中开离心泵网络故障点定位方法，采用如下的技术方案：

一种中开离心泵网络故障点定位方法，应用上述技术中所述的智能中开离心泵组成中开离心泵网络，并于所述中开离心泵网络所在管道环境中建立参考坐标系并存储所述中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据；

建立并存储各传感器采集数据与故障点位置数据之间的第一关联关系；

基于各传感器采集数据，根据所述第一关联关系得到所述中开离心泵网络中故障点位置数据。

通过采用上述技术方案，在中开离心泵网络中任意一中开离心泵的某一结构发生故障时，发明人发现，根据建立的第一关联关系，中开离心泵发生故障位置可通过传感器网络的采集数据进行精准定位。在实际应用过程中，发明人通过在中开离心泵网络中建立传感器网络，并对中开离心泵网络与传感器网络位置进行数据化处理并存储。之后，便可通过实时监控传感器网络中的各传感器的采集数据，在中开离心泵网络中的中开离心泵发生故障时，快速对故障点位置进行定位。

可选的，所述应用上述技术所述的智能中开离心泵组成中开离心泵网络，并于所述中开离心泵网络所在管道环境中建立参考坐标系并存储所述中开离心泵网络中各中开离心泵结构的三维坐标数据及各传感器采集点位置数据，包括：

于所述中开离心泵网络所在管路环境中建立三维参考坐标系；

建立并存储各所述中开离心泵结构在所述参考坐标系中对应的三维坐标数据；

建立并存储所述传感器网络中各振动传感器采集点位置坐标数据、各流量传感器采集点位置坐标数据、各压力传感器采集点位置坐标数据、各流速传感器采集点位置坐标数据、各温度传感器采集点位置坐标数据、各位移传感器采集点位置坐标数据、各扭矩传感器采集点位置坐标数据、各密度传感器采集点位置坐标数据。

通过采用上述技术方案，采集中开离心泵网络中各中开离心泵上的振动、流量、压力、流速、温度、位移、扭矩以及密度信号，便于对中开离心泵网络中中开离心泵的运行情况进行多角度监控，同时进一步有利于对故障点位置定位的精确性。

可选的，所述建立并存储各传感器采集数据与故障点位置数据之间的第一关联关系，包括：

建立并存储所述各传感器采集数据与所述中开离心泵网络中发生故障中开离心泵坐标数据之间的第二关联关系；

建立并存储所述中开离心泵网络中各中开离心泵结构上传感器采集数据与该中开离心泵结构上故障点位置数据之间第三关联关系；

基于所述第二关联关系以及所述第三关联关系得到所述第一关联关系。

通过采用上述技术方案，基于传感器网络中各传感器采集到的数据，根据第二关联关系可确定发生故障中开离心泵坐标数据，由此将故障点位置范围缩小至单一中开离心泵上，再对该中开离心泵上的各传感器采集到的数据进行进一步处理，便可通过第三关联关系精确得到该中开离心泵上故障点的位置数据。

可选的，所述建立并存储所述中开离心泵网络中各中开离心泵结构上所有传感器采集数据与该中开离心泵结构上故障点位置数据之间第三关联关系，包括：

建立并存储传感器采集数据的数据样本；

计算并存储所述数据样本的混合域全特征集；

建立并存储神经网络模型及其对应的Loss函数模型，并初始化所述神经网络模型的网络参数；

基于所述数据样本及其对应的混合域全特征集训练所述神经网络模型，并基于所述Loss函数模型训练所述网络参数；

训练结束的神经网络模型即为所述第三关联关系。

通过采用上述技术方案，建立样本数据并对样本数据进行相关的特征提取得到混合域全特征集，并使用混合域全特征集对神经网络模型的网络参数进行调整，调整完成后的神经网络模型即为第三关联关系。将传感器采集数据输入该第三关联关系便可得到这些采集数据对应的故障点位置。

可选的，所述建立并存储传感器采集数据的数据样本，包括，

建立并存储传感器采集数据的正常样本，所述正常样本对应的中开离心泵结构无异常；

建立并存储传感器采集数据的异常样本，所述异常样本对应中开离心泵不同种类的异常情况。

通过采用上述技术方案，样本数据包含正常样本以及异常样本，异常样本中还对应不同中类的异常情况，基于此样本数据训练出的神经网络模型可用来判断中开离心泵是否处于正常工况以及非正常工况时正处于何种异常情况。

可选的，所述建立并存储传感器采集数据的数据样本，进一步还包括，

建立并存储传感器采集数据的预警样本，所述预警样本对应中开离心泵即将发生故障的预警情况。

通过采用上述技术方案，增加数据样本量，使其包括即将发生故障中开离心泵的预警样本数据，基于此数据样本训练出的神经网络模型不仅能判断中开离心泵是否发生故障以及若发生故障时的故障点位置，还能判断输入该神经网络模型中的传感器数据对应的中开离心泵是否即将发生故障，从而增加故障预警功能。

可选的，所述基于各传感器采集数据，根据所述第一关联关系得到所述中开离心泵网络中故障点位置数据，包括：

读取各传感器采集数据；

基于各所述传感器采集数据，根据所述第二关联关系得到所述中开离心泵网络中发生故障中开离心泵坐标数据；

基于上述发生故障中开离心泵坐标数据筛选出位于该发生故障中开离心泵上的传感器采集点位置数据；

读取发生故障中开离心泵上传感器采集数据；

基于所述发生故障中开离心泵上传感器采集数据得到对应的混合域全特征集，根据第三关联关系得到故障点位置数据。

通过采用上述技术方案，具体应用过程中，在中开离心泵网络中布置传感器网络并数据化处理后，对所有传感器数据进行实时监控，在有传感器网络出现异常时，根据第二关联关系迅速定位并读取出现异常传感器所位于的中开离心泵坐标数据，并读取该中开离心泵上所有传感器数据，紧接着将读取到的所有数据输入预先训练完成并存储的第三关联关系中，对该中开离心泵进行精确诊断，判断是否异常。若异常则输出的是异常位置，并转化成参考系位置坐标的形式输出。

可选的，所述基于各传感器采集数据，根据所述第一关联关系得到各中开离心泵结构的坐标数据中的故障点位置数据之后，还包括：

基于所述参考坐标系，将所述中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据输出至可视化界面上；

基于所述参考坐标系，将所述故障点位置数据标注在所述可视化界面上。

通过采用上述技术方案，将所有数据进行可视化输出可更加直观的显示中开离心泵网络中各中开离心泵的运行情况，便于用户进行直观的观察。同时在有中开离心泵出现异常时，异常位置可视化标注在可视化界面上，也有利于提高检修速度。

第三方面，本申请提供的一种计算机可读存储模块，采用如下技术方案：

一种计算机可读存储模块，包括包括存储器，所述存储器存储有用于执行上述技术中任意一项所述的一种中开离心泵网络故障点定位方法所对应的程序数据。

通过采用上述技术方案，将中开离心泵网络故障点定位方法程序存储在计算机可读存储模块中，在实际使用过程中，将传感器网络接入计算机设备，在有传感器数据异常上，计算机读取可读存储模块，对传感器网络采集数据进行处理，处理完成后将处理结果输出，从而便于用户对故障点位置进行获知，同时便于该方法的推广使用。

综上所述，本申请包括以下至少一种有益技术效果：

1. 各传感器对中开离心泵运行过程的各项数据进行实时监控，并将监控到的采集数据实时发送至传输模块，传输模块将采集到的数据传输至外部数据处理设备，从而有利于对中开离心泵在运行过程中内部数据进行监测并获取，进而提高中开离心泵发生过程时故障点定位的智能化；

2. 在中开离心泵网络中任意一中开离心泵的某一结构发生故障时，发明人发现，根据建立的第一关联关系，中开离心泵发生故障位置可通过传感器网络的采集数据进行精准定位。在实际应用过程中，发明人通过在中开离心泵网络中建立传感器网络，并对中开离心泵网络与传感器网络位置进行数据化处理并存储。之后，便可通过实时监控传感器网络中的各传感器的采集数据，在中开离心泵网络中的中开离心泵发生故障时，快速对故障点位置进行定位；

3. 采集中开离心泵网络中各中开离心泵上的振动、流量、压力、流速、温度、位移、扭矩以及密度信号，便于对中开离心泵网络中中开离心泵的运行情况进行多角度监控，同时进一步有利于对故障点位置定位的精确性。

附图说明

图1是本申请实施例一种智能中开离心泵为突显各传感器安装位置的剖视图。

图2是本申请实施例一种中开离心泵网络故障点定位方法步骤流程图。

图3是本申请S22步骤得到第三关联关系的流程图。

图4是本申请S3步骤流程图。

附图标记说明：1、泵体；2、转动轴承；3、转轴；4、叶轮；5、电机；6、介质出口；7、振动传感器；71、轴振传感器；72、泵振传感器；8、温度传感器；81、轴温传感器；82、机温传感器；9、压力传感器；10、流速传感器；11、流量传感器；12、位移传感器；13、扭矩传感器；14、传输模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例中所述的方法步骤，其执行顺序可以按照具体实施方式中所述的顺序执行，也可以根据实际需要，在能够解决技术问题的前提下，调整各步骤的执行顺序，在此不一一列举。

以下结合附图1-4对本申请作进一步详细说明。

本申请实施例公开一种智能中开离心泵。参照图1，一种智能中开离心泵包括包括泵体1，泵体1上通过两转动轴承2转动设置有转轴3，转轴3位于泵体1内设置有叶轮4，转轴3延伸至泵体1外的一端同轴设置有电机5，泵体1上还包括介质进口以及介质出口6。

转轴3与泵体1上设置有振动传感器7，在本实施例中，振动传感器7分为轴振传感器71与泵振传感器72，轴振传感器71内嵌设置在转轴3上固定叶轮4的位置处，泵振传感器72内嵌设置在泵体1侧壁上。

泵体1位于介质出口6位置处设置有流量传感器11，流量传感器11固定设置在泵体1介质出口6位置处的内侧壁上，用于检测中开离心泵输送介质的流量。

泵体1位于介质进口、介质出口6处设置有压力传感器9与流速传感器10，压力传感器9与流速传感器10均设置在泵体1介质进口、介质出口6位置处的内侧壁上，用于检测中开离心泵输送介质在进出口处的压力差与流速差。

转动轴承2处与电机5处均设置有温度传感器8，温度传感器8分为轴温传感器81与机温传感器82。轴温传感器81设置为两个且两轴温传感器81分布设置在泵体1靠近转动轴承2的位置处，用于检测中开离心泵在运行过程中转动轴承2处的温度。机温传感器82设置在电机5壳体上，用于检测中开离心泵在运行过程中电机5的温度。

转轴3靠近叶轮4位置处设置有位移传感器12，位移传感器12内嵌设置在转轴3上固定叶轮4的位置处，用于检测中开离心泵在运行过程中叶轮4的偏心距离。

转轴3与电机5连接处设置有扭矩传感器13，扭矩传感器13固定设置在电机5输出轴位置处，用于检测中开离心泵在运行过程中的输入扭矩；

电机5上还设置有与外界数据处理设备信号连接的传输模块14，传输模块14在本实施例中设置为GPRS无线数据传输模块14。上述振动传感器7、流量传感器11、压力传感器9、流速传感器10、温度传感器8、位移传感器12以及扭矩传感器13均电连接于所述传输模块14。其中位于转轴3上的轴振传感器71以及位移传感器12通过点旋转连接器与电机5上的传输模块14电连接。

本申请实施例还公开一种中开离心泵网络故障点定位方法。参照图2，一种中开离心泵网络故障点定位方法包括以下步骤：

S1，于中开离心泵网络所在管道环境中建立参考坐标系并存储中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据；

S2，建立并存储各传感器采集数据与故障点位置数据之间的第一关联关系；

S3，基于各传感器采集数据，根据第一关联关系得到所述中开离心泵网络中故障点位置数据；

S4，基于参考坐标系，将中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据输出至可视化界面上；

S5，基于参考坐标系，将故障点位置数据标注在可视化界面上。

具体的，步骤S1包括以下三个步骤：

S11，于中开离心泵网络所在管路环境中建立三维参考坐标系；

其中，选取中开离心泵网络所在管道环境中的任意一点为坐标远点，基于此坐标原点在水平方向上作X轴与Y轴，在竖直方向上作Z轴形成参考坐标系。

S12, 建立并存储各中开离心泵结构在参考坐标系中对应的三维坐标数据；

其中，每个中开离心泵的三维坐标数据均以一点云坐标数据集的形式存储。

S13，建立并存储传感器网络中各振动传感器采集点位置坐标数据、各流量传感器采集点位置坐标数据、各压力传感器采集点位置坐标数据、各流速传感器采集点位置坐标数据、各温度传感器采集点位置坐标数据、各位移传感器采集点位置坐标数据、各扭矩传感器采集点位置坐标数据、各密度传感器采集点位置坐标数据，并将所有传感器位置点的坐标数据以点阵数据集的形式存储。

步骤S2具体包括以下三个步骤：

S21, 建立并存储各传感器采集数据与中开离心泵网络中发生故障中开离心泵坐标数据之间的第二关联关系；

S22, 建立并存储中开离心泵网络中各中开离心泵结构上传感器采集数据与该中开离心泵结构上故障点位置数据之间第三关联关系；

S23，基于第二关联关系以及第三关联关系得到第一关联关系。

具体的，S21具体实施方式为，对各传感器采集数据设置一阈值范围，在中开离心泵正常工作过程中，各传感器采集的数据均在此阈值范围内，当其中一传感器的采集数据产生波动，超出其预设的阈值范围，则系统自动读取该中开离心泵的坐标数据，即为发生故障中开离心泵坐标数据。特别注意的是，该第二关联关系所得到的故障中开离心泵坐标数据是一个不精确的范围值，至于该中开离心泵是否发生故障以及发生故障的具体位置并不能精确得到。

参照图3，S22包括以下以下四个步骤：

S221,建立并存储传感器采集数据的数据样本；

S222，计算并存储数据样本的混合域全特征集；

S223，建立并存储神经网络模型及其对应的Loss函数模型，并初始化神经网络模型的网络参数；

S224,基于数据样本及其对应的混合域全特征集训练神经网络模型，并基于Loss函数模型调整网络参数，训练结束的神经网络模型即为所述第三关联关系。

具体的，步骤S221中所述数据样本包括正常样本、异常样本以及预警样本，正常样本编号为00。在本实施例中异常样本按异常零部件的种类分别编号为10、11、12、13、14、15，其中10表示中开离心泵泵体损坏、11表示中开离心泵转轴损坏、12表示中开离心泵叶轮损坏、13表示中开离心泵密封件损坏、14表示离心转轴套损坏、15表示中开离心泵电机损坏。预警样本按预警零部件的种类分别编号为20、21、22、23、24、25。其中20表示中开离心泵泵体预警、21表示中开离心泵转轴预警、22表示中开离心泵叶轮预警、23表示中开离心泵密封件预警、24表示离心转轴套预警、25表示中开离心泵电机预警。在其他实施例中，异常样本以及预警样本还可包括其他中开离心泵具体零部件损坏和预警样本。

步骤S222中所述混合域全特征集在本实施例中具体为样本对应20个特征值，分别是轴振信号的绝对均值与频谱幅值样本均值、泵体振动信号的绝对均值与频谱幅值样本均值、流量信号的绝对均值与频谱幅值样本均值、压差信号的绝对均值与频谱幅值样本均值、流速差信号的绝对均值与频谱幅值样本均值、轴温信号的绝对均值与频谱幅值样本均值、电机温度信号的绝对均值与频谱幅值样本均值、叶轮径向位移信号的绝对均值与频谱幅值样本均值、转轴扭矩信号的绝对均值与频谱幅值样本均值、介质密度信号的绝对均值与频谱幅值样本均值。在其他一些实施例中，混合域全特征集也可包括其他中开离心泵信号的绝对均值与频谱幅值样本均值，在另外一些实施例中，混合域全特征集还可包括上述各种信号的其他时域特征和频域特征。

步骤S223中的神经网络模型在本申请实施例中选用为卷积神经网络，其Loss函数选用为均方误差损失函数：MSE=1𝑚𝑖=1𝑚(𝑦𝑖−𝑦𝑖)，其中𝑦𝑖表示神经网络的输出，在所有标签均为正确解时，𝑦𝑖=𝑦𝑖，MSE=0。在训练开始前，将卷积神经网络的网络参数进行初始化。

在步骤S224中基于数据样本及其对应的混合域全特征集训练卷积神经网络模型，并基于均方误差损失函数模型调整网络参数，不断迭代训练调整网络参数，使上述均方误差损失函数的输出结果近似于0，训练结束,此时的卷积神经网络模型即为第三关联关系。

具体的，参照图4，步骤S3具体包括以下三个步骤：

S31，读取各传感器采集数据，基于各传感器采集数据，根据第二关联关系得到中开离心泵网络中发生故障中开离心泵坐标数据；

S32，基于上述发生故障中开离心泵坐标数据筛选出位于该发生故障中开离心泵上的传感器采集点位置数据；

S33，读取发生故障中开离心泵上传感器采集数据，基于发生故障中开离心泵上传感器采集数据得到对应的混合域全特征集，根据第三关联关系得到故障点位置数据。

具体的，在中开离心泵网络中布置传感器网络并数据化处理后，对所有传感器数据进行实时监控，在本实施例中，第二关联关系为判断关系式，用于判断所有传感器采集数据是否超出其对应的稳定阈值范围。在有传感器采集数据出现异常，超出正常稳定阈值范围时，读取出现异常传感器所位于的中开离心泵坐标数据，并读取该中开离心泵上所有传感器数据，紧接着将读取到的所有信号数据进行处理，得到该中开离心泵上所有信号绝对均值与频谱幅值样本均值，形成该中开离心泵的混合域全特征集，并将该混合域全特征集输入预先训练完成并存储的第三关联关系中，对该中开离心泵进行精确诊断，判断是否异常。若输出结果为00，则表示该中开离心泵无异常，表示该传感器信号波动为干扰波动。若输出结构为11，表示该中开离心泵转轴出现损坏，并将该中开离心泵转轴的位置数据同步输出。若输出结果为23，表示该中开离心泵密封件出现预警，即将损坏，并同步输出密封件的位置数据。其他部件损坏和预警情况以此类推，在此不再赘述。

进一步的，步骤S4以及S5数据均在可视化软件中进行，中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据输出至可视化界面上，通过点击可视化界面上的任一中开离心泵可实时查看该中开离心泵以及该中开离心泵上各传感器的运行情况，点击任一传感器可实时显示该传感器的实时采集信号。在本实施例中，中开离心泵处于正常运行状态时，该中开离心泵在可视化界面上显示为绿色。中开离心泵出现异常时，该中开离心泵的异常部件在可视化界面上显示为红色，提醒工作人员及时应急处理。中开离心泵出现预警情况时，该中开离心泵的预警部件在可视化界面上显示为黄色，提醒工作人员尽快检修更换该零部件。

本申请实施例还公开一种计算机可读存储模块。

具体来说，该计算机可读存储模块，其存储有能够被处理器加载并执行如上述中开离心泵网络故障点定位方法的计算机程序，该计算机可读存储模块例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (9)

1.一种中开离心泵网络故障点定位方法，应用于由智能中开离心泵组成的中开离心泵网络，其特征在于：所述智能中开离心泵，包括泵体(1)，所述泵体(1)上通过两转动轴承(2)转动设置有转轴(3)，所述转轴(3)位于所述泵体(1)内设置有叶轮(4)，所述转轴(3)延伸至泵体(1)外的一端同轴设置有电机(5)，所述泵体(1)上还包括介质进口以及介质出口(6)，所述转轴(3)与所述泵体(1)上设置有振动传感器(7)，所述泵体(1)位于所述介质出口(6)位置处设置有流量传感器(11)，所述泵体(1)位于所述介质进口、所述介质出口(6)处设置有压力传感器(9)与流速传感器(10)，所述转动轴承(2)处与所述电机(5)处均设置有温度传感器(8)，所述转轴(3)靠近所述叶轮(4)位置处设置有位移传感器(12)，所述转轴(3)与所述电机(5)连接处设置有扭矩传感器(13)；所述电机(5)上还设置有与外界数据处理设备信号连接的传输模块(14)，上述振动传感器(7)、流量传感器(11)、压力传感器(9)、流速传感器(10)、温度传感器(8)、位移传感器(12)以及扭矩传感器(13)均信号连接于所述传输模块(14)；

所述中开离心泵网络故障点定位方法包括：

于所述中开离心泵网络所在管道环境中建立参考坐标系并存储所述中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据；

建立并存储各传感器采集数据与故障点位置数据之间的第一关联关系；

基于各传感器采集数据，根据所述第一关联关系得到所述中开离心泵网络中故障点位置数据。

2.根据权利要求1所述的一种中开离心泵网络故障点定位方法，其特征在于：所述应用权利要求1所述的智能中开离心泵组成中开离心泵网络，并于所述中开离心泵网络所在管道环境中建立参考坐标系并存储所述中开离心泵网络中各中开离心泵结构的三维坐标数据及各传感器采集点位置数据，包括：

于所述中开离心泵网络所在管路环境中建立三维参考坐标系；

建立并存储各所述中开离心泵结构在所述参考坐标系中对应的三维坐标数据；

建立并存储所述传感器网络中各振动传感器采集点位置坐标数据、各流量传感器采集点位置坐标数据、各压力传感器采集点位置坐标数据、各流速传感器采集点位置坐标数据、各温度传感器采集点位置坐标数据、各位移传感器采集点位置坐标数据、各扭矩传感器采集点位置坐标数据、各密度传感器采集点位置坐标数据。

3.根据权利要求1所述的一种中开离心泵网络故障点定位方法，其特征在于：所述建立并存储各传感器采集数据与故障点位置数据之间的第一关联关系，包括：

建立并存储所述各传感器采集数据与所述中开离心泵网络中发生故障中开离心泵坐标数据之间的第二关联关系；

建立并存储所述中开离心泵网络中各中开离心泵结构上传感器采集数据与该中开离心泵结构上故障点位置数据之间第三关联关系；

基于所述第二关联关系以及所述第三关联关系得到所述第一关联关系。

4.根据权利要求3所述的一种中开离心泵网络故障点定位方法，其特征在于：所述建立并存储所述中开离心泵网络中各中开离心泵结构上所有传感器采集数据与该中开离心泵结构上故障点位置数据之间第三关联关系，包括：

建立并存储传感器采集数据的数据样本；

计算并存储所述数据样本的混合域全特征集；

建立并存储神经网络模型及其对应的Loss函数模型，并初始化所述神经网络模型的网络参数；

基于所述数据样本及其对应的混合域全特征集训练所述神经网络模型，并基于所述Loss函数模型调整所述网络参数，训练结束的神经网络模型即为所述第三关联关系。

5.根据权利要求4所述的一种中开离心泵网络故障点定位方法，其特征在于：所述建立并存储传感器采集数据的数据样本，包括，

建立并存储传感器采集数据的正常样本，所述正常样本对应的中开离心泵结构无异常；

建立并存储传感器采集数据的异常样本，所述异常样本对应中开离心泵不同种类的异常情况。

6.根据权利要求5所述的一种中开离心泵网络故障点定位方法，其特征在于：所述建立并存储传感器采集数据的数据样本，进一步还包括，

建立并存储传感器采集数据的预警样本，所述预警样本对应中开离心泵即将发生故障的预警情况。

7.根据权利要求4所述的一种中开离心泵网络故障点定位方法，其特征在于：所述基于各传感器采集数据，根据所述第一关联关系得到所述中开离心泵网络中故障点位置数据，包括：

读取各传感器采集数据，基于各所述传感器采集数据，根据所述第二关联关系得到所述中开离心泵网络中发生故障中开离心泵坐标数据；

基于上述发生故障中开离心泵坐标数据筛选出位于该发生故障中开离心泵上的传感器采集点位置数据；

读取发生故障中开离心泵上传感器采集数据，基于所述发生故障中开离心泵上传感器采集数据得到对应的混合域全特征集，根据第三关联关系得到故障点位置数据。

8.根据权利要求1所述的一种中开离心泵网络故障点定位方法，其特征在于：所述基于各传感器采集数据，根据所述第一关联关系得到各中开离心泵结构的坐标数据中的故障点位置数据之后，还包括：

基于所述参考坐标系，将所述中开离心泵网络中各中开离心泵结构的坐标数据及各传感器采集点位置数据输出至可视化界面上；

基于所述参考坐标系，将所述故障点位置数据标注在所述可视化界面上。

9.一种计算机可读存储模块，其特征在于：包括存储器，所述存储器存储有用于执行如权利要求2-8中任意一项所述的一种中开离心泵网络故障点定位方法所对应的程序数据。