CN114593905A - 一种高压隔膜泵单向阀故障诊断方法及系统 - Google Patents
一种高压隔膜泵单向阀故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114593905A CN114593905A CN202210011757.5A CN202210011757A CN114593905A CN 114593905 A CN114593905 A CN 114593905A CN 202210011757 A CN202210011757 A CN 202210011757A CN 114593905 A CN114593905 A CN 114593905A
- Authority
- CN
- China
- Prior art keywords
- diaphragm pump
- way valve
- pressure diaphragm
- fault
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 241000764238 Isis Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/003—Machine valves
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Reciprocating Pumps (AREA)
Abstract
本发明公开了一种高压隔膜泵单向阀故障诊断方法,其特征在于;所述方法通过历史训练得到的各类故障原型表示以及参数构建注意力原型表示故障诊断模型,采集高压隔膜单向阀进行数据,并分析处理将其导入注意力原型网络进行故障匹配和识别;针对管道隔膜泵单向阀振动信号的特殊性、稀少性、具有噪声,通过原型网络将一维振动信号经过转码后映射到故障特征度量空间,最终通过采集信息和模型对比,实现高压隔膜泵单向阀运行的实时状态监测,及时、直观的反映设备的运行状况,及时向设备维护人员提供可靠的设备运行信息,保证设备运行以及提出预警,从而降低设备故障停机时间,减少计划检修时间和非计划检修时间。
Description
技术领域
本发明涉及一种高压隔膜泵单向阀故障诊断方法及系统,属于机械故障诊断技术领域。
背景技术
输送管道是指专门输送液体和气体物资的管道,采用管道输送物资的方法叫管道运输,是一种专门由生产地向市场输送石油、矿物和化学产品的运输方式,是统一运输网中干线运输的特殊组成部分。管道输送是既铁路运输、公路运输、海陆运输、航空运输之后的第五大运输方式,管道运输不仅基本没污染、能耗低,而且对生态环境和社会设施破坏小。近些年国家对环境问题越发的关注,管道输送行业因其优点发展极为迅速,但如何保证管道的输送的安全和稳定,是一个急需解决的问题。
高压隔膜泵是管道输送的核心设备之一,它是管道输送的动力输出装置,在高压隔膜泵运行过程中,隔膜泵每一冲程次对应单向阀的一个进料和排料的过程,当隔膜泵的冲程系数为60r/min时,其正常运行一天进出料单向阀需往复式动作86400次。
所以单向阀的安全问题也就是管道输送的核心安全问题。只有单向阀的有效运行,才能保证高压隔膜泵和管道输送正常运行,高压隔膜泵一旦发生故障,将影响设备正常运行,甚至造成严重经济和人员事故。因此,对高压隔膜泵单向阀的运行状况进行实时监测并实现故障诊断,对于整个管道运输起着至关重要的作用。
但高压隔膜泵单向阀的不同故障通常都源自不同原因和动力学机理,目前常用频谱分析的方法有时难以获取这方面的信息,而且故障发生时很难做出预警。
发明内容
为了解决上述技术问题,本发明提供了一种高压隔膜泵单向阀故障诊断方法及系统,通过格拉姆角差场图像编码方式结合注意力原型网络检测高压隔膜泵单向阀故障,以解决上述的当发生故障时无法及时作出预警的问题。
为了达到解决上述技术问题的技术效果,本发明是通过以下技术方案实现的:一种高压隔膜泵单向阀故障诊断方法,其特征在于;
所述方法通过历史训练得到的各类故障原型表示以及参数构建注意力原型表示故障诊断模型,采集高压隔膜泵单向阀进行数据,并分析处理将其导入注意力原型网络进行故障匹配和识别;
进一步的,所述方法包括以下具体步骤:
Step1:通过信号采集模块对高压隔膜泵单向阀进行数据采集;同时将历史训练得到的各类故障原型表示以及参数导入状态识别模块构建注意力原型表示故障诊断模型;
Step2:通过预处理模块电路对采集到的一维振动信号进行放大、滤波去噪、A/D转换和存储,实现信号采集;
Step3:对采集到的一维振动信号进行GADF编码,把一维振动信号转换为清晰且良好的二维特征图像;
Step4:将得到的二维特征图像与Step1中导入的经过训练的注意力原型网络进行故障匹配和识别;
Step5:若发现故障,则报警模块发出警报,由设备维护人员对设备进行维修处理,同时更新注意力原型网络与故障诊断库;
进一步的,所述高压隔膜泵单向阀采集的数据包括高压隔膜泵单向阀所产生的振动信号;
进一步的,所述高压隔膜泵单向阀故障包括高压隔膜泵单向阀卡阀、高压隔膜泵单向阀磨损击穿、高压隔膜泵单向阀磨蚀泄露;
本发明的又一目的在于提供一种高压隔膜泵单向阀故障诊断系统,其特征在于;
所述系统包括信号采集模块,对隔膜泵单向阀的振动信号进行检测;
信号预处理模块,用于对信号采集到的隔膜泵单向阀振动信号进行预处理;
图像编码模块,用于将采集到的一维振动信号进行编码成为二维特征图像;
状态识别模块,用于将编码后的二特征图像输入到训练好的注意力原型网络中进行故障匹配和识别;
故障诊断及报警模块,用于对故障作出诊断并发出报警,提醒设备维护人员对设备做出相应处理;
进一步的,所述通过加速度振动传感器对隔膜泵单向阀的振动信号进行检测,将历史训练得到各类故障原型表示导入到状态识别模块;
进一步的,所述加速度传感器采取轴向、径向和垂直三个方向的安装;
本发明的有益效果是:
一种高压隔膜泵单向阀故障诊断方法及其系统,针对管道隔膜泵单向阀振动信号的特殊性、稀少性、具有噪声提出,通过原型网络将一维振动信号经过转码后映射到故障特征度量空间,具有泛化能力,再采用注意力模块建立振动信号的全局依赖,使得模型更擅长捕捉信号特征的内部相关性,最终通过采集信息和模型对比,实现高压隔膜泵单向阀运行的实时状态监测,及时、直观的反映设备的运行状况,及时向设备维护人员提供可靠的设备运行信息,保证设备运行以及提出预警,从而降低设备故障停机时间,减少计划检修时间和非计划检修时间。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明一种高压隔膜泵单向阀故障诊断方法及其系统的流程图;
图2是本发明的实施例中振动信号采集过程;
图3是本发明的实施例中振动信号经过格拉姆角差场编码的图像;
图4是本发明的实施例中注意力原型网络历史训练过程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
本实施例为一种高压隔膜泵单向阀故障诊断方法及其系统的实施原理;
所述二维图像编码的格拉姆角差场算法使用如下:
GADF图像编码的本质是通过格拉姆角场(GAF Gramian Angular Field)编码。格拉姆角场(GAF),将时间序列映射到极坐标系统内再进行编码产生图像。具体过程如下:
首先将一维振动信号序列X={x1,x2,x3……,xn}缩放至区间[-1,1]。公式如下所示:
式中,ti为时间戳,将区间[0,1]分成N等份,N为调节极坐标径向跨度的常数因子,它通过r坐标保持时间依赖性。
将一维信号映射到极坐标系后,利用角度视角,通过考虑每个点之间的三角函数和来识别不同时间间隔内的时间相关性。GAF可以通过三角函数差的运算生成格拉姆角差场(GADF),下式定义了格拉姆角差场(GADF):
所述注意力原型网络算法使用如下:
式中为向量xi在嵌入空间的嵌入函数,即为向量xi通过卷积层提取到的特征;ck为支持集每个类别的原型表示;Sk为含k个类别的样本集;|Sk|为集合Sk中k个类别的样本集的数量;xi为Sk中第i个样本的特征向量;yi为Sk中第i个样本的标记。
然后将查询集的数据输入同一个原型网络中,在嵌入空间中得到查询集输入数据的特征向量,进行原型表示与特征向量的欧氏距离d计算如式下所示:
查询样本与其对应状态原型表示之间的距离。
其中,在原型网络中加入注意力模块然后采用注意力机制自适应地获取特征的重要程度,根据这个重要程度增强能表征故障信息的特征,对无效的特征进行抑制,使网络获得更多判别信息。
实施例2
实验器材示例:
所述采集信号的管道以及隔膜泵来自云南某公司,主泵最大压力24.4MPa,工作压力18~21MPa,输送高程差1520m,流量350m2/h。采集振动信号的传感器是PCB通用型单轴加速度振动传感器(灵敏度100mv/g、测量范围±500g pk),布置在三组进料和出料的单向阀阀室外壳上,信号采集卡为PS PXI-3342高精度8通数据采集卡,采样频率为2560Hz。数据采集卡对信号进行处理后传送至PS PXI-3050控制器,在其控制下传至PS PXIe-9108EXT工控机存储。之后利用计算机处理数据进行图像编码后输入到注意力原型网络中可进行分类诊断,如若发现某高压隔膜泵单向阀的振动信号数据异常,会及时提醒工作人员高压隔膜泵单向阀出现异常,告知其来维修检查。
参阅图1至图4所示,一种高压隔膜泵单向阀故障诊断方法,具体步骤如下:
Step1:通过信号采集模块对高压隔膜单向阀进行数据采集;同时将经过训练得到的各类故障原型表示以及参数导入状态识别模块构建注意力原型网络故障诊断模型;
Step2:通过预处理模块电路对采集到的一维振动信号进行放大、滤波去噪、A/D转换和存储,实现信号采集,如图2所示;
Step3:对采集到的一维振动信号进行GADF编码,把一维振动信号转换为清晰且良好的二维特征图像,如图3所示;
Step4:将得到的一维振动信号进行图像编码后与Step1中导入的经过训练后的注意力原型网络,如图4所示,进行故障匹配和识别;
Step5:若发现故障,则发出警报由设备维护人员对设备进行维修处理,同时更新注意力原型网络与故障诊断库。
实施例3
本实施例为一种高压隔膜泵单向阀故障诊断系统,包括:
信号采集模块,通过加速度振动传感器对隔膜泵单向阀的振动信号进行检测,并将历史训练得到各类故障原型表示导入到故障识别模块,作为故障识别模块的故障匹配特征量;所述加速度传感器采取了三个方向的安装方式,分别为轴向、径向和垂直方向;
信号预处理模块,用于对采集到的隔膜泵单向阀振动信号进行预处理,包括信号放大、滤波降噪及A/D转换后进行存储;
图像编码模块,用于对采集到的一维振动信号进行编码成为二维特征图像;
状态识别模块,用于将编码后的二特征图像输入到训练好的注意力原型网络中进行故障匹配和识别;
故障诊断及报警模块,用于对故障作出诊断并发出报警,提醒设备维护人员对设备做出相应处理;
基于状态识别模块内的原型表示以及采集的信息,判断其高压隔膜泵单向阀是否出现异常,若出现异常,判断其是否超过阀值,若超过阀值则启动故障诊断及报警模块报警,警告设备维护人员立即检查设备,必要时停止设备;若未超过阀值则提示设备人员对设备密切关注;且最后对各类信息进行统计,更新其状态识别模块内的原始数据。
综上所述,一种高压隔膜泵单向阀故障诊断方法及其系统,针对管道隔膜泵单向阀振动信号的特殊性、稀少性、具有噪声提出,通过原型网络将一维振动信号经过转码后映射到故障特征度量空间,具有泛化能力,再采用注意力模块建立振动信号的全局依赖,使得模型更擅长捕捉信号特征的内部相关性,最终通过采集信息和模型对比,实现高压隔膜泵单向阀运行的实时状态监测,及时、直观的反映设备的运行状况,及时向设备维护人员提供可靠的设备运行信息,保证设备运行以及提出预警,从而降低设备故障停机时间,减少计划检修时间和非计划检修时间。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种高压隔膜泵单向阀故障诊断方法,其特征在于;
所述方法通过历史训练得到的各类故障原型表示以及参数构建注意力原型表示故障诊断模型,采集高压隔膜单向阀进行数据,并分析处理将其导入注意力原型网络进行故障匹配和识别。
2.根据权利要求1所述一种高压隔膜泵单向阀故障诊断方法,其特征在于;所述方法包括以下具体步骤:
Step1:通过信号采集模块对高压隔膜单向阀进行数据采集;同时将历史训练得到的各类故障原型表示以及参数导入状态识别模块构建注意力原型表示故障诊断模型;
Step2:通过预处理模块电路对采集到的一维振动信号进行放大、滤波去噪、A/D转换和存储,实现信号采集;
Step3:对采集到的一维振动信号进行GADF编码,把一维振动信号转换为清晰且良好的二维特征图像;
Step4:将得到的二维特征图像与Step1中导入的经过训练的注意力原型网络进行故障匹配和识别;
Step5:若发现故障,则报警模块发出警报,由设备维护人员对设备进行维修处理,同时更新注意力原型网络与故障诊断库。
3.根据权利要求1所述一种高压隔膜泵单向阀故障诊断方法,其特征在于;所述高压隔膜单向阀进行数据包括高压隔膜泵单向阀所产生的振动信号。
4.根据权利要求2所述一种高压隔膜泵单向阀故障诊断方法,其特征在于;所述高压隔膜泵单向阀故障包括高压隔膜泵单向阀卡阀、高压隔膜泵单向阀磨损击穿、高压隔膜泵单向阀磨蚀泄露。
5.根据权利要求1至4任意一条所述一种高压隔膜泵单向阀故障诊断系统,其特征在于;
所述系统包括信号采集模块,对隔膜泵单向阀的振动信号进行检测;
信号预处理模块,用于对信号采集到的隔膜泵单向阀振动信号进行预处理;
图像编码模块,用于将采集到的一维振动信号进行编码成为二维特征图像;
状态识别模块,用于将编码后的二特征图像输入到训练好的注意力原型网络中进行故障匹配和识别;
故障诊断及报警模块,用于对故障作出诊断并发出报警,提醒设备维护人员对设备做出相应处理。
6.根据权利要求5所述一种高压隔膜泵单向阀故障诊断系统,其特征在于;所述通过加速度振动传感器对隔膜泵单向阀的振动信号进行检测,将历史训练得到各类故障原型表示导入到状态识别模块。
7.根据权利要求5所述一种高压隔膜泵单向阀故障诊断系统,其特征在于;所述加速度传感器采取轴向、径向和垂直三个方向的安装。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011757.5A CN114593905A (zh) | 2022-01-07 | 2022-01-07 | 一种高压隔膜泵单向阀故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011757.5A CN114593905A (zh) | 2022-01-07 | 2022-01-07 | 一种高压隔膜泵单向阀故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114593905A true CN114593905A (zh) | 2022-06-07 |
Family
ID=81804080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210011757.5A Pending CN114593905A (zh) | 2022-01-07 | 2022-01-07 | 一种高压隔膜泵单向阀故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114593905A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN116776086A (zh) * | 2023-08-21 | 2023-09-19 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
-
2022
- 2022-01-07 CN CN202210011757.5A patent/CN114593905A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN115929495B (zh) * | 2022-11-30 | 2024-05-14 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN116776086A (zh) * | 2023-08-21 | 2023-09-19 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
CN116776086B (zh) * | 2023-08-21 | 2023-11-28 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114593905A (zh) | 一种高压隔膜泵单向阀故障诊断方法及系统 | |
CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN104863842A (zh) | 一种基于分形理论的隔膜泵故障诊断方法及装置 | |
KR20210017637A (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
CN112258362B (zh) | 危险源识别方法、系统及可读存储介质 | |
CN112949900B (zh) | 一种水库大坝安全信息智慧感知融合预警方法及终端设备 | |
CN114544040B (zh) | 基于神经网络算法的群桩节点应力监测系统及其预警方法 | |
CN115661151B (zh) | 基于机器视觉高精度识别制加氢气系统泄露的方法 | |
CN116577788B (zh) | 输电线路异物侵限监测方法、装置和计算机设备 | |
CN113484489A (zh) | 一种水体富营养化的远程监测与预警方法 | |
CN110533650B (zh) | 一种基于视觉的auv水下管道检测跟踪方法 | |
CN115822943A (zh) | 液压泵泄漏故障诊断方法 | |
CN113530850B (zh) | 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法 | |
CN111562540A (zh) | 一种基于动态图像识别和分析的电能表检测监控方法 | |
CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 | |
CN117113255A (zh) | 基于状态监控自动识别含量的液化天然气安全监测系统 | |
CN110762081A (zh) | 基于hsmm-svm模型的大型液压机故障诊断方法与装置 | |
CN116993319B (zh) | 一种基于物联网的远程设备健康监测方法及装置 | |
CN110749306A (zh) | 一种道路桥梁沉降变形实时预警监测系统及其监测方法 | |
CN114218051B (zh) | 一种时延异常检测方法 | |
CN104320580A (zh) | 基于图像采集的sf6密度表计指针识别设备及方法 | |
CN117314705B (zh) | 一种基于遥感影像的环境综合评估预测方法 | |
CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法 | |
CN113591251B (zh) | 设备故障温度分析诊断方法 | |
CN117386596B (zh) | 一种无负压供水泵组智能控制系统 |
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 |