CN114922806A - 柱塞泵的异常检测方法和装置 - Google Patents
柱塞泵的异常检测方法和装置 Download PDFInfo
- Publication number
- CN114922806A CN114922806A CN202210459466.2A CN202210459466A CN114922806A CN 114922806 A CN114922806 A CN 114922806A CN 202210459466 A CN202210459466 A CN 202210459466A CN 114922806 A CN114922806 A CN 114922806A
- Authority
- CN
- China
- Prior art keywords
- plunger pump
- plunger
- training samples
- abnormality detection
- detection model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 title claims description 95
- 238000001514 detection method Methods 0.000 claims abstract description 256
- 230000000737 periodic effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 96
- 239000013598 vector Substances 0.000 claims description 47
- 238000012795 verification Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 21
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Reciprocating Pumps (AREA)
Abstract
本申请公开了一种柱塞泵的异常检测方法和装置，其中，该方法包括：柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种柱塞泵的异常检测方法和装置。
背景技术
目前，一般通过在柱塞泵上安装传感器采集柱塞泵的状态信息，进而通过数据分析实现柱塞泵的异常预警，相关技术中，利用柱塞泵正常状态下采集的振动信号，结合机器学习或深度学习算法，构建并训练得到异常检测模型，对柱塞泵进行检测，然而，相关的异常检测模型主要依据单个测点信息判断柱塞泵的异常，而单个传感器采集的状态信息是不完整的，无法很好地表征整个柱塞泵的状态，容易被周围设备/零部件激励冲击的噪声影响，特别是单个传感器长时间使用后精度出现偏差，容易导致上述异常检测模型的实际应用效果产生较大偏差，故亟需一种更精确的柱塞泵的异常检测方法。
发明内容
本申请旨在一定程度上解决相关技术中的技术问题之一。
为此，本申请第一个目的在于提出一种柱塞泵的异常检测方法，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述方法包括：通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
在本申请的一个实施例中，所述通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号，包括：通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；获取所述柱塞泵的曲轴上的键相信号；根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
在本申请的一个实施例中，所述将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果，包括：获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
在本申请的一个实施例中，所述获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型中的异常检测阈值，包括：获取各个所述柱塞阀处对应的历史时序数据；对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。
在本申请的一个实施例中，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件，包括：将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；根据所述多个训练样本与所述多个重构训练样本的差异，更新所述变分自编码网络模型的模型参数，直至所述损失函数的损失值满足预设结束条件。
本申请公开了一种柱塞泵的异常检测方法，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
本申请另一方面实施例提出了一种柱塞泵的异常检测装置，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述装置包括：获取模块，用于通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；处理模块，用于对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；检测模块，用于将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
在本申请的一个实施例中，所述获取模块，具体用于：通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；获取所述柱塞泵的曲轴上的键相信号；根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
在本申请的一个实施例中，所述检测模块，包括：获取单元，用于获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；检测单元，用于将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；确定单元，用于根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
在本申请的一个实施例中，所述获取单元，包括：获取子单元，用于获取各个所述柱塞阀处对应的历史时序数据；划分子单元，用于对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；训练子单元，用于根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；第一确定子单元，用于将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；第二确定子单元，用于根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；验证子单元，用于根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。
在本申请的一个实施例中，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述训练子单元，具体用于：将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；根据所述多个训练样本与所述多个重构训练样本的差异，更新所述变分自编码网络模型的模型参数，直至所述损失函数的损失值满足预设结束条件。
本申请公开了一种柱塞泵的异常检测装置，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
本申请另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的柱塞泵的异常检测方法。
本申请另一方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现本申请实施例中的柱塞泵的异常检测方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请一个实施例的柱塞泵的异常检测方法的流程示意图；
图2是本申请一个实施例的时序数据图；
图3是根据本申请另一个实施例的柱塞泵的异常检测方法的流程示意图；
图4是根据本申请另一个实施例的柱塞泵的异常检测方法的流程示意图；
图5是本申请一个实施例的变分自编码网络模型图；
图6是本申请一个实施例的基于多传感器信息融合的柱塞泵异常检测流程图；
图7是根据本申请一个实施例的柱塞泵的异常检测装置的结构示意图；
图8是根据本申请另一个实施例的柱塞泵的异常检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的柱塞泵的异常检测方法、装置。
图1是根据本申请一个实施例的柱塞泵的异常检测方法的流程示意图。其中，需要说明的是，本实施例提供的柱塞泵的异常检测方法的执行主体为柱塞泵的异常检测装置，该柱塞泵的异常检测装置可以由软件和/或硬件的方式实现，该柱塞泵的异常检测装置可以配置在电子设备中，本实施例中的电子设备可以包括但不限于终端设备和服务器等设备，该实施例对电子设备不作具体限定。
如图1所示，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，其中，该柱塞泵可以包括但不限于往复柱塞泵，该柱塞泵的异常检测方法可以包括：
步骤101，通过各个传感器分别获取各个柱塞阀处的周期振动信号。
在一些实施例中，传感器可以为振动传感器，但不仅限于此。
在一些实施例中，柱塞泵上的柱塞阀可以为多个，例如，该柱塞泵上可以有五个柱塞阀，但不仅限于此。
其中，可以在每个柱塞阀处都安装一个振动传感器，以检测柱塞泵上多个柱塞阀的周期信号，并从周期信号中确定出各个柱塞阀处的周期振动信号，以实现整体检测柱塞泵，更好的确定柱塞泵的运行状态。
步骤102，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据。
在一些实施例中，基于对各个周期振动信号进行序列化处理，实现对多个传感器的周期振动信号进行融合，降低单个传感器信息不准确导致则柱塞泵与异常检测结果错误的风险，大大降低了柱塞泵周围设备/零部件激励冲击的噪声影响，增强了柱塞泵的异常检测方法的鲁棒性。
在一些实施例中，如图2，以柱塞泵上有5个柱塞阀为例，对各个柱塞阀处的周期振动信号进行序列化处理，以得到n＝5维度的时序数据X＝(x1,…,xn)T∈Rn×T。
其中，x1、x2、x3、x4、x5分别为5个柱塞阀处的振动信号，T表示整周期振动信号包含的数据点数。
步骤103，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果。
在一些实施例中，柱塞泵对应的异常检测模型，可以根据历史的时序数据训练得到，由于时序数据中包括多个柱塞阀的周期振动信号，通过柱塞泵对应的异常检测模型对该时序数据进行异常检测，实现对柱塞泵的完整检测，减小了柱塞泵周围设备的噪声影响，提高了柱塞泵异常检测的准确性。
本申请公开了一种柱塞泵的异常检测方法，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
在一些实施例中，本申请的柱塞泵的异常检测方法还可以用于往复机械的异常检测，可以包括但不限于柴油机，该实施例对此不做具体限定。
图3是根据本申请另一个实施例的柱塞泵的异常检测方法的流程示意图。
步骤301，通过各个传感器分别获取各个柱塞阀处的振动信号。
步骤302，获取柱塞泵的曲轴上的键相信号。
在一些实施例中，可以在柱塞泵的曲轴上安装键相传感器，以采集曲轴的键相信号，但不仅限于此。
步骤303，根据键相信号的周期间隔，对各个振动信号进行信号截取，以得到各个振动信号对应的周期振动信号。
在一些实施例中，当曲轴旋转360°，对应为角域一个整周期，而键相信号中每个冲击周期间隔也是360°，由于输入轴和曲轴的传动关系是固定的，可以根据振动信号与键相信号的对应性进行各个振动测点振动信号角域整周期截取，以得到各个振动信号对应的周期振动信号。
步骤304，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据。
步骤305，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果。
其中，需要说明的是，关于上述步骤304至步骤305的解释说明，可参见上述实施例的相关描述，此处不再赘述。
本申请公开了一种柱塞泵的异常检测方法，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的振动信号，并获取柱塞泵的曲轴上的键相信号，根据键相信号的周期间隔，对各个振动信号进行信号截取，以得到各个振动信号对应的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的振动信号进行周期截取，并对周期截取的周期振动信号对应的时序数据进行检测，从而准确确定出柱塞泵的运行状况，实现对柱塞泵的精准检测。
图4是根据本申请另一个实施例的柱塞泵的异常检测方法的流程示意图。
步骤401，通过各个传感器分别获取各个柱塞阀处的周期振动信号。
步骤402，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据。
其中，需要说明的是，关于上述步骤304至步骤305的解释说明，可参见上述实施例的相关描述，此处不再赘述。
步骤403，获取柱塞泵对应的异常检测模型，以及异常检测模型对应的异常检测阈值。
在一些实施例中，获取柱塞泵对应的异常检测模型，以及异常检测模型对应的异常检测阈值的一种实施方式可以为，获取各个柱塞阀处对应的历史时序数据，对历史时序数据进行划分，以得到多个训练样本和多个验证样本，根据多个训练样本，对柱塞泵对应的变分自编码网络模型进行训练，直至变分自编码网络模型的损失函数的损失值满足预设结束条件，将满足预设结束条件时所对应的变分自编码网络模型作为柱塞泵对应的初始异常检测模型，根据损失函数，确定各个训练样本所对应的损失值，并将各个损失值中的最大损失值作为初始异常检测模型的初始异常检测阈值，根据多个验证样本，对初始异常检测模型进行验证，在初始异常检测模型检测多个验证样本的准确率满足预设阈值的情况下，将初始异常检测模型和初始异常检测阈值作为柱塞泵对应的异常检测模型和异常检测阈值，由此，利用变分自编码网络模型自动提取具有空间关联性的信号特征，不需要人工设计信号特征，提高柱塞泵的异常检测模型的准确性，以更好地预测柱塞泵的运行状态。
其中，上述准确率对应的预设阈值可以为0.95，但不仅限于此。
其中，上述变分自编码网络模型的损失函数可以为：
其中，f(·)、KL(·)表示二进制交叉熵损失函数和KL散度函数，x表示训练样本，表示重构训练样本，d表示潜在空间层的采样变量数，对应上面的网络模型其值为1024，u和σ表示均值和方差。
在一些实施例中，如图2所示，上述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，其中，根据多个训练样本，对柱塞泵对应的变分自编码网络模型进行训练，直至变分自编码网络模型的损失函数的损失值满足预设结束条件的训练过程可以为，将多个训练样本输入到输入层，以通过输入层对多个训练样本进行向量化表示，得到多个训练样本的表示向量，将表示向量输入到编码器，以通过编码器对表示向量进行编码，以得到表示向量对应的特征向量，将特征向量输入到潜在空间表示层，以通过潜在空间表示层对特征向量进行空间关联，得到特征向量中具有空间关联性的采样变量，将采样变量输入到解码器进行解码，以得到多个训练样本中具有空间关联性的多个重构训练样本，并通过输出层输出多个重构训练样本，根据多个训练样本与多个重构训练样本的差异，更新变分自编码网络模型的模型参数，直至损失函数的损失值满足预设结束条件，由此，基于训练样本和重构训练样本对变分自编码网络模型进行训练和模型参数优化，提高变分自编码网络模型的检测精度。
其中，输入层的输入通道为1，编码器包括隐含层1、隐含层2、隐含层3、隐含层4，对应卷积核个数分别为32,64,128,256，卷积核尺寸为3x3，步长为(1,3)，每个隐含层均采用线性整流函数(Linear rectification function，ReLU)，潜在空间表示层包括均值和方差两个部分，均包含1024个神经元，潜在空间表示层的输出等于层输入叠加高斯白噪声，解码器利用反卷积层对应编码器进行构建，包括隐含层5、隐含层6、隐含层7、隐含层8，对应的输入通道数分别为256,128,64,32，每个隐含层均采用ReLU非线性函数。
步骤404，将各个时序数据输入到异常检测模型，以得到多个时序数据对应的检测值。
步骤405，根据检测值与异常检测阈值的比较结果，确定柱塞泵的检测结果。
在一些实施例中，检测值与异常检测阈值可以是损失函数对应的损失值，在检测值对应的损失值大于异常检测阈值对应的损失值时，则确定柱塞泵处于异常运行状态。
在另一些实施例中，在检测值对应的损失值小于或等于异常检测阈值对应的损失值时，则确定柱塞泵处于正常运行状态。
本申请公开了一种柱塞泵的异常检测方法，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，获取柱塞泵对应的异常检测模型，以及异常检测模型对应的异常检测阈值，将各个时序数据输入到异常检测模型，以得到多个时序数据对应的检测值，根据检测值与异常检测阈值的比较结果，确定柱塞泵的检测结果，由此，在柱塞泵的异常检测过程中，基于异常检测模型对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，根据检测值和异常检测阈值的比较结果，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
在一些实施例中，为进一步确定柱塞泵对应的异常检测模型的检测性能，还可以对上述时序数据的检测结果进行分类，可以分为时序数据检测正常的正常文本和时序数据检测异常的异常文本，并根据正常本文和异常文本的数量，确定出异常检测模型的精确率P和召回率R，以根据精确率P和召回率R计算异常检测模型的性能参数F1，F1值越大则异常检测模型的检测性能越好，其中精确率P、召回率R和性能参数F1的计算方式可以为：
其中，TP表示异常训练样本被正确分类的数量，FP表示正常训练样本被错误分类的数量，FN表示异常训练样本被错误分类的数量，TN表示正常训练样本被正确分类的数量。
在一些实施例中，本申请还提出了一个基于5个柱塞阀传感器信息融合的柱塞泵异常检测流程图，如图6所示，通过获取5个柱塞阀阀口处的振动信号，以及柱塞泵曲轴对应的键相信号，以根据键相信号的周期间隔，从5个柱塞阀阀口处的振动信号中截取出对应的柱塞阀周期振动信号，并对周期振动信号进行序列化，以得到序列数据，再将历史时序数据划分为训练样本和验证样本，根据训练样本对变分自编码网络模型进行训练，以将满足训练条件的自编码网络模型作为柱塞泵对应的异常检测模型，并获取到异常检测模型中的异常检测阈值，再通过验证样本对异常检测模型进行验证，以得到验证样本的准确率，根据准确率对异常检测模型进行持续优化，将验证样本的准确率最高的异常检测模型对当前时序数据的测试样本进行测试，以输出时序数据的检测结果，从而准确确定出柱塞泵的运行状况。
图7是根据本申请一个实施例的柱塞泵的异常检测装置的结构示意图。
如图7所示，该柱塞泵的异常检测装置700包括获取模块701、处理模块702和检测模块703，其中：
获取模块701，用于通过各个传感器分别获取各个柱塞阀处的周期振动信号。
处理模块702，用于对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据。
检测模块703，用于将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果。
在本申请的一个实施例中，如图8所示，获取模块701，具体用于：
通过各个传感器分别获取各个柱塞阀处的振动信号。
获取柱塞泵的曲轴上的键相信号。
根据键相信号的周期间隔，对各个振动信号进行信号截取，以得到各个振动信号对应的周期振动信号。
在本申请的一个实施例中，如图8所示，检测模块703，包括：
获取单元7031，用于获取柱塞泵对应的异常检测模型，以及异常检测模型对应的异常检测阈值。
检测单元7032，用于将各个时序数据输入到异常检测模型，以得到多个时序数据对应的检测值。
确定单元7033，用于根据检测值与异常检测阈值的比较结果，确定柱塞泵的检测结果。
在本申请的一个实施例中，如图8所示，获取单元7031，包括：
获取子单元70311，用于获取各个柱塞阀处对应的历史时序数据。
划分子单元70312，用于对历史时序数据进行划分，以得到多个训练样本和多个验证样本。
训练子单元70313，用于根据多个训练样本，对柱塞泵对应的变分自编码网络模型进行训练，直至变分自编码网络模型的损失函数的损失值满足预设结束条件。
第一确定子单元70314，用于将满足预设结束条件时所对应的变分自编码网络模型作为柱塞泵对应的初始异常检测模型。
第二确定子单元70315，用于根据损失函数，确定各个训练样本所对应的损失值，并将各个损失值中的最大损失值作为初始异常检测模型的初始异常检测阈值。
验证子单元70316，用于根据多个验证样本，对初始异常检测模型进行验证，在初始异常检测模型检测多个验证样本的准确率满足预设阈值的情况下，将初始异常检测模型和初始异常检测阈值作为柱塞泵对应的异常检测模型和异常检测阈值。
在本申请的一个实施例中，如图8所示，变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，训练子单元70313，具体用于：
将多个训练样本输入到输入层，以通过输入层对多个训练样本进行向量化表示，得到多个训练样本的表示向量。
将表示向量输入到编码器，以通过编码器对表示向量进行编码，以得到表示向量对应的特征向量。
将特征向量输入到潜在空间表示层，以通过潜在空间表示层对特征向量进行空间关联，得到特征向量中具有空间关联性的采样变量。
将采样变量输入到解码器进行解码，以得到多个训练样本中具有空间关联性的多个重构训练样本，并通过输出层输出多个重构训练样本。
根据多个训练样本与多个重构训练样本的差异，更新变分自编码网络模型的模型参数，直至损失函数的损失值满足预设结束条件。
本申请公开了一种柱塞泵的异常检测装置，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
根据本申请的实施例，本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请实施例公开的柱塞泵的异常检测方法。
本申请还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时实现本申请实施例的柱塞泵的异常检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种柱塞泵的异常检测方法，其特征在于，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述方法包括：
通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；
对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；
将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号，包括：
通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；
获取所述柱塞泵的曲轴上的键相信号；
根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
3.根据权利要求1所述的方法，其特征在于，所述将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果，包括：
获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；
将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；
根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
4.根据权利要求3所述的方法，其特征在于，所述获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型中的异常检测阈值，包括：
获取各个所述柱塞阀处对应的历史时序数据；
对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；
根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；
将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；
根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；
根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。
5.根据权利要求4所述的方法，其特征在于，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件，包括：
将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；
将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；
将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；
将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；
根据所述多个训练样本与所述多个重构训练样本的差异，更新所述变分自编码网络模型的模型参数，直至所述损失函数的损失值满足预设结束条件。
6.一种柱塞泵的异常检测装置，其特征在于，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述装置包括：
获取模块，用于通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；
处理模块，用于对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；
检测模块，用于将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于：
通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；
获取所述柱塞泵的曲轴上的键相信号；
根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
8.根据权利要求6所述的装置，其特征在于，所述检测模块，包括：
获取单元，用于获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；
检测单元，用于将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；
确定单元，用于根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
9.根据权利要求8所述的装置，其特征在于，所述获取单元，包括：
获取子单元，用于获取各个所述柱塞阀处对应的历史时序数据；
划分子单元，用于对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；
训练子单元，用于根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；
第一确定子单元，用于将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；
第二确定子单元，用于根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；
验证子单元，用于根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。
10.根据权利要求9所述的装置，其特征在于，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述训练子单元，具体用于：
将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；
将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；
将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；
将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；
根据所述多个训练样本与所述多个重构训练样本的差异，更新所述变分自编码网络模型的模型参数，直至所述损失函数的损失值满足预设结束条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210459466.2A CN114922806B (zh) | 2022-04-27 | 2022-04-27 | 柱塞泵的异常检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210459466.2A CN114922806B (zh) | 2022-04-27 | 2022-04-27 | 柱塞泵的异常检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114922806A true CN114922806A (zh) | 2022-08-19 |
| CN114922806B CN114922806B (zh) | 2023-11-24 |
Family
ID=82806271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210459466.2A Active CN114922806B (zh) | 2022-04-27 | 2022-04-27 | 柱塞泵的异常检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114922806B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
| CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
| CN212155116U (zh) * | 2020-05-27 | 2020-12-15 | 上海三一重机股份有限公司 | 柱塞泵的故障诊断装置、系统及挖掘机 |
| CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
| US20210372395A1 (en) * | 2020-05-28 | 2021-12-02 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
| CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
-
2022
- 2022-04-27 CN CN202210459466.2A patent/CN114922806B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
| CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
| CN212155116U (zh) * | 2020-05-27 | 2020-12-15 | 上海三一重机股份有限公司 | 柱塞泵的故障诊断装置、系统及挖掘机 |
| US20210372395A1 (en) * | 2020-05-28 | 2021-12-02 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
| CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
| CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
| CN115647933B (zh) * | 2022-11-02 | 2023-10-27 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114922806B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915568B (zh) | 基于dtw的卫星遥测数据异常检测方法 | |
| US6775641B2 (en) | Generalized lensing angular similarity operator | |
| US7373283B2 (en) | Monitoring and fault detection system and method using improved empirical model for range extrema | |
| EP1264412B1 (en) | Complex signal decomposition and modeling | |
| US20150100534A1 (en) | State diagnosing method and state diagnosing apparatus | |
| US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
| JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| US20030220767A1 (en) | Subband domain signal validation | |
| KR20170053692A (ko) | 커널 회귀 모델의 앙상블을 위한 장치 및 방법 | |
| CN107024271A (zh) | 机械振动信号压缩重构方法及系统 | |
| EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
| Dervilis et al. | Robust methods for outlier detection and regression for SHM applications | |
| CN114922806B (zh) | 柱塞泵的异常检测方法和装置 | |
| CN110502590A (zh) | 基于格兰杰因果关系校验构建工业装备故障关系的方法 | |
| CN112013285A (zh) | 管道泄漏点的检测方法及装置、存储介质、终端 | |
| CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
| CN117195105A (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 | |
| JP3515300B2 (ja) | プラント状態予測装置 | |
| CN117216844A (zh) | 一种桥梁结构损伤检测方法、系统和存储介质 | |
| CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
| CN113239075A (zh) | 一种施工数据自检方法及系统 | |
| CN115398442A (zh) | 用于评估传感器测量值的设备和自动化方法和该设备的应用 | |
| CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 | |
| JP2020095585A (ja) | 評価方法、システム構築方法、及び評価システム |
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 |