CN114964476B - 油气管道系统动设备的故障诊断方法、装置及设备 - Google Patents
油气管道系统动设备的故障诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN114964476B CN114964476B CN202210594663.5A CN202210594663A CN114964476B CN 114964476 B CN114964476 B CN 114964476B CN 202210594663 A CN202210594663 A CN 202210594663A CN 114964476 B CN114964476 B CN 114964476B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- frequency image
- dimensional time
- fault
- time
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本说明书提供一种油气管道系统动设备的故障诊断方法、装置及设备,所述方法包括:采集待检测油气管道系统动设备的振动信号;对所述振动信号进行连续小波变换获得二维时频图像;将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用卷积神经网络故障诊断模型对待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;利用LIME算法对所述故障诊断结果进行解析,获得故障解析信息,其中,故障解析信息为在二维时频图像上标记不同能量强度,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。利用本说明书实施例可以避免繁琐的特征提取过程,打破诊断结果的不可控性,提高故障诊断准确率。
Description
技术领域
本发明涉及机械故障诊断技术领域,尤其涉及一种油气管道系统动设备的故障诊断方法、装置及设备。
背景技术
动设备是指所有由电动机、蒸汽透平机及其他动力驱动而进行旋转或往复运动的机器,是生产系统的关键设备,被广泛应用于化工生产装置中。油气管道系统典型的动设备有压缩机、发动机、烟气轮机和泵等。由于长时间受载、润滑不良、腐蚀、过载等原因,动设备具有较高的突发故障率,极易发生密封泄露及磨损等故障,从而造成人员伤亡、财产损失以及环境破坏等问题。因此,为防止油气管道系统动设备安全事故发生,降低设备日常维护成本,保证设备的安全平稳运行,设备的状态检测和故障诊断技术已成为关乎经济发展、社会稳定的重要课题。
传统的动设备故障诊断环节主要包含三个,即信号采集、特征提取以及诊断决策,但是,诊断结果是否准确无法判断,尤其是,一般动设备的故障诊断均是采用智能学习模型进行,故障诊断模型存在“黑箱”不可控性,诊断结果也存在不可控性,无法保障动设备故障诊断的准确性。
因此,如何提出一种方案能够保障动设备故障诊断的准确性是本领域亟需解决的技术问题。
发明内容
本说明书实施例提供了一种油气管道系统动设备的故障诊断方法、装置及设备,提高了动设备故障诊断的准确率。
一方面,本说明书实施例提供了一种油气管道系统动设备的故障诊断方法,所述方法包括:
采集待检测油气管道系统动设备的振动信号;
对所述振动信号进行连续小波变换获得二维时频图像;
将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息;其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
进一步的,所述对所述振动信号进行连续小波变换获得二维时频图像之前,所述方法还包括:
对所述振动信号进行变分模态分解,获得降噪振动信号;
所述对所述振动信号进行连续小波变换获得二维时频图像,包括:
对所述降噪振动信号进行连续小波变换获得所述二维时频图像。
进一步的,所述利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,包括:
将所述二维时频图像分割成不同的特征块,对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像;
将所述合成时频图像输入到所述卷积神经网络故障诊断模型中,获得所述合成时频图像的故障诊断结果;
根据所述合成时频图像以及所述合成时频图像对应的故障诊断结果拟合获得回归模型;
利用所述回归模型计算所述二维时频图像中各个特征块的重要性;
根据各个特征块的重要性生成所述故障解析信息。
进一步的,所述对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像,包括:
将所述特征块分为待选特征块和无用特征块;
将所述无用特征块的像素替换成所述二维时频图像的平均像素值;
将所述待选特征块和替换像素后的无用特征块合成获得所述合成时频图像。
进一步的,所述卷积神经网络故障诊断模型的创建方法,包括:
构建卷积神经网络故障诊断模型;
采集不同故障类型的振动信号,获得样本振动信号;
对所述样本振动信号进行连续小波变换获得多个样本二维时频图像;
将所述样本二维时频图像作为所述卷积神经网络故障诊断模型的输入,将所述样本二维时频图像对应的故障类型作为所述卷积神经网络故障诊断模型的输出,进行模型训练,直至所述卷积神经网络故障诊断模型的精度满足预设要求或模型训练次数达到预设次数。
进一步的,所述故障类型包括:密封泄露、入口阻塞、轴承磨损、正常状态、密封泄露-入口阻塞-轴承磨损、密封泄露-入口阻塞、入口阻塞-轴承磨损、密封泄露-轴承磨损等。
进一步的,所述对所述振动信号进行变分模态分解,获得降噪振动信号,包括:
将所述振动信号分解为多个模态分量,并计算每个模态分量的带宽;
对所有模态分量的总带宽进行优化,获得总带宽最小时的优化模态分量,将所述优化模态分量作为所述降噪振动信号。
另一方面,本说明书实施例提供了一种油气管道系统动设备的故障诊断装置,所述装置包括:
采集模块,用于采集待检测油气管道系统动设备的振动信号;
小波处理模块,用于对所述振动信号进行连续小波变换获得二维时频图像;
故障诊断模块,用于将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
诊断解释模块,用于利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息;其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
又一方面,提供了一种油气管道系统动设备的故障诊断设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例中的油气管道系统动设备的故障诊断方法。
又一方面,提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述实施例中的油气管道系统动设备的故障诊断方法。
本发明实施例中提供了一种油气管道系统动设备的故障诊断方法、装置及设备,采集待检测油气管道系统动设备的振动信号,对振动信号进行连续小波变换获得二维时频图像。基于连续小波变换将一维振动信号转换为二维时频图像,可以充分反应振动信号在时域和频域两种不同维度下的故障信息,避免繁琐的特征提取过程,提高故障诊断准确率。再将二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果。利用LIME算法对所述故障诊断结果进行解析,获得故障解析信息,该故障解析信息中可以体现出振动信号中各个信号特征对故障诊断结果的影响程度,从而为后续故障原因的分析提供了理论基础,打破诊断结果的不可控性,提高故障诊断准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本说明书实施例提供的油气管道系统动设备的故障诊断方法实施例的流程示意图;
图2是本说明书一个实施例提供的故障诊断流程示意图;
图3是本说明书一个实施例提供的部分信号的时域图;
图4是本说明书一个实施例提供的原始信号与降噪处理后信号的对比图;
图5是本说明书一个实施例提供的故障预测模型中测试集上故障类型诊断结果图;
图6是本说明书一个实施例提供的LIME算法样本输入图;
图7是本说明书一个实施例提供的LIME算法输出结果图;
图8是本说明书实施例提供的一种油气管道系统动设备的故障诊断装置的模块结构示意图;
图9是本说明书实施例提供的一种油气管道系统动设备的故障诊断的服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
具体的,图1是本说明书实施例提供的油气管道系统动设备的故障诊断方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的一种油气管道系统动设备的故障诊断方法的一个实施例中,所述方法可以应用在计算机、平板电脑、服务器、智能手机等终端,所述方法可以包括如下步骤:
步骤102、采集待检测油气管道系统动设备的振动信号。
在具体的实施过程中,动设备的自身结构复杂、部件众多,且多在高温、高压、高速等恶劣工况下满负荷连续运行,受长时间受载、润滑不良、腐蚀、过载等原因影响,具有较高的突发故障率,极易产生各种等故障类型,需要及时对动设备进行故障诊断,诊断出故障类型,进而分析故障原因,以方便技术人员快速维修,因此,针对动设备的故障诊断在实际生产中具有重要的意义。本说明书实施例主要对油气管道系统的动设备进行故障诊断,例如:本说明书一个实施例中待检测油气管道系统动设备可以为三缸往复泵设备。此外,所述待检测油气管道系统动设备还可以包括:压缩机、发动机、烟气轮机和泵等。
步骤104、对所述振动信号进行连续小波变换获得二维时频图像。
在具体的实施过程中,小波变换是一种线性运算,它可以把一个信号分解成不同尺度上的成分,变换是基于信号和一个放大滤波器的褶积。连续小波变换(ContinueWavelet Transform,CWT)作为一种时频分析方法,能够有效提取非平稳信号的时频特征,相较于傅里叶变换,连续小波变换能将处理的信号在建构时频时拥有良好的时间和频率定位,即既有频率分析的性质,又能表示发生的时间,能够对时间和频率执行局部化精细剖析。连续小波变换生成小波系数能直观表达信号的全局特征,从而更好的提出信号的特征值,有利于相似信号的辨别和分析。二维时频图像可以理解为同时反应振动信号在时域及频域上的图像信息。通过连续小波变换可以将振动信号转换为对应的二维时频图像。
本说明书一些实施例中,所述对振动信号进行连续小波变换获得二维时频图像之前,所述方法还包括:
对所述振动信号进行变分模态分解,获得降噪振动信号;
所述对所述振动信号进行连续小波变换获得二维时频图像,包括:
对所述降噪振动信号进行连续小波变换获得所述二维时频图像。
在具体的实施过程中,采集好待检测油气管道系统动设备的振动信号后,可以通过变分模态分解对采集的振动信号进行降噪处理,获得降噪振动信号,此时所述的降噪振动信号只反映一维时域上的信息,再利用连续小波变换方法对降噪振动信号进行处理获得二维时频图像,二维时频图像能够同时反应振动信号在时域及频域上的信息。
其中,变分模态分解(Variational Mode Decomposition,VMD)是将由多个模态分量构成的原始信号分解为带宽之和最小的K个模态分量,每个模态分量都代表一个调幅调频信号(Amplitude Modulation-Frequency Modulation,AM-FM)且频率宽度远小于中心频率。变分模态分解的本质就是在变分理论框架下求解约束优化问题,首先构造所有模态分量的带宽之和最小的目标函数且约束条件服从原始信号由多个模态分量构成,其次使用了二次惩罚项和拉格朗日乘子将将约束优化问题转化为无约束形式,最后采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)不断更新模态分量和中心频率,直到满足迭代终止条件,最终得到每个模态的估计带宽之和最小值即优化模态分量,将所述优化模态分量作为降噪振动信号。图4是本说明书一个实施例提供的原始信号与降噪处理后信号的对比图,如图4所示,可以看出降噪处理后的信号值比原始信号更加稳定。
本说明书实施例在采集到振动信号后,先利用VMD对振动信号进行降噪处理,避免噪声信号对后续故障诊断造成干扰,提升的数据处理效率和准确性。再对降噪振动信号进行连续小波变换,获得能够同时反应振动信号在时域及频域上的信息的二维时频图像,为后续模型进行准确有效的故障诊断奠定数据基础。
本说明书一些实施例中,所述对所述振动信号进行变分模态分解,获得降噪振动信号,包括:
将所述振动信号分解为多个模态分量,并计算每个模态分量的带宽;
对所有模态分量的总带宽进行优化,获得总带宽最小时的优化模态分量,将所述优化模态分量作为所述降噪振动信号。
具体的,变分模态分解对原始振动信号进行降噪处理的流程可以包括:
第一步、分解多个模态分量:假设振动信号f(t)由多个模态分量uk(t)组成,即满足公式:
式中,f(t)为原始振动信号,K为模态数量,uk(t)是第K个调幅调频信号
公式(1)中的每个调幅调频信号uk(t)又满足:
uk(t)=Ak(t)cos(φk(t)) (2)
式中,Ak(t)为uk(t)的瞬时幅值,为uk(t)的瞬时频率,φk(t)为相位函数。
第二步、计算每个模态分量的带宽:使用希尔伯特变换(Hilbert transform)变换构造模态分量uk(t)的单边频谱,即满足公式:
式中,*表示卷积,δ(t)表示单位脉冲函数
对每个模态分量uk(t)都预先估计一个中心频带(ωk),通过中心频带(ωk)估计的复合指数项与公式(3)的单边频谱混合,将频谱调制为相应的基频带,即满足公式:
第三步、对所有模态分量的总带宽进行优化,将总带宽最小时对应的模态分量作为优化模态分量,进而获得降噪振动信号。其中,对所有模态分量的总带宽进行优化的过程可以参考如下:通过计算公式(4)梯度的平方L2范数来估计出各模态信号带宽,相应的约束变分表达式如下:
其中,{uk}={u1,u2,u3...,uk}表示得到的K个模态分量,{ωk}={ω1,ω2,ω3,...,ωk}表示K个模态分量对应的中心频带,*表示卷积,表示对函数求时间t的导数,δ(t)是单位脉冲函数,/>表示函数对时间t的梯度运算。
为了将约束优化问题转化为无约束形式,使用二次惩罚项α和拉格朗日乘子λ,得到的增广拉格朗日函数形成为方程为:
其中,α为惩罚因子,λ为Lagrange乘子,<>表示内积算子。
采用交替方向乘子法(ADMM)对ωk交替更新,分量和中心频率更新后再对/>更新,直到满足终止条件,其思想简述为固定另外两个变量,更新其中一个变量,如下:
求解如下:
由于傅里叶变换的等效性,因此利用帕塞瓦尔(Parseval)定理在频域内求解:
对上式求导可得:
其中,和/>分别对应/>ui(t)f(t)λ(t)的傅里叶变换。
VMD算法具体实施过程如下:
(1)初始化和n为0
(2)令n=n+1,执行整个循环
(3)执行内层第一个循环,根据式(10)更新uk
(4)K=k+1重复步骤(3),直至k=K,结束内层第一个循环
(5)执行内层第二个循环,根据式(11)更新ωk
(6)K=k+1重复步骤(5)直至k=K,结束内层第二个循环;
(7)根据式(7)更新λ。
(8)重复步骤(2)-(7),直至满足迭代停止条件式子(13)所示,结束整个循环,得到输出结果,K个变分模态分量。
本说明书实施例采用变分模态分解将原始振动信号分解为多个模态分量,通过计算每个模态分量的带宽,为后续进一步计算并优化每个模态分量的总带宽奠定数据基础。通过引入二次惩罚项α和拉格朗日乘子λ构建增广拉格朗日函数,将模态分量的总带宽最小时的约束优化问题转化为无约束形式,获得总带宽最小时的优化模态分量,有效降低了计算难度、提高计算效率,实现强噪声环境下振动信号的有效降噪,为后续卷积神经网络故障诊断模型处理噪声环境下的故障诊断问题提供可行性方法。
步骤106、将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果。
在具体的实施过程中,可以预先训练构建卷积神经网络故障诊断模型,卷积神经网络故障诊断模型可以理解为利用对油气管道系统动设备进行故障诊断的智能学习模型,该模型采用的是卷积神经网络(Convolutional Neural Networks,CNN)结构。如:可以采集油气管道系统动设备的历史故障数据,对CNN模型进行训练,获得卷积神经网络故障诊断模型。在对待检测油气管道系统动设备进行故障诊断时,可以将上述实施例获得的二维时频图像输入卷积神经网络故障诊断模型中,卷积神经网络故障诊断模型可以自动输出该二维时频图像对应的故障诊断结果,故障诊断结果可以包括:故障类型,当然根据实际使用需要,还可以包括故障位置、是否存在故障等,本说明书实施例不做具体限定。
图2是本说明书一个实施例提供的故障诊断流程示意图,如图2所示,可以先利用VMD对采集的动设备振动信号进行降噪处理,最终获得模态带宽之和最小的优化模态分量,其次基于连续小波变换将降噪处理后的模态分量转换为二维时频图像,最后将二维时频图像输入到卷积神经网络故障诊断模型进行训练,当训练满足要求后,对模型进行测试并输出诊断结果。图2中的变分模态分解将原始信号分解的IMF1、IMF2表示信号分量,也表示为模态分量uk(t)。
本说明书一些实施例中,所述卷积神经网络故障诊断模型的创建方法包括:
构建卷积神经网络故障诊断模型;
采集不同故障类型的振动信号,获得样本振动信号;
对所述样本振动信号进行连续小波变换获得多个样本二维时频图像;
将所述样本二维时频图像作为所述卷积神经网络故障诊断模型的输入,将所述样本二维时频图像对应的故障类型作为所述卷积神经网络故障诊断模型的输出,进行模型训练,直至所述卷积神经网络故障诊断模型的精度满足预设要求或模型训练次数达到预设次数。
在具体的实施过程中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,主要由卷积层、池化层及全连接层构成。卷积层主要作用是通过不断训练得到损失函数最优的卷积核,进而实现数据特征的自动提取,卷积层内所得到的主要特征被池化层提取,并对其进行时间降维操作。卷积层和池化层不断的堆积叠加从而构成深度网络结构,经过层层抽象得到更高级别的特征。卷积层是前一层的特征图通过卷积运算映射形成,其表达式为:
式中:为l层(当前卷积层)输出的第j个特征图;f(x)为卷积层所采用的激活函数;*为卷积运算符;/>为卷积核的卷积矩阵,对于每一个输出图,卷积运算都会加上一个b,其中b为偏置项。
卷积层中最为有用的特征信息通过池化运算进行捕捉,对上一个卷积层得到的特征进行抽样,降低维度,减小计算的复杂度,从而形成池化层,其表达式为:
式中,为l层(当前采样层)输出的第j个特征图,down(x)为池化函数,对每一个输出图都会有/>b。
全连接层一般作为卷积神经网络模型的最后几层,起到了分类器的作用。输入图像经过多个卷积层的交替传播之后,利用全连接层网络对前面所提取到的特征进行分类。
yk=f(wkxk-1+bk) (16)
式中,k为网络层的序号,yk为全连接层的输出,xk-1为全连接层的输入,wk为权重系数,bk为偏置项,f(x)为分类函数,常用的函数为归一化指数函数(softmax),softmax函数是一种激活函数;
输出层使用Softmax分类器创建分类标签,Softmax分类器是一种源自逻辑回归的多分类形式的线性分类器,式为:
式中,zo(j)——输出层中第j个神经元的逻辑值
M——类别总数
Q(j)为概率值,表示输出层的输出属于某一类别的概率。
本说明书实施例中,可以先构建卷积神经网络故障诊断模型,设置模型参数如:卷积层、池化层以及全连层的层数等,本说明书实施例不具体限定模型的结构。其中,卷积神经网络可以采用GoogleNet结构,其中,GoogleNet结构是谷歌基于模块化结构(Inception结构)的基础上提出的。
构建出卷积神经网络故障诊断模型后,可以采集不同故障类型的振动信号,获得样本振动信号。其中,不同故障类型可以根据实际生产应用出现的故障类型而定,本说明书一些实施例中,所述故障类型包括密封泄露、入口阻塞、轴承磨损、正常状态、密封泄露-入口阻塞-轴承磨损、密封泄露-入口阻塞、入口阻塞-轴承磨损、密封泄露-轴承磨损等,本说明实施例不只限于这几种故障类型,还包括轴承内外圈故障、转子故障、压缩机弹簧失效、阀片磨损等。可以在实际生产应用中在动设备出现不同类型的故障时,采集设备对应的振动信号,并标记该振动信号对应的故障类型,作为样本振动信号。当然,根据实际使用需要,也可以通过模拟仿真的方式获得不同故障类型对应的振动信号。图3是本说明书一个实施例提供的部分信号的时域图,如图3所示,可以利用仿真软件模拟生成了密封泄露、入口阻塞、轴承磨损、正常状态四种类型数据,对上述密封泄露、入口阻塞、轴承磨损类型数据进行两两耦合以及三种故障耦合分别得到密封泄露-入口阻塞、入口阻塞-轴承磨损、密封泄露-轴承磨、密封泄露-入口阻塞-轴承磨损共8种状态下的故障类型数据,以1000个采样点为一个样本,每种故障类型获取149个样本,密封泄露、入口阻塞、轴承磨损、正常状态下的原始输入信号的时域图。
可以对获得样本振动信号进行连续小波变换,获得对应的二维时频图像即为样本二维时频图像,再将样本二维时频图像输入到卷积神经网络故障诊断模型中,进行模型训练,基于模型输出结果与样本二维时频图像对应的故障类型,对卷积神经网络故障诊断模型的参数进行调整,直至卷积神经网络故障诊断模型的精度满足预设要求或模型训练次数达到预设次数,卷积神经网络故障诊断模型训练完成。
在实际应用中,可以将样本振动信号对应的样本二维时频图像按照7:3比例划分训练集和测试集,其中,70%的样本来训练模型,剩余30%的样本用以验证模型的准确性及有效性。卷积神经网络故障诊断模型在测试集上预测的故障类型诊断结果如图5所示,该图为分类问题中分类准确度的评价形式,对角线上的数字表示将类别正确分类的数量,从图5混淆矩阵中可以发现,无论是单种故障还是几种故障耦合下的复合故障下,模型的识别率均为100%,即本发明能够在无需过多专家知识及人工特征提取环节下,较为准确的识别各种故障类型,且对多种故障耦合下的复合故障均能够准确识别。
本说明实施例通过采集不同故障类型的振动信号作为模型训练的样本,对卷积神经网络故障诊断模型进行模型训练,可以实现多种故障类型的故障诊断,提升故障诊断的准确性和覆盖面。
步骤108、利用LIME算法对所述故障诊断结果进行解析,获得故障解析信息,其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
在具体的实施过程中,为了使模型的故障诊断结果更具有可控性,本说明书实施例使用LIME算法对故障诊断结果进行解析,LIME算法(Local Interpretable Model-agnostic Explanations,LIME)是一种模型无关的局部可解析性算法,即算法与模型本身无关,针对局部的黑盒模型进行解释。本说明书实施例中利用LIME算法对图像识别模型结果的解释,也可以称为Imagelime算法。利用LIME算法对上述卷积神经网络故障诊断模型输出的故障诊断结果进行解析时,可以对上述振动信号对应的二维时频图像进行能量强度的标记,获得带有能量强度标记的新的二维时频图像即为故障解析信息。能量强度可以采用频率大小进行区分,如:二维时频图像中标记的频率值越大的区域代表的能量强度越大,能量强度越大的区域代表对模型故障诊断的结果具有更重要的贡献程度。根据二维时频图像中标记的能量强度,可以确定振动信号中哪些时频特征对卷积神经网络故障诊断模型输出的故障诊断结果的影响比较大,哪些时频特征对卷积神经网络故障诊断模型输出的故障诊断结果的影响比较小,可见LIME算法的故障解析信息为卷积神经网络故障诊断模型输出的故障诊断结果提供了诊断依据,进而为后续故障原因的分析提供了数据基础。
本说明一个实施例是以泄露故障为例,即利用LIME算法解释卷积神经网络故障诊断模型对泄露故障进行故障诊断的依据,将卷积神经网络故障诊断模型输出的泄露故障诊断结果及进行故障诊断时输入的时频图像一起输入到LIME算法中,获得LIME算法样本输入图如图6所示和LIME算法输出结果图如图7所示,其中,图6和图7的横坐标均表示时间,纵坐标表示频率,图6和图7中频率最大的区域对应能量强度最大用圆形框表示,频率最小的区域对应能量强度最小的区域用矩形框表示。图6中的输入样本为经连续小波变换后获得的二维时频图像,图7中LIME算法输出的结果是在图6输入的二维时频图像的基础上得到的,图7中能量强度较大的区域对应特定的频率,该特定频率与某种故障诊断类型数据的频率相同,在本图中该特定频率即为泄露故障的频率。
为计算出特征对预测结果的影响程度,LIME算法可以在输入值附近添加微小的扰动,观察模型将样本预测为各个类别的概率变化,最后LIME算法根据这些扰动后的数据点距离原始数据点的距离分配权重,最终学习到黑盒模型的解释结果。本说明书实施例中,可以预先建立基于LIME的解释及评估模型,再利用建立的评估模型对上述实施例中卷积神经网络故障诊断模型输出的故障诊断结果进行解析。其中,基于LIME的解释及评估模型的具体构建方法可以参考如下:
(1)为局部解释模型(即基于LIME的解释及评估模型)取样
为了还原卷积神经网络故障诊断模型的数据分布,研究在以卷积神经网络故障诊断模型的测试数据集为原始数据集,在原始数据集附近取N个样本点,以此虚拟数据集x′代入黑箱模型(即卷积神经网络故障诊断模型)进行预测,得到的虚拟数据集x′及其预测结果将作为解释及评估模型的数据基础。
(2)重新分配权重
计算原始数据N与扰动样本x′的距离作为权重以表示其对每个样本的相对重要性。
(3)数据转换
为了模型的解释需要,我们将数据转换成可解释的表示。
(4)重编译数据集
根据分割规则对相应数据集进行转换后,将虚拟数据集x′与测试数据集xtest进行数据转换,相互对比重编译,得到一个(0,1)对比矩阵,以此揭示与预测结果的局部稳定关系。
(5)建立局部可解释模型即基于LIME的解释及评估模型
基于上述转换及重编译得到的数据集来建立局部可解释模型,通过解释这个局部模型,获得对模型输出结果的解释。
以表示被解释实例的原始表示,使用x′∈{0,1}d′表示二进制向量的可解释表示。
解释定义为模型g∈G,其中,G是一类可能可解释的模型。g属于{0,1}d′,即g作用于可解释成分的缺失或存在。由于并不是每个g∈G能够被解释,因此采用Ω(g)衡量g∈G解释的复杂性。
被解释的模型表示为f:在分类问题中,f(x)是x属于某一类别的概率。使用πx(z)作为实例z到x之间的近似度量,以定义x周围的局部性。将/>作为度量,度量g在πx(z)定义的局部性中逼近f的不忠度。为了确保可解释性和局部保真度,需对最小化,使得Ω(g)可以被理解。Lime算法的解释如下:
公式(18)可用于不同的解释族G、保真度函数和复杂性度量Ω。/>
最小化局部损失loss通过绘制样本、πx加权来近似/>来获得可解释输入变化时f的局部行为。通过随机均匀地绘制x′的非零元素来采样x′周围的实例。给定扰动样本z′∈{0,1}d′,恢复原始表示z中的样本/>并获得f(z),它被用作解释模型的标签。给定带有相关标签的扰动样本的数据集Z,优化公式(18)以得到解释ξ(x)。优化后的最终函数的公式为:
本说明书一些实施例中,所述利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,包括:
将所述二维时频图像分割成不同的特征块,对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像;
将所述合成时频图像输入到所述卷积神经网络故障诊断模型中,获得所述合成时频图像的故障诊断结果;
根据所述合成时频图像以及所述合成时频图像对应的故障诊断结果拟合获得回归模型;
利用所述回归模型计算所述二维时频图像中各个特征块的重要性;
根据各个特征块的重要性生成所述故障解析信息。
在具体的实施过程中,可以将上述实施例中振动信号对应的二维时频图像分割成不同的特征块,如:可以采用随机分割的方式将二维时频图像分割成不同的特征块,再对分割的特征块进行重新筛选组合,如随机删除一些特征块,将重新筛选组合后的特征块组成的二维时频图像作为合成时频图像。再将合成时频图像输入到上述实施例中的卷积神经网络故障诊断模型,利用卷积神经网络故障诊断模型对合成时频图像进行预测和打标,获得合成时频图像的故障诊断结果。基于合成时频图像以及对应的合成时频图像的故障诊断结果拟合获得回归模型,再利用回归模型计算上述待检测油气管道系统动设备的振动信号对应的二维时频图像中各个特征块的重要性即各个特征块的权重,基于各个特征块的重要性可以对二维时频图像中不同特征块对应的区域标记不同的能量强度,即获得故障解析信息。
通过对原始的二维时频图像进行特征块的分割、重新筛选组合,获得新的样本数据,利用卷积神经网络故障诊断模型对新的样本数据进行打标,基于新的样本数据和对应的标签拟合获得一个简单的回归模型,基于回归模型计算二维时频图像中各个特征块的重要性,从而获得二维时频图像中各个特征块对诊断结果的影响程度,实现了对卷积神经网络故障诊断模型诊断结果的解释,打破诊断结果的不可控性,提高故障诊断准确率。
本说明书一些实施例中,所述对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像,包括:
将所述特征块分为待选特征块和无用特征块;
将所述无用特征块的像素替换成所述二维时频图像的平均像素值;
将所述待选特征块和替换像素后的无用特征块合成获得所述合成时频图像。
在具体的实施过程中,可以采用随机分割的方式将二维时频图像分割成不同的特征块,在将各个特征块分为待选特征块和无用特征块,如随机的从分割后的特征块中选择一部分特征块作为待选特征块,剩余的特征块作为无用特征块,并将二维时频图像中无用特征块的像素替换为二维时频图像的平均像素值,这样待选特征块和无用特征块的组合即获得了合成时频图像。该合成时频图像使用了原始的二维时频图像中的部分特征,替换了部分特征,通过这种方式对原始二维时频图像扰动,快速获得新的样本数据,为后续模型诊断结果的解释奠定了数据基础,提升了数据处理效率。
本发明提出的Imagelime算法是基于LIME算法以实现对图像识别模型结果的解释,其中,Imagelime算法的主要流程可以表述为:
1.将图像分割成特征块。
2.通过随机地包括或排除特征来生成合成图像数据。被排除的特征中的每个像素被替换成平均图像像素的值。
3.使用卷积神经网络故障诊断模型对合成图像进行分类。
4.使用每个合成图像的图像特征的存在或不存在作为目标类别分数的二元回归预测器来拟合回归模型。
5.使用回归模型计算每个特征的重要性。
6.基于每个特征的重要性对二维时频图像进行能量强度的标记。
本发明实施例中提供了一种油气管道系统动设备的故障诊断方法,可以通过采集待检测油气管道系统动设备的振动信号,对振动信号进行连续小波变换获得二维时频图像。将二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果。利用LIME算法对所述故障诊断结果进行解析,获得故障解析信息,该故障解析信息中可以体现出振动信号中各个信号特征对故障诊断结果的影响程度,从而对后续故障原因的分析提供了理论基础,打破诊断结果的不可控性,提高故障诊断准确率。基于连续小波变换将一维振动信号转换为二维时频图像,可以充分反应振动信号的在时域和频域两种不同维度下的故障信息,避免了繁琐的特征提取过程,提高了故障诊断准确率。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的油气管道系统动设备的故障诊断方法,本说明书一个或多个实施例还提供一种用于油气管道系统动设备的故障诊断的装置。所述装置可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、插件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图8是本说明书实施例提供的一种油气管道系统动设备的故障诊断装置的模块结构示意图,如图8所示,本说明书中提供的油气管道系统动设备的故障诊断装置可以包括:
采集模块81,用于采集待检测油气管道系统动设备的振动信号;
小波处理模块82,用于对所述振动信号进行连续小波变换获得二维时频图像;
故障诊断模块83,用于将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
诊断解释模块84,用于利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息;其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
本说明书实施例提供的油气管道系统动设备的故障诊断装置,通过采集待检测油气管道系统动设备的振动信号,对所述振动信号进行连续小波变换获得二维时频图像,将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用卷积神经网络故障诊断模型对待检测油气管道系统动设备进行故障诊断,获得故障诊断结果,利用LIME算法对所述故障诊断结果进行解析,获得故障解析信息,其中,故障解析信息为在二维时频图像上标记不同能量强度,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。利用本说明书实施例可以避免繁琐的特征提取过程、打破诊断结果的不可控性,提高故障诊断准确率。
需要说明的,上述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种油气管道系统动设备的故障诊断设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的油气管道系统动设备的故障诊断方法,如:
采集待检测油气管道系统动设备的振动信号;
对所述振动信号进行连续小波变换获得二维时频图像;
将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息;其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
需要说明的,上述所述的装置或设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的油气管道系统动设备的故障诊断装置、设备,也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图9是本说明书实施例提供的一种油气管道系统动设备的故障诊断的服务器的硬件结构框图,该计算机终端可以是上述实施例中的油气管道系统动设备的故障诊断服务器或油气管道系统动设备的故障诊断处理装置。如图9所示服务器9可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图9中所示更多或者更少的插件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图9所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的信息访问处理方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
采集待检测油气管道系统动设备的振动信号;
对所述振动信号进行连续小波变换获得二维时频图像;
将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例提供的上述信息访问处理方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
为了描述的方便,描述以上平台、终端时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或插件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。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说明书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。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (8)
1.一种油气管道系统动设备的故障诊断方法,其特征在于,所述方法包括:
采集待检测油气管道系统动设备的振动信号;
对所述振动信号进行连续小波变换获得二维时频图像;
将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度;
其中,所述利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,包括:
将所述二维时频图像分割成不同的特征块,对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像;
将所述合成时频图像输入到所述卷积神经网络故障诊断模型中,获得所述合成时频图像的故障诊断结果;
根据所述合成时频图像以及所述合成时频图像对应的故障诊断结果拟合获得回归模型;
利用所述回归模型计算所述二维时频图像中各个特征块的重要性;
根据各个特征块的重要性生成所述故障解析信息;
其中,所述对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像,包括:
将所述特征块分为待选特征块和无用特征块;
将所述无用特征块的像素替换成所述二维时频图像的平均像素值;
将所述待选特征块和替换像素后的无用特征块合成获得所述合成时频图像。
2.如权利要求1所述油气管道系统动设备的故障诊断方法,其特征在于,所述对所述振动信号进行连续小波变换获得二维时频图像之前,所述方法还包括:
对所述振动信号进行变分模态分解,获得降噪振动信号;
所述对所述振动信号进行连续小波变换获得二维时频图像,包括:
对所述降噪振动信号进行连续小波变换获得所述二维时频图像。
3.如权利要求1所述油气管道系统动设备的故障诊断方法,其特征在于,所述卷积神经网络故障诊断模型的创建方法包括:
构建卷积神经网络故障诊断模型;
采集不同故障类型的振动信号,获得样本振动信号;
对所述样本振动信号进行连续小波变换获得多个样本二维时频图像;
将所述样本二维时频图像作为所述卷积神经网络故障诊断模型的输入,将所述样本二维时频图像对应的故障类型作为所述卷积神经网络故障诊断模型的输出,进行模型训练,直至所述卷积神经网络故障诊断模型的精度满足预设要求或模型训练次数达到预设次数。
4.如权利要求3所述油气管道系统动设备的故障诊断方法,其特征在于,所述故障类型包括密封泄露、入口阻塞、轴承磨损、正常状态、密封泄露-入口阻塞-轴承磨损、密封泄露-入口阻塞、入口阻塞-轴承磨损、密封泄露-轴承磨损。
5.如权利要求2所述油气管道系统动设备的故障诊断方法,其特征在于,所述对所述振动信号进行变分模态分解,获得降噪振动信号,包括:
将所述振动信号分解为多个模态分量,并计算每个模态分量的带宽;
对所有模态分量的总带宽进行优化,获得总带宽最小时的优化模态分量,将所述优化模态分量作为所述降噪振动信号。
6.一种油气管道系统动设备的故障诊断装置,其特征在于,所述装置包括:
采集模块,用于采集待检测油气管道系统动设备的振动信号;
小波处理模块,用于对所述振动信号进行连续小波变换获得二维时频图像;
故障诊断模块,用于将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中,利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断,获得故障诊断结果;
诊断解释模块,用于利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息;其中,所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像,不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度;
其中,所述利用LIME算法对所述故障诊断结果进行解析,获得所述故障诊断结果的故障解析信息,包括:
将所述二维时频图像分割成不同的特征块,对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像;
将所述合成时频图像输入到所述卷积神经网络故障诊断模型中,获得所述合成时频图像的故障诊断结果;
根据所述合成时频图像以及所述合成时频图像对应的故障诊断结果拟合获得回归模型;
利用所述回归模型计算所述二维时频图像中各个特征块的重要性;
根据各个特征块的重要性生成所述故障解析信息;
其中,所述对所述特征块进行重新筛选组合,获得所述二维时频图像对应的合成时频图像,包括:
将所述特征块分为待选特征块和无用特征块;
将所述无用特征块的像素替换成所述二维时频图像的平均像素值;
将所述待选特征块和替换像素后的无用特征块合成获得所述合成时频图像。
7.一种油气管道系统动设备故障诊断设备,其特征在于,包括:包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-5任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594663.5A CN114964476B (zh) | 2022-05-27 | 2022-05-27 | 油气管道系统动设备的故障诊断方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594663.5A CN114964476B (zh) | 2022-05-27 | 2022-05-27 | 油气管道系统动设备的故障诊断方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114964476A CN114964476A (zh) | 2022-08-30 |
CN114964476B true CN114964476B (zh) | 2023-08-22 |
Family
ID=82957253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210594663.5A Active CN114964476B (zh) | 2022-05-27 | 2022-05-27 | 油气管道系统动设备的故障诊断方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114964476B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798B (zh) * | 2024-01-19 | 2024-07-02 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心(上海市心理咨询培训中心) | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
CN114399025A (zh) * | 2021-12-21 | 2022-04-26 | 中国科学院深圳先进技术研究院 | 一种图神经网络解释方法、系统、终端以及存储介质 |
CN114492555A (zh) * | 2020-11-13 | 2022-05-13 | 中国石油大学(北京) | 一种输送管道运行异常原因识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188065B2 (en) * | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
CA3098979A1 (en) * | 2018-04-30 | 2019-11-07 | The Board Of Trustees Of The Leland Stanford Junior University | System and method to maintain health using personal digital phenotypes |
US11429815B2 (en) * | 2020-10-30 | 2022-08-30 | Huawei Cloud Computing Technologies Co., Ltd. | Methods, systems, and media for deep neural network interpretation via rule extraction |
-
2022
- 2022-05-27 CN CN202210594663.5A patent/CN114964476B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN114492555A (zh) * | 2020-11-13 | 2022-05-13 | 中国石油大学(北京) | 一种输送管道运行异常原因识别方法及装置 |
CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心(上海市心理咨询培训中心) | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
CN114399025A (zh) * | 2021-12-21 | 2022-04-26 | 中国科学院深圳先进技术研究院 | 一种图神经网络解释方法、系统、终端以及存储介质 |
Non-Patent Citations (1)
Title |
---|
A data-driven approach to anomaly detection and vulnerability dynamic analysis for large-scale integrated energy systems;张丽等;Energy Conversion and Management;第234卷(第4期);1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN114964476A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Challenges and opportunities of AI-enabled monitoring, diagnosis & prognosis: A review | |
Rezamand et al. | Critical wind turbine components prognostics: A comprehensive review | |
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Singh et al. | Deep learning-based cross-domain adaptation for gearbox fault diagnosis under variable speed conditions | |
de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
Hu et al. | A Systematic Semi-Supervised Self-adaptable Fault Diagnostics approach in an evolving environment | |
Wu et al. | Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance | |
CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
CN114964476B (zh) | 油气管道系统动设备的故障诊断方法、装置及设备 | |
CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
Frey | Monitoring of complex industrial processes based on self-organizing maps and watershed transformations | |
He et al. | Prognostic analysis based on hybrid prediction method for axial piston pump | |
Tsai et al. | Acoustic-based method for identifying surface damage to wind turbine blades by using a convolutional neural network | |
Cheng et al. | Online bearing remaining useful life prediction based on a novel degradation indicator and convolutional neural networks | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
Du et al. | RUL prediction based on GAM–CNN for rotating machinery | |
Jiang et al. | Remaining useful life prediction of rolling bearings based on TCN-MSA | |
Kerboua et al. | Fault diagnosis in an asynchronous motor using three-dimensional convolutional neural network | |
Frusque et al. | Non-contact sensing for anomaly detection in wind turbine blades: A focus-SVDD with complex-valued auto-encoder approach | |
Frey | Diagnosis and monitoring of complex industrial processes based on self-organizing maps and watershed transformations | |
Zhang et al. | An unsupervised spatiotemporal fusion network augmented with random mask and time-relative information modulation for anomaly detection of machines with multiple measuring points | |
Hu et al. | Time-dependent reliability analysis in operation: prognostics and health management | |
CN114720129B (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 | |
CN111492632B (zh) | 用于预测网络节点的状态改变的系统和方法 | |
Aubrun et al. | Unsupervised learning of robust representations for change detection on sentinel-2 earth observation images |
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 |