CN115095535A - 一种工业泵运行多参数检测仪 - Google Patents

Abstract

本发明公开了一种工业泵运行多参数检测仪，包括温度传感器、振动传感器、电流计、流量计、压力计、控制器和云平台，温度传感器采集工业泵的电机温度和水温，振动传感器采集工业泵电机的振动信号，电流计采集工业泵的电机电流，流量计采集工业泵的实时排水流量，压力计采集工业泵的实时排水压力，控制器收集电机温度、振动信号、计算电机电流波动率、排水流量波动率和排水压力波动率，并进行时频变换后发送到云平台，云平台对数据进行特征提取和特征筛选，建立工业泵运行效率模型，并根据模型调整工业泵的功率。本发明可检测到部件故障情况，或根据泵运行效率调整泵功率和流量，使工业泵运行在最佳状态。

Description

一种工业泵运行多参数检测仪

技术领域

本发明属于泵技术领域，尤其涉及一种工业泵运行多参数检测仪。

背景技术

工业泵为输送液体或使液体增压的机械。它将原动机的机械能或其他外部能量传送给液体，使液体能量增加，主要用来输送液体包括水、油、酸碱液、乳化液、悬乳液和液态金属等。在工业泵运行过程中，泵的运行状态对于泵的工作效率非常重要。例如泵的异常振动情况，可能存在部件的异常，或泵的流量和压力不足，导致泵工作效率不高，扬程不够，没有发挥出泵的额定功效。

工业泵的运行状态非常复杂，如叶轮的不对中导致泵振动，或出现汽蚀现象，导致泵出现故障。在工业泵运行过程中，很难直接对泵部件进行检测，停机检测也会导致成本太高，所以只能通过采集间接的参数进行监控。采集哪些参数，以及这些间接参数如何应用于工业泵的运行效率或故障的判断，如何利用间接参数分析泵的运行状态和工作效率，一直是业界的难题。

发明内容

有鉴于此，本发明提出了工业泵运行多参数检测仪，通过传感器采集各种参数，并发送到云平台，云平台对进行时频转换后参数进行特征选择，并在大量采集数据的基础上，将选择的特征通过深度学习网络进行学习，以建立工业泵运行效率模型，根据工业泵的实时参数和工业泵运行效率模型，调整工业泵的功率、阀门开度或进行停机保护、日常巡检等。

本发明公开的工业泵运行多参数检测仪，包括：温度传感器、振动传感器、电流计、流量计、压力计、控制器和云平台，所述温度传感器采集工业泵的电机温度和水温，所述振动传感器采集工业泵电机的振动信号，所述电流计采集工业泵的电机电流，所述流量计采集工业泵的实时排水流量，所述压力计采集工业泵的实时排水压力，所述控制器收集电机温度、振动信号、计算电机电流波动率、排水流量波动率和排水压力波动率，并将上述数据进行时频变换后，发送到云平台，云平台对数据进行特征提取和特征筛选，建立工业泵运行效率模型，并根据所述运行效率模型调整工业泵的功率或进行停机保护。

进一步的，所述控制器与云平台通过4G/485总线/CAN总线/蓝牙之一进行通信。

进一步的，所述振动传感器包括第一振动传感器、第二振动传感器和第三振动传感器，第一振动传感器设置在工业泵的固定底座上，第二振动传感器设置在工业泵的泵轴上，第三振动传感器设置在工业泵的泵壳上，所述压力计包括第一压力计和第二压力计，所述第一压力计设置在工业泵的入口，所述第二压力计设置在工业泵的出口。

进一步的，所述控制器被配置为：将采集的电机温度、振动信号、电极电流波动率、排水流量波动率和排水压力波动率进行时频信号转换，包括傅里叶变换、小波分析变换、EMD分解；所述控制器还将采集的参数对应的工业泵功率、阀门开度发送到云平台。

进一步的，所述云平台被配置为执行如下方法：

将时频信号组成n个特征向量，将n个特征根据变换方法数量m，分成m个组特征向量；

每组特征向量根据k-means聚类方法进行聚类，将聚类后得到类内特征数量最多的类作为A_i1，其余类作为A_i2，i＝1-m，得到类集合{A₁₁，A₂₁，A₁₂，A₂₂，A_i1，A_i2，…，A_m1，A_m2}，计算A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1、A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2，及A_i1类内的特征F_ai1j与其余m-1个类的特征的欧式距离d_f1j-outer，将欧式距离d_f1j-inner1、欧式距离d_f1j-inner2和欧式距离d_f1j-outer加权后，得到特征F_ai1j的综合距离，将所有特征的综合距离按大小进行排序，挑选出综合距离最大的前l个特征；

使用Fader网络进行训练，输入为l个特征组成的向量和对应的泵功率、阀门开度组成的向量。

进一步的，所述将欧式距离d_f1j-inner和欧式距离d_f1j-outer加权，包括：

A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1计算如下：

A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2计算如下：

其中c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，F_ai1k为类A_i1的第k个特征，F_ai2k为类A_i2的第k个特征，F_al1k为第l组向量的类A_l1的第k个特征，F_al2k为第l组向量的类A_l2的第k个特征，c_l1为类A_l1中的特征数量，c_l2为类A_l2中的特征数量。

进一步的，所述F_ai1j的综合距离计算如下：

D＝α_a1j×d_fa1j-inner1+β_a1j×d_fa1j-inner2+γ_a1j×d_fa1j-outer

其中α为奖励因子，β为第一惩罚因子，γ为第二惩罚因子，α>β,α>γ，以对同一个特征向量组中最大聚类的特征间距离进行奖励，对同一个特征向量组中最大聚类的特征与其余聚类的特征间距离以及不同特征向量组的特征间距离进行惩罚。

进一步的，所述奖励因子、第一惩罚因子、第二惩罚因子计算如下：

其中，c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，

为类A_i1的特征平均值，

为类A_i2的特征平均值。

进一步的，所述Fader网络通过改变特征的组合来生成工业泵功率、阀门开度值的组合向量，并评估与真实的工业泵功率、阀门开度值的差距，通过梯度下降算法反向传播，建立并训练工业泵运行效率模型，其损失函数如下：

其中

为解码器，θ_dec为解码器参数，

为编码器，θ_enc为编码器参数，x，y为训练样本，D为由x，y组成的训练集，t为样本个数，||w||₁为L1正则化，λ为权重参数。

本发明的有益效果如下：

通过采集的多参数，并与工业泵的运行效率、故障情况建模，从而在泵运行中既可检测到部件故障情况，也可根据泵运行效率调整泵功率和流量，从而使工业泵运行在最佳状态。

使用Fader网络能够拟合工业泵的复杂参数之间的关系，泛化能力强。

附图说明

图1本发明的系统结构图。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

参考图1，本发明提出的一种工业泵运行多参数检测仪，包括：温度传感器、振动传感器、电流计、流量计、压力计、控制器和云平台，温度传感器采集工业泵的电机温度和水温，振动传感器采集工业泵电机的振动信号，电流计采集工业泵的电机电流，流量计采集工业泵的实时排水流量，压力计采集工业泵的实时排水压力，控制器收集电机温度、振动信号、计算电机电流波动率、排水流量波动率和排水压力波动率，电流波动率、排水流量波动率和排水压力波动率为单位时间内电流值变化值、排水流量变化值和排水压力变化值，可为正或负值。控制器将这些采集或计算得到的数据进行时频变换，并发送到云平台，云平台对数据进行特征提取和特征筛选，建立工业泵运行效率模型，并根据所述运行效率模型调整工业泵的功率或进行停机保护。

控制器与云平台通过4G/485总线/CAN总线/蓝牙之一进行通信。

振动传感器包括第一振动传感器、第二振动传感器和第三振动传感器，第一振动传感器设置在工业泵的固定底座上，第二振动传感器设置在工业泵的泵轴上，第三振动传感器设置在工业泵的泵壳上，压力计包括第一压力计和第二压力计，第一压力计设置在工业泵的入口，第二压力计设置在工业泵的出口。

控制器被配置为：将采集的电机温度、振动信号、电极电流波动率、排水流量波动率和排水压力波动率进行时频信号转换，包括傅里叶变换、小波分析变换、EMD分解；控制器还将采集的参数对应的工业泵功率、阀门开度发送到云平台。傅里叶变换、小波分析变换、EMD分解为本领域的公知常识，本发明不再赘述。此外，还可在此基础上计算频带的峭度、包络解调等特征。

云平台被配置为执行如下方法：

将时频信号组成n个特征向量，将n个特征根据变换方法数量m，分成m个组特征向量；

每组特征向量根据k-means聚类方法进行聚类，将聚类后得到类内特征数量最多的类作为A_i1，其余类作为A_i2，i＝1-m，得到类集合{A₁₁，A₂₁，A₁₂，A₂₂，A_i1，A_i2，…，A_m1，A_m2}，计算A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1、A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2，及A_i1类内的特征F_ai1j与其余m-1个类的特征的欧式距离d_f1j-outer，将欧式距离d_f1j-inner1、欧式距离d_f1j-inner2和欧式距离d_f1j-outer加权后，得到特征F_ai1j的综合距离，将所有特征的综合距离按大小进行排序，挑选出综合距离最大的前l个特征；

使用Fader网络进行训练，输入为l个特征组成的向量和对应的泵功率、阀门开度组成的向量。

将欧式距离d_f1j-inner和欧式距离d_f1j-outer加权，包括：

A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1计算如下：

A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2计算如下：

其中c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，F_ai1k为类A_i1的第k个特征，F_ai2k为类A_i2的第k个特征，F_al1k为第l组向量的类A_l1的第k个特征，F_al2k为第l组向量的类A_l2的第k个特征，c_l1为类A_l1中的特征数量，c_l2为类A_l2中的特征数量。

F_ai1j的综合距离计算如下：

D＝α_a1j×d_fa1j-inner1+β_a1j×d_fa1j-inner2+γ_a1j×d_fa1j-outer

其中α为奖励因子，β为第一惩罚因子，γ为第二惩罚因子，α>β,α>γ，以对同一个特征向量组中最大聚类的特征间距离进行奖励，对同一个特征向量组中最大聚类的特征与其余聚类的特征间距离以及不同特征向量组的特征间距离进行惩罚。

奖励因子、第一惩罚因子、第二惩罚因子计算如下：

其中，c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，

为类A_i1的特征平均值，

为类A_i2的特征平均值。

Fader网络由Lample等人于2017年提出，包括编码器-解码器，本发明通过改变特征组合来生成工业泵功率、阀门开度值的组合向量，并评估与真实的工业泵功率、阀门开度值的差距，输出最终的特征组合，建立工业泵运行效率模型，工业泵运行效率模型即特征组合、对应的特征数值与泵功率、阀门开度值的对应关系，实现方式可以通过查表。传统的Fader网络的损失函数如下：

本发明在传统的Fader网络的损失函数上增加L1正则化项，以适应工业泵的多参数模型拟合效果。

其中

为解码器，θ_dec为解码器参数，

为编码器，θ_enc为编码器参数，x，y为训练样本，D为由x，y组成的训练集，t为样本个数，||w||₁为L1正则化，λ为权重参数。

由于Fader网络常用于图像检测，其对应的数据集不适用于本发明，本发明根据收集多台工业泵在长时间内的数据，建立数据集，并将数据集按7：3的比例分为训练集和测试集。

由于泵的参数拟合建模比较复杂，常用的神经网络拟合效果不理想，本发明比较了若干神经网络后，最后采用了Fader网络进行建模。

测试结果包括验证集的正确率(Accuracy)、精度(Precision)、召回率(Recall)和F1分数(F1-score)。模型的最优的参数配置如下：学习率λ＝0.001，batch＝100，解码器参数θ_dec＝1，编码器参数θ_enc＝1。对于每一个数据集，本实验将样本迭代了1000轮次。

Fader网络的测试效果与CNN卷积网络，RNN神经网络的实验结果如下表1：

表1实验结果

网络/指标	Accuracy	Precision	Recall	F1-score
					CNN	0.789	0.854	0.634	0.901
RNN	0.815	0.751	0.714	0.923
					Fader	0.887	0.893	0.898	0.972

本发明可用于工业泵的故障检测，日常巡检，或超负荷运行时停机保护，也可用于调整工业泵的功率或阀门开度，以提高工业泵运行效率。

本发明的有益效果如下：

通过采集的多参数，并与工业泵的运行效率、故障情况建模，从而在泵运行中既可检测到部件故障情况，也可根据泵运行效率调整泵功率和流量，从而使工业泵运行在最佳状态。

使用Fader网络能够拟合工业泵的复杂参数之间的关系，泛化能力强。

本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。

而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。

综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种工业泵运行多参数检测仪，其特征在于，包括：温度传感器、振动传感器、电流计、流量计、压力计、控制器和云平台，所述温度传感器采集工业泵的电机温度和水温，所述振动传感器采集工业泵电机的振动信号，所述电流计采集工业泵的电机电流，所述流量计采集工业泵的实时排水流量，所述压力计采集工业泵的实时排水压力，所述控制器收集电机温度、振动信号、计算电机电流波动率、排水流量波动率和排水压力波动率，并将上述数据进行时频变换后，发送到云平台，云平台对数据进行特征提取和特征筛选，建立工业泵运行效率模型，并根据所述运行效率模型调整工业泵的功率或进行停机保护。

2.根据权利要求1所述的工业泵运行多参数检测仪，其特征在于，所述控制器与云平台通过4G/485总线/CAN总线/蓝牙之一进行通信。

3.根据权利要求1所述的工业泵运行多参数检测仪，其特征在于，所述振动传感器包括第一振动传感器、第二振动传感器和第三振动传感器，所述第一振动传感器设置在工业泵的固定底座上，第二振动传感器设置在工业泵的泵轴上，第三振动传感器设置在工业泵的泵壳上，所述压力计包括第一压力计和第二压力计，所述第一压力计设置在工业泵的入口，所述第二压力计设置在工业泵的出口。

4.根据权利要求1所述的工业泵运行多参数检测仪，其特征在于，所述控制器被配置为：将采集的电机温度、振动信号、电极电流波动率、排水流量波动率和排水压力波动率进行时频信号转换，包括傅里叶变换、小波分析变换、EMD分解；所述控制器还将采集的参数对应的工业泵功率、阀门开度发送到云平台。

5.根据权利要求1所述的工业泵运行多参数检测仪，其特征在于，所述云平台被配置为执行如下方法：

将时频信号组成n个特征向量，将n个特征根据变换方法数量m，分成m个组特征向量；

每组特征向量根据k-means聚类方法进行聚类，将聚类后得到类内特征数量最多的类作为A_i1，其余类作为A_i2，i＝1-m，得到类集合{A₁₁，A₂₁，A₁₂，A₂₂，A_i1，A_i2，…，A_m1，A_m2}，计算A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1、A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2，及A_i1类内的特征F_ai1j与其余m-1个类的特征的欧式距离d_f1j-outer，将欧式距离d_f1j-inner1、欧式距离d_f1j-inner2和欧式距离d_f1j-outer加权后，得到特征F_ai1j的综合距离，将所有特征的综合距离按大小进行排序，挑选出综合距离最大的前l个特征；

使用Fader网络进行训练，输入为l个特征组成的向量和对应的泵功率、阀门开度组成的向量。

6.根据权利要求5所述的工业泵运行多参数检测仪，其特征在于，所述将欧式距离d_f1j-inner和欧式距离d_f1j-outer加权，包括：

A_i1类内的特征F_ai1j与类内其它特征的欧式距离d_f1j-inner1计算如下：

A_i1类内的特征F_ai1j与A_i2类内特征的欧式距离d_f1j-inner2计算如下：

其中c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，F_ai1k为类A_i1的第k个特征，F_ai2k为类A_i2的第k个特征，F_al1k为第l组向量的类A_l1的第k个特征，F_al2k为第l组向量的类A_l2的第k个特征，c_l1为类A_l1中的特征数量，c_l2为类A_l2中的特征数量。

7.根据权利要求6所述的工业泵运行多参数检测仪，其特征在于，所述F_ai1j的综合距离计算如下：

D＝α_a1j×d_fa1j-inner1+β_a1j×d_fa1j-inner2+γ_a1j×d_fa1j-outer

其中α为奖励因子，β为第一惩罚因子，γ为第二惩罚因子，α>β,α>γ，以对同一个特征向量组中最大聚类的特征间距离进行奖励，对同一个特征向量组中最大聚类的特征与其余聚类的特征间距离以及不同特征向量组的特征间距离进行惩罚。

8.根据权利要求7所述的工业泵运行多参数检测仪，其特征在于，所述奖励因子、第一惩罚因子、第二惩罚因子计算如下：

其中，c_i1为类A_i1中的特征数量，c_i2为类A_i2中的特征数量，

为类A_i1的特征平均值，

为类A_i2的特征平均值。

9.根据权利要求5所述的工业泵运行多参数检测仪，其特征在于，所述Fader网络通过改变特征的组合来生成工业泵功率、阀门开度值的组合向量，并评估与真实的工业泵功率、阀门开度值的差距，通过梯度下降算法反向传播，建立并训练工业泵运行效率模型，其损失函数如下：

其中

为解码器，θ_dec为解码器参数，

为编码器，θ_enc为编码器参数，x，y为训练样本，D为由x，y组成的训练集，t为样本个数，||w||₁为L1正则化，λ为权重参数。

Images