CN115143128B - 小型潜水电泵的故障诊断方法及其系统 - Google Patents
小型潜水电泵的故障诊断方法及其系统 Download PDFInfo
- Publication number
- CN115143128B CN115143128B CN202210748965.3A CN202210748965A CN115143128B CN 115143128 B CN115143128 B CN 115143128B CN 202210748965 A CN202210748965 A CN 202210748965A CN 115143128 B CN115143128 B CN 115143128B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vibration
- vector
- discrete
- feature
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 333
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008447 perception Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 101100322030 Drosophila melanogaster Abl gene Proteins 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation 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
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D13/00—Pumping installations or systems
- F04D13/02—Units comprising pumps and their driving means
- F04D13/06—Units comprising pumps and their driving means the pump being electrically driven
- F04D13/08—Units comprising pumps and their driving means the pump being electrically driven for submerged use
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本申请涉及故障智能诊断的领域，更具体地，涉及一种小型潜水电泵的故障诊断方法及其系统，其通过卷积神经网络模型来从待检测潜水电泵的单通道振动信号的时域图像信号特征和采样离散特征中分别挖掘出所述单通道振动信号的振动波形图与各过滤器关联的局部语义关联信息以及样本间关联信息，并对得到的特征向量的深度进行单应对齐，以提升含有这两个特征信息的所述特征向量在深层次的高维特征空间内的融合性能，进而提高分类的准确性，这样，能够对于所述潜水电泵的故障类型进行准确地判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
Description
技术领域
本申请涉及故障智能诊断的领域，且更为具体地，涉及一种小型潜水电泵的故障诊断方法及其系统。
背景技术
近几年来，潜水电泵的制造技术和生产飞速发展，特别是在工农业生产，城乡居民生活，工矿企业，城市供水，饭店宾馆等各领域均得到了广泛的应用。但是在使用的过程中，电泵故障常有发生，严重影响着生产的安全、可靠、长周期运行。
因此，期待一种用于小型潜水电泵的故障诊断方案以确定故障类型并利于后续的电泵维修。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种小型潜水电泵的故障诊断方法及其系统，其通过卷积神经网络模型来从待检测潜水电泵的单通道振动信号的时域图像信号特征和采样离散特征中分别挖掘出所述单通道振动信号的振动波形图与各过滤器关联的局部语义关联信息以及样本间关联信息，并对得到的特征向量的深度进行单应对齐，以提升含有这两个特征信息的所述特征向量在深层次的高维特征空间内的融合性能，进而提高分类的准确性，这样，能够对于所述潜水电泵的故障类型进行准确地判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
根据本申请的一个方面，提供了一种小型潜水电泵的故障诊断方法，其包括：
获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；
以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；
将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；
将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；
融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
在上述小型潜水电泵的故障诊断方法中，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量，包括：使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量；以及，使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。
在上述小型潜水电泵的故障诊断方法中，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+ex))。
在上述小型潜水电泵的故障诊断方法中，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量，包括：所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。
在上述小型潜水电泵的故障诊断方法中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量，包括：计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及，以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
在上述小型潜水电泵的故障诊断方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
在上述小型潜水电泵的故障诊断方法中，所述振动传感器为加速度传感器，所述单通道振动信号的采样点为单个时间点下的加速度值。
根据本申请的另一方面，提供了一种小型潜水电泵的故障诊断系统，其包括：
振动信号获取单元，用于获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；
振动离散信号单元，用于以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；
第一特征提取单元，用于将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；
第二特征提取单元，用于将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；
特征融合单元，用于融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及
分类单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
在上述小型潜水电泵的故障诊断系统中，所述第一特征提取单元，进一步用于：使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量；使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。
在上述小型潜水电泵的故障诊断系统中，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+ex))。
在上述小型潜水电泵的故障诊断系统中，所述第二特征提取单元，进一步用于：所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。
在上述小型潜水电泵的故障诊断系统中，所述特征融合单元，包括：差值计算子单元，用于计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；一范数计算子单元，用于计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；对数计算子单元，用于对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；加权子单元，用于以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；向量相乘子单元，用于计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；深度感知值计算子单元，用于计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及，加和计算单元，用于以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
在上述小型潜水电泵的故障诊断系统中，所述分类单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
在上述小型潜水电泵的故障诊断系统中，所述振动传感器为加速度传感器，所述单通道振动信号的采样点为单个时间点下的加速度值。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的小型潜水电泵的故障诊断方法。
与现有技术相比，本申请提供了一种小型潜水电泵的故障诊断方法及其系统，其通过卷积神经网络模型来从待检测潜水电泵的单通道振动信号的时域图像信号特征和采样离散特征中分别挖掘出所述单通道振动信号的振动波形图与各过滤器关联的局部语义关联信息以及样本间关联信息，并对得到的特征向量的深度进行单应对齐，以提升含有这两个特征信息的所述特征向量在深层次的高维特征空间内的融合性能，进而提高分类的准确性，这样，能够对于所述潜水电泵的故障类型进行准确地判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的小型潜水电泵的故障诊断方法的应用场景图。
图2为根据本申请实施例的小型潜水电泵的故障诊断方法的流程图。
图3为根据本申请实施例的小型潜水电泵的故障诊断方法的架构示意图。
图4为根据本申请实施例的小型潜水电泵的故障诊断方法中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量的流程图。
图5为根据本申请实施例的小型潜水电泵的故障诊断系统的框图。
图6为根据本申请实施例的小型潜水电泵的故障诊断系统中特征融合单元的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，近几年来，潜水电泵的制造技术和生产飞速发展，特别是在工农业生产，城乡居民生活，工矿企业，城市供水，饭店宾馆等各领域均得到了广泛的应用。但是在使用的过程中，电泵故障常有发生，严重影响着生产的安全、可靠、长周期运行。因此，期待一种用于小型潜水电泵的故障诊断方案以确定故障类型并利于后续的电泵维修。
对潜水电泵的故障分析，可基于对潜水电泵在工作时产生的振动信号的分析来进行。应可以理解，当潜水电泵发生故障时，不同的故障类型对应于不同的振动信号。传统有一些基于振动信号来进行故障诊断的方案，但是由于潜水电泵的结构复杂，每一种故障分析需提取的特征不尽相同，需要依靠专家和技术人员丰富的专业知识积累。同时，针对同一潜水电泵的不同故障，需设计出不同的故障特征，人工设计故障特征的过程费时费力，因而造成其故障特征提取困难。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为潜水电泵的故障诊断提供了新的解决思路和方案。
相应地，本申请发明人考虑到在对于潜水电泵的故障进行分析诊断时，可以基于对潜水电泵在工作时产生的振动信号的分析来进行，也就是，不同的故障类型会对应于不同的振动信号，通过对于不同的振动信号进行分类判断以诊断所述潜水电泵的故障类型。也就是说，这本质上是一个分类的问题，通过振动传感器采集的振动信号来进行特征分析，并使用分类器进行振动信号的分类判断，进而就能够对于故障的类型进行分类判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
具体地，在本申请的技术方案中，首先，通过部署于待检测潜水电泵的振动传感器来采集单通道振动信号。在一个具体示例中，所述振动传感器为加速度传感器。应可以理解，虽然在提取振动特征时，可以将所述振动信号的波形图视为图像数据，并使用在图像局部特征提取领域具有优异性能表现的卷积神经网络来进行特征提取，但所述振动信号并非严格意义上的图像数据，在其振动信号的波形图上存在大量的空白区域，因此，在振动特征提取方向缺乏鲁棒性。并且，所述卷积神经网络提取的是所述振动信号的波形图在时空域的局部特征，而所述振动信号在其特征表现上往往存在周期性，即，所述振动信号的特征可能存在于波形图较宽的感受野下，所述卷积神经网络在周期性振动特征的捕捉能力方面，表现较差。因此，进一步以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，然后，将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量。在一个具体示例中，所述单通道振动信号的采样点为单个时间点下的加速度值。这样，在从所述单通道振动信号中提取其在时间维度上的离散分布后进一步进行关联特征提取，具体地，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络，以提取出所述振动离散样本的局部隐含关联特征，从而得到离散振动特征向量。应可以理解，这样，能够提高特征提取的鲁棒性，并且通过所述一维卷积神经网络的一维卷积核的长度设计可扩增其感受野以增强其对周期性振动特征的捕捉。
并且，也将获得的所述单通道振动信号的时域特征信息，也就是所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络中进行处理以得到全局振动特征向量。这样，可以提取出所述单通道振动信号的波形图在时序上的局部高维隐含特征信息，进而再融合这两者的特征信息，显然能够提高分类的准确性。
但是，由于所述离散振动特征向量V1表达样本间关联信息，而所述全局振动特征向量V2表达振动波形图的与各过滤器关联的局部语义关联信息，因此为了提升离散振动特征向量和全局振动特征向量在深层次的高维特征空间内的融合性能，进行特征向量的深度单应对齐，即：
其中||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数。
这样，该特征向量的分层深度单应对齐能够通过根据向量表征的基于特征的深度特性，来进行通过向量的全场景单应关联矩阵的深度感知，以将特征向量进行基于场景深度流的单应性对齐。这样，就在可能存在特征向量之间的特征分布错位的情况上，实现了特征向量之间的稠密深度融合，以获得在深层次的高维特征空间内具有强融合性能的分类特征向量Vc，进而能够提高分类的准确性。
基于此，本申请提出了一种小型潜水电泵的故障诊断方法，其包括：获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
图1图示了根据本申请实施例的小型潜水电泵的故障诊断方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于待检测潜水电泵(例如，如图1中所示意的P)的振动传感器(例如，如图1中所示意的加速度传感器T)采集所述潜水电泵的单通道振动信号。然后，将获得的所述单通道振动信号输入至部署有小型潜水电泵的故障诊断算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以小型潜水电泵的故障诊断算法对所述单通道振动信号进行处理，以生成用于表示所述待检测潜水电泵是否存在故障的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的小型潜水电泵的故障诊断方法的流程图。如图2所示，根据本申请实施例的小型潜水电泵的故障诊断方法，包括步骤：S110，获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；S120，以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；S130，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；S140，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；S150，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及，S160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
图3图示了根据本申请实施例的小型潜水电泵的故障诊断方法的架构示意图。如图3所示，在该网络架构中，首先，以预定采样频率从获得的所述单通道振动信号(例如，如图3中所示意的IN)提取具有预定数量的多个样本点(例如，如图3中所示意的P)，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量(例如，如图3中所示意的V)；接着，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络(例如，如图3中所示意的CNN1)以得到离散振动特征向量(例如，如图3中所示意的VF1)；然后，将所述单通道振动信号的波形图(例如，如图3中所示意的Q)通过使用二维卷积核的二维卷积神经网络(例如，如图3中所示意的CNN2)以得到全局振动特征向量(例如，如图3中所示意的VF2)；接着，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量(例如，如图3中所示意的VF)；以及，最后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈S)以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
在步骤S110中，获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号。如前所述，应可以理解，考虑到在对于潜水电泵的故障进行分析诊断时，可以基于对所述潜水电泵在工作时产生的振动信号的分析来进行，也就是，不同的故障类型会对应于不同的振动信号，通过对于所述不同的振动信号进行分类判断以诊断所述潜水电泵的故障类型。也就是说，这本质上是一个分类的问题，通过振动传感器采集的振动信号来进行特征分析，并使用分类器进行所述振动信号的分类判断，进而就能够对于故障的类型进行分类判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
也就是，具体地，在本申请的技术方案中，首先，通过部署于待检测潜水电泵的振动传感器来采集单通道振动信号。相应地，在一个具体示例中，所述振动传感器为加速度传感器。
在步骤S120和步骤S130中，以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量，再将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量。应可以理解，虽然在提取振动特征时，可以将所述振动信号的波形图视为图像数据，并使用在图像局部特征提取领域具有优异性能表现的卷积神经网络来进行特征提取，但所述振动信号并非严格意义上的图像数据，在其振动信号的波形图上存在大量的空白区域，因此，在振动特征提取方向缺乏鲁棒性。并且，所述卷积神经网络提取的是所述振动信号的波形图在时空域的局部特征，而所述振动信号在其特征表现上往往存在周期性，即，所述振动信号的特征可能存在于波形图较宽的感受野下，所述卷积神经网络在周期性振动特征的捕捉能力方面，表现较差。
因此，在本申请的技术方案中，进一步以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，然后，将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量。在一个具体示例中，所述单通道振动信号的采样点为单个时间点下的加速度值。这样，在从所述单通道振动信号中挖掘其在时间维度上的离散分布后进一步进行关联特征提取，具体地，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络，以提取出所述振动离散样本的局部隐含关联特征，从而得到离散振动特征向量。应可以理解，这样，能够提高特征提取的鲁棒性，并且通过所述一维卷积神经网络的一维卷积核的长度设计可扩增其感受野以增强其对周期性振动特征的捕捉。
具体地，在本申请实施例中，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量的过程，包括：首先，使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行。接着，使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量。然后，使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量。其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。特别地，这里，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+ex))。应可以理解，与ReLU函数相比，Mish对负值的轻微允许会通过更好的梯度流，而不像ReLU中那样存在硬性的零边界，并且不同于ReLU，Mish在零处的导数存在，平滑的函数曲线会允许更好的信息进入神经网络，从而得到更好的准确性和泛化性。
在步骤S140中，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量。也就是，在本申请的技术方案中，也将获得的所述单通道振动信号的时域特征信息，也就是所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络中进行处理以得到全局振动特征向量。这样，可以提取出所述单通道振动信号的波形图在时序上的局部高维隐含特征信息，进而再融合这两者的特征信息，显然能够提高分类的准确性。
具体地，在本申请实施例中，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量的过程，包括：所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。
具体地，在步骤S150中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量。也就是，在本申请的技术方案中，进一步融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量来进行分类，就可以对所述潜水电泵进行准确地故障检测。应可以理解，在融合所述离散振动特征向量和所述全局振动特征向量时，由于所述离散振动特征向量V1表达样本间关联信息，而所述全局振动特征向量V2表达振动波形图的与各过滤器关联的局部语义关联信息，因此为了提升所述离散振动特征向量和所述全局振动特征向量在深层次的高维特征空间内的融合性能，在本申请的技术方案汇总，进一步进行特征向量的深度单应对齐，即：
其中||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
具体地，在本申请的实施例中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量的过程，包括：首先，计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；接着，计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；然后，对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；接着，以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；然后，计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；接着，计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及，最后，以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。应可以理解，所述特征向量的分层深度单应对齐能够通过根据向量表征的基于特征的深度特性，来进行通过向量的全场景单应关联矩阵的深度感知，以将所述特征向量进行基于场景深度流的单应性对齐。这样，就在可能存在特征向量之间的特征分布错位的情况上，实现了所述特征向量之间的稠密深度融合，以获得在深层次的高维特征空间内具有强融合性能的分类特征向量Vc，进而能够提高分类的准确性。
图4为根据本申请实施例的小型潜水电泵的故障诊断方法中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量的流程图。如图4所示，在本申请实施例中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量，包括：S210，计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；S220，计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；S230，对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；S240，以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；S250，计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；S260，计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及，S270，以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
在步骤S160中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。也就是，进一步将所述分类特征向量通过分类器中进行分类处理，就可以获得用于表示所述待检测潜水电泵是否存在故障的分类结果。具体地，在本申请实施例中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障的过程，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
综上，基于本申请实施例的小型潜水电泵的故障诊断方法被阐明，其通过卷积神经网络模型来从待检测潜水电泵的单通道振动信号的时域图像信号特征和采样离散特征中分别挖掘出所述单通道振动信号的振动波形图与各过滤器关联的局部语义关联信息以及样本间关联信息，并对得到的特征向量的深度进行单应对齐，以提升含有这两个特征信息的所述特征向量在深层次的高维特征空间内的融合性能，进而提高分类的准确性，这样，能够对于所述潜水电泵的故障类型进行准确地判断，以准确无误且高效的对于所述潜水电泵的故障进行维修。
示例性系统
图5图示了根据本申请实施例的小型潜水电泵的故障诊断系统的框图。如图5所示，根据本申请实施例的小型潜水电泵的故障诊断系统500，包括：振动信号获取单元510，用于获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；振动离散信号单元520，用于以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；第一特征提取单元530，用于将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；第二特征提取单元540，用于将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；特征融合单元550，用于融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及，分类单元560，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，所述第一特征提取单元530，进一步用于：使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量；使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+ex))。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，所述第二特征提取单元540，进一步用于：所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，如图6所示，所述特征融合单元550，包括：差值计算子单元551，用于计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；一范数计算子单元552，用于计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；对数计算子单元553，用于对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；加权子单元554，用于以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；向量相乘子单元555，用于计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振·动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；深度感知值计算子单元556，用于计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及，加和计算单元557，用于以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，所述分类单元560，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
在一个示例中，在上述小型潜水电泵的故障诊断系统500中，所述振动传感器为加速度传感器，所述单通道振动信号的采样点为单个时间点下的加速度值。
这里，本领域技术人员可以理解，上述小型潜水电泵的故障诊断系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的小型潜水电泵的故障诊断方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的小型潜水电泵的故障诊断系统500可以实现在各种终端设备中，例如小型潜水电泵的故障诊断算法的服务器等。在一个示例中，根据本申请实施例的小型潜水电泵的故障诊断系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该小型潜水电泵的故障诊断系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该小型潜水电泵的故障诊断系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该小型潜水电泵的故障诊断系统500与该终端设备也可以是分立的设备，并且该小型潜水电泵的故障诊断系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的小型潜水电泵的故障诊断方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的小型潜水电泵的故障诊断方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有至少一个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
Claims (8)
1.一种小型潜水电泵的故障诊断方法，其特征在于，包括：
获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；
以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；
将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；
将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；
融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障；
融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量，包括：
计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；
计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；
对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；
以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；
计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；
计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及
以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
2.根据权利要求1所述的小型潜水电泵的故障诊断方法，其中，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量，包括：使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行：
使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量；以及
使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；
其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。
3.根据权利要求2所述的小型潜水电泵的故障诊断方法，其中，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+ex))。
4.根据权利要求3所述的小型潜水电泵的故障诊断方法，其中，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量，包括：
所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。
5.根据权利要求4所述的小型潜水电泵的故障诊断方法，其中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障，包括：
使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
6.根据权利要求5所述的小型潜水电泵的故障诊断方法，其中，所述振动传感器为加速度传感器，所述单通道振动信号的采样点为单个时间点下的加速度值。
7.一种小型潜水电泵的故障诊断系统，其特征在于，包括：
振动信号获取单元，用于获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；
振动离散信号单元，用于以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；
第一特征提取单元，用于将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；
第二特征提取单元，用于将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；
特征融合单元，用于融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及
分类单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障；
其中，所述特征融合单元，包括：
差值计算子单元，用于计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；
一范数计算子单元，用于计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；
对数计算子单元，用于对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；
加权子单元，用于以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；
向量相乘子单元，用于计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；
深度感知值计算子单元，用于计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及
加和计算单元，用于以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。
8.根据权利要求7所述的小型潜水电泵的故障诊断系统，其中，所述第一特征提取单元，进一步用于：使用所述一维卷积核对输入数据进行一维卷积处理以得到卷积特征向量；使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210748965.3A CN115143128B (zh) | 2022-06-28 | 2022-06-28 | 小型潜水电泵的故障诊断方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210748965.3A CN115143128B (zh) | 2022-06-28 | 2022-06-28 | 小型潜水电泵的故障诊断方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115143128A CN115143128A (zh) | 2022-10-04 |
| CN115143128B true CN115143128B (zh) | 2023-05-16 |
Family
ID=83410319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210748965.3A Active CN115143128B (zh) | 2022-06-28 | 2022-06-28 | 小型潜水电泵的故障诊断方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115143128B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115962340B (zh) * | 2023-03-16 | 2023-05-23 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其控制方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110849626B (zh) * | 2019-11-18 | 2022-06-07 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
| CN112926641B (zh) * | 2021-02-22 | 2022-05-17 | 山东大学 | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 |
| CN113780151B (zh) * | 2021-09-07 | 2022-05-20 | 山东大学 | 一种双线性特征融合的轴承故障诊断方法及系统 |
| CN114462480B (zh) * | 2021-12-24 | 2024-08-27 | 燕山大学 | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 |
| CN114295368B (zh) * | 2021-12-24 | 2024-10-15 | 江苏国科智能电气有限公司 | 一种多通道融合的风电行星齿轮箱故障诊断方法 |
| CN114462446A (zh) * | 2021-12-30 | 2022-05-10 | 上海交通大学 | 基于振动信号的滚动轴承故障诊断方法及电子设备 |
| CN114648496A (zh) * | 2022-03-02 | 2022-06-21 | 上海思歆康医疗技术有限公司 | 智慧医疗系统 |
-
2022
- 2022-06-28 CN CN202210748965.3A patent/CN115143128B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115143128A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110853074B (zh) | 一种利用光流增强目标的视频目标检测网络系统 | |
| CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
| CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
| CN110533166B (zh) | 一种基于时空间融合特征的室内定位方法 | |
| CN116524361A (zh) | 基于双孪生分支的遥感图像变化检测网络及检测方法 | |
| CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
| CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其系统 | |
| CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
| WO2019167784A1 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
| CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
| CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
| CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其系统 | |
| CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
| CN111275694B (zh) | 一种注意力机制引导的递进式划分人体解析系统及方法 | |
| CN115853173A (zh) | 一种用于施工安装的建筑幕墙 | |
| CN116086790A (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
| CN117176433A (zh) | 网络数据的异常行为检测系统及方法 | |
| CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
| CN109657082A (zh) | 基于全卷积神经网络的遥感图像多标签检索方法及系统 | |
| CN116416248A (zh) | 基于荧光显微镜的智能分析系统及其方法 | |
| CN117596057A (zh) | 网络信息安全管理系统及方法 | |
| CN109145738B (zh) | 基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN117134958B (zh) | 用于网络技术服务的信息处理方法及系统 | |
| CN117830874A (zh) | 一种多尺度模糊边界条件下的遥感目标检测方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Fault diagnosis method and system for small submersible electric pumps Granted publication date: 20230516 Pledgee: Agricultural Bank of China Limited by Share Ltd. Wenling branch Pledgor: Zhejiang Stone Pump Industry Technology Co.,Ltd. Registration number: Y2024330000038 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |