CN115329493A - 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 - Google Patents
一种基于离心泵数字孪生模型的叶轮机械故障检测方法 Download PDFInfo
- Publication number
- CN115329493A CN115329493A CN202210988387.0A CN202210988387A CN115329493A CN 115329493 A CN115329493 A CN 115329493A CN 202210988387 A CN202210988387 A CN 202210988387A CN 115329493 A CN115329493 A CN 115329493A
- Authority
- CN
- China
- Prior art keywords
- model
- centrifugal pump
- digital twin
- impeller
- mechanical fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 239000007787 solid Substances 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 239000012530 fluid Substances 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 16
- 239000003350 kerosene Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种基于离心泵数字孪生模型的叶轮机械故障检测方法,通过构建离心泵数字孪生模型,获取压力、速度云图,然后根据实体离心泵的运行数据,使用计算机视觉网络模型对所述压力、速度云图进行识别检测,得到识别检测结果,进而对叶轮机械故障进行诊断,所述离心泵数字孪生模型包括,通过点云逆向建模建立的离心泵仿真实体模型;通过CFD数值模拟建立的内部属性模型;以及根据所述内部属性模型的数值预测结果选取的误差补偿模型。本发明构建的离心泵数字孪生模型具有较高的预测精度,基于该模型进行叶轮机械故障诊断,简单易行,具有良好的可实施性,并且能够快速、准确的给出叶轮故障诊断结果。
Description
技术领域
本发明涉及信息技术领域技术领域,更具体的说是涉及一种基于离心泵数字孪生模型的叶轮机械故障检测方法。
背景技术
数字孪生是一种超越现实的概念,是一种充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,其在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期中的过程状态。
数字孪生技术落地应用过程中的首要任务是创建应用对象的数字孪生虚拟实体模型,具体包括其几何模型,物理模型、行为模型以及规则模型,这些模型能从多时间尺度,多空间尺度对应用物理实体进行描述与刻画,随着数字孪生技术的发展,该技术已应用于工业互联网、智能制造、智慧城市、智能工厂等多领域应用场景中,
但目前该技术还未应用到航煤运输领域,而且,就航煤运输领域而言,航煤管道运输为机场扩能改造和空港经济发展提供更加充足的能源保障,带动了沿线地方经济发展。但对于航煤管道线路运行的安全检测与维护,缺乏对线路设备装置全生命周期科学、有力维护与动态监督检测手段。而且给油泵作为航煤运输过程中的重要动力输送设备,在航煤运输领域一直占据着无可替代的地位,在航煤运输线路运行过程中一旦因为给油泵系统出现问题而导致非计划停输,轻则造成产品报废、生产停滞,重则造成重大财产损失,甚至人员的伤亡。
因此,如何克服上述缺陷,提供一种基于数字孪生技术的离心泵故障监测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于离心泵数字孪生模型的叶轮机械故障检测方法,为了实现上述目的,本发明采用如下技术方案:
一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,
S1、构建离心泵数字孪生模型,用于获取压力、速度云图,所述离心泵数字孪生模型包括,
通过点云逆向建模建立的离心泵仿真实体模型;
基于所述离心泵仿真实体模型,通过CFD数值模拟建立的内部属性模型;
根据所述内部属性模型的数值预测结果选取的误差补偿模型;
S2、根据实体离心泵的运行数据,使用计算机视觉网络模型对所述压力、速度云图进行识别检测,得到识别检测结果;
S3、根据所述识别检测结果,对叶轮机械故障进行诊断。
优选的,所述离心泵仿真实体模型,基于3DMAX逆向建模构建。
优选的,所述内部属性模型的建立过程为:
根据所述离心泵仿真实体模型的水体结构,建立水体几何模型;
对所述水体几何模型进行网格划分;
建立流体力学模型,求解流体力学控制方程;
进行数值模拟,输出压力、速度云图。
优选的,所述流体力学模型,根据连续性方程、动量守恒方程、能量守恒方程以及粘性流体湍流方程建立。
优选的,通过SIMPLE求解流体力学控制方程,离散方式选择二阶迎风格式。
优选的,进行数值模拟前,给定边界条件,所述边界条件的输入为所测流量数据及叶轮转速数据,所述边界条件的输出为出口压力。
优选的,权利要求1所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,S2中,所述运行数据包括输入端的流量数据、叶轮转速数据,以及输出端的出口压力。
优选的,所述计算机视觉网络模型为训练好的Yolov5目标检测模型,识别步骤包括:
S21、确定决策库,设定交并比阈值;
S22、采用所述训练好的Yolov5目标检测模型对所述压力、速度云图进行识别,得到正常识别结果和非正常识别结果;
S23、对所述正常识别结果和非正常识别结果进行可视化输出,并根据大于所述交并比阈值的所述非正常识别结果的数量和所述决策库,判定叶轮故障类型。
优选的,所述决策库的规则为:00表示叶片正常;01,10,11表示一叶片故障;02,20,22表示两叶片故障;03,30,33表示三叶片故障,其余12,13,23,21,31,32表示叶轮故障。
经由上述的技术方案可知,本发明公开一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其有益效果如下:
(1)构建的离心泵数字孪生模型中仿真实体模型能有效克服数字化移交不全面、实际工程变动、设备维修等因素造成的设计数据缺失、变更不及时等问题;
(2)基于CFD数值模拟建立的内部属性模型,能够很好的解决离心泵内部机械结构的复杂流动问题,并对离心泵实际运行过程中流场规律做出预测,为离心泵数字孪生属性建模过程提供了方便、高效的计算仿真平台;
(3)为了建立与实际物理系统高度“孪生”的属性模型,本发明就CFD数值预测结果进行误差补偿模型的建立,可得到较高精度的出口压力预测,使内部属性实现高精度“孪生”;
(4)本发明公开的基于离心泵数字孪生模型的叶轮机械故障检测方法,简单易行,具有良好的可实施性,并且能够快速、准确的给出叶轮故障诊断结果。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的点云逆向建模步骤图;
图2为本发明提供的泵区点云数据图;
图3为本发明提供的离心泵点云数据截取图;
图4为本发明提供的离心泵数字孪生外部实体模型图;
图5为本发明提供的离心泵孪生属性建模技术流程图;
图6为本发明提供的离心泵水体几何模型图;
图7为本发明提供的水体几何模型的网格划分图;
图8为本发明提供的基于CFD的出口压力预测对比图;
图9为本发明提供的叶轮机械故障模拟图;
图10为本发明提供的Resnet故障识别诊断原理图;
图11为本发明提供的Yolov5故障检测诊断原理图;
图12为本发明提供的离心泵内部流动速度矢量图(流量147.174t/h,转速2980r/mim);
图13为本发明提供的模型预测的压力、速度云图(流量147.174t/h,转速2980r/mim);
图14为本发明提供的基于不同模型误差补偿后出口压力预测对比图;
图15为本发明提供的误差补偿模型的性能对比直方图;
图16为本发明提供的Yolov5故障检测性能图,(a)为压力检测,(b)为速度检测;
图17为本发明提供的Yolov5故障检测模型输出例图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于离心泵数字孪生模型的叶轮机械故障检测方法,
首先,构建离心泵数字孪生模型,用于获取压力、速度云图,其中,离心泵数字孪生模型包括:
第一、通过点云逆向建模建立的离心泵仿真实体模型;建模步骤如图1,具体建立过程如下:
航煤泵区点云数据获取,如图2:
选取仪器:获取点云数据首先是对三维激光扫描仪的选择。考虑到航煤泵区的环境相对良好,故只需要求仪器性能稳定,方便操作,便于移动即可。所以本发明实施例选用Laser Scanner Focus3D三维激光扫描仪。全站仪的使用是为了测量所选物体的长度、宽度、高度,考虑到航煤管线首站装置复杂、规模大,在选取的时候选了激光长测程全站仪徕卡Nova TS50全站仪TM50。点云数据操作软件使用配套的SCENE点云操作软件。
建立坐标体系:建立航煤泵区坐标体系网的目的,一是为了保障测量的精度,二是为了确定标靶的坐标,为点云的拼接提供坐标基础,做到不错、不漏。坐标原点可以定为泵区的任意位置,为了方便测量,定为泵区左侧中心点,X轴定为经过坐标原点并穿过泵区与测量装置外墙平行的轴。
离心泵点云数据切割:
对航煤罐区点云数据进行数据切割,切割出本发明所需的航煤管输中应用的离心给油泵点云数据,如图3,
划分离心泵模块:
为方便点云逆向建模,对离心泵进行模块划分,分为底座、电机、泵体、轴、防护罩五部分;
进行实体建模:
3DMAX凭借点云对象,可以通过从实景捕获为点云的大型数据集,创建基于实际参考的精确三维模型:以三维对象的形式呈现数据点集合。3DMAX点云创建具体步骤如下:
1)导入点云数据;
2)对划分的各离心泵模块分别进行逆向建模;
3)合并模块,组装模型。
通过以上步骤,基于点云逆向建模技术的离心泵数字孪生外部实体模型建立完毕,如图4所示。
第二、基于所述离心泵仿真实体模型,通过CFD数值模拟建立的内部属性模型;具体方案如图5,实现步骤如下:
根据所述离心泵仿真实体模型的水体结构,建立水体几何模型;
本发明所涉及到的用于航煤给油的离心泵,其内部主要水体结构由压水室、吸水室、叶轮组成,故对于该泵的水体模型主要分以上三部分分别建模,
首先依据离心泵二维水力图在Slidworks中进行三大水体结构的三维水体建模,并完成装配,其次将装配好的水体模型导入3DMAX中进行细节处理优化,以便更好的进行网格划分工作,最后将处理好的水体模型保存为step格式,导入ICEM网格划分处理软件中进行后续网格处理,如图6所示;
对所述水体几何模型进行网格划分;
因离心泵流道几何模型结构具有比较复杂的曲面特征,所以采用非结构化网格进行网格划分,本发明吸水室的网格数为90251,叶轮的网格数为111462,压水室的网格数为99707,整个单级双吸离心泵流道水体三维模型的网格数为301420,如图7所示。
划分完成的网格不能直接用于数值模拟,需要在Fluent求解器中对网格进行质量检查,质量检查标准为:Volume statistics下的minimum volume不能为负值,若出现负值,则说明该网格有负体积,需要重新划分划分网格。
本发明流道水体模型网格质量检查Volume statistics如下所示:
minimum volume(m3):4.562382e-14
maximum volume(m3):9.305442e-06
网格质量合格,并进一步对网格质量进行改进:
minimum volume(m3):5.316429e-14
maximum volume(m3):9.305442e-06
建立流体力学模型,求解流体力学控制方程;
流体力学模型则反映了离心泵内部流体流动规律,同时考虑到离心泵内部流体流动形式属于湍流,故本发明基于流体力学三大控制方程以及标准湍流模型实现离心泵流体流动机理建模,
三大方程包括:
连续性方程
动量守恒方程
能量守恒方程
标准k-ε湍流模型具体为粘性流体湍流方程:
其中,
封闭系数的常用取值为:
Cε1=1.44;Cε2=1.92;Cμ=0.09;σK=1.0;σε=1.3
进行数值模拟,输出压力、速度云图,包括:
(1)给定边界条件
本发明要求孪生属性模型能够根据离心泵实际仪表测量数据预测出口压力值,故根据离心泵上安装的相关传感器所得实际测量数据选择质量流量入口,自然出流边界,表示出口流动状态是自然发展的,并给定叶轮流体转动属性,本发明实施例选取所测流量数据及叶轮转速数据作为边界条件的输入,选取出口压力作为边界条件的输出;其中,图8为出口压力预测对比图,
(2)选择算法
对流体力学模型的求解选择SIMPLE算法,离散方式选择二阶迎风格式。
第三、根据所述内部属性模型的数值预测结果选取的误差补偿模型;
为提高离心泵数字孪生属性模型的预测精度,需要对流动机理模型预测结果即数值模拟结果进行误差补偿,建立输入量即质量流量与模拟误差之间的误差补偿模型,具体步骤如下:
步骤1、训练得到不同的误差补偿模型,对不同输入量下CFD模拟所产生的误差进行误差预测;其中,不同的误差补偿模型包括:最小二乘的线性回归、非线性回归、岭回归、Lasso回归、弹性网络回归、支持向量机、KNN、决策树、随机森林九种机器学习算法;
步骤2、根据不同的误差补偿模型所得预测误差和数值模拟预测结果得到误差补偿后的出口压力预测值;
步骤3、基于出口压力实际值和预测值,评价不同误差补偿模型的性能,确定性能最优的误差补偿模型;
进一步,模型性能评价标准为均方误差(mean-square-error,MSE)、决定系数(R^2)、平均绝对误差(mean-absolute-error,MAE),对应公式分别为:
在一种实施例中,测量数据选取某大型石化企业2022年某月航煤输送过程中离心给油泵真实运行数据,经筛选后用于数值模拟过程,筛选方法包括但不限于不符合离心给油泵实际正常运行、停运状态下的数据。数据测量间隔为两小时,选择其中14个测量点数据作为检验本发明所建孪生属性模型以及评价误差补偿模型性能的验证点。
预测出口压力的过程分为两个部分,第一部分将超声波传感器所测流量数据以及叶轮转速数据作为CFD模拟边界条件输入,另一部分误差补偿与CFD模拟过程同时进行,保证能够对每次模拟预测结果的误差进行补偿。
给定14个测量点的传感器测量数据对所建孪生属性模型进行验证,输入量为离心泵进口质量流量:147.174、147.761、147.848、148.863、149.329、149.818、149.823、151、173、151.273、152.077、152.133、152.231、152.435、154.216,单位t/h,当给定到fluent求解器时将其换算到kg/s,离心泵在运行过程中保持恒转速,为2980r/mim,同样将其换算到r/s;此时得到的得到的内部流动速度矢量图如图12所示,出口压力预测云图如图13。
进一步,进行CFD模拟预测,预测结果如表1所示,
表1CFD数值模拟预测结果
其次进行误差补偿。实验结果如图14,由图14可知,本发明提出的离心孪生属性建模方法所建模型对离心泵出口压力的预测结果与真实测量值有很好的重合性,说明所建模型具有很好的预测性能。
同时,按评价指标对多种误差补偿模型进行数据分析,其性能评价对比如表2所示,对比直方图如图15所示,通过上述分析,可以看到KNN误差补偿模型性能最优,选定其作为本发明的误差补偿模型。
表2误差补偿模型性能比较
经对本发明所提出的离心泵数字孪生模型建模方法进行实验验证,验证了本发明建模方法的可行性和优越性,以及离心泵孪生内部属性模型的可靠性。
离心泵数字孪生模型构建完成后,使用计算机视觉网络模型对所述压力、速度云图进行识别检测,得到识别检测结果,
首先,修改离心泵孪生属性模型中的水体几何模型,交叉选择三片叶片进行机械故障模拟,叶片故障程度随机设置,如图9所示,
当叶轮机械结构发生变化,其数字孪生模型输出必然发生变化,导致其故障区域压力与速度云图分布也必然发生变化,故本发明拟通过计算机视觉技术对故障区域进行识别以达到检测叶轮机械结构故障的目的。
1)算法选择
考虑到孪生模型输出的压力与速度云图故障特征较为单一且包含图注网格等干扰特征,故本发明选择Resnet图像识别算法与Yolov5目标检测算法尝试进行故障的识别或检测。
2)方案流程
针对以上两种故障检测算法,提出具体的故障识别或检测过程,本发明提出如图10、11所示技术方案流程;
其中,基于Resnet网络模型的叶轮机械故障识别方法,具体步骤如下:
步骤1:分别训练两个Resnet网络,分别对压力、速度云图进行识别分类;
步骤2:对应如上设置的叶轮机械状态,对步骤一中分类结果进行标签化,对应给定标签0、1、2、3;
步骤3:建立叶轮机械故障决策库,对两个网络输出结果进行决策,判定叶轮故障类型;
基于Yolov5目标检测模型的叶轮机械故障识别方法,具体步骤为:
步骤1:确定决策库,并设定交并比阈值;
步骤2:基于训练好的两个YOLOv5网络,分别对压力和速度云图中的每片叶片状态进行识别分类,得到正常(normal)或非正常(unnormal)的识别结果,当识别结果大于交并比阈值时,认为识别结果是可信的;
步骤3:对检测分类结果进行图像的可视化输出,一种实施例中,同时输出可信的非正常识别结果的数量;
步骤4:根据决策库,以及可信的非正常识别结果的数量,判定叶轮故障类型;
对于决策库,其规则为:00表示叶片正常;01,10,11表示一叶片故障;02,20,22表示两叶片故障;03,30,33表示三叶片故障,其余12,13,23,21,31,32表示叶轮故障。
3)数据准备
根据离心泵属性模型模拟预测的计算过程,对三种叶轮机械故障下的离心泵流道模型重新进行网格划分,并给定边界条件,用同一批离心泵实际历史运行数据在三类叶轮故障模型下进行模拟预测计算,保存其输出压力速度云图数据,并对云图数据通过平移、旋转等手段进行数据增强,得到最终数据集,使用最终数据集对Resnet图像识别模型和Yolov5目标检测模型进行训练。
4)确定训练好的模型性能指标
选择损失、精度作为Resnet模型的性能评价指标;
选择损失、精度、召回率、Map、Mmap,L1作为Yolov5模型的性能评价指标;
得到Resnet与Yolov5模型性能对比数据,如表3,
表3Resnet与Yolov5模型性能对比
由此可知,基于Yolov5的叶轮机械故障诊断模型性能优于Resnet模型,其中Resnet故障识别模型甚至不能对模拟故障进行正确识别诊断,因此,选用Yolov5为最终的识别模型。其中,如图16所示,为Yolov5故障检测模型训练过程的性能图,(图中横坐标表示计算迭代次数,train、val表示训练或者验证过程,cls_loss、box_loss、obj_loss分别表示置信度损失、预测框位置损失、目标损失,mAP_0.5:0.95表示置信度取0.5到0.95之间时的mAP值),由图看出随着训练次数的增加,模型相关损失不断下降,精度、召回率等模型性能不断上升。
在进行故障检测时,更新和实体一致的流量数据、叶轮转速数据以及出口压力数据,得到相应的压力、速度云图,通过Yolov5目标检测模型输出识别检测结果,一种实施例中,识别结果如图17所示,压力与速度云图检测结果均显示两个叶片故障,对应决策库中“22”情形,即两个叶片发生故障。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,
S1、构建离心泵数字孪生模型,用于获取压力、速度云图,所述离心泵数字孪生模型包括,
通过点云逆向建模建立的离心泵仿真实体模型;
基于所述离心泵仿真实体模型,通过CFD数值模拟建立的内部属性模型;
根据所述内部属性模型的数值预测结果选取的误差补偿模型;
S2、根据实体离心泵的运行数据,使用计算机视觉网络模型对所述压力、速度云图进行识别检测,得到识别检测结果;
S3、根据所述识别检测结果,对叶轮机械故障进行诊断。
2.根据权利要求1所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,所述离心泵仿真实体模型,基于3DMAX逆向建模构建。
3.根据权利要求1所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,所述内部属性模型的建立过程为:
根据所述离心泵仿真实体模型的水体结构,建立水体几何模型;
对所述水体几何模型进行网格划分;
建立流体力学模型,求解流体力学控制方程;
进行数值模拟,输出压力、速度云图。
4.根据权利要求3所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,所述流体力学模型,根据连续性方程、动量守恒方程、能量守恒方程以及粘性流体湍流方程建立。
5.权利要求3所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,通过SIMPLE求解流体力学控制方程,离散方式选择二阶迎风格式。
6.权利要求3所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,进行数值模拟前,给定边界条件,所述边界条件的输入为所测流量数据及叶轮转速数据,所述边界条件的输出为出口压力。
7.权利要求1所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,S2中,所述运行数据包括输入端的流量数据、叶轮转速数据,以及输出端的出口压力。
8.权利要求1所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,所述计算机视觉网络模型为训练好的Yolov5目标检测模型,识别步骤包括:
S21、确定决策库,设定交并比阈值;
S22、采用所述训练好的Yolov5目标检测模型对所述压力、速度云图进行识别,得到正常识别结果和非正常识别结果;
S23、对所述正常识别结果和非正常识别结果进行可视化输出,并根据大于所述交并比阈值的所述非正常识别结果的数量和所述决策库,判定叶轮故障类型。
9.权利要求8所述的一种基于离心泵数字孪生模型的叶轮机械故障检测方法,其特征在于,所述决策库的规则为:00表示叶片正常;01,10,11表示一叶片故障;02,20,22表示两叶片故障;03,30,33表示三叶片故障,其余12,13,23,21,31,32表示叶轮故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988387.0A CN115329493B (zh) | 2022-08-17 | 2022-08-17 | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988387.0A CN115329493B (zh) | 2022-08-17 | 2022-08-17 | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115329493A true CN115329493A (zh) | 2022-11-11 |
CN115329493B CN115329493B (zh) | 2023-07-14 |
Family
ID=83924341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210988387.0A Active CN115329493B (zh) | 2022-08-17 | 2022-08-17 | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329493B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239371A1 (en) * | 2005-10-17 | 2007-10-11 | I F M Electronic Gmbh | Process, sensor and diagnosis device for pump diagnosis |
CN106777783A (zh) * | 2017-01-11 | 2017-05-31 | 东北大学 | 一种航空发动机叶片裂纹预测方法 |
CN108204892A (zh) * | 2018-01-24 | 2018-06-26 | 重庆邮电大学 | 基于柔性阵列式压力传感器的辊轮组设备故障检测方法 |
DE102019117681A1 (de) * | 2018-08-21 | 2020-02-27 | Toyota Jidosha Kabushiki Kaisha | Fehlerdiagnosevorrichtung für Fluidzuführsystem und Fehlerdiagnoseverfahren für Fluidzuführsystem |
EP3620945A1 (en) * | 2018-09-07 | 2020-03-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle distribution simulation method, device and terminal based on multiple models |
US20200210538A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
WO2021001845A1 (en) * | 2019-06-29 | 2021-01-07 | Phadke Sameer | System and method for modelling and monitoring processes in organizations using digital twins |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN112861443A (zh) * | 2021-03-11 | 2021-05-28 | 合肥工业大学 | 一种融入先验知识的深度学习故障诊断方法 |
CN113221271A (zh) * | 2021-05-08 | 2021-08-06 | 西安交通大学 | 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 |
CN113359414A (zh) * | 2021-05-28 | 2021-09-07 | 兰州理工大学 | 一种液位单元过程控制数字孪生系统 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
CN113487529A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于Yolo的气象卫星云图目标检测方法 |
CN114612394A (zh) * | 2022-02-28 | 2022-06-10 | 东南大学 | 一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法 |
CN114776603A (zh) * | 2022-05-16 | 2022-07-22 | 江苏大学 | 一种离心式循环泵使用寿命监测系统及预测方法 |
CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
-
2022
- 2022-08-17 CN CN202210988387.0A patent/CN115329493B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239371A1 (en) * | 2005-10-17 | 2007-10-11 | I F M Electronic Gmbh | Process, sensor and diagnosis device for pump diagnosis |
CN106777783A (zh) * | 2017-01-11 | 2017-05-31 | 东北大学 | 一种航空发动机叶片裂纹预测方法 |
CN108204892A (zh) * | 2018-01-24 | 2018-06-26 | 重庆邮电大学 | 基于柔性阵列式压力传感器的辊轮组设备故障检测方法 |
DE102019117681A1 (de) * | 2018-08-21 | 2020-02-27 | Toyota Jidosha Kabushiki Kaisha | Fehlerdiagnosevorrichtung für Fluidzuführsystem und Fehlerdiagnoseverfahren für Fluidzuführsystem |
EP3620945A1 (en) * | 2018-09-07 | 2020-03-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle distribution simulation method, device and terminal based on multiple models |
US20200210538A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
WO2021001845A1 (en) * | 2019-06-29 | 2021-01-07 | Phadke Sameer | System and method for modelling and monitoring processes in organizations using digital twins |
US20220164502A1 (en) * | 2020-11-23 | 2022-05-26 | Jiangsu University | Pump machine unit optimized operation regulation system and method based on digital twin |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN112861443A (zh) * | 2021-03-11 | 2021-05-28 | 合肥工业大学 | 一种融入先验知识的深度学习故障诊断方法 |
CN113221271A (zh) * | 2021-05-08 | 2021-08-06 | 西安交通大学 | 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 |
CN113359414A (zh) * | 2021-05-28 | 2021-09-07 | 兰州理工大学 | 一种液位单元过程控制数字孪生系统 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
CN113487529A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于Yolo的气象卫星云图目标检测方法 |
CN114612394A (zh) * | 2022-02-28 | 2022-06-10 | 东南大学 | 一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法 |
CN114776603A (zh) * | 2022-05-16 | 2022-07-22 | 江苏大学 | 一种离心式循环泵使用寿命监测系统及预测方法 |
CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
Non-Patent Citations (4)
Title |
---|
刘旭婷: "基于深度学习的电站风机故障诊断方法研究", no. 2020, pages 11 - 48 * |
张景: "典型故障状态下船用离心泵运行特性研究", no. 2018, pages 18 - 29 * |
杨浩: "离心泵的叶轮参数优化及典型故障诊断研究", no. 2020, pages 029 - 327 * |
胡振江: "单级单吸式离心泵叶片裂纹故障诊断技术研究", no. 2020, pages 029 - 121 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
CN115718466B (zh) * | 2022-11-21 | 2024-05-14 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115329493B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
Wang et al. | Vision-assisted BIM reconstruction from 3D LiDAR point clouds for MEP scenes | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN117274259A (zh) | 一种基于物联网的键盘生产设备管理方法及系统 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN115329493B (zh) | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 | |
CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN117056402B (zh) | 一种基于多源信号的电机诊断方法、装置及存储介质 | |
Smith et al. | Automated extraction of structural beam lines and connections from point clouds of steel buildings | |
CN116227359A (zh) | 基于注意力和卷积神经网络编解码器的流场预测方法 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
CN113552855B (zh) | 工业设备动态阈值设定方法、装置、电子设备及存储介质 | |
He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
CN117036732A (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN114548539A (zh) | 循环水系统压缩机透平能耗预测方法、装置、设备及介质 | |
CN116797759B (zh) | 公路设施病害基于深度学习的标准化自动孪生方法及系统 | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
Lee et al. | Event diagnosis method for a nuclear power plant using meta-learning | |
CN112966336B (zh) | 一种船舶热力系统状态评估方法及系统、电子设备、存储介质 | |
KR102667862B1 (ko) | 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법 | |
CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN117523132B (zh) | 一种钢桁拱桥扣塔垂直度调节系统及方法 | |
CN118035688B (zh) | 一种基于水利数据的多维运算分析方法及装置 | |
CN118013635B (zh) | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
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 |