CN116223009A - 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 - Google Patents
一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN116223009A CN116223009A CN202310213992.5A CN202310213992A CN116223009A CN 116223009 A CN116223009 A CN 116223009A CN 202310213992 A CN202310213992 A CN 202310213992A CN 116223009 A CN116223009 A CN 116223009A
- Authority
- CN
- China
- Prior art keywords
- converter valve
- circulating pump
- fault
- vibration signals
- main
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/003—Machine valves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种换流阀中主循环泵的故障诊断方法、系统、装置及介质,其特征在于,所述方法包括以下步骤:步骤1,采集换流阀主循环泵的三向振动信号,采用VMD‑SVD算法对所述三向振动信号进行去噪;步骤2,分别将去噪后的单向振动信号转化为二维灰度图像,并依次将所述二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;步骤3,将所述特征融合图像输入至卷积神经网络中,以实现故障特征提取。本发明方法有效可靠,算法效率高,能够从故障特征中实现不同故障类型的合理溯源。
Description
技术领域
本发明涉及电力设备检测领域,更具体的,涉及一种换流阀中主循环泵的故障诊断方法、系统、装置及介质。
背景技术
随着直流输电容量和电压等级的提高,换流阀作为直流输电工程中的核心设备,其运行状态直接影响着直流输电系统安全稳定。换流阀在运行过程中会产生大量的热量,阀冷系统的主循环泵驱动冷却水的流动,将结温控制在合理的范围内。由于运行条件和运行工况的变化,主循环泵容易发生故障,会显著降低阀冷系统的换热效率,进而导致换流阀结温过高发生直流闭锁,严重影响直流输电系统的稳定性要求。因此,实现阀冷系统主循环泵的实时故障诊断具有重要意义,而目前,针对主循环泵的故障诊断主要集中在对主循环泵振动信号的分析。
对基于振动信号的电气设备故障诊断,国内专家和学者进行了积极的研究工作。在振动信号故障特征提取方面,发展出基于时域分析法、频域分析法和时频分析法等不同的研究方向。其中,以时频分析法最能反映非平稳振动信号的时域和频域特征。例如,赵书涛等通过自适应噪声集合经验模态分解(CEEMDAN,Complete EEMD with Adaptive Noise)方法拆分非平稳信号,提取分量功率谱的形状熵特征,实现了高压断路器的躁动状态辨识。于春雨等结合经验模态分解(EMD,Empirical Mode Decomposition)和自回归模型(Autoregressive Model),通过求解自回归模型参数和残差余项获取振动信号特征矩阵,实现了滚动轴承的故障诊断与定位。李兵等则提出了一种基于改进正余弦算法(ISCA,Improved Sine-Cosine Algorithm)优化堆叠降噪自动编码器(SDAE,Stacked DenoisingAuto Encoder)的电机轴承故障诊断方法,实现了良好的故障诊断效果。
进一步的,在电气设备故障诊断和振动信号的处理方面,深度学习算法表现优秀。例如,雷春丽等提出了基于迁移学习和改进残差神经网络(ResNet)的深度学习模型,较好地完成对风力机滚动轴承的故障诊断。张训杰等将振动信号转换为二维图像,结合卷积神经网络(CNN,Convolutional Neural Networks)和双向门控循环单元(BiGRU,Bidirectional Gated Recurrent Unit),完成对滚动轴承的故障模式识别。张龙等采用递归图编码方式将振动信号转换为二维图像,使用残差网络(ResNet)自适应提取滚动轴承振动信号故障特征,实现了故障诊断。
然而,截至目前为止,在主循环泵振动信号的诊断领域中仍然较少涉及准确有效的智能算法故障诊断。另外,当主循环泵发生了各类不同原因的故障后,现有方法难以从主循环泵的各类故障原因入手,从相似的振动信号中准确实现故障溯源。
更进一步的,由于故障信号本身包含着较为丰富的三维空间信息,而根据不同的故障发生原因,振动信号三维空间信息上存在着能够区分的差异。但是,现有技术中,尚未根据这类差异来进一步的判别故障原因。这也导致不同故障原因下的类似振动信号难以被准确的溯源。例如,当联轴器发生的角不对中和平行不对中两种不同故障时,或者发生轴承松动和转子不平衡两种故障时,导致故障发生的原因可能是截然不同的,但其结果,也就是振动信号上所反映出的情况则可能非常相似,如果不能针对故障信号的空间信息进行深入的挖掘和分析,则无法对于上述两种故障进行准确划分。
另外,现有技术中,智能算法的效率较低,而主循环泵采集到的振动信号中绝大多数信号又处于正常的非故障状态下,因而这也进一步的降低了算法的故障排查效率。
针对上述问题,亟需一种新的换流阀中主循环泵的故障诊断方法、系统、装置及介质。
发明内容
为解决现有技术中存在的不足,本发明提供一种换流阀中主循环泵的故障诊断方法、系统、装置及介质,通过采集主循环泵的三向振动信号,通过去噪、图像转换和卷积神经网络实现故障提取。
本发明采用如下的技术方案。
本发明第一方面,涉及一种换流阀中主循环泵的故障诊断方法,方法包括以下步骤:步骤1,采集换流阀主循环泵的三向振动信号,采用VMD-SVD算法对三向振动信号进行去噪;步骤2,分别将去噪后的单向振动信号转化为二维灰度图像,并依次将二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;步骤3,将特征融合图像输入至卷积神经网络中,以实现故障特征提取。
优选的,三向振动信号是基于主循环泵的泵端轴承箱上设置的加速度传感器采集的来自主循环泵的轴向、垂直和纵向的振动分量;加速度传感器的振动频率测量范围在0.2Hz至10kHz之间,采样频率为12.8kHz。
优选的,VMD-SVD算法分别对所述三向振动信号中的每一个方向上的单向振动信号进行去噪。
优选的,采用GAF算法将所述单向振动信号转换为二维灰度图像,并对每一个二维灰度图像标记方向标签和时间标签。
优选的,基于主循环泵的历史运行状态为二维灰度图像标记状态标签;状态标签分别为主循环泵正常、主循环泵转子不平衡、联轴器角不对中、联轴器平行不对中和轴承松动。
优选的,将时间标签存在对应关系的二维灰度图像进行叠加后,输入至AlexNet网络中实现故障特征提取。
优选的,将AlexNet网络的提取出的故障特征与状态标签建立关联关系,以实现故障分类。
优选的,在训练集中,每次抽取2N个未抽取过的特征融合图像作为批量样本,输入至AlexNet网络中进行训练,直至完成训练集中所有样本的训练,确认完成一次迭代过程;N为自然数。
优选的,每次迭代之前,对训练集中的样本顺序进行随机重排。
本发明第二方面,涉及一种换流阀中主循环泵的故障诊断系统,系统用于实现本发明第一方面中的一种换流阀中主循环泵的故障诊断方法的步骤,并且;系统包括采集模块、融合模块和提取模块;其中,采集模块包括加速度传感器和去噪单元,加速度传感器用于采集换流阀主循环泵的三向振动信号,去噪单元采用VMD-SVD算法对三向振动信号进行去噪;融合模块,用于分别将去噪后的单向振动信号转化为二维灰度图像,并依次将二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;提取模块,用于将特征融合图像输入至卷积神经网络中,以实现故障特征提取。
本发明第三方面,涉及一种换流阀中主循环泵的故障诊断装置,装置包括处理器及存储介质;其中,存储介质用于存储指令;处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。
本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面中方法的步骤。
本发明的有益效果在于,与现有技术相比,本发明中的一种换流阀中主循环泵的故障诊断方法、系统、装置及介质,能够通过采集换流阀的三向振动信号,分别生成二维灰度图像,并综合考虑三个不同空间维度上的微弱振动特征,采用卷积神经网络实现了有效、准确的故障特征提取。本发明方法有效可靠,算法效率高,能够从故障特征中实现不同故障类型的合理溯源。
本发明的有益效果还包括:
1、由于分别采集了三维空间上不同方向的振动信号并去噪、图像转换,从而准确的采集到了针对每个方向上的振动信号的异常。对于主循环泵所发生的各类不同原因所导致的故障来说,即便是故障的表现较为类似,也会在某个空间维度上存在细微的差异。但对于本发明来说,这种细微的差异则刚好能够通过分别生成的二维灰度图像体现出来。因此,本发明中这种以叠加的融合图像作为输入的算法,较好的保证了某个维度上微弱空间信息的获取,提高了算法在局部差别上的辨识度,确保了故障分类的准确。
2、本发明通过信号去噪,消除了主循环泵振动信号中存在的高频噪声,提高了主循环泵的故障诊断精度。另外,克服了主循环泵的传统故障检测系统存在的针对性差,效率低以及智能化水平低等缺点。
3、本发明方法采用RGB通道实现了三个方向上二维灰度图像的叠加,巧妙的实现了卷积神经网络对于同一时间内不同方向上振动信号的联合检测。
4、本发明中为了提高算法效率,对于AlexNet网络的迭代过程进行了改进。这种改进在不修改算法模型的前提下,对AlexNet网络的输入方式和样本的批量计算方式进行了修改,从而保证在大量样本为正常样本的情况下,算法能够实现快速收敛,并确保AlexNet网络的故障特征提取速率。
附图说明
图1为本发明一种换流阀中主循环泵的故障诊断方法的步骤示意图;
图2为本发明一种换流阀中主循环泵的故障诊断方法中单向振动信号转换为二维灰度图像的示意图;
图3为本发明一种换流阀中主循环泵的故障诊断方法中AlexNet网络的分层结构示意图;
图4为本发明一种换流阀中主循环泵的故障诊断方法中振动信号的VMD分解示意图;
图5为本发明一种换流阀中主循环泵的故障诊断方法中振动信号去噪的示意图;
图6为本发明一种换流阀中主循环泵的故障诊断方法中AlexNet迭代训练过程的效果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有做出创造性劳动的前提下,根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例,都应当属于本发明的保护范围。
图1为本发明一种换流阀中主循环泵的故障诊断方法的步骤示意图。如图1所示,本发明第一方面,涉及一种换流阀中主循环泵的故障诊断方法,方法包括步骤1至3。
步骤1,采集换流阀主循环泵的三向振动信号,采用VMD-SVD算法对三向振动信号进行去噪。
阀冷系统作为电力系统中的重要辅助系统,能够通过主循环泵驱动冷却水的循环流动,使换流阀降温散热,使阀体运行在一个合理的温度范围内,有利于换流阀的运行稳定性,提升阀体元件的使用寿命。由于运行条件和运行工况的变化,主循环泵容易发生故障,从而出现异常振动信号。与正常运行状态的主循环泵振动信号相比,故障状态的振动信号反映在主循环泵垂直、纵向和轴向共3个方向上。
因此,本发明中可以针对阀冷系统的主循环泵,提取出多维振动信号,并以该振动信号为指标对主循环泵的各类故障进行精准分析。
优选的,三向振动信号是基于主循环泵的泵端轴承箱上设置的加速度传感器采集的来自主循环泵的轴向、垂直和纵向的振动分量;加速度传感器的振动频率测量范围在0.2Hz至10kHz之间,采样频率为12.8kHz。
由于动设备的振动频率较高,因此选择的振动传感器必须具备频响范围大、稳定性好、使用可靠、精度高、抗干扰能力强等特性。对于动设备的高频振动信号,本发明一实施例中,采用了专用加速度传感器M603M107(测量范围0.2Hz~10kHz)来采集振动信号。上述传感器的采样频率为12.8kHz。
本发明在主循环泵的泵端轴承箱设置三个振动信号测点,分别测量垂直、纵向和轴向的振动信号。泵端轴承箱外表贴附传感器,并未直接接触旋转部件,因此传感器不会随着主循环泵主轴的转动而旋转。
在采集到三维振动信号后,本发明方法还可以通过消除振动信号的噪声来实现对振动信号中特征分量的准确提取。在进一步提取特征分量之前,本发明采用了VMD-SVD(Variational Mode Decomposition-Singular Value Decomposition,变分模态分解-奇异值分解)算法来实现对振动信号噪声的联合去除。
经过分析可知,本发明的实际目的是从正常的主循环泵振动信号中提取故障信号,因此这里所提及的噪声,主要是主循环泵正常运转过程中所产生的那些较为稳定的高频分量。而通常来说,故障信号则呈现出较为不规则的状态,例如非周期性特征或三维空间上的不平衡等等。
优选的,VMD-SVD算法分别对三向振动信号中的每一个方向上的所述单向振动信号进行去噪。
可以理解的是,本发明中首先使用VMD算法对垂直、纵向和轴向信号分别进行初步分解,并基于相关系数法选取其中最优的模态分量。随后,则可以使用SVD构造Hankle矩阵,对VMD算法中选取出来的最优的多个模态分量进行分解去噪,并将去噪后的本征模态分量进行空间重构以获取不含噪声的振动信号。本发明的后续步骤中还支持将去除噪声的振动信号转换为振动图像从而训练故障诊断模型,可以用于故障诊断精度的提高。
具体来说,针对传统经验模态分解(EMD)存在的固有模态分量无法指定以及模态混淆的问题,Dragomiretskiy等研究人员在2014年提出一种使用非递归变分模式的信号分解方法,即变分模态分解。该方法采用变分问题作为整体框架,将原始信号分解为k个有限带宽的本征模态分量,每个模态分量的有限带宽存在中心频率。
变分模态分解的模型可以表示为:
式中,{Uk}={u1,…,uk}表示分解得到的k个本征模态分量集合,
{Wk}={ω1,…,ωk}表示每个本征模态分量对应中心频率的集合;
在上述集合中,uk表示第k个本征模态分量,
ωk表示第k个本征模态分量对应的中心频率,
δ(t)表示冲激函数,
f为被分解的振动信号。
在VMD算法中,可以通过二次惩罚因子α和拉格朗日乘法算子λ(t)来将模型转变为非约束的变分问题。此时,扩展的拉格朗日表达式为:
其中,τ为噪声容忍度,可以根据信号分解的保真度要求进行选取。
采用上述方式分解出k个连续的信号分量后,则可以基于互相关系数法对有效分量进行选取。首先,可以对每个IMF(Intrinsic Mode Functions,内涵模态分量)与原始信号求解互相关系数。在求解后,将各个互相关系数进行排序,排序靠前的多个系数所对应的IMF分量则能够构成本发明中的最优的模态分量。
需要说明的是,本发明一实施例中可以通过选取一个相关系数阈值的方式实现最优的模态分量的选取。将相关系数大于阈值的分量作为最优的模态分量,而相关系数小的则排除。
另外,奇异值分解作为重要的矩阵分解方法,具有良好的数值稳定性,在信号去噪、数据处理等方面得到了广泛的应用。对于离散的振动信号Xi={xi(1),xi(2),…,xi(N)},基于相空间重构理论,可以构造Cycle矩阵、Toeplitz矩阵和Hankel矩阵。不同的矩阵构造对信号降噪有不同的影响,本发明选择Hankel矩阵用于将一维离散信号重构为二维矩阵,并对矩阵进行奇异值分解。
二维矩阵为:
其中,N为离散信号的采样点数量,w为信号的截取长度,上述参数符合1<w<N,m=N-w+1。重复的将多个截取的离散信号的实数采样值填入矩阵中,从而得到上述二维矩阵。对于上述矩阵进行奇异值分解,可以得到
X=USVT
其中,U为左奇异矩阵,且有U∈R(N-w+1)×(N-w+1),
VT为右奇异矩阵,且有VT∈Rw×w,
S为对角阵,且有s∈R(N-w+1)×w。
S的主对角元素为矩阵X的奇异值为λi(i=1,2,…,k),其中,k=min((N-w+1),n)。
因此,对角阵S=diag(λ1,λ2,…,λk)。
其中,矩阵的奇异值满足λ1≥λ2≥…≥λk≥0。
本发明中,可以利用单边极大值原则确定奇异值分解的有效阶次,并通过奇异值分解来对最优的模态分量分别进行降噪处理。最终,可以将奇异值分解后的模态分量进行重构,从而得到去噪后的振动信号。
通过这种方式实现的噪声去除,误差更小,同时能够更好的避免信号在模态分解过程中的欠分解和过分解现象。另外,去除噪声后,每个模态分量仍然具备较好的时域连续性特征,这也确保了后续对振动信号进行图像化处理时的有效性。
步骤2,分别将去噪后的单向振动信号转化为二维灰度图像,并依次将二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像。
图2为本发明一种换流阀中主循环泵的故障诊断方法中单向振动信号转换为二维灰度图像的示意图。如图2所示,在进行信号去噪后,就可以将去除噪声的振动信号转化为振动图像,从而实现对于振动图像的卷积运算和故障特征分析了。
优选的,采用GAF(Gramian Angular Field,格拉姆角场)算法将单向振动信号转换为二维灰度图像,并对每一个二维灰度图像标记方向标签和时间标签。
具体来说,主循环泵振动信号数据集是由振动传感器采集的加速度信号组成,在轴向、垂直和纵向共3个方向测得的振动信号是典型的时间序列信号,可以立体反映主循环泵在故障状态的振动情况。然而,由于振动信号保持着对时间的强依赖性,输入后续卷积部分故障诊断模型的数据要尽可能地保留时间特征信息,才能够从时域、频域上保留更多故障信息。
为此,可以通过格拉姆矩阵分别将轴向、垂直和纵向的振动信号转换为二维图像,经格拉姆矩阵变换的二维图像保留着原始信号的时间信息。
在图像转换的过程中,可以选取多个点的平均值来实现聚合时间序列。本发明一实施例中,可以采用分段聚合近似的方法来实现。同时,可以通过归一化方法来将矩阵中的所有值的取值范围进行约束。而后,通过将时间戳隈半径和缩放值的反余弦来生成极坐标,这样就可以提供角度的值。最后,生成格拉姆角场的图像。
需要说明的是,为了实现后续的样本图像融合的过程,可以为生成的每张图像样本构建方向标签和时间标签,以便在后续过程中实现图像样本的匹配。
优选的,基于主循环泵的历史运行状态为二维灰度图像标记状态标签;状态标签分别为主循环泵正常、主循环泵转子不平衡、联轴器角不对中、联轴器平行不对中和轴承松动。
除此之外,本发明中还可以根据主循环泵的运行状态来给图像样本进行标记。可以理解的是,每个图像样本可以为从时间连续的振动信号中截取的较短一段时间内的信号所转换而成的。因此,不仅可以给图像样本添加时间标签,该较短时间内如果发生主循环泵故障,则该故障也应当能够表征一次故障在缪个时间点上的状态。
由此,本发明可以针对每个图像分配故障状态。表1为本发明一实施例中的振动信号标签,也就是状态标签。如表所示,不同的故障类型,对应不同的标签值。
表1故障类型表
可以理解的是,根据实际采用的主循环泵型号的不同,需要采集的故障原因的不同,本发明中也可以根据算法的精度来合理的设计其他故障状态类型,并对应至相应的标签值上。
优选的,将时间标签存在对应关系的二维灰度图像进行叠加后,输入至AlexNet网络中实现故障特征提取。
可以理解的是,本发明中,测取了阀冷系统主循环泵轴向、垂直和纵向振动信号,将二维振动灰度图像作为三个RGB(Red、Green、Blue)通道并行输入网络的输入层,使用卷积层和池化层进行特征融合,在提高信息利用率的同时避免了人为提取特征导致的信息偏差。
本发明在现场实时采集新数据,将预处理后的新数据导入训练集,使模型进行重新训练,持续提升模型的预测精度。
步骤3,将特征融合图像输入至卷积神经网络中,以实现故障特征提取。
图3为本发明一种换流阀中主循环泵的故障诊断方法中AlexNet网络的分层结构示意图。如图3所示,本发明中所采用的卷积神经网络可以为AlexNet。
优选的,将AlexNet网络的提取出的故障特征与状态标签建立关联关系,以实现故障分类。
图5为本发明一种换流阀中主循环泵的故障诊断方法中振动信号去噪的示意图。如图5所示,本发明中,不仅可以将振动图像数据集划分训练集和测试集,将训练集输入AlexNet神经网络,使用测试集进行测试验证,利用准确率对模型输出结果进行评估。同时,本发明也在AlexNet的输出层中将特征分类方式与故障状态的不同类型进行关联,从而实现了对于故障类型的提取和输出。
可以理解的是,本发明中可以基于Pytorch来构建故障诊断网络框架。表2为本发明中的一种典型AlexNet网络架构中的各层参数。
卷积核及全连接层参数设置 | |
卷积层1 | kernel_size=11,stride=4,padding=1 |
池化层1 | kernel_size=3,stride=2 |
卷积层2 | kernel_size=5,stride=1,padding=2 |
池化层2 | kernel_size=3,stride=2 |
卷积层3 | kernel_size=3,stride=1,padding=1 |
卷积层4 | kernel_size=3,stride=1,padding=1 |
卷积层5 | kernel_size=3,stride=1,padding=1 |
池化层3 | kernel_size=3,stride=2 |
全连接层1 | input=9216,output=4096 |
全连接层2 | input=4096,output=4096 |
输出层 | input=4096,output=5 |
表2AlexNet网络架构参数表
其中,卷积层权重参数采用随机初始化方法,并选择Relu激活函数加快模型训练收敛速度。池化层使用最大池化方式增强图像识别的鲁棒性,全连接层由于神经元数目较多采用丢弃概率为0.5的dropout层来减轻过拟合。输出层采用softmax输出类别概率向量。
优选的,在训练集中,每次抽取2N个未抽取过的特征融合图像作为批量样本,输入至AlexNet网络中进行训练,直至完成训练集中所有样本的训练,确认完成一次迭代过程;N为自然数。
通过小批量的抽取批量样本,本发明可以实现更为快速的样本读取速度,通过这种方式不仅大幅度的降低了计算机的处理速度,也确保了支撑算法的设备成本和相关参数能够得到合理控制。本发明一实施例中,可以以16的倍数,如32、64等来实现对图像样本的读取,并通过多次训练来实现训练库中所有样本的运算。
优选的,每次迭代之前,对训练集中的样本顺序进行随机重排。
可以理解的是,本发明中的AlexNet网络可以通过多次迭代实现模型收敛,倘若每次迭代不打乱顺序,则由于抽取样本的过程中需要确保抽取的速度,因此抽取样本本身通常只是依据样本的原始顺序,例如依据振动时间生成的样本图像顺序来进行抽取。此时,每次抽取的小批量样本会发生高度重合,不利于模型的收敛。因此,在训练过程中,每次迭代前都要随机打乱训练集中样本的顺序,保证每次抽取的小批量样本都不一样,如此可以达到最好的模型收敛效果。
下文将以一个具体实施例对于本发明中的故障诊断方法进行说明。本发明的数据由江苏省某换流站现场实测获得,该换流站采用的主循环泵的型号为MKG200-150-400/410H1F2KE-SBQQE。其中振动传感器的采样频率为12.8K,共测得2500组历史数据,每组数据包含8000个采样点。主循环泵每种故障状态包含300个样本,共计1500张振动图像组成训练集,选取1000张样本作为测试集,用于接下来模型的训练和测试。
本发明在VMD实现模态分解的过程中,选取模态分解数量为k=4,惩罚因子为0.005。
图4为本发明一种换流阀中主循环泵的故障诊断方法中振动信号的VMD分解示意图。如图4所示,以正常状态下垂直方向的振动信号为例,图4显示了本征模态分量时域图像及信号分解效果,可以看出VMD算法较好地抑制了模态混叠现象,具有良好的信号分解效果。
另外,本发明采用皮尔森相关系数(Pearson Correlation coefficient)矩阵自适应优选最优的模态分量。表3为轴承松动状态下垂直方向各模态分量的互相关系数矩阵,可以看出标号为4的本征模态分量互相关系数最低,以此选择前3个本征模态分量用于空间重构。
IMF分量1 | IMF分量2 | IMF分量3 | IMF分量4 | |
IMF分量1 | 1.0000 | 0.0411 | 0.0035 | 0.0017 |
IMF分量2 | 0.0411 | 1.0000 | 0.0081 | 0.0025 |
IMF分量3 | 0.0035 | 0.0081 | 1.0000 | 0.0079 |
IMF分量4 | 0.0017 | 0.0025 | 0.0079 | 1.0000 |
表3最优模态分量选取表
在选取了前三个分量后,使用SVD算法构造200阶Hankel矩阵,将奇异值阈值设置为0.01以选取SVD重构分量。图5为本发明一种换流阀中主循环泵的故障诊断方法中振动信号去噪的示意图。如图5所示,以正常状态下的垂直振动信号为例,信号中的高频白噪声已经被滤除,保留了振动信号的时频域特征。
图6为本发明一种换流阀中主循环泵的故障诊断方法中AlexNet迭代训练过程的效果示意图。计及计算成本要求,本发明选取每组振动信号前500点用于故障检测。也就是说,构建的训练集中总共存在500张样本图像。
以主循环泵正常状态下的振动波形和振动图谱为例,经过窗口大小window_size=2的分段聚合近似和格拉姆矩阵进行图像变换后,每组振动信号转换为像素值为250×250的振动图像。
在输入数据时采用32张图像为一个小批量进行图像读取,且每次迭代开始前,随机打乱图像顺序,以保证神经网络的拟合效果与收敛速度。根据图6可以看出,随着迭代次数的增加,主循环泵故障诊断模型损失函数值不断下降,在第10次迭代(epoch)趋于平稳达到0.1,模型在测试集上的准确率达到了91%,因此本发明提出的模型可以有效的完成对阀冷系统主循环泵的高精度故障诊断。
本发明第二方面,涉及一种换流阀中主循环泵的故障诊断系统,系统用于实现本发明第一仿麦呢中的一种换流阀中主循环泵的故障诊断方法的步骤,并且;系统包括采集模块、融合模块和提取模块;其中,采集模块包括加速度传感器和去噪单元,加速度传感器用于采集换流阀主循环泵的三向振动信号,去噪单元采用VMD-SVD算法对三向振动信号进行去噪;融合模块,用于分别将去噪后的单向振动信号转化为二维灰度图像,并依次将所述二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;提取模块,用于将特征融合图像输入至卷积神经网络中,以实现故障特征提取。
本发明第三方面,涉及一种换流阀中主循环泵的故障诊断装置,装置包括处理器及存储介质;其中,存储介质用于存储指令;处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。
可以理解的是,故障诊断装置为了实现上述本申请实施例提供的方法中的各功能,包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对故障诊断进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是,本申请实施例中对模块的划分是示意性的,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。
装置包括至少一个处理器,总线系统以及至少一个通信接口。处理器可以是中央处理器(Central Processing Unit,CPU),还可以由现场可编程逻辑门阵列(FieldProgrammable Gate Array,FPGA)、专用集成电路(Application-specific integratedcircuit,ASIC)或其他硬件代替,或者,FPGA或其他硬件与CPU共同作为处理器。
存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
硬盘可以为机械盘或固态硬盘(Solid State Drive,SSD)等。接口卡可以是主机总线适配器(Host Bus Adapter,HBA)、独立硬盘冗余阵列卡(Redundant Array ofIndependent Disks,RID)、扩展器卡(Expander)或网络接口控制器(Network InterfaceController,NIC)等,本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信,从而访问硬盘模组中的硬盘。
硬盘的接口可以为串行连接小型计算机系统接口(Serial Attached SmallComputer System Interface,SAS)、串行高级技术附件(Serial Advanced TechnologyAttachment,SATA)或高速串行计算机扩展总线标准(Peripheral ComponentInterconnect express,PCIe)等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,简称SSD))等。
本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面中方法的步骤。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明的有益效果在于,与现有技术相比,本发明中的一种换流阀中主循环泵的故障诊断方法、系统、装置及介质,能够通过采集换流阀的三向振动信号,分别生成二维灰度图像,并综合考虑三个不同空间维度上的微弱振动特征,采用卷积神经网络实现了有效、准确的故障特征提取。本发明方法有效可靠,算法效率高,能够从故障特征中实现不同故障类型的合理溯源。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种换流阀中主循环泵的故障诊断方法,其特征在于,所述方法包括以下步骤:
步骤1,采集换流阀主循环泵的三向振动信号,采用VMD-SVD算法对所述三向振动信号进行去噪;
步骤2,分别将去噪后的单向振动信号转化为二维灰度图像,并依次将所述二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;
步骤3,将所述特征融合图像输入至卷积神经网络中,以实现故障特征提取。
2.根据权利要求1中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
所述三向振动信号是基于主循环泵的泵端轴承箱上设置的加速度传感器采集的来自所述主循环泵的轴向、垂直和纵向的振动分量;
所述加速度传感器的振动频率测量范围在0.2Hz至10kHz之间,采样频率为12.8kHz。
3.根据权利要求2中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
所述VMD-SVD算法分别对所述三向振动信号中的每一个方向上的所述单向振动信号进行去噪。
4.根据权利要求3中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
采用GAF算法将所述单向振动信号转换为二维灰度图像,并对每一个所述二维灰度图像标记方向标签和时间标签。
5.根据权利要求4中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
基于所述主循环泵的历史运行状态为所述二维灰度图像标记状态标签;
所述状态标签分别为主循环泵正常、主循环泵转子不平衡、联轴器角不对中、联轴器平行不对中和轴承松动。
6.根据权利要求5中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
将时间标签存在对应关系的二维灰度图像进行叠加后,输入至AlexNet网络中实现故障特征提取。
7.根据权利要求6中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
将AlexNet网络的提取出的故障特征与所述状态标签建立关联关系,以实现故障分类。
8.根据权利要求7中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
在训练集中,每次抽取2N个未抽取过的所述特征融合图像作为批量样本,输入至所述AlexNet网络中进行训练,直至完成训练集中所有样本的训练,确认完成一次迭代过程;
N为自然数。
9.根据权利要求8中所述的一种换流阀中主循环泵的故障诊断方法,其特征在于:
每次迭代之前,对训练集中的样本顺序进行随机重排。
10.一种换流阀中主循环泵的故障诊断系统,其特征在于:
所述系统用于实现权利要求1-9任一项中所述的一种换流阀中主循环泵的故障诊断方法的步骤,并且;
所述系统包括采集模块、融合模块和提取模块;其中,
所述采集模块包括加速度传感器和去噪单元,所述加速度传感器用于采集换流阀主循环泵的三向振动信号,所述去噪单元采用VMD-SVD算法对所述三向振动信号进行去噪;
所述融合模块,用于分别将去噪后的单向振动信号转化为二维灰度图像,并依次将所述二维灰度图像输入至不同的颜色通道后进行叠加,以获取特征融合图像;
所述提取模块,用于将所述特征融合图像输入至卷积神经网络中,以实现故障特征提取。
11.一种换流阀中主循环泵的故障诊断装置,其特征在于:
所述装置包括处理器及存储介质;其中,
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-9任一项所述方法的步骤。
12.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213992.5A CN116223009A (zh) | 2023-03-07 | 2023-03-07 | 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213992.5A CN116223009A (zh) | 2023-03-07 | 2023-03-07 | 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116223009A true CN116223009A (zh) | 2023-06-06 |
Family
ID=86578435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213992.5A Pending CN116223009A (zh) | 2023-03-07 | 2023-03-07 | 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116223009A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171547A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
CN117171547B (zh) * | 2023-11-02 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
-
2023
- 2023-03-07 CN CN202310213992.5A patent/CN116223009A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171547A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
CN117171547B (zh) * | 2023-11-02 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
Guo et al. | A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
Peng et al. | Fault feature extractor based on bootstrap your own latent and data augmentation algorithm for unlabeled vibration signals | |
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN116560895A (zh) | 用于机械装备的故障诊断方法 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
Zhong et al. | Development of a plug-and-play anti-noise module for fault diagnosis of rotating machines in nuclear power plants | |
Ding et al. | Machinery probabilistic few-shot prognostics considering prediction uncertainty | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN116223009A (zh) | 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN117171907A (zh) | 一种滚动轴承剩余寿命预测方法及系统 | |
CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
CN114779010A (zh) | 基于对称差分能量算子和神经网络的故障行波检测方法 | |
Zhou et al. | Application of convolutional neural network in motor bearing fault diagnosis | |
Chen et al. | A New Method for Fault Diagnosis of Hydraulic System Based on Improved Empirical Wavelet Transform and Kernel Extreme Learning Machine | |
Yang et al. | Fault diagnosis of electro-mechanical actuator based on deep learning network |
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 |