CN116292334A - 一种渣浆泵故障诊断方法 - Google Patents
一种渣浆泵故障诊断方法 Download PDFInfo
- Publication number
- CN116292334A CN116292334A CN202310458864.7A CN202310458864A CN116292334A CN 116292334 A CN116292334 A CN 116292334A CN 202310458864 A CN202310458864 A CN 202310458864A CN 116292334 A CN116292334 A CN 116292334A
- Authority
- CN
- China
- Prior art keywords
- slurry pump
- data
- faults
- time domain
- 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.)
- Withdrawn
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- F04D15/0088—Testing machines
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明提出一种渣浆泵故障诊断方法，其特征在于，包括以下步骤：A、利用安装在渣浆泵上的传感器来采集渣浆泵正常工作的数据和发生故障的数据；B、对数据进行预处理，主要是利用小波阈值降噪、滤波降噪等方法来降低提取信号中噪声的干扰，并对降噪后的数据做时域分析和频域分析处理；C、对时域分析和频域分析的结果与设备中带有异物的常见故障的特征信息图像进行对比分析，来判断是否发生故障，对于异物故障，进一步进行对比分析，来判断具体发生哪个故障；D、对于其它故障，通过对故障样本数据集进行模型训练、测试和模型的优化，完成设备的故障诊断。本发明可以对设备的故障进行诊断和预测，通过对故障的分析及时采取恰当的解决措施。
Description
技术领域
本发明涉及机械设备故障诊断领域，具体涉及一种渣浆泵故障诊断方法。
背景技术
近年来，随着我国渣浆泵设计制造技术的不断提高，渣浆泵因具有效率高、使用寿命长、运行可靠等特点，被广泛应用在冶金、煤炭、电力、交通和水利等行业，极大地提高了生产效率、降低了生产成本，促进了国民经济的不断发展。
目前，部分工厂采用人工检查的方式对渣浆泵设备进行定期的进行检查，记录渣浆泵的各项工作参数，但是人工检查存在消息的滞后性，而且由于设备工作的环境所以会存在一定的安全隐患。由于渣浆泵工作环境的不同，有时渣浆泵设备会出现设备中被绳子、袋子等异物缠绕的故障以及其它故障，当设备发生故障时，难以短时间内排除，会影响正常生产。因此，要对设备进行运作状态监测和实时诊断，这样就可以提前发现潜在问题，减少工作中设备发生故障次数以及意外停机的次数，做到故障早预报，原因早判断，问题早解决，以避免或减少事故的发生，通过对故障进行分析，也便于及时采取恰当的解决措施。
发明内容
针对上述存在的一些故障，本发明的目的在于提出一种渣浆泵故障诊断方法，通过对渣浆泵工作发生的故障进行诊断和预测，及时采取恰当的解决措施，减少因故障带来的损失。
本发明提出一种渣浆泵故障诊断方法，其特征在于，包括以下步骤：
A、利用安装在渣浆泵上的传感器来采集渣浆泵的数据；B、对数据进行预处理，主要是利用小波阈值降噪、滤波降噪等方法来降低提取信号中噪声的干扰，并通过对降噪后的数据做时域分析和频域分析；C、对时域分析和频域分析的结果与设备中带有异物的常见故障特征信息图像进行对比分析，来判断是否发生故障，对于异物故障，进一步进行对比分析，来判断具体发生哪类故障；D、对于其它故障，通过对故障样本数据集进行模型训练、测试和对模型的优化，完成设备的故障诊断。
进一步地，步骤B中，利用滑动窗口算法对渣浆泵有无异物以及设备发生其它故障实测数据样本进行划分，得到实测数据集；对渣浆泵有无异物实测数据样本和故障数据样本进行特征提取。
进一步地，步骤D中，将渣浆泵正常工作和有故障的样本数据集进行时域特征的提取，并且进行归一化，得到时域特征数据集；将所有的样本分别进行经验模态分解（EMD）分解，得到四个固有模态分量（IMF），然后对这四个IMF分量分别提取样本熵、模糊熵和排列熵三个特征数据，并且将其进行归一化后作为特征值，组成一个熵特征数据集；利用支持向量机（SVM）和深度置信网络（DBN）算法来完成对渣浆泵的故障诊断。
进一步地，对于时域特征利用支持向量机对渣浆泵进行故障诊断，首先时域特征数据进行归一化，然后将其进行分组，均匀分成训练组与测试组，训练组输入至支持向量机中进行训练，而测试组用于对训练完毕后的支持向量机进行测试；根据得到的渣浆泵故障样本数据，进行经验模态分解得到多个固有模态分量，然后提取各个分量的样本熵、模糊熵和排列熵特征，组成高维特征数据集，建立深度置信网，将特征数据集分为训练集和测试集分别训练和测试网络；根据测试的结果对经过支持向量机和深度置信网络训练的模型进行优化，来进一步提高渣浆泵的故障诊断精度。
进一步地，对实测数据时域特征集和熵特征集，分别进行等距离映射、局部线性嵌入和拉普拉斯特征映射三种流形学习算法的处理，实现特征融合，并对其结果进行对比分析；针对经过利用拉普拉斯特征映射算法处理后的数据实现时域融合特征和熵融合特征，来提高故障诊断准确率；根据特征融合后的支持向量机和深度置信网络诊断结果，分别计算其基本概率赋值，作为决策融合的证据，应用D-S证据理论对这两个证据进行融合并决策，完成对渣浆泵故障的决策融合诊断，提高诊断精度。
本发明可以让用户可以让用户及时了解渣浆泵设备的状态信息，进而进行合适的选择或处理，提高渣浆泵的使用率;可以提前发现潜在问题以避免或减少事故的发生，减少经济损失。
附图说明
图1是本发明提供的渣浆泵故障诊断流程图；
图2是本发明提供的支持向量机故障诊断流程图；
图3是本发明提供的深度置信网络故障诊断流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，一种渣浆泵故障诊断方法，包括以下步骤：
A、利用安装在渣浆泵上的传感器来采集渣浆泵的数据；B、对数据进行预处理，主要是利用小波阈值降噪、滤波降噪等方法来降低提取信号中噪声的干扰，并通过对降噪后的数据做时域分析和频域分析；C、对时域分析和频域分析的结果与设备中带有异物的常见故障特征信息图像进行对比分析，来判断是否发生故障，对于异物故障，进一步进行对比分析，来判断具体发生哪类故障；D、对于其它故障，通过对故障样本数据集进行模型训练、测试和对模型的优化，完成设备的故障诊断。
其中，步骤B中，利用滑动窗口算法对渣浆泵有无异物以及设备发生其它故障实测数据样本进行划分，得到实测数据集；对渣浆泵有无异物实测数据样本和故障数据样本进行特征提取；其中，步骤D中，将渣浆泵正常工作和有故障的样本数据集进行时域特征的提取，并且进行归一化，得到时域特征数据集；将所有的样本分别进行经验模态分解分解，得到四个固有模态分量，然后对这四个IMF分量分别提取样本熵、模糊熵和排列熵三个特征数据，并且将其进行归一化后作为特征值，组成一个熵特征数据集；利用支持向量机和深度置信网络算法来完成对渣浆泵的故障诊断。
如图2所示，对于时域特征利用支持向量机对渣浆泵进行故障诊断，首先时域特征数据进行归一化，然后将其进行分组，均匀分成训练组与测试组，训练组输入至支持向量机中进行训练，而测试组用于对训练完毕后的支持向量机进行测试；如图3所示，根据得到的渣浆泵故障样本数据，进行经验模态分解得到多个固有模态分量，然后提取各个分量的样本熵、模糊熵和排列熵特征，组成高维特征数据集，建立深度置信网络（DBN），将特征数据集分为训练集和测试集分别训练和测试网络；对DBN模型进行测试来判断训练出来的模型是否达到要求，若不满足要求，则需要调整DBN的初始化参数来继续训练DBN模型，直至训练出来的模型符合要求；根据测试的结果对经过支持向量机和深度置信网络训练的模型进行优化，来进一步提高渣浆泵的故障诊断精度。
此外，对实测数据时域特征集和熵特征集，分别进行等距离映射、局部线性嵌入和拉普拉斯特征映射三种流形学习算法的处理，实现特征融合，并对其结果进行对比分析；针对经过利用拉普拉斯特征映射算法处理后的数据实现时域融合特征和熵融合特征，来提高故障诊断准确率；根据特征融合后的支持向量机和深度置信网络诊断结果，分别计算其基本概率赋值，作为决策融合的证据，应用D-S证据理论对这两个证据进行融合并决策，完成对渣浆泵故障的决策融合诊断，提高诊断精度。
本发明并不仅限于以上具体实施方式。本发明所述技术领域的技术人员，以对所描述的具体实施方式做多种修改、补充或采用类似的方式替代，在不偏离本发明的精神或者超越所附权利要求书所定义的范围，都在本发明要求保护范围内。
Claims (5)
1.本发明提出一种渣浆泵故障诊断方法，其特征在于，包括以下步骤：A、利用安装在渣浆泵上的传感器来采集渣浆泵的数据；B、对数据进行预处理，主要是利用小波阈值降噪、滤波降噪等方法来降低提取信号中噪声的干扰，并通过对降噪后的数据做时域分析和频域分析；C、对时域分析和频域分析的结果与设备中带有异物的常见故障特征信息图像进行对比分析，来判断是否发生故障，对于异物故障，进一步进行对比分析，来判断具体发生哪类故障；D、对于其它故障，通过对故障样本数据集进行模型训练、测试和对模型的优化，完成设备的故障诊断。
2.根据权利要求1一种渣浆泵故障诊断方法，其特征在于：步骤B中，利用滑动窗口算法对渣浆泵有无异物以及设备发生其它故障实测数据样本进行划分，得到实测数据集；对渣浆泵有无异物实测数据样本和故障数据样本进行特征提取。
3.根据权利要求2一种渣浆泵故障诊断方法，其特征在于：步骤D中，将渣浆泵正常工作和有故障的样本数据集进行时域特征的提取，并且进行归一化，得到时域特征数据集；将所有的样本分别进行经验模态分解（EMD）分解，得到四个固有模态分量（IMF），然后对这四个IMF分量分别提取样本熵、模糊熵和排列熵三个特征数据，并且将其进行归一化后作为特征值，组成一个熵特征数据集；利用支持向量机和深度置信网络算法来完成对渣浆泵的故障诊断。
4.根据权利要求3一种渣浆泵故障诊断方法，其特征在于：对于时域特征利用支持向量机(SVM)对渣浆泵进行故障诊断，首先时域特征数据进行归一化，然后将其进行分组，均匀分成训练组与测试组，训练组输入至支持向量机中进行训练，而测试组用于对训练完毕后的支持向量机进行测试；根据得到的渣浆泵故障样本数据，进行经验模态分解得到多个固有模态分量，然后提取各个分量的样本熵、模糊熵和排列熵特征，组成高维特征数据集，建立深度置信网络（DBN），将特征数据集分为训练集和测试集分别训练和测试网络；根据测试的结果对经过支持向量机和深度置信网络训练的模型进行优化，来进一步提高渣浆泵的故障诊断精度。
5.根据权利要求3一种渣浆泵故障诊断方法，其特征在于：对实测数据时域特征集和熵特征集，分别进行等距离映射、局部线性嵌入和拉普拉斯特征映射三种流形学习算法的处理，实现特征融合，并对其结果进行对比分析；针对经过利用拉普拉斯特征映射算法处理后的数据实现时域融合特征和熵融合特征，来提高故障诊断准确率；根据特征融合后的支持向量机和深度置信网络诊断结果，分别计算其基本概率赋值，作为决策融合的证据，应用D-S证据理论对这两个证据进行融合并决策，完成对渣浆泵故障的决策融合诊断，提高诊断精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310458864.7A CN116292334A (zh) | 2023-04-26 | 2023-04-26 | 一种渣浆泵故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310458864.7A CN116292334A (zh) | 2023-04-26 | 2023-04-26 | 一种渣浆泵故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116292334A true CN116292334A (zh) | 2023-06-23 |
Family
ID=86834358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310458864.7A Withdrawn CN116292334A (zh) | 2023-04-26 | 2023-04-26 | 一种渣浆泵故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116292334A (zh) |
-
2023
- 2023-04-26 CN CN202310458864.7A patent/CN116292334A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
| CN117706360A (zh) | 电机运行状态的监测方法、装置、设备及存储介质 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| Gao et al. | Long-term Temporal Attention Neural Network with Adaptive Stage Division for Remaining Useful Life Prediction of Rolling Bearings | |
| CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN116292334A (zh) | 一种渣浆泵故障诊断方法 | |
| CN115600402A (zh) | 压裂设备寿命与施工工艺参数关系模型的构建方法及系统 | |
| CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
| Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
| CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
| CN114112390A (zh) | 一种非线性复杂系统早期故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |
|
| WW01 | Invention patent application withdrawn after publication |