CN116383661A - 离心泵故障诊断模型训练方法、故障诊断方法及装置 - Google Patents

离心泵故障诊断模型训练方法、故障诊断方法及装置 Download PDF

Info

Publication number
CN116383661A
CN116383661A CN202310417097.5A CN202310417097A CN116383661A CN 116383661 A CN116383661 A CN 116383661A CN 202310417097 A CN202310417097 A CN 202310417097A CN 116383661 A CN116383661 A CN 116383661A
Authority
CN
China
Prior art keywords
centrifugal pump
time domain
fault diagnosis
acoustic radiation
feature matrix
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
Application number
CN202310417097.5A
Other languages
English (en)
Inventor
陈剑
许畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202310417097.5A priority Critical patent/CN116383661A/zh
Publication of CN116383661A publication Critical patent/CN116383661A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明公开了一种离心泵故障诊断模型训练方法、离心泵故障诊断方法及装置，涉及离心泵故障诊断领域，离心泵故障诊断模型训练方法：获取相同工况、不同健康状态下的离心泵声辐射信号；增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。本发明实现了在强背景噪声的干扰下，依旧可以高效、准确识别离心泵故障类型，这对于离心泵故障的早期预警具有重要意义。

Description

离心泵故障诊断模型训练方法、故障诊断方法及装置
技术领域
本发明涉及离心泵故障诊断技术领域，具体涉及一种离心泵故障诊断模型训练方法、离心泵故障诊断方法及装置。
背景技术
离心泵在工业领域应用广泛，是石油化工、军事国防等领域的关键设备之一，一旦发生故障，轻则造成生产链的瘫痪，重则出现安全事故导致人员伤亡。因此对离心泵进行快速、准确地故障诊断具有极其重要的意义。
当前，对离心泵运行过程中的故障诊断，通常采用以下两种方法：
一、基于振动信号的方法，一般采用接触式传感器采集离心泵运行时产生的振动信号作为分析依据，但是由于实际工况中，一方面泵群安装布置紧凑、空间狭小，另一方面运行工况复杂，存在高温环境，难以使用振动传感器对离心泵进行非接触振动测量。
二、基于模型的方法，通过建立旋转机械系统数学模型，仿真计算各类故障信号，由将该信息同实际监测得到的振动信息进行比较，通过分析残差进行故障诊断。但由于旋转机械设备很难建立精准的数学模型，故在离心泵故障检测中，需要繁琐的调参和对比分析，既增加工作量，又不能保证故障检测的准确率。
因此，如何快速、高效、准确地对离心泵故障进行检测，是目前亟需解决的问题。
发明内容
有鉴于此，本发明提供一种离心泵故障诊断模型训练方法、离心泵故障诊断方法及装置，以解决现有技术中操作繁琐、准确率不高的问题。
第一方面，本申请实施例提供一种离心泵故障诊断模型训练方法，所述方法包括：
获取不同状态下离心泵声辐射信号；
增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；
将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。
于本申请的一实施例中，所述获取不同状态下离心泵声辐射信号，包括：
在离心泵附近布置传声器；
将离心泵设置不同的故障类型，通过所述传声器收集不同故障状态下的离心泵声辐射信号和正常状态下的离心泵声辐射信号。
于本申请的一实施例中，所述不同的故障类型包括：电机轴与离心泵的轴心线不对中、电机与离心泵的地脚螺栓松动、离心泵气蚀、离心泵滚动轴承故障、离心泵机械密封泄露、离心泵与电机联轴器故障中的一种或多种组合。
于本申请的一实施例中，所述增强所述离心泵声辐射信号，包括：
利用位错叠加法对所述离心泵声辐射信号进行信号增强。
于本申请的一实施例中，所述对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵，包括：
计算所述增强后的离心泵声辐射信号的时域特征；
将所述时域特征构造为时域特征矩阵；
用主成分分析法对所述时域特征矩阵进行降维；
将降维后的时域特征矩阵进行归一化处理，获得第一有效特征矩阵。
于本申请的一实施例中，所述时域特征包括：平均值、峰值、方差、均方根值、波峰因子、裕度因子、脉冲系数、形状系数、偏度和峭度。
于本申请的一实施例中，所述将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，具体包括：
建立概率神经网络，输入所述样本数据集中的训练集，对神经网络模型进行训练，初始化输入层、模式层、求和层的神经元个数；
初始化哈里斯鹰算法的参数，设置初始种群数量、最大迭代次数、全域搜索范围上界和下界以及误差；
根据所述全域搜索范围上界和下界，计算种群中每一只哈里斯鹰个体的适应度值，并进行排序以确定最优位置的哈里斯鹰为第一代哈里斯鹰；
按照逃逸能量因子、随机数的取值范围进行更新策略分类，按照不同的策略对哈里斯鹰位置进行迭代更新；
计算哈里斯鹰更新后的位置为本次迭代后的适应度，并与上一代最优位置哈里斯鹰进行比较，保留最优位置的哈里斯鹰；
当所述适应度值达到设定值或者该算法的迭代次数达到预设值，终止训练，否则继续更新哈里斯鹰位置；
得到最终的哈里斯鹰位置，并将所述哈里斯鹰适应度值作为概率神经网络模型的最优平滑因子代入模型。
第二方面，本申请还公开了一种离心泵故障诊断方法，所述方法包括：
采集离心泵声辐射信号；
增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过本申请第一方面所述的离心泵故障诊断模型训练方法训练得到。
第三方面，本申请还公开了一种离心泵故障诊断模型训练装置，包括：
样本获取模块：用于获取不同状态下离心泵声辐射信号；
样本增强模块：用于增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；
模型训练模块：用于将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。
第四方面，本申请还公开了一种离心泵故障诊断装置，其特征在于，包括：
信号采集模块：用于采集离心泵声辐射信号；
信号增强模块：增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
故障诊断模块：用于将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过本申请第一方面所述的离心泵故障诊断模型训练方法训练得到。
本发明的有益效果：
本申请公开的一种离心泵故障诊断模型训练方法、离心泵故障诊断方法及装置，提出了一种改进的离心泵故障诊断模型，能够通过哈里斯鹰算法优化，实现最优平滑因子的自适应选择，解决了传统概率神经网络的平滑因子是由人工手动调节所导致分类结果存在不确定性的问题，且优化后网络的收敛速度和性能较好，实现离心泵的可靠故障诊断；并且，本发明构建了一种基于声辐射信号非接触式故障诊断方法和系统，只需要将传声器布置在待测目标附件即可，有效解决了传统的振动传感器安装困难的问题，避免工作人员在恶劣的环境进行故障识别的风险；此外，本发明在特征提取前，采用位错叠加法对信号进行信号增强，提高信噪比，突出背景噪声中包含的微弱故障信号，有助于提升基于声信号的故障诊断准确率，在特征提取后为降低冗余特征对诊断准确率的影响，利用主成分分析法对上述时域特征矩阵进行降维，过滤冗余特征，获得有效的特征矩阵。通过本申请训练后的离心泵故障诊断模型进行离心泵故障诊断，能够在强背景噪声的干扰下，依旧可以准确识别离心泵故障类型。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请的一示例性实施例示出的概率神经网络结构示意图；
图2是本申请的一示例性实施例示出的离心泵故障诊断模型训练方法的流程示意图；
图3是本申请的一示例性实施例示出的获取第一有效时域矩阵方式流程示意图；
图4是本申请的一示例性实施例示出的哈里斯鹰算法优化概率神经网络流程示意图；
图5是本申请的一示例性实施例示出的离心泵故障诊断方法的流程示意图；
图6是本申请的一示例性实施例示出的离心泵故障诊断模型训练装置的结构示意图；
图7是本申请的一示例性实施例示出的离心泵故障诊断装置的结构示意图；
图8是本申请的一示例性实施例示出的离心泵故障诊断模型训练方法的具体流程示意图；
图9是本申请的一示例性实施例示出的哈里斯鹰算法迭代次数与模型验证误差示意图；
图10是本申请的一示例性实施例示出的离心泵故障诊断模型的诊断结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。另外，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下对本申请中的各技术名词进行说明：
位错叠加法：是一种能够从复杂工况下获得目标信号的方法，能够从复杂的噪声信号中提取所需相关分量，该方法具有计算效率高、精度高、提高处理实验数据效率等优点。位错叠加法只有时域计算，通过实际信号的周期性叠加，可以在不破坏所需信号的情况下提高信号的信噪比。该方法避免了许多降噪方法的模态混合问题，可以保留特定的频率细节，还可以保留与故障频率相关的异常突变信息。实际信号处理过程中，叠加长度恒定，因此会导致多个叠加末端执行器，为了准确提取特征，可以使用窗口函数提取叠加信号的中间部进行后续处理。位错叠加法处理效果与实际信号起始位置有关，需要确定实际信号的最佳起始位置。理论上，位错叠加法的叠加数K值越大，波形越精确，降噪效果越好。但随着K值增长，消耗时长越多且降噪效果趋于稳定，因此，当叠加信号达到目标要求时，K值确定。算法仅涉及加法运算，因此计算迅速，获得的信号模型更准确。具体公式如下：
Figure BDA0004185392150000061
其中，S(n)是原始信号，
Figure BDA0004185392150000062
是DSM处理的信号，即叠加信号，K是叠加数，K＝0，1，2，...，L是叠加步长，即要处理的信号的周期。
用信噪比和均方根误差来评价信号增强效果，信噪比越高或均方根误差越小，说明信号增强效果越好，表达式如下：
Figure BDA0004185392150000071
Figure BDA0004185392150000072
其中，RMSE是均方根误差，SNR是信噪比。
主成分分析法：是一种多变量统计方法，是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分，具体步骤如下：
用向量矩阵表示将输入的样本信号Q＝[Q1 Q2···Qn],其协方差矩阵为：
Figure BDA0004185392150000073
其中，n是训练样本数，
Figure BDA0004185392150000074
是该样本向量均值；Ql是向量矩阵Q的第l列；
计算向量矩阵特征值与对应特征向量，将向量矩阵的特征值λi(i＝1,2,…,n)进行大小顺序排序，即λ1>λ2>…>λn,将样本Qj投影,其对应的主成分量为：
Figure BDA0004185392150000075
其中，vi为特征值对应的特征向量；
将求得的特征向量构建正交空间,主成分量可由样本Qj投影至正交空间获得，在重构时，各个特征向量的贡献率与其自身所对应的特征值大小成正比，设正交空间中前n个主成分量为y1,y2,…,yl,其累积贡献率为：
Figure BDA0004185392150000076
θ的预设值一般为95％,即当l(l＜n)个主元所包含的贡献率累加超过含原始数据95％以上的信息,此时可用主元表征原始信息,达到将高维数据转化为低维数据的目的。
哈里斯鹰算法：是模拟哈里斯鹰群体协同捕食行为的一种仿生优化算法，具有全域搜索能力突出、收敛速度快等优点，该算法包含以下三个阶段：
寻觅阶段，哈里斯鹰通过两种策略进行捕食：
Figure BDA0004185392150000081
Figure BDA0004185392150000082
其中，Xrand是鹰群的随机选择个体当前位置，Xrabbit是猎物的当前位置，Xm是种群的平均距离，ub、l b分别为全域搜索范围的上下界，r1、r2、r3、r4是(0,1)之间的随机数；
围堵阶段，哈里斯鹰由全域转为局部搜索：
Figure BDA0004185392150000083
其中，E是逃逸能量，t是此时迭代次数，E0是(-1,1)的随机数，T是最大迭代次数；
攻击阶段，哈里斯鹰采用7种掠夺性策略中的4种策略进行捕食：
当1≥|E|≥0.5且r≥0.5哈里斯鹰将采取游走消耗的软攻击方式：
X(t+1)＝ΔX(t)-EJXrabbit(t)-X(t)|
ΔX(t)＝Xrabbit(t)-X(t)
其中，ΔX(t)是位置差值，r5是(0，1)的随机数，J是猎物逃逸的跳跃强度，是(0,2)之间的随机数；
当|E|＜0.5且r≥0.5时，猎物逃逸失败被捕：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
当1＞|E|≥0.5且r＜0.5时，哈里斯鹰采取渐进式快速俯冲软包围策：
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)|
Z＝Y+S*LF(D)
Figure BDA0004185392150000084
其中，D为目标函数维度，S是D维随机向量，LF是Levy函数；
当|E|＜0.5且r＜0.5时，哈里斯鹰采取渐进式快速俯冲硬包围：
Y＝Xrabbit(t)-EJXrabbit(t)-Xm(t)
Z＝Y+S*LF(D)
Figure BDA0004185392150000091
概率神经网络：是属于径向基神经网络的一种并行算法，其具有鲁棒性好、收敛快、兼容性好等优点。该模型能够以线性算法解决非线性算法问题，且保留非线性算法高精度特性，因此该神经网络在故障诊断中应用较多。
图1是本申请的一示例性实施例示出的概率神经网络的结构示意图。
参照图1所示，概率神经网络可以包括输入层、模式层、求和层及输出层。概率神经网络输入层接收来自结构外部的样本数据，其神经元数目和输入特征向量长度相同，输入层将训练样本的特征向量与权值做标量积运算，获得结果；概率神经网络模式层是径向基层，该层的作用是匹配关系训练计算，即输入特征向量与训练集各模式的匹配关系，计算待测样本与训练样本的欧氏距离；概率神经网络求和层的本质是加法器，该层通过核密度估计原理对属于某类模式的概率进行加和，即对同类的神经元输出做加权平均处理；概率神经网络输出层由竞争神经元构成，该层的本质是比较器，采用贝叶斯分类规则对故障类型做最大后验概率选择。
为了解决现有技术中尚不能高效、准确地诊断离心泵故障类型的问题，本申请的实施例分别提出了一种离心泵故障诊断模型训练方法、一种离心泵故障诊断方法、一种离心泵故障诊断模型训练装置、一种离心泵故障诊断装置，以下将对这些实施例进行详细描述。
请参阅图2，图2是本申请的一示例性实施例示出的离心泵故障诊断模型训练方法流程示意图。如图2所示，在一示例性的实施例中，离心泵故障诊断模型训练方法至少包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，获取不同状态下离心泵声辐射信号。
在一具体的示例性实施例，获取不同状态下离心泵声辐射信号需要先在离心泵驱动端轴承正上方处10至50厘米处悬置传声器，然后通过传声器收集相同工况下、不同状态下的离心泵声辐射信号共400组，并将离心泵各故障类型下的数据集划分为训练集和测试集，所述的不同状态包括正常状态、电机轴与离心泵的轴心线不对中、电机与离心泵的地脚螺栓松动、离心泵气蚀，400组样本工况及故障类型如下表所示：
Figure BDA0004185392150000101
需要说明的是，传统的离心泵故障诊断方法是通过接触安装的方式测量离心泵的振动信号进行诊断，常需要安装在设备表面才能获得信号；而声辐射信号的获取只需要将传声器布置在待测目标附近即可实现非接触测量(特别是表明存在高温环境接触安装不能时)。因此，基于声辐射信号的非接触式信号采集方式可以有效解决传统的振动传感器安装困难问题，避免工作人员在危险环境进行操作的风险。
在步骤S220中，增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵。
需要说明的是，离心泵在运行过程中，其声辐射信号的时域特征会随着故障状态的不同而发生变化，相较于频域特征与时频特征，时域特征具有更高的实时性，因此选择声辐射信号的时域特征作为输入。
示例性的，增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵包括：用位错叠加法对声辐射信号进行信号增强，提高声辐射信号信噪比，凸出强背景噪声下的故障信号；计算进行信号增强后声辐射信号的时域特征，包括平均值、峰值、方差、均方根值、波峰因子、裕度因子、脉冲系数、形状系数、偏度和峭度，然后构建时域特征矩阵；利用主成分分析法对上述时域特征矩阵进行降维，过滤冗余特征，为避免受量纲和信号幅度的影响，将矩阵归一化，归一化后的特征矩阵作为第一有效时域特征矩阵。将进行信号增强后的离心泵样本数据按照上述步骤依次进行处理，并将处理后的数据集划分为训练集和测试集以便后续对概率神经网络进行训练与测试，其中训练集与测试集中的数据无交叉重合部分。
还需说明的是，本发明在特征提取前，采用位错叠加法对声信号进行信号增强，提高信噪比，突出背景噪声中包含的微弱故障信号，有助于提升基于声辐射信号的故障诊断准确率，在特征提取后为降低冗余特征对诊断准确率的影响，利用主成分分析法对上述时域特征矩阵进行降维，过滤冗余特征，获得有效的特征矩阵，以便于后续模型的训练与测试。
在步骤S230中，将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。
示例性的，建立离心泵故障诊断模型，将数据集样本作为输入，用哈里斯鹰算法对概率神经网络的平滑因子自适应选取，如图9所示，当进行第10次迭代时，验证误差降到一个较低值，满足网络收敛要求；接着引用多分类混淆矩阵检验模型的故障诊断分类效果，将上述样本的测试集输入模型以检验模型的准确率，如图10所示，在一示例性的实施例中故障识别准确率达到100％，说明该模型的诊断效果较好，这对于离心泵故障的风险预警具有一定的意义。
需要说明的是，为验证使用哈里斯鹰算法优化概率神经网络的效果，在一具体的实施例中将该通过该算法优化过的概率神经网络与反向误差神经网络、学习向量量化神经网络及传统概率神经网络进行对比。使用相同的训练集输入上述不同的神经网络进行训练，用测试集对训练好的模型进行验证。反向误差神经网络参数设置如下：最大迭代次数为1000次，网络期望误差0.001，学习率α为0.01；学习向量量化神经网络参数设置如下：最大迭代次数500次、网络期望误差0.001、学习率α为0.1；传统概率神经网络的平滑因子随机设置，故障分类效果如图10所示，测试集平均准确率如下表所示：
Figure BDA0004185392150000121
由图10和上表可知，通过对比四种模型分类准确率，可知哈里斯鹰算法优化后的概率神经网络模型分类准确率优于其他三种方法，故障诊断准确率较好。
还需说明的是，通过哈里斯鹰算法优化概率神经网络，实现最优平滑因子的自适应选择，解决了传统概率神经网络的平滑因子是由人工手动调节所导致分类结果存在不确定性的问题，且优化后网络的收敛速度和性能较好，实现离心泵的可靠故障诊断。
如图3所示，在一示例性的实施例中，获取第一有效时域矩阵方式至少包括步骤S310至步骤S340，详细介绍如下：
在步骤S310中，计算所述增强后的离心泵声辐射信号的时域特征；
在步骤S320中，将所述时域特征构造为时域特征矩阵；
在步骤S330中，用主成分分析法对所述时域特征矩阵进行降维；
在步骤S340中，将降维后的时域特征矩阵进行归一化处理，获得第一有效特征矩阵。
如图4所示，在一示例性的实施例中，哈里斯鹰算法优化概率神经网络至少包括步骤S410至步骤S470，详细介绍如下：
在步骤S410中，建立概率神经网络，输入所述样本数据集中的训练集，对神经网络模型进行训练，初始化输入层、模式层、求和层的神经元个数；
在步骤S420中，初始化哈里斯鹰算法的参数，设置初始种群数量、最大迭代次数、全域搜索范围上界和下界以及误差；
在步骤S430中，根据所述全域搜索范围上界和下界，计算种群中每一只哈里斯鹰个体的适应度值，并进行排序以确定最优位置的哈里斯鹰为第一代哈里斯鹰；
需要说明的是，上述的排序方式是按照适应度值越小哈里斯鹰当前位置越好的原则进行排序。
在步骤S440中，按照逃逸能量因子、随机数的取值范围进行更新策略分类，按照不同的策略对哈里斯鹰位置进行迭代更新；
在步骤S450中，计算哈里斯鹰更新后的位置为本次迭代后的适应度，并与上一代最优位置哈里斯鹰进行比较，保留最优位置的哈里斯鹰；
在步骤S460中，当所述适应度值达到设定值或者该算法的迭代次数达到预设值，终止训练，否则继续更新哈里斯鹰位置；
在步骤S470中，得到最终的哈里斯鹰位置，并将所述哈里斯鹰位置作为概率神经网络模型的最优平滑因子。
如图5所示，在一示例性的实施例中，离心泵故障诊断方法至少包括步骤S510至步骤S530，详细介绍如下：
在步骤S510中，采集离心泵声辐射信号；
在步骤S520中，增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
在步骤S530中，将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过的图2所示的离心泵故障诊断模型训练方法训练得到。
如图6所示，在一示例性的实施例中，离心泵故障诊断模型训练装置600包括：
样本获取模块610：用于获取不同状态下离心泵声辐射信号；
样本增强模块620：用于增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；
模型训练模块630：用于将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。
不难发现，离心泵故障诊断模型训练装置实施例是与离心泵故障诊断模型训练方法相对应的装置实施例，离心泵故障诊断模型训练装置实施例可与离心泵故障诊断模型训练方法实施例互相配合实施。离心泵故障诊断模型训练方法实施例中提到的相关技术细节在离心泵故障诊断模型训练装置实施例中依然有效，为了减少重复，这里不再赘述。相应地，离心泵故障诊断模型训练装置实施例中提到的相关技术细节也可应用在离心泵故障诊断模型训练方法实施例中。
如图7所示，在一示例性的实施例中，离心泵故障诊断装置700包括：
信号采集模块710：用于采集离心泵声辐射信号；
信号增强模块720：增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
故障诊断模块730：用于将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过的图2所示的的离心泵故障诊断模型训练方法训练得到。
不难发现，离心泵故障诊断装置实施例是与离心泵故障诊断方法相对应的装置实施例，离心泵故障诊断装置实施例可与离心泵故障诊断方法实施例互相配合实施。离心泵故障诊断方法实施例中提到的相关技术细节在离心泵故障诊断装置实施例中依然有效，为了减少重复，这里不再赘述。相应地，离心泵故障诊断装置实施例中提到的相关技术细节也可应用在离心泵故障诊断方法实施例中。
如图8所示，在一示例性的实施例中，离心泵故障诊断模型训练方法的具体流程如下：
首先获取离心泵声辐射信号，通过处理得到特征矩阵作为样本数据，将样本数据划分为训练集和测试集；然后对哈里斯鹰算法参数进行初始化设置，计算适应度函数，计算出逃逸能量因子；当不满足停止条件时，回到计算适应度函数这一步，直至满足停止条件；当满足停止条件时，创建概率神经网络，并把所述逃逸能量因子作为优化后的概率神经网络的平滑因子来进行概率神经网络的训练；当迭代次数达到预设值或误差达到期望误差时，将上述训练集输入概率神经网络进行故障类型分类；最后将测试集输入概率神经网络进行离心泵故障诊断模型的测试。
综上所述，本发明公开的一种离心泵故障诊断模型训练方法、离心泵故障诊断方法及装置，提出了一种改进的概率神经网络模型，能够通过哈里斯鹰算法优化，实现最优平滑因子的自适应选择，解决了传统概率神经网络的平滑因子是由人工手动调节所导致分类结果存在不确定性的问题，且优化后网络的收敛速度和性能较好，实现离心泵的可靠故障诊断；并且，本发明构建了一种基于声辐射信号非接触式故障诊断方法和系统，只需要将传声器布置在待测目标附件即可，有效解决了传统的振动传感器安装困难的问题，避免工作人员在恶劣的环境进行故障识别的麻烦；此外，本发明在特征提取前，采用位错叠加法对信号进行信号增强，提高信噪比，突出背景噪声中包含的微弱故障信号，有助于提升基于声信号的故障诊断准确率，在特征提取后为降低冗余特征对诊断准确率的影响，利用主成分分析法对上述时域特征矩阵进行降维，过滤冗余特征，获得有效的特征矩阵。通过本申请训练后的离心泵故障诊断模型进行离心泵故障诊断，能够在强背景噪声的干扰下，依旧可以准确识别离心泵故障类型，这对于离心泵故障的风险预警具有一定的意义。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种离心泵故障诊断模型训练方法，其特征在于，所述方法包括：
获取不同状态下离心泵声辐射信号；
增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；
将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型。
2.根据权利要求1所述的一种离心泵故障诊断模型训练方法，其特征在于，所述获取不同状态下离心泵声辐射信号，包括：
在离心泵附近布置传声器；
将离心泵设置不同的故障类型，通过所述传声器收集不同故障状态下的离心泵声辐射信号和正常状态下的离心泵声辐射信号。
3.根据权利要求2所述的一种离心泵故障诊断模型训练方法，其特征在于，所述不同的故障类型包括：电机轴与离心泵的轴心线不对中、电机与离心泵的地脚螺栓松动、离心泵气蚀、离心泵滚动轴承故障、离心泵机械密封泄露、离心泵与电机联轴器故障中的一种或多种组合。
4.根据权利要求1所述的一种离心泵故障诊断模型训练方法，其特征在于，所述增强所述离心泵声辐射信号，包括：
利用位错叠加法对所述离心泵声辐射信号进行信号增强。
5.根据权利要求1所述的一种离心泵故障诊断模型训练方法，其特征在于，所述对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵，包括：
计算所述增强后的离心泵声辐射信号的时域特征；
将所述时域特征构造为时域特征矩阵；
用主成分分析法对所述时域特征矩阵进行降维；
将降维后的时域特征矩阵进行归一化处理，获得第一有效特征矩阵。
6.根据权利要求5所述的一种离心泵故障诊断模型训练方法，其特征在于，所述时域特征包括：平均值、峰值、方差、均方根值、波峰因子、裕度因子、脉冲系数、形状系数、偏度和峭度。
7.根据权利要求1所述的一种离心泵故障诊断模型训练方法，其特征在于，所述将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，具体包括：
建立概率神经网络，输入所述样本数据集中的训练集，对神经网络模型进行训练，初始化输入层、模式层、求和层的神经元个数；
初始化哈里斯鹰算法的参数，设置初始种群数量、最大迭代次数、全域搜索范围上界和下界以及误差；
根据所述全域搜索范围上界和下界，计算种群中每一只哈里斯鹰个体的适应度值，并进行排序以确定最优位置的哈里斯鹰为第一代哈里斯鹰；
按照逃逸能量因子、随机数的取值范围进行更新策略分类，按照不同的策略对哈里斯鹰位置进行迭代更新；
计算哈里斯鹰更新后的位置为本次迭代后的适应度，并与上一代最优位置哈里斯鹰进行比较，保留最优位置的哈里斯鹰；
当所述适应度值达到设定值或者该算法的迭代次数达到预设值，终止训练，否则继续更新哈里斯鹰位置；
得到最终的哈里斯鹰位置，并将所述哈里斯鹰适应度值作为概率神经网络模型的最优平滑因子代入模型。
8.一种离心泵故障诊断方法，其特征在于，所述方法包括：
采集离心泵声辐射信号；
增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过权利要求1至7任一所述的离心泵故障诊断模型训练方法训练得到。
9.一种离心泵故障诊断模型训练装置，其特征在于，包括：
样本获取模块：用于获取不同状态下离心泵声辐射信号；
样本增强模块：用于增强所述离心泵声辐射信号，对增强后的离心泵声辐射信号进行处理以获取第一有效时域特征矩阵；
模型训练模块：用于将所述第一有效时域特征矩阵作为样本数据集，通过哈里斯鹰算法优化概率神经网络，以形成离心泵故障诊断模型用于离心泵故障诊断。
10.一种离心泵故障诊断装置，其特征在于，包括：
信号采集模块：用于采集离心泵声辐射信号；
信号增强模块：增强所述离心泵声辐射信号，提取增强后离心泵声辐射信号的时域特征，构造时域特征矩阵，对所述时域特征矩阵降维聚类，以获取第二有效时域特征矩阵；
故障诊断模块：用于将所述第二有效时域特征矩阵输入到离心泵故障诊断模型进行故障诊断，其中所述离心泵故障诊断模型为通过权利要求1至7任一所述的离心泵故障诊断模型训练方法训练得到。
CN202310417097.5A 2023-04-13 2023-04-13 离心泵故障诊断模型训练方法、故障诊断方法及装置 Pending CN116383661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310417097.5A CN116383661A (zh) 2023-04-13 2023-04-13 离心泵故障诊断模型训练方法、故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310417097.5A CN116383661A (zh) 2023-04-13 2023-04-13 离心泵故障诊断模型训练方法、故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN116383661A true CN116383661A (zh) 2023-07-04

Family

ID=86967359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310417097.5A Pending CN116383661A (zh) 2023-04-13 2023-04-13 离心泵故障诊断模型训练方法、故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN116383661A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013289A (zh) * 2024-04-09 2024-05-10 北京理工大学 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013289A (zh) * 2024-04-09 2024-05-10 北京理工大学 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品

Similar Documents

Publication Publication Date Title
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
CN110792563B (zh) 基于卷积生成对抗网络的风电机组叶片故障音频监测方法
Chen et al. A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data
CN110617966A (zh) 一种基于半监督生成对抗网络的轴承故障诊断方法
CN111832353B (zh) 基于emd与ba优化svm的汽轮机转子故障诊断方法
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN108303253A (zh) 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN107247968A (zh) 基于核熵成分分析失衡数据下物流设备异常检测方法
Chen et al. Intelligent model-based integrity assessment of nonstationary mechanical system
CN111043050A (zh) 一种离心泵故障诊断方法及系统
CN116383661A (zh) 离心泵故障诊断模型训练方法、故障诊断方法及装置
CN115901249A (zh) 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
Afrasiabi et al. Two-stage deep learning-based wind turbine condition monitoring using SCADA data
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN115791174A (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN115345255A (zh) 一种故障诊断方法、控制装置、终端及存储介质
CN115081321A (zh) 一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN117725480A (zh) 一种避雷器故障智能检测方法及系统
CN110222386A (zh) 一种行星齿轮退化状态识别方法
CN113126489A (zh) 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法
CN112287752A (zh) 一种水力发电机转轴早期故障特征的提取方法
CN116792264A (zh) 一种基于gru的风力发电机多故障诊断方法

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