CN116578843A - 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 - Google Patents
离心泵诊断模型训练方法、诊断方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN116578843A CN116578843A CN202310596379.6A CN202310596379A CN116578843A CN 116578843 A CN116578843 A CN 116578843A CN 202310596379 A CN202310596379 A CN 202310596379A CN 116578843 A CN116578843 A CN 116578843A
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- training
- fault
- module
- fault classification
- 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
- 238000012549 training Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000002405 diagnostic procedure Methods 0.000 title description 2
- 238000003745 diagnosis Methods 0.000 claims abstract description 124
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 31
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06F18/214—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
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
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诊断模型训练方法、诊断方法、系统、装置及介质,所述离心泵诊断模型的训练方法包括获取离心泵的声振信号集,并采用小波包阈值去噪,并将获得特征矩阵输入待训练的改进级联森林模块,得到初步故障分类结果;新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练;本发明能够提高离心泵诊断模型进行故障诊断的准确率,并能够效识别离心泵故障类别。
Description
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诊断模型训练方法、诊断方法、系统、装置及介质。
背景技术
离心泵作为旋转型机械的代表,广泛应用于化工领域;其作为液压系统的动力原件,相当于液压系统的心脏,所以,一旦离心泵发生故障再加上化工领域的特殊性,将会造成不可挽回的损失;因此,对离心泵进行状态检测,建立可靠的离心泵诊断模型具有十分重要的意义;
常规的随机森林、支持向量机等分类模型属于浅层学习模型,难以从输入样本中学习到更本质更抽象的特征来改善自身;而深度学习能够弥补这一缺点,因深度学习类模型自身的复杂性可以挖掘数据样本中有价值的信息;但是常见的深度学习方法,比如卷积神经网络、深度自编码器、循环神经网络等深度神经网络,具有超参数多,难以调参,小样本训练时容易出现过拟合等缺点,模型计算成本高,且模型训练困难;
同时,现有技术中,也有通过采集机械设备的振动信号来训练模型,进而通过该模型进行故障诊断,虽然振动信号是机械设备运行状态的重要载体,但是单源信号具有信息不完备的缺点,从而出现模型进行故障诊断的准确率低的问题。
发明内容
鉴于以上现有技术的部分缺点,本发明的目的在于提供一种离心泵诊断模型训练方法、诊断方法、系统、装置及介质,以解决现有分类模型进行离心泵故障诊断准确率低的问题。
为实现上述目的及其它相关目的,本发明提供一种离心泵诊断模型的训练方法,包括如下步骤:
获取训练样本,所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;
对所述声振信号集进行小波包阈值去噪,获得去噪信号集;
将所述去噪信号集输入待训练的离心泵诊断模型的特征提取模块,获得特征矩阵;
将所述特征矩阵输入待训练的离心泵诊断模型的改进级联森林模块,得到初始故障分类结果;所述改进级联森林模块是将普通级联森林模块中的所有随机森林替换为极端随机森林后得到的改进级联森林模块;
新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;
根据初始故障分类结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练结束条件;
若不满足预定训练结束条件,则新扩展一层所述改进级联森林模型的级联层,输出最新更新的故障分类结果;
根据最新更新的故障分类结果与前一次更新的故障分类结果以及所述故障分类标签集继续判断是否满足预定训练结束条件;直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练。
在本发明中,所述根据最新更新的故障分类结果与前一次更新的故障分类结果以及所述故障分类标签集继续判断是否满足预定训练结束条件的步骤包括:
根据前一次更新的故障分类结果和所述故障分类标签集计算损失值;
根据所述最新故障分类结果和所述故障分类标签集计算损失值;
计算该两次损失值的差值的绝对值;
直至所述差值的绝对值小于预设第一阈值,则满足预定训练结束条件,否则不满足预定训练结束条件,继续新扩展一层所述改进级联森林模型的级联层,输出最新更新的故障分类结果;
根据最新更新的故障分类结果与前一次更新的故障分类结果以及所述故障分类标签集继续判断是否满足预定训练结束条件;直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练。
在本发明中,所述对所述声振信号集进行小波包阈值去噪,获得去噪信号集的步骤包括:
选择预设的小波包分解层数和预设的小波基对所述声振信号集进行小波包分解,获得小波包分解系数;
选择预设第二阈值对各小波包分解系数进行阈值量化处理,获得量化处理的系数;
对获得的最后一层的小波包分解系数和经过量化处理的系数进行小波包重构,获得去噪信号集。
在本发明中,将所述去噪信号集输入待训练的离心泵诊断模型的特征提取模块,获得特征矩阵的步骤包括:
提取去噪信号集中的时域特征、频域特征和小波包能量特征,获得高维特征向量;
利用核主成分分析对所述高维特征向量进行特征融合与数据降维,得到数据降维后的所述特征矩阵。
在本发明中,所述小波包能量特征利用如下步骤提取:
对去噪信号集X进行k层小波包分解;
将第k层第i个节点表示为(k,i),i=0,1,2,,2k-1;k=1,2,,2k-1;
对节点(k,i)处的小波包系数进行重构,得到该节点重构后的小波包系数/>
定义声振信号的长度为N,重构后的小波包系数的长度为m,则长度N与长度m满足如下关系:
m=2^(-k)*N;
计算各频带信号能量:设为第k层第i个小波包系数/>的能量,则有:
式中:为第k层第i个节点重构后信号的离散点幅值,m为离散点数;
构造特征向量:由提取的各频带信号能量可构造一个特征向量T,则:
对特征向量T进行归一化处理,令
T'=T/E'
T′为归一化后的小波包能量特征。
在本发明中,所述利用核主成分分析对所述高维特征向量进行特征融合与数据降维,得到数据降维后的所述特征矩阵的步骤包括:
设所述高维特征向量的原始数据为XN×M=(x1,x2,x3,…,xN)T,其中N表示样本个数,M表示维度;X中每一行为一个样本;则所述高维特征向量在特征空间F中的协方差矩阵C为:
式中,ψ是一个非线性映射,表示将原空间中的数据映射到高维空间,xr是矩阵XN×M=(x1,x2,x3,…,xN)T中第r个m维列向量,表示一个样本;r=0,1,,N;ψ(xr)为高维特征向量;
定义协方差矩阵C的特征值和特征向量分别为λ和v,其中,
λv=Cv;
引入核函数k(x,y)=ψ(x)ψ(y),定义一个N×N的矩阵K,则K满足:
K=k(xr,xu)=ψ(xr)ψ(xu);
假设存在系数α满足则有:
Kα=Nλα;
对矩阵K做中心化处理得到则具有:/>
式中,LN为元素均是1/N的N×N矩阵;
计算的特征值和特征向量:
根据累计贡献率选取λ中最大的s个特征值λk1,λk2,…,λks及其对应的特征向量vk1,vk2,…,vks;
获得降维后的特征矩阵Y,特征矩阵Y可由下式得到:
为实现上述目的及其他相关目的,本发明还提供一种离心泵故障诊断方法,包括如下步骤:
获取待诊断离心泵的声振信号;
对所述声振信号集进行小波包阈值去噪,获得去噪信号;
将所述去噪信号输入至所述方法训练获得的离心泵诊断模型中,获得所述故障分类结果,将所述故障分类结果输入至XGBoost预测器中,得到故障诊断结果。
为实现上述目的及其他相关目的,本发明还提供一种离心泵故障诊断方法,包括如下步骤:
获取待诊断离心泵的声振信号;
对所述声振信号集进行小波包阈值去噪,获得去噪信号;
将所述去噪信号输入至所述方法训练获得的离心泵诊断模型中,经过离心泵诊断模型中XGBoost预测器的输出,得到故障诊断结果。
为实现上述目的及其他相关目的,本发明还提供一种故障诊断模型的训练系统,包括:
样本获取模块,用于获取离心泵的声振信号样本集;所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;
去噪模块,用于对所述声振信号集进行小波包阈值去噪,获得去噪信号集;
特征提取模块,用于对所述去噪信号集进行特征提取,获得特征矩阵;
分类模块,利用离心泵诊断模型对所述特征矩阵进行分类,输出当前故障类别结果;
模型更新模块,用于新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;
控制训练模块,用于根据所述当前故障类别结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练条件;若满足预定训练条件,则结束所述故障诊断模型的训练;否则,所述模型更新模块和所述控制训练模块将依次继续循环工作。
为实现上述目的及其他相关目的,本发明还提供一种离心泵故障诊断系统,包括:
信号采集模块,用于采集离心泵的声振信号,所述声振信号包括振动信号以及声辐射信号;
信号预处理模块,用于对采集的所述声振信号进行去噪,获得去噪信号;
故障诊断模块,包括离心泵诊断模型的训练方法训练获得的离心泵诊断模型,用于接收所述去噪信号,并通过XGBoost预测器输出故障诊断结果。
为实现上述目的及其他相关目的,本发明还提供一种离心泵故障诊断装置,包括:存储器和处理器,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行离心泵诊断模型的训练方法的步骤,或所述计算机可读程序被处理器调用时,能执行离心泵故障诊断方法的步骤。
为实现上述目的及其他相关目的,本发明还提供一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行所述方法的步骤。
综上所述,本发明的提供的离心泵诊断模型的训练方法,避免了单源信号信息不完备的缺点,有效降低了单源信号诊断的不确定性,并有效提升了诊断正确率;采用改进的级联森林模型作为离心泵诊断模型的训练基础,避免了浅层网络结构的局限性,改进的级联森林模型可以从输入中学习更高级、更抽象的信息,同时避免了深度神经网络调参复杂,构建难度大等问题,同时,利用极端随机森林改进了级联森林模型中的基础分类器,并添加XGBoost预测器提升了级联森林模型的分类能力,从而能够有效提高训练后的离心泵诊断模型的诊断精度,并有效识别离心泵故障类别。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的离心泵诊断模型的训练方法的流程图;
图2为本发明的小波包阈值去噪的方法流程图;
图3为本发明的特征矩阵获取的方法流程图;
图4为本发明的关于预定训练结束条件判断方法的流程图;
图5为本发明的离心泵故障诊断方法的流程图;
图6为本发明的故障诊断模型的训练系统的结构框图;
图7为本发明的故障诊断系统的结构框图;
图8为本发明的测量系统框图;
图9为本发明的小波包分解原理图;
图10为本发明的离心泵诊断模型中的改进级联森林模块结构框图;
图11为本发明的声振信号不同故障的时域图;
图12为本发明的声信号诊断结果图;
图13为本发明的振动信号诊断结果图;
图14为本发明的声振信号融合诊断结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。还应当理解,本发明实施例中使用的术语是为了描述特定的具体实施方案,而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法,通常按照常规条件,或者按照各制造商所建议的条件。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-14。需要说明的是,本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。
所述离心泵诊断模型的训练方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络等。
本实施例中,涉及的深度森林是一种以随机森林为基本组成单元的深度学习算法;因为其采用深度策略对模型进行集成,所以使得深度森林算法同时具有随机森林高效准确和可扩展的优点又可以像深度神经网络一样对数据进行逐层处理、特征转换、且拥有结构复杂的特性;而且相较于深度神经网络,深度森林具有更少的超参数,预测结果对超参数的依赖性更低,并且可以自适应调整模型复杂度。
所述深度森林算法主要包括多粒度扫描和级联森林两个部分;但是多粒度扫描部分对内存消耗巨大且主要用于图像或基于时间序列数据的局部特征提取,对于非时序数据处理效果不佳,所以本实施例的涉及的级联森林模块即为级联森林模型,改进的级联森林模块由级联森林模型改进得到;
所述级联森林模型的结构类似于神经网络的逐层学习模式;每一个级联层包含两个基估计器,每个基估计器包括一个随机森林和一个极端随机森林;每个森林都会输出一个类向量结果,将所有森林输出的类向量进行串联作为增强特征;前一层的输出和原始输入拼接作为下一层的输入,这样每一层都会收到上一层的增强特征和原始特征;在模型经过多次级联直到模型的性能没有明显提高,则模型的级联扩展自动停止,最后一层的输出类向量就是最终的预测分类;与随机森林相比,极端随机森林中的每棵树都将全部样本训练集进行训练,并且完全随机的选择分叉特征,以保证得到的决策树会有明显的差异,所以极端随机森林抗过拟合的性能更好;因此,本实施例将级联森林中基估计器的随机森林全部替换为极端随机森林,得到极端级联森林,以得到更好的模型预测性能;另外,在基础的级联森林结构上添加了XGBoost预测器,对最后一次级联的输出结果进行预测分类。
所述XGBoost的全称是Extreme Gradient Boosting,译为极端梯度提升,是机器学习中一种非常有效的算法,具有高效、灵活和轻便的特点,XGBoost预测器的添加对离心泵诊断模型的诊断正确率有明显提升效果。
所述小波变换是信号处理常用的时频域分析方法,但是其只能对信号的低频分量进行分解,所以会丢失信号的高频信息;小波包变换是在小波变换的基础上发展而来的,是一种比小波分解更为精细的分解方法,其能够对信号的低频与高频部分分别分解,从而能够提高高低频的分辨率;而小波包能量特征是指在小波分析中,不同频率的小波包所占总能量的比例。
所述主成分分析(PCA)适用于数据的线性降维,而核主成分分析(KPCA)可实现数据的非线性降维,用于处理线性不可分的数据集;核主成分分析(KPCA)的原理是,针对输入空间中的矩阵,先用一个非线性映射把中的所有样本数据映射到一个高维甚至是无穷维的空间的特征空间,使样本数据线性可分,然后在这个高维的特征空间进行样本数据的主成分分析(PCA);而数据降维是指将高维度的数据映射到低维度的空间中,同时保留数据中的重要信息;数据降维操作能够降低计算的复杂程度,提高机器学习算法的效率和准确性。
如图1所示,本发明提供一种离心泵诊断模型的训练方法,包括如下步骤:
S1:获取训练样本,所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;
S2:对所述声振信号集进行小波包阈值去噪,获得去噪信号集;如图2所示,具体包括如下步骤:
S21:选择预设的小波包分解层数和预设的小波基对所述声振信号集进行小波包分解,获得小波包分解系数;
S22:选择预设第二阈值对各小波包分解系数进行阈值量化处理,获得量化处理的系数;
S23:对获得的最后一层的小波包分解系数和经过量化处理的系数进行小波包重构,获得去噪信号集;需要说明的是,小波包分解层数对于信号去噪的影响较大,一般的,分解层数过多,并对各层小波包空间系数都进行阈值处理,容易造成信号的信息丢失严重,去噪后的信噪比反而会下降,同时,运算量大且处理效率慢,而小波包分解层数过少,则信噪比提高少,但不会出现信噪比下降的问题,其中,信噪比为信号和噪音的比值,由此可见,存在一个最优的小波包分解层数;定义一个序列的代价函数,寻找代价函数的最小分解树,代价最小的分解树即为最优树;
本实施例所述预设的小波包分解层数是通过最优树方法确定小波包最优分解层数,其选择准则为:
Mi-(Mi+1,1+Mi+1,2)>0
式中:Mi为各小波包绝对值之和,M=∑xk;若上式成立,则继续分解,否则分解层数设置为i,从而获得小波包最优分解层数;
关于小波基的选择,小波(简称dbN,N为阶数)具有较好的时频紧支撑性和正交性等优点,对于一个给定的熵标准,可采用自底向顶的搜索算法计算最优树,并选取最佳小波基;本实施例采用db小波,小波阶数越大,小波和信号相似度越高,高频信号提取能力越强,但过大的N会使得时域性能变差;阈值去噪基本思想是对小波分解后的各层系数中模大于或小于某阈值的系数分别处理,然后进行反变换重构出去噪后的信号;对于每一个小波包分解的系数,采用阈值函数与该系数对应的阈值进行量化处理;阈值有软阈值、硬阈值、最小或最大阈值、固定阈值和全局阈值等,本实施例基于获取噪声的强度,能够得到声振信号集的全局阈值,从而实现全局阈值小波包消噪;其中,两个图形的相似性,若两个图形完全正交,则内积为零,若两个图形完全一样,则系数的相对值为一,而小波变化的实质是,原始信号与小波函数的相似性,小波分解系数为小波函数与原始信号相似的系数;
S3:将所述去噪信号集输入待训练的离心泵诊断模型的特征提取模块30,获得特征矩阵;如图3所示,具体包括如下步骤:
S31:提取去噪信号集中的时域特征、频域特征和小波包能量特征,获得高维特征向量;所述小波包能量特征利用如下步骤提取:
对去噪信号集X进行k层小波包分解;
将第k层第i个节点表示为(k,i),i=0,1,2,,2k-1;k=1,2,,2k-1;
对节点(k,i)处的小波包系数进行重构,得到该节点重构后的小波包系数/>
定义声振信号的长度为N,重构后的小波包系数的长度为m,则长度N与长度m满足如下关系:
m=2^(-k)*N;
计算各频带信号能量:设为第k层第i个小波包系数/>的能量,则有:
式中:为第k层第i个节点重构后信号的离散点幅值,m为离散点数;
构造特征向量:由提取的各频带信号能量可构造一个特征向量T,则:
对特征向量T进行归一化处理,令
T'=T/E';
T′为归一化后的小波包能量特征;需要说明的是,小波包能量特征用于来描述信号的频率特征,对于信号处理和特征提取具有积极的作用;在去噪信号集处理中,可以通过计算小波包能量特征来确定去噪信号集的主要频率范围,从而对去噪信号集进行滤波或降噪处理;在特征提取中,可以通过计算小波包能量特征来提取去噪信号集的频率特征,从而便于对去噪信号集进行分类或识别任务;
需要进一步说明的是,所述时域特征包括但不限于均值、均方根值、方差、峰值、波峰因子、裕度因子、脉冲系数、形状系数、偏度和峭度中的一种或几种;所述频域特征包括但不限于重心频率、均方频率、频率方差和频率标准差中的一种或几种;所述小波包能量特征为各频带小波包能量特征;通过提取去噪信号集中的时域特征、频域特征和小波包能量特征,既保留了去噪信号集的全局特征,又保留了去噪信号集的局部特征,并且克服了单源信号信息不完备的缺点,有效降低了单源信号诊断的不确定性,并有效提升所述离心泵诊断模型的故障诊断正确率;
S31:利用核主成分分析对所述高维特征向量进行特征融合与数据降维,得到数据降维后的所述特征矩阵;具体包括如下步骤:
设所述高维特征向量的原始数据为XN×M=(x1,x2,x3,…,xN)T,其中N表示样本个数,M表示维度;因为矩阵X有转置,这里的矩阵X中每一行为一个样本;则所述高维特征向量在特征空间F中的协方差矩阵C为:
式中,ψ是一个非线性映射,表示将原空间中的数据映射到高维空间,xr是矩阵XN×M=(x1,x2,x3,…,xN)T中第r个m维列向量,表示一个样本;r=0,1,,N;ψ(xr)为高维特征向量;
定义协方差矩阵C的特征值和特征向量分别为λ和v,其中,
λv=Cv;
引入核函数k(x,y)=ψ(x)ψ(y),定义一个N×N的矩阵K,则K满足:
K=k(xr,xu)=ψ(xr)ψ(xu);
假设存在系数α满足则有:
Kα=Nλα;
对矩阵K做中心化处理得到则具有:/>
式中,LN为元素均是1/N的N×N矩阵;
计算的特征值和特征向量:
根据累计贡献率选取λ中最大的s个特征值λk1,λk2,…,λks及其对应的特征向量vk1,vk2,…,vks;
获得降维后的特征矩阵Y,特征矩阵Y可由下式得到:
需要说明的是,通过核主成分分析对声振信号集能够进行特征融合,并剔除冗余信息,从而构建出特征矩阵,降低了所述离心泵诊断模型的复杂计算量,同时还提高了离心泵诊断模型的训练效率以及提高所述离心泵诊断模型的故障诊断准确率;
S4:将所述特征矩阵输入待训练的离心泵诊断模型的改进级联森林模块,得到初步故障分类结果;所述改进级联森林模块是将普通级联森林模块中的所有随机森林替换为极端随机森林后得到的改进级联森林模块;
S5:新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;
S6:根据初始故障分类结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练结束条件;
S7:若不满足预定训练结束条件,则新扩展一层所述改进级联森林模型的级联层,输出最新更新的故障分类结果;
S8:根据最新更新的故障分类结果与前一次更新的故障分类结果以及所述故障分类标签集继续判断是否满足预定训练结束条件,直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练,否则重复步骤S7-S8;其中,如图4所示,根据最新更新的故障分类结果与前一次更新的故障分类结果以及所述故障分类标签集继续判断是否满足预定训练结束条件的步骤如下:
S81:根据前一次更新的故障分类结果和所述故障分类标签集计算损失值;
S82:根据所述最新故障分类结果和所述故障分类标签集计算损失值;
S83:计算该两次损失值的差值的绝对值;
S84:直至所述差值的绝对值小于预设第一阈值,则满足预定训练结束条件;否则将不满足预定训练结束条件,重复步骤S7-S8。
需要说明的是,获取离心泵的声振信号集的数据集,再将数据集划分为训练集、测试集和验证集;对训练集进行训练,使用特征提取器或特征提取模块30对离心泵的声振信号集进行特征提取,提取后的特征矩阵放入分类器中来预测分类概率;其中,声振信号包括振动信号和声辐射信号;由于小波去噪和小波包去噪适合对非平稳信号去噪,相比较小波去噪,利用小波包去噪可以对声振信号集更加精细的去噪,小波包去噪可以将时频平面划分的更为细致,对声振信号集的高频部分的分辨率要好于小波,因此,本实施例采用小波包阈值去噪;分类器为离心泵诊断模型的改进级联森林模块;所述改进级联森林模块是将普通级联森林模块中基估计器的所有随机森林替换为极端随机森林后的级联森林模块;当然,普通级联森林模块中基估计器的随机森林也可以不替换为极端随机森林后的级联森林模块,但分类预测效果会变差,该替换方式也在本方案的涵盖范围之内;
作为本发明其中一个实施例,所述离心泵诊断模型还包括XGBoost预测器;所述XGBoost预测器为替换所述改进级联森林模块中原本自带的计算模块;所述计算模块用于接收最后一次最新更新的多个故障分类结果,并对该最新更新的多个故障分类结果的向量取平均值,最后取最大值对应的故障类别,并输出故障诊断结果。将最新更新的故障分类结果输入XGBoost预测器,能够进一步明显提高离心泵诊断模型的诊断正确率;若所述最新更新的故障分类结果并未输入XGBoost预测器中,则最新更新的故障分类结果将经过级联森林模块原本自带的计算模块计算出故障诊断结果;本发明中,离心泵诊断模型经过多次级联直到离心泵诊断模型的性能没有明显提高,则离心泵诊断模型的级联层扩展自动停止,而判断离心泵诊断模型的性能没有明显提高,则是根据如下步骤进行:S81:根据前一次更新的故障分类结果和所述故障分类标签集计算损失值;S82:根据所述最新故障分类结果和所述故障分类标签集计算损失值;S83:计算该两次损失值的差值的绝对值;S84:当所述差值的绝对值小于预设第一阈值,则离心泵诊断模型的级联层扩展自动停止,也即满足预定训练结束条件,最后一层通过XGBoost预测器输出类向量就是最终的预测的故障分类结果,从而完成所述离心泵诊断模型的训练。
如图5所示,本实施例还提供一种离心泵故障诊断方法,包括如下步骤:
获取待诊断离心泵的声振信号;
对所述声振信号集进行小波包阈值去噪,获得去噪信号;
将所述去噪信号输入至所述方法训练获得的离心泵诊断模型中,获得所述故障分类结果,将所述故障分类结果输入至XGBoost预测器中,得到故障诊断结果。
如图6所示,本实施例还提供一种离心泵诊断模型的训练系统,包括:样本获取模块10、去噪模块20、特征提取模块30、分类模块40、模型更新模块50、控制训练模块60;所述本发明所称的模块是指一种能够被处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
所述样本获取模块10用于获取离心泵的声振信号样本集;所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;所述去噪模块20对所述声振信号集进行小波包阈值去噪,获得去噪信号集;所述特征提取模块30对所述去噪信号集进行特征提取,获得特征矩阵;所述分类模块40利用离心泵诊断模型对所述特征矩阵进行分类,输出故障类别结果;模型更新模块50,用于新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;控制训练模块60,用于根据所述当前故障类别结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练条件;若满足预定训练条件,则结束所述故障诊断模型的训练;否则,所述模型更新模块50和所述控制训练模块60将依次继续循环工作。
需要说明的是,本实施例的离心泵诊断模型的训练系统是与上述离心泵诊断模型的训练方法相对应的系统或装置,离心泵诊断模型的训练系统中的功能模块或者分别对应离心泵诊断模型的训练方法中的相应步骤。本实施例的离心泵诊断模型的训练系统可与离心泵诊断模型的训练方法相互相配合实施。相应地,本实施例的离心泵诊断模型的训练系统中提到的相关技术细节也可应用在上述离心泵诊断模型的训练方法中。
如图7所示,本发明还提供一种离心泵故障诊断系统,包括信号采集模块70、信号预处理模块80和故障诊断模块90;所述本发明所称的模块是指一种能够被处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
所述信号采集模块70用于采集离心泵的声振信号,所述声振信号包括振动信号以及声辐射信号;所述信号预处理模块80用于对采集的所述声振信号进行去噪,获得去噪信号;所述故障诊断模块90包括所述方法训练获得的离心泵诊断模型,用于接收所述去噪信号,并通过XGBoost预测器输出故障诊断结果。
需要说明的是,本实施例的离心泵故障诊断系统是与上述离心泵故障诊断方法相对应的系统或装置,离心泵故障诊断系统中的功能模块或者分别对应离心泵故障诊断方法中的相应步骤。本实施例的离心泵故障诊断系统可与离心泵故障诊断方法相互相配合实施。相应地,本实施例的离心泵故障诊断系统中提到的相关技术细节也可应用在上述离心泵故障诊断方法中。
如图8-14所示,以所述离心泵故障诊断系统为例,下面将结合具体步骤进行解释说明:
所述信号采集模块70包括如下方式进行信号采集:
所述信号采集模块70包括测量系统,所述测量系统包括离心泵试验台、Gras声传感器和PCB加速度传感器、LMS SCADASXS数据采集仪和信号分析处理器;所述Gras声传感器和PCB加速度传感器均与所述LMS SCADASXS数据采集仪信号连接,所述LMS SCADASXS数据采集仪和所述信号分析处理器信号连接;在离心泵上安装加速度振动传感器,并在离心泵附近部署声音传感器,包括但不限于为Gras声传感器和PCB加速度传感器;其中,离心泵试验台的电机转速设定为2950rpm,以51200HZ的采样频率采集离心泵运行信号,并在离心泵工作稳定后记录数据;包括采集离心泵正常工作状态和三种故障状态下运行的振动信号和声辐射信号,采集仪包括但不限于使用LMS SCADASXS数据采集仪,并通过信号分析处理器进行信号处理;三种故障状态分别是汽蚀故障、电机轴与泵轴心线不对中,简称为轴不对中故障和底座螺栓松动故障;如先采集正常离心泵的声振信号数据,随后将离心泵中无汽蚀故障的零部件替换为有汽蚀故障的零部件,或将正常电机轴替换为泵轴心线不对中的电机轴,或松开底底座螺栓,其他部件不变,以此来测试离心泵故障状态下的声振信号数据;应当知晓的是,本发明举例所述的离心泵故障仅仅是示例,离心泵故障类型并不局限于该三种故障;所述信号预处理模块80包括如下方式进行信号处理:
分别从采集的声振信号中每种故障类型选取200组训练样本,40组测试样本,共选取200*3=600组训练样本做训练集,40*3=120组测试样本做测试集,训练集中包含验证集;根据每个样本长度要大于离心泵叶轮旋转一周的信号长度,确定每个样本的长度为2048个采样点;原始振动信号和声信号不同故障类型的时域波形,如图11所示;
随后通过上述步骤对训练样本和测试样本进行小波包去噪,获得去噪信号,其中,由于小波阶数越大,小波和信号相似度越高,高频信号提取能力越强,但过大的N会使得时域性能变差,因此,选择小波基为db8小波;通过对数据样本的分析以及通过上述小波包最优分解层计算公式的计算,确定小波包分解层数为4层;
所述离心泵诊断模型的特征提取模块30包括如下方式进行特征提取:
提取去噪后声振信号的各故障类别样本的10个时域特征,包括均值、均方根值、方差、峰值、波峰因子、裕度因子、脉冲系数、形状系数、偏度和峭度;提取去噪后声振信号各故障类别样本的4个频域特征,包括重心频率、均方频率、频率方差、频率标准差;对去噪后声振信号各故障类别样本采用db8小波进行4层小波包分解,得到16个小波包节点并提取小波包能量特征;
每个样本共提取得到30维特征,振动信号和声音信号共提取了60维特征;虽然融合声振信号避免了单源信息特征不完备的问题,但是特征维数成倍增加,可能会造成信息冗余,所以利用KPCA对声振信号特征进行特征融合与降维;根据累计贡献率≥95%确定主元个数为26;将得到的26维特征向量进行特征融合与降维后得到特征矩阵,将所述特征矩阵作为改进级联森林模块的输入特征;
所述故障诊断模块90进行故障诊断包括如下方式进行故障诊断:
由于深度森林中的级联森林模块的关键参数有基分类器的数量以及每种随机森林决策树的数量;而深度森林对参数具有很好的鲁棒性;因此,本实施例使用级联森林默认参数,将基分类器数量设定为2,将极端随机森林中决策树数量设定为100;将所述特征矩阵输入离心泵诊断模型的改进级联森林模块,得到初步故障分类结果;将所述初步故障分类结果输入XGBoost预测器,得到故障分类结果,从而输出离心泵的故障类别,完成该离心泵的故障诊断;如图12-14所示的为声信号诊断结果、振动信号诊断结果和声振融合诊断结果。
所述离心泵的故障诊断诊断结果的及分析如下:
为了验证声振信号特征融合的有效性,分别进行了基于声信号特征诊断、振动信号特征诊断以及相同样本声振信号特征融合诊断;使用混淆矩阵对诊断结果进行展示,根据如图12-14所示的声信号诊断结果、振动信号诊断结果和声振融合诊断结果;并由诊断结果能够得出:
基于声信号特征故障诊断正确率为90.25%,基于振动信号特征故障诊断正确率为98.75%,基于声振信号特征融合故障诊断率为100%;由此可见,振动信号的诊断效果优于单独的声信号和振动信号,相比于单一信号特征诊断,基于声振特征融合的诊断正确率有明显提升。
关于所述离心泵诊断模型的优越性的验证:
所述离心泵诊断模型(ICF)包括改进级联森林模块和XGBoost预测器;将本实施例的离心泵诊断模型与常见的浅层学习模型支持向量机(SVM)和深度学习模型一维卷积神经网络(1D-CNN)以及级联森林(CF)、极端级联森林(无XGBoost预测器,ECF))进行对比;使用上述训练集和测试集进行模型训练和诊断。
支持向量机(SVM)中采用径向基函数(radial basis function,RBF)作为其核函数,核函数参数和惩罚因子分别设置为0.3和1.2;深度学习模型一维卷积神经网络(1D-CNN)包含8个卷积层3个池化层以及与softmax相连的全局均值池化层;卷积核大小为3×1,池化核大小为2×1;损失函数使用交叉熵损失函数加上L2正则化项,优化函数采用Adam;模型训练次数epochs=30,batch_size=64;级联森林(CF)和极端级联森林(ECF)和本文模型参数设置相同。
以上五种模型的平均诊断正确率见下表1所列;
表1不同模型平均诊断正确率
由表1可知,五种模型声振融合诊断正确率均在90%以上,这表明本发明提出的特征提取及特征融合方法的有效性;通过对比五种模型的诊断正确率可知,深度学习模型的性能要优于浅层学习模型;虽然深度学习模型一维卷积神经网络(1D-CNN)的诊断正确率也高达99.25%,但是与其相比的级联森林模型具有超参数少,调参简单的优势;
在基于级联森林的三种模型中,本文所提的所述离心泵诊断模型(ICF)比其他两种方法效果更好;说明了极端随机森林性能的优越性以及预测器XGBoost的添加对模型性能提升的有效性。
本发明还提供一种离心泵故障诊断装置,包括:存储器、处理器和总线,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行所述方法的步骤;例如计算机可读程序为离心泵诊断模型的训练程序或离心泵故障诊断程序。
本发明还提供一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行所述方法的步骤。
其中,存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,例如眼底图像分类模型训练程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行离心泵诊断模型的训练程序或离心泵故障诊断程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述处理器执行所述电子设备的操作系统以及安装的各类应用程序。所述处理器执行所述应用程序以实现上述各个离心泵诊断模型的训练方法或离心泵故障诊断方法实施例中的步骤,例如图所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。例如,所述计算机程序可以被分割为样本获取模块10、去噪模块20、特征提取模块30、分类模块40、模型更新模块50和所述控制训练模块60;或所述计算机程序可以被分割为信号采集模块70、信号预处理模块80和故障诊断模块90。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(Processor)执行本发明各个实施例所述离心泵诊断模型的训练方法或离心泵故障诊断方法的部分功能。
总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图5-6中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
上述实施例仅例示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,举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)
1.一种离心泵诊断模型的训练方法,其特征在于,包括如下步骤:
获取训练样本,所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;
对所述声振信号集进行小波包阈值去噪,获得去噪信号集;
将所述去噪信号集输入待训练的离心泵诊断模型的特征提取模块,获得特征矩阵;
将所述特征矩阵输入待训练的离心泵诊断模型的改进级联森林模块,得到初始故障分类结果;所述改进级联森林模块是将普通级联森林模块中的所有随机森林替换为极端随机森林后得到的改进级联森林模块;
新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;
根据初始故障分类结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练结束条件;
若不满足预定训练结束条件,则新扩展一层所述改进级联森林模型的级联层,输出最新更新的故障分类结果;
直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练。
2.根据权利要求1所述的离心泵诊断模型的训练方法,其特征在于,所述直至根据最新更新的所述故障分类结果、前一次更新的所述故障分类结果以及所述故障分类标签集能够判断出满足预定训练结束条件,完成所述离心泵诊断模型的训练的步骤包括:
根据前一次更新的故障分类结果和所述故障分类标签集计算损失值;
根据所述最新故障分类结果和所述故障分类标签集计算损失值;
计算该两次损失值的差值的绝对值;
直至所述差值的绝对值小于预设第一阈值,则满足预定训练结束条件。
3.根据权利要求1所述的离心泵诊断模型的训练方法,其特征在于,所述对所述声振信号集进行小波包阈值去噪,获得去噪信号集的步骤包括:
选择预设的小波包分解层数和预设的小波基对所述声振信号集进行小波包分解,获得小波包分解系数;
选择预设第二阈值对各小波包分解系数进行阈值量化处理,获得量化处理的系数;
对获得的最后一层的小波包分解系数和经过量化处理的系数进行小波包重构,获得去噪信号集。
4.根据权利要求1所述的离心泵诊断模型的训练方法,其特征在于,所述将所述去噪信号集输入待训练的离心泵诊断模型的特征提取模块,获得特征矩阵的步骤包括:
提取去噪信号集中的时域特征、频域特征和小波包能量特征,获得高维特征向量;
利用核主成分分析对所述高维特征向量进行特征融合与数据降维,得到数据降维后的所述特征矩阵。
5.根据权利要求4所述的离心泵诊断模型的训练方法,其特征在于,所述小波包能量特征利用如下步骤提取:
对去噪信号集X进行k层小波包分解;
计算分解后的各频带第k层第i个小波包系数的能量
根据提取的各频带信号能量构造一个特征向量T,则:
对特征向量T进行归一化处理,令
T'=T/E';
T′为归一化后的小波包能量特征。
6.一种离心泵故障诊断方法,其特征在于,包括如下步骤:
获取待诊断离心泵的声振信号;
对所述声振信号集进行小波包阈值去噪,获得去噪信号;
将所述去噪信号输入至权利要求1-5任一项所述方法训练获得的离心泵诊断模型中,获得所述故障分类结果,将所述故障分类结果输入至XGBoost预测器中,得到故障诊断结果。
7.一种故障诊断模型的训练系统,其特征在于,包括:
样本获取模块,用于获取离心泵的声振信号样本集;所述训练样本包括离心泵的声振信号集以及与所述声振信号集对应的故障分类标签集;
去噪模块,用于对所述声振信号集进行小波包阈值去噪,获得去噪信号集;
特征提取模块,用于对所述去噪信号集进行特征提取,获得特征矩阵;
分类模块,利用离心泵诊断模型对所述特征矩阵进行分类,输出当前故障分类结果;
模型更新模块,用于新扩展一层所述改进级联森林模块的级联层,并输出更新的故障分类结果;
控制训练模块,用于根据所述当前故障类别结果、更新的故障分类结果和所述故障分类标签集判断是否满足预定训练条件;若满足预定训练条件,则结束所述故障诊断模型的训练;否则,所述模型更新模块和所述控制训练模块将依次继续循环工作。
8.一种离心泵故障诊断系统,其特征在于,包括:
信号采集模块,用于采集离心泵的声振信号,所述声振信号包括振动信号以及声辐射信号;
信号预处理模块,用于对采集的所述声振信号进行去噪,获得去噪信号;
故障诊断模块,包括权利要求1-5任一项所述方法训练获得的离心泵诊断模型,用于接收所述去噪信号,并通过XGBoost预测器输出故障诊断结果。
9.一种离心泵故障诊断装置,其特征在于,包括:存储器和处理器,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行如权利要求1-5任一项所述方法的步骤,或所述计算机可读程序被处理器调用时,能执行如权利要求6所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-5中所述方法的步骤,或当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求6中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596379.6A CN116578843A (zh) | 2023-05-22 | 2023-05-22 | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596379.6A CN116578843A (zh) | 2023-05-22 | 2023-05-22 | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578843A true CN116578843A (zh) | 2023-08-11 |
Family
ID=87541111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310596379.6A Pending CN116578843A (zh) | 2023-05-22 | 2023-05-22 | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578843A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
CN117807893A (zh) * | 2024-02-26 | 2024-04-02 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
-
2023
- 2023-05-22 CN CN202310596379.6A patent/CN116578843A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
CN117033912B (zh) * | 2023-10-07 | 2024-02-13 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
CN117807893A (zh) * | 2024-02-26 | 2024-04-02 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
CN117807893B (zh) * | 2024-02-26 | 2024-05-03 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11531889B2 (en) | Weight data storage method and neural network processor based on the method | |
CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN110261080A (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
CN114861880B (zh) | 基于空洞卷积神经网络的工业设备故障预测方法及装置 | |
CN111080168B (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 | |
CN114581261A (zh) | 基于快速图计算的故障诊断方法、系统、设备及存储介质 | |
Tian et al. | Bearing diagnostics: A method based on differential geometry | |
CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
CN114441174A (zh) | 滚动轴承复合故障的诊断方法、系统、设备及介质 | |
CN111027678B (zh) | 一种数据迁移方法及装置 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN114152454A (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
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 |