CN116658433A - 一种耐颗粒型磁力泵智能检测方法及系统 - Google Patents
一种耐颗粒型磁力泵智能检测方法及系统 Download PDFInfo
- Publication number
- CN116658433A CN116658433A CN202310572703.0A CN202310572703A CN116658433A CN 116658433 A CN116658433 A CN 116658433A CN 202310572703 A CN202310572703 A CN 202310572703A CN 116658433 A CN116658433 A CN 116658433A
- Authority
- CN
- China
- Prior art keywords
- magnetic pump
- operation parameter
- detection
- parameter
- target magnetic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 279
- 239000002245 particle Substances 0.000 title claims abstract description 57
- 238000002955 isolation Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000005299 abrasion Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000012535 impurity Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 23
- 230000004075 alteration Effects 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D13/00—Pumping installations or systems
- F04D13/02—Units comprising pumps and their driving means
- F04D13/06—Units comprising pumps and their driving means the pump being electrically driven
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Magnetic Variables (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种耐颗粒型磁力泵智能检测方法及系统,涉及磁力泵检测领域,其中,该方法包括:采集运行参数集合;分析多种运行参数类别发生变化与目标磁力泵发生故障的关联度,获得多个关联度信息;将运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果;采集所述目标磁力泵内隔离部件的图像信息;将图像信息输入磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;整合第一质量检测结果和第二质量检测结果,获得目标磁力泵的质量检测结果。解决了现有技术中针对耐颗粒型磁力泵的质量检测准确性不足、全面性低,继而造成耐颗粒型磁力泵的质量检测效果不佳的技术问题。
Description
技术领域
本发明涉及磁力泵检测领域,具体地,涉及一种耐颗粒型磁力泵智能检测方法及系统。
背景技术
随着耐颗粒型磁力泵的广泛应用,耐颗粒型磁力泵的质量检测受到人们的广泛关注。现有技术中,存在针对耐颗粒型磁力泵的质量检测准确性不足、全面性低,继而造成耐颗粒型磁力泵的质量检测效果不佳的技术问题。研究设计一种对耐颗粒型磁力泵进行优化质量检测的方法,具有重要的现实意义。
发明内容
本申请提供了一种耐颗粒型磁力泵智能检测方法及系统。解决了现有技术中针对耐颗粒型磁力泵的质量检测准确性不足、全面性低,继而造成耐颗粒型磁力泵的质量检测效果不佳的技术问题。达到了通过对耐颗粒型磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测准确性及全面性,提升耐颗粒型磁力泵的质量检测效果的技术效果。
鉴于上述问题,本申请提供了一种耐颗粒型磁力泵智能检测方法及系统。
第一方面,本申请提供了一种耐颗粒型磁力泵智能检测方法,其中,所述方法应用于一种耐颗粒型磁力泵智能检测系统,所述方法包括:基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
第二方面,本申请还提供了一种耐颗粒型磁力泵智能检测系统,其中,所述系统包括:参数采集模块,所述参数采集模块用于基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;故障关联度分析模块,所述故障关联度分析模块用于根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;第一质量检测模块,所述第一质量检测模块用于将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;图像采集模块,所述图像采集模块用于采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;第二质量检测模块,所述第二质量检测模块用于将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;质量检测结果获得模块,所述质量检测结果获得模块用于整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过检测装置对目标磁力泵进行多种运行参数类别的数据采集,获得运行参数集合;根据目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析多种运行参数类别发生变化与目标磁力泵发生故障的关联度,获得多个关联度信息;将运行参数集合输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果;将目标磁力泵内隔离部件的图像信息输入磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果,结合第二质量检测结果,获得目标磁力泵的质量检测结果。达到了通过对耐颗粒型磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测准确性及全面性,提升耐颗粒型磁力泵的质量检测效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种耐颗粒型磁力泵智能检测方法的流程示意图;
图2为本申请一种耐颗粒型磁力泵智能检测方法中获得运行参数集合的流程示意图;
图3为本申请一种耐颗粒型磁力泵智能检测系统的结构示意图。
附图标记说明:参数采集模块11,故障关联度分析模块12,第一质量检测模块13,图像采集模块14,第二质量检测模块15,质量检测结果获得模块16。
具体实施方式
本申请通过提供一种耐颗粒型磁力泵智能检测方法及系统。解决了现有技术中针对耐颗粒型磁力泵的质量检测准确性不足、全面性低,继而造成耐颗粒型磁力泵的质量检测效果不佳的技术问题。达到了通过对耐颗粒型磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测准确性及全面性,提升耐颗粒型磁力泵的质量检测效果的技术效果。
实施例一
请参阅附图1,本申请提供一种耐颗粒型磁力泵智能检测方法,其中,所述方法应用于一种耐颗粒型磁力泵智能检测系统,所述方法具体包括如下步骤:
步骤S100:基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;
进一步的,如附图2所示,本申请步骤S100还包括:
步骤S110:基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集所述目标磁力泵在当前工况下运行的压力、振动信号、温度、流量;
步骤S120:对所述振动信号进行振动频率、振动峰值和振动方差处理,结合所述压力、温度、流量,获得所述运行参数集合。
具体而言,根据物联网,通过目标磁力泵内预先设置的检测装置,采集目标磁力泵在当前工况下运行的压力、振动信号、温度、流量,并对振动信号进行振动频率、振动峰值和振动方差处理,结合压力、温度、流量,获得运行参数集合。其中,所述目标磁力泵为使用所述一种耐颗粒型磁力泵智能检测系统进行智能化质量检测的任意耐颗粒型磁力泵。所述检测装置包括多种传感器。多种传感器包括压力传感器、振动信号传感器、温度传感器、流量传感器。所述运行参数集合包括目标磁力泵在当前工况下运行的压力、振动信号、温度、流量。振动信号包括振动频率、振动信号幅度的峰值和振动方差。振动方差包括振动幅度对应的方差。达到了确定目标磁力泵在当前工况下的运行参数集合,为后续对目标磁力泵进行质量检测奠定基础的技术效果。
步骤S200:根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;
进一步的,本申请步骤S200还包括:
步骤S210:获取目标磁力泵在当前工况下所述多种运行参数类别的多个运行参数标准范围;
步骤S220:获取所述目标磁力泵在预设历史时间范围内多次发生故障前预设时间点的历史运行参数,获得多个历史运行参数集合;
具体而言,基于多种运行参数类别,获得目标磁力泵的多个运行参数标准范围。基于预设历史时间范围内多次发生故障前预设时间点,采集目标磁力泵的历史运行参数,获得多个历史运行参数集合。其中,每个运行参数标准范围包括预先设置确定的每种运行参数类别对应的目标磁力泵正常运行下的标准参数范围信息。该参数范围信息包括每种运行参数类别对应的最小运行参数标准值、最大运行参数标准值构成的区间信息。
所述预设历史时间范围包括多次发生故障前预设时间点。每次发生故障前预设时间点包括目标磁力泵每次发生故障前的预设历史时间点。示例性地,预设历史时间范围可为过去一个月或一年,预设时间点可为每次故障前的5秒钟。每个历史运行参数集合包括在预设历史时间范围内多次发生故障前预设时间点下,每种运行参数类别对应的多个历史运行参数。
步骤S230:根据所述多个运行参数标准范围和所述多个历史运行参数集合,分析所述多种运行参数类别的运行参数发生变化与所述目标磁力泵发生故障的关联度,获得所述多个关联度信息。
进一步的,本申请步骤S230还包括:
步骤S231:分别计算所述多个历史运行参数集合内历史运行参数超出所述多个运行参数标准范围的比例,获得多个历史参数失常比例参数集合;
步骤S232:分别计算所述多个历史参数失常比例参数集合的均值,获得多个平均参数失常比例参数;
步骤S233:统计所述多个历史运行参数集合内,所述多种运行参数类别超出对应的运行参数标准范围内的次数,获得多个失常次数;
步骤S234:计算所述多个平均参数失常比例参数的倒数,并计算与所述多个失常次数的乘积,获得所述多个关联度信息。
具体而言,基于多个运行参数标准范围,分别对多个历史运行参数集合内历史运行参数超出对应的运行参数标准范围的比例进行计算,获得多个历史参数失常比例参数集合。多个历史参数失常比例参数集合与多个历史运行参数集合具有对应关系。每个历史参数失常比例参数集合包括每个历史运行参数集合对应的多个历史参数失常比例参数。示例性地,在获得多个历史参数失常比例参数集合时,分别将多个历史运行参数集合中的每个历史运行参数输入失常比例评估公式,获得多个历史运行参数集合中的每个历史运行参数对应的每个历史参数失常比例参数。
示例性地,失常比例评估公式包括
其中,f(x)为输出的历史参数失常比例参数,X为输入的历史运行参数,Xa为输入的历史运行参数对应的运行参数标准范围中的最小运行参数标准值,Xb为输入的历史运行参数对应的运行参数标准范围中的最大运行参数标准值。
进一步,遍历多个历史参数失常比例参数集合进行均值计算,获得多个平均参数失常比例参数。每个平均参数失常比例参数包括每个历史参数失常比例参数集合内的多个历史参数失常比例参数对应的平均值。继而,遍历多个历史运行参数集合进行统计,获得多个失常次数。每个失常次数包括每种运行参数类别超出对应的运行参数标准范围内的次数。即,每个失常次数包括每个历史参数失常比例参数集合内非零的历史参数失常比例参数对应的个数。继而,将多个平均参数失常比例参数的倒数与对应的多个失常次数进行乘法计算,获得多个关联度信息。每个关联度信息包括每个平均参数失常比例参数的倒数与对应的失常次数之间的乘积。平均参数失常比例参数越小,失常次数越多,则,对应的运行参数类别的运行参数越容易失常。且,该运行参数类别的运行参数出现较小幅度的失常时,就会导致目标磁力泵故障,所以该运行参数类别与目标磁力泵的故障关联度越大。达到了通过多个运行参数标准范围和多个历史运行参数集合,对多种运行参数类别进行故障关联度分析,获得准确的多个关联度信息,从而提高对目标磁力泵进行质量检测的可靠性的技术效果。
步骤S300:将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;
进一步的,本申请步骤S300还包括:
步骤S310:获取所述多种运行参数类别的多个样本运行参数集合;
步骤S320:分别获取所述多种运行参数类别处于不同具体的运行参数时,所述目标磁力泵的故障概率,获取多个样本故障概率集合;
具体而言,基于多种运行参数类别对目标磁力泵进行样本采集,获得多个样本运行参数集合和多个样本故障概率集合。其中,多个样本运行参数集合与多种运行参数类别具有对应关系。每个样本运行参数集合包括多个样本运行参数。多个样本运行参数包括每种运行参数类别对应的多个历史运行参数信息。每个样本故障概率集合包括每个样本运行参数集合内的多个样本运行参数对应的多个样本故障概率。示例性地,在获得多个样本故障概率时,基于预设历史时间对目标磁力泵进行多次监测数据采集,获得多次监测数据。每次监测数据包括在多种运行参数类别处于不同具体的运行参数时,目标磁力泵是否发生故障的数据。基于多次监测数据,分别计算每个具体的样本运行参数下目标磁力泵出现故障的次数与出该该具体的样本运行参数的监测总次数之间的比值,获得多个样本故障概率。每种运行参数类别的不同样本运行参数对应不同的样本故障概率。
步骤S330:采用所述多个样本运行参数集合和多个样本故障概率集合内的第一样本运行参数集合和第一样本故障概率集合作为构建数据,构建第一运行参数类别对应的第一运行检测分支;
进一步的,本申请步骤S330还包括:
步骤S331:基于BP神经网络,构建所述第一运行检测分支的网络结构;
步骤S332:对所述第一样本运行参数集合和第一样本故障概率集合进行数据标识,作为第一构建数据集;
步骤S333:采用所述第一构建数据集对所述第一运行检测分支进行监督训练、验证和测试,获得符合预设条件的所述第一运行检测分支。
具体而言,基于多种运行参数类别进行随机选择,获得第一运行参数类别,并按照第一运行参数类别对多个样本运行参数集合和多个样本故障概率集合进行匹配,获得第一样本运行参数集合和第一样本故障概率集合。第一运行参数类别为多种运行参数类别中的任意一个。第一样本运行参数集合、第一样本故障概率集合包括多个样本运行参数集合和多个样本故障概率集合中,第一运行参数类别对应的样本运行参数集合、样本故障概率集合。
BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。将BP神经网络作为第一运行检测分支的网络结构。即,第一运行检测分支的网络结构包括输入层、隐含层和输出层。
进一步,将第一样本运行参数集合和第一样本故障概率集合进行数据标识,获得第一构建数据集。将第一构建数据集中随机70%的数据信息划分为训练集,将第一构建数据集中随机20%的数据信息划分为测试集,将第一构建数据集中随机10%的数据信息划分为验证集。基于BP神经网络对训练集进行监督训练,获得第一运行检测分支。将测试集作为输入信息,输入第一运行检测分支,通过测试集对第一运行检测分支进行参数更新。将验证集作为输入信息,输入第一运行检测分支,通过验证集对第一运行检测分支进行验证,获得符合预设条件的第一运行检测分支。其中,所述第一构建数据集包括第一样本运行参数集合和第一样本故障概率集合。所述预设条件包括预先设置确定的第一运行检测分支对应的输出准确率阈值。所述第一运行检测分支包括输入层、隐含层和输出层。第一运行检测分支与第一运行参数类别具有对应关系。所述第一运行检测分支具有对输入的第一运行参数类别的运行参数进行智能化分析及故障概率匹配的功能。达到了通过BP神经网络,构建符合预设条件的第一运行检测分支,从而提高构建的运行检测单元的准确性的技术效果。
步骤S340:继续构建获得所述运行检测单元内的多个运行检测分支,并根据所述多个关联度信息,构建加权计算分支;
步骤S350:将所述运行参数集合内的多个运行参数分别输入所述多个运行检测分支内,获得多个故障概率信息,输入所述加权计算分支内,按照所述多个关联度信息的大小,对所述多个故障概率信息加权计算,获得总故障概率,作为所述第一质量检测结果。
具体而言,基于多种运行参数类别,根据多个样本运行参数集合和多个样本故障概率集合,构建多个运行检测分支。基于多个关联度信息,构建加权计算分支。将多个运行检测分支与加权计算分支进行连接,获得运行检测单元。其中,所述磁力泵检测模型包括运行检测单元。所述运行检测单元包括多个运行检测分支、加权计算分支。多个运行检测分支与多种运行参数类别具有一一对应关系。所述多个运行检测分支包括第一运行检测分支。多个运行检测分支与第一运行检测分支的构建方式相同,为了说明书的简洁,在此不再赘述。所述加权计算分支包括多种运行参数类别对应的多个故障权重值。优选地,将多个关联度信息进行加和,获得总关联度信息。分别将多个关联度信息与总关联度信息进行比值计算,即可获得多个故障权重值。每个故障权重值包括每个关联度信息与总关联度信息之间的比值。
进一步,按照多种运行参数类别,将运行参数集合内的多个运行参数输入对应的运行检测分支内,获得多个故障概率信息。将多个故障概率信息输入加权计算分支内,通过加权计算分支内的多个故障权重值对多个故障概率信息进行加权计算,获得总故障概率,并将总故障概率输出为第一质量检测结果。其中,每个运行检测分支具有对输入的运行参数类别的运行参数进行智能化分析及故障概率匹配的功能。示例性地,在获得总故障概率时,将多个故障概率信息与对应的多个故障权重值进行乘法计算,获得多个加权故障概率信息。将多个加权故障概率信息之和输出为总故障概率。第一质量检测结果包括总故障概率。达到了通过运行检测单元对运行参数集合进行智能化故障概率分析,获得准确的第一质量检测结果,提高耐颗粒型磁力泵的质量检测的准确性的技术效果。
步骤S400:采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;
步骤S500:将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;
进一步的,本申请步骤S500还包括:
步骤S510:获取所述隔离部件的样本图像信息集合,并进行隔离部件磨损情况分析,获得样本磨损分析结果集合;
步骤S520:采用所述样本图像信息集合和所述样本磨损分析结果集合作为构建数据,基于卷积神经网络,构建训练所述隔离检测单元,结合所述运行检测单元,获得所述磁力泵检测模型;
步骤S530:将所述图像信息输入所述隔离检测单元内,获得磨损分析结果,作为所述第二质量检测结果。
步骤S600:整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
具体而言,对目标磁力泵进行隔离部件图像采集,获得图像信息。其中,图像信息包括目标磁力泵的隔离部件对应的图像数据信息。隔离部件为目标磁力泵隔离杂质颗粒的部件。例如,隔离部件包括目标磁力泵的隔离套、泵中体等。
进一步,基于隔离部件进行样本采集,获得样本图像信息集合,并对样本图像信息集合进行隔离部件磨损程度标识,获得样本磨损分析结果集合。继而,将样本图像信息集合和样本磨损分析结果集合作为构建数据。基于卷积神经网络,将构建数据进行不断的自我训练学习至收敛状态,获得隔离检测单元。进而,将图像信息输入隔离检测单元,获得磨损分析结果,并将磨损分析结果作为第二质量检测结果,结合第一质量检测结果,得到目标磁力泵的质量检测结果。其中,所述样本图像信息集合包括多个样本图像信息。多个样本图像信息包括多个样本隔离部件的多个历史图像信息。多个样本隔离部件包括目标磁力泵的隔离部件,以及该隔离部件的多个同类型隔离部件。所述样本磨损分析结果集合包括多个样本图像信息对应的多个样本隔离部件磨损系数。样本隔离部件磨损系数越大,对应的样本隔离部件的磨损程度越严重。所述卷积神经网络是一类包含卷积计算,且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。所述隔离检测单元包括输入层、隐含层、输出层。所述隔离检测单元具有对应的输入的图像信息进行智能化分析及隔离部件磨损系数匹配的功能。所述磁力泵检测模型包括运行检测单元、隔离检测单元。所述磨损分析结果包括图像信息对应的隔离部件磨损系数。所述第二质量检测结果包括磨损分析结果。目标磁力泵的质量检测结果包括第一质量检测结果和第二质量检测结果。达到了通过磁力泵检测模型对目标磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测效果的技术效果。
综上所述,本申请所提供的一种耐颗粒型磁力泵智能检测方法具有如下技术效果:
1.通过检测装置对目标磁力泵进行多种运行参数类别的数据采集,获得运行参数集合;根据目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析多种运行参数类别发生变化与目标磁力泵发生故障的关联度,获得多个关联度信息;将运行参数集合输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果;将目标磁力泵内隔离部件的图像信息输入磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果,结合第二质量检测结果,获得目标磁力泵的质量检测结果。达到了通过对耐颗粒型磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测准确性及全面性,提升耐颗粒型磁力泵的质量检测效果的技术效果。
2.通过多个运行参数标准范围和多个历史运行参数集合,对多种运行参数类别进行故障关联度分析,获得准确的多个关联度信息,从而提高对目标磁力泵进行质量检测的可靠性。
3.通过运行检测单元对运行参数集合进行智能化故障概率分析,获得准确的第一质量检测结果,提高耐颗粒型磁力泵的质量检测的准确性。
实施例二
基于与前述实施例中一种耐颗粒型磁力泵智能检测方法,同样发明构思,本发明还提供了一种耐颗粒型磁力泵智能检测系统,请参阅附图3,所述系统包括:
参数采集模块11,所述参数采集模块11用于基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;
故障关联度分析模块12,所述故障关联度分析模块12用于根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;
第一质量检测模块13,所述第一质量检测模块13用于将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;
图像采集模块14,所述图像采集模块14用于采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;
第二质量检测模块15,所述第二质量检测模块15用于将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;
质量检测结果获得模块16,所述质量检测结果获得模块16用于整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集所述目标磁力泵在当前工况下运行的压力、振动信号、温度、流量;
运行参数集合获得模块,所述运行参数集合获得模块用于对所述振动信号进行振动频率、振动峰值和振动方差处理,结合所述压力、温度、流量,获得所述运行参数集合。
进一步的,所述系统还包括:
标准范围获取模块,所述标准范围获取模块用于获取目标磁力泵在当前工况下所述多种运行参数类别的多个运行参数标准范围;
历史运行参数获取模块,所述历史运行参数获取模块用于获取所述目标磁力泵在预设历史时间范围内多次发生故障前预设时间点的历史运行参数,获得多个历史运行参数集合;
关联度信息确定模块,所述关联度信息确定模块用于根据所述多个运行参数标准范围和所述多个历史运行参数集合,分析所述多种运行参数类别的运行参数发生变化与所述目标磁力泵发生故障的关联度,获得所述多个关联度信息。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于分别计算所述多个历史运行参数集合内历史运行参数超出所述多个运行参数标准范围的比例,获得多个历史参数失常比例参数集合;
平均参数失常比例参数计算模块,所述平均参数失常比例参数计算模块用于分别计算所述多个历史参数失常比例参数集合的均值,获得多个平均参数失常比例参数;
失常次数统计模块,所述失常次数统计模块用于统计所述多个历史运行参数集合内,所述多种运行参数类别超出对应的运行参数标准范围内的次数,获得多个失常次数;
第三执行模块,所述第三执行模块用于计算所述多个平均参数失常比例参数的倒数,并计算与所述多个失常次数的乘积,获得所述多个关联度信息。
进一步的,所述系统还包括:
样本运行参数获取模块,所述样本运行参数获取模块用于获取所述多种运行参数类别的多个样本运行参数集合;
故障概率获取模块,所述故障概率获取模块用于分别获取所述多种运行参数类别处于不同具体的运行参数时,所述目标磁力泵的故障概率,获取多个样本故障概率集合;
第四执行模块,所述第四执行模块用于采用所述多个样本运行参数集合和多个样本故障概率集合内的第一样本运行参数集合和第一样本故障概率集合作为构建数据,构建第一运行参数类别对应的第一运行检测分支;
加权计算分支获得模块,所述加权计算分支获得模块用于继续构建获得所述运行检测单元内的多个运行检测分支,并根据所述多个关联度信息,构建加权计算分支;
第五执行模块,所述第五执行模块用于将所述运行参数集合内的多个运行参数分别输入所述多个运行检测分支内,获得多个故障概率信息,输入所述加权计算分支内,按照所述多个关联度信息的大小,对所述多个故障概率信息加权计算,获得总故障概率,作为所述第一质量检测结果。
进一步的,所述系统还包括:
网络结构构建模块,所述网络结构构建模块用于基于BP神经网络,构建所述第一运行检测分支的网络结构;
数据标识模块,所述数据标识模块用于对所述第一样本运行参数集合和第一样本故障概率集合进行数据标识,作为第一构建数据集;
第六执行模块,所述第六执行模块用于采用所述第一构建数据集对所述第一运行检测分支进行监督训练、验证和测试,获得符合预设条件的所述第一运行检测分支。
进一步的,所述系统还包括:
样本磨损分析模块,所述样本磨损分析模块用于获取所述隔离部件的样本图像信息集合,并进行隔离部件磨损情况分析,获得样本磨损分析结果集合;
第七执行模块,所述第七执行模块用于采用所述样本图像信息集合和所述样本磨损分析结果集合作为构建数据,基于卷积神经网络,构建训练所述隔离检测单元,结合所述运行检测单元,获得所述磁力泵检测模型;
第二质量检测结果输出模块,所述第二质量检测结果输出模块用于将所述图像信息输入所述隔离检测单元内,获得磨损分析结果,作为所述第二质量检测结果。
本发明实施例所提供的一种耐颗粒型磁力泵智能检测系统可执行本发明任意实施例所提供的一种耐颗粒型磁力泵智能检测方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种耐颗粒型磁力泵智能检测方法,其中,所述方法应用于一种耐颗粒型磁力泵智能检测系统,所述方法包括:通过检测装置对目标磁力泵进行多种运行参数类别的数据采集,获得运行参数集合;根据目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析多种运行参数类别发生变化与目标磁力泵发生故障的关联度,获得多个关联度信息;将运行参数集合输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果;将目标磁力泵内隔离部件的图像信息输入磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果,结合第二质量检测结果,获得目标磁力泵的质量检测结果。解决了现有技术中针对耐颗粒型磁力泵的质量检测准确性不足、全面性低,继而造成耐颗粒型磁力泵的质量检测效果不佳的技术问题。达到了通过对耐颗粒型磁力泵进行多维质量分析,提高耐颗粒型磁力泵的质量检测准确性及全面性,提升耐颗粒型磁力泵的质量检测效果的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种耐颗粒型磁力泵智能检测方法,其特征在于,所述方法包括:
基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;
根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;
将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;
采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;
将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;
整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
2.根据权利要求1所述的方法,其特征在于,基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,包括:
基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集所述目标磁力泵在当前工况下运行的压力、振动信号、温度、流量;
对所述振动信号进行振动频率、振动峰值和振动方差处理,结合所述压力、温度、流量,获得所述运行参数集合。
3.根据权利要求1所述的方法,其特征在于,根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,包括:
获取目标磁力泵在当前工况下所述多种运行参数类别的多个运行参数标准范围;
获取所述目标磁力泵在预设历史时间范围内多次发生故障前预设时间点的历史运行参数,获得多个历史运行参数集合;
根据所述多个运行参数标准范围和所述多个历史运行参数集合,分析所述多种运行参数类别的运行参数发生变化与所述目标磁力泵发生故障的关联度,获得所述多个关联度信息。
4.根据权利要求3所述的方法,其特征在于,根据所述多个运行参数标准范围和所述多个历史运行参数集合,分析所述多种运行参数类别的运行参数发生变化与所述目标磁力泵发生故障的关联度,获得所述多个关联度信息,包括:
分别计算所述多个历史运行参数集合内历史运行参数超出所述多个运行参数标准范围的比例,获得多个历史参数失常比例参数集合;
分别计算所述多个历史参数失常比例参数集合的均值,获得多个平均参数失常比例参数;
统计所述多个历史运行参数集合内,所述多种运行参数类别超出对应的运行参数标准范围内的次数,获得多个失常次数;
计算所述多个平均参数失常比例参数的倒数,并计算与所述多个失常次数的乘积,获得所述多个关联度信息。
5.根据权利要求1所述的方法,其特征在于,将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,包括:
获取所述多种运行参数类别的多个样本运行参数集合;
分别获取所述多种运行参数类别处于不同具体的运行参数时,所述目标磁力泵的故障概率,获取多个样本故障概率集合;
采用所述多个样本运行参数集合和多个样本故障概率集合内的第一样本运行参数集合和第一样本故障概率集合作为构建数据,构建第一运行参数类别对应的第一运行检测分支;
继续构建获得所述运行检测单元内的多个运行检测分支,并根据所述多个关联度信息,构建加权计算分支;
将所述运行参数集合内的多个运行参数分别输入所述多个运行检测分支内,获得多个故障概率信息,输入所述加权计算分支内,按照所述多个关联度信息的大小,对所述多个故障概率信息加权计算,获得总故障概率,作为所述第一质量检测结果。
6.根据权利要求5所述的方法,其特征在于,采用所述多个样本运行参数集合和多个样本故障概率集合内的第一样本运行参数集合和第一样本故障概率集合作为构建数据,构建第一运行参数类别对应的第一运行检测分支,包括:
基于BP神经网络,构建所述第一运行检测分支的网络结构;
对所述第一样本运行参数集合和第一样本故障概率集合进行数据标识,作为第一构建数据集;
采用所述第一构建数据集对所述第一运行检测分支进行监督训练、验证和测试,获得符合预设条件的所述第一运行检测分支。
7.根据权利要求1所述的方法,其特征在于,将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果,包括:
获取所述隔离部件的样本图像信息集合,并进行隔离部件磨损情况分析,获得样本磨损分析结果集合;
采用所述样本图像信息集合和所述样本磨损分析结果集合作为构建数据,基于卷积神经网络,构建训练所述隔离检测单元,结合所述运行检测单元,获得所述磁力泵检测模型;
将所述图像信息输入所述隔离检测单元内,获得磨损分析结果,作为所述第二质量检测结果。
8.一种耐颗粒型磁力泵智能检测系统,其特征在于,所述系统用于执行权利要求1至7中任一项所述的方法,所述系统包括:
参数采集模块,所述参数采集模块用于基于物联网,通过待进行检测的目标磁力泵内预先设置的检测装置,采集包括多种运行参数类别的运行参数集合,其中,所述检测装置包括多种传感器,所述多种运行参数类别包括压力、振动信号、温度、流量;
故障关联度分析模块,所述故障关联度分析模块用于根据所述目标磁力泵在预设历史时间范围内发生故障前预设时间点的历史运行参数,分析所述多种运行参数类别发生变化与所述目标磁力泵发生故障的关联度,获得多个关联度信息;
第一质量检测模块,所述第一质量检测模块用于将所述运行参数集合内的多个运行参数输入磁力泵检测模型内的运行检测单元内,获得第一质量检测结果,其中,所述运行检测单元基于所述多个关联度信息进行构建;
图像采集模块,所述图像采集模块用于采集所述目标磁力泵内隔离部件的图像信息,其中,所述隔离部件为隔离杂质颗粒的部件;
第二质量检测模块,所述第二质量检测模块用于将所述图像信息输入所述磁力泵检测模型内的隔离检测单元内,获得第二质量检测结果;
质量检测结果获得模块,所述质量检测结果获得模块用于整合所述第一质量检测结果和所述第二质量检测结果,获得所述目标磁力泵的质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572703.0A CN116658433A (zh) | 2023-05-22 | 2023-05-22 | 一种耐颗粒型磁力泵智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572703.0A CN116658433A (zh) | 2023-05-22 | 2023-05-22 | 一种耐颗粒型磁力泵智能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116658433A true CN116658433A (zh) | 2023-08-29 |
Family
ID=87714606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572703.0A Pending CN116658433A (zh) | 2023-05-22 | 2023-05-22 | 一种耐颗粒型磁力泵智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116658433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117536891A (zh) * | 2023-12-25 | 2024-02-09 | 犇流泵业科技(嘉兴)股份有限公司 | 一种磁悬浮式磁力驱动离心泵的参数优化方法及系统 |
-
2023
- 2023-05-22 CN CN202310572703.0A patent/CN116658433A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117536891A (zh) * | 2023-12-25 | 2024-02-09 | 犇流泵业科技(嘉兴)股份有限公司 | 一种磁悬浮式磁力驱动离心泵的参数优化方法及系统 |
CN117536891B (zh) * | 2023-12-25 | 2024-04-09 | 犇流泵业科技(嘉兴)股份有限公司 | 一种磁悬浮式磁力驱动离心泵的参数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103923A4 (en) | Fault diagnosis method and system for gear bearing based on multi-source information fusion | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
CN116738333B (zh) | 一种飞行器小样本朴素贝叶斯的电信号多分类及预测方法 | |
CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN112949714A (zh) | 一种基于随机森林的故障可能性预估方法 | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN113984389B (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
CN114662613A (zh) | 基于弹性时间序列相似度网络的异常电池检测系统和方法 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
Zhou et al. | Detecting Errors in Numerical Data via any Regression Model | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
Yin et al. | Sensor selection and location scheme for prognostic and health management | |
CN112881017A (zh) | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 | |
CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 |
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 |