CN116992226A - 一种水泵电机故障检测方法、系统 - Google Patents
一种水泵电机故障检测方法、系统 Download PDFInfo
- Publication number
- CN116992226A CN116992226A CN202310722092.3A CN202310722092A CN116992226A CN 116992226 A CN116992226 A CN 116992226A CN 202310722092 A CN202310722092 A CN 202310722092A CN 116992226 A CN116992226 A CN 116992226A
- Authority
- CN
- China
- Prior art keywords
- water flow
- time sequence
- input vector
- flow velocity
- pump motor
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 388
- 238000001514 detection method Methods 0.000 title claims description 56
- 239000013598 vector Substances 0.000 claims abstract description 193
- 230000004927 fusion Effects 0.000 claims abstract description 142
- 239000011159 matrix material Substances 0.000 claims abstract description 120
- 238000010586 diagram Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 56
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种水泵电机故障检测方法、系统。其首先沿着时间维度对多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,接着,对所述水流多维度时序输入向量和振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,然后,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,最后,将所述优化多模态融合特征矩阵通过分类器以得到用于表示被检测水泵电机是否存在故障的分类结果。这样,可以判断水泵电机是否出现故障。
Description
技术领域
本申请涉及智能化检测领域,且更为具体地,涉及一种水泵电机故障检测方法、系统。
背景技术
随着科技的发展,我国的泵业进入了新的发展阶段,水泵是机械设备行业通用设备,普遍应用于工业生产领域和城市建设领域。水泵在长期使用过程中,由于各种原因,水泵电机很可能会出现各种故障,如轴承磨损、转子不平衡、电缆接头老化、绕组断路等。及时准确地检测出这些故障,对保障生产安全,降低事故风险,以及节约维修成本具有重要意义。
目前,传统的水泵电机故障检测方法通常在水泵电机上安装一个振动传感器,通过实时获取振动传感器的波形图来判断当前电机是否存在故障。然而,通过单一条件判断水泵电机是否存在故障具有局限性,会导致结果的精准度不高。例如当振动传感器检测出水泵电机出现故障时,但水流量并未出现异常,此时不能判断水泵电机出现故障。
因此,期望一种优化的水泵电机故障检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种水泵电机故障检测方法、系统。其首先沿着时间维度对多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,接着,对所述水流多维度时序输入向量和振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,然后,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,最后,将所述优化多模态融合特征矩阵通过分类器以得到用于表示被检测水泵电机是否存在故障的分类结果。这样,可以判断水泵电机是否出现故障。
根据本申请的一个方面,提供了一种水泵电机故障检测方法,其包括:
获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;
沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;
对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;
对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及
将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
在上述的水泵电机故障检测方法中,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,包括:
将所述多个预定时间点的水流流速值按照时间维度排列为水流流速时序输入向量;
计算所述水流流速时序输入向量中相邻两个位置的水流流速值之间的差值以得到水流流速变化时序输入向量;以及
将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量。
在上述的水泵电机故障检测方法中,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量,包括:
以如下级联公式将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量;
其中,所述级联公式为:
其中,和分别表示所述水流流速时序输入向量和所述水流流速变化时序输入
向量,表示级联函数,表示所述水流多维度时序输入向量。
在上述的水泵电机故障检测方法中,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,包括:
将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵。
在上述的水泵电机故障检测方法中,所述序列编码器包括第一卷积层、第二卷积层和与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述的水泵电机故障检测方法中,所述图像编码器为作为过滤器的卷积神经网络模型。
在上述的水泵电机故障检测方法中,将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵,包括:
将所述水流多维度时序输入向量输入所述序列编码器以得到水流多维度时序特征向量;
将所述振动信号的波形图输入所述图像编码器以得到振动波形特征向量;以及
融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵。
在上述的水泵电机故障检测方法中,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵,包括:
以如下融合公式融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵;
其中,所述融合公式为:
其中,表示所述水流多维度时序特征向量,表示所述水流多维度时序特征向
量的转置向量,表示所述振动波形特征向量,表示所述多模态融合特征矩阵,表示向
量相乘。
在上述的水泵电机故障检测方法中,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,包括:
以如下优化公式对所述多模态融合特征矩阵进行特征分布后验优化以得到所述优化多模态融合特征矩阵;
其中,所述优化公式为:
其中,为所述优化多模态融合特征矩阵的每个位置的特征值,和为邻域设
置超参数,且当或者小于等于零或者大于所述多模态融合特征矩阵的宽度或者高度时,
特征值可以设置为零或者一,表示以2为底的对数函数。
根据本申请的另一个方面,提供了一种水泵电机故障检测系统,其包括:
数据采集模块,用于获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;
输入向量排列模块,用于沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;
跨模态编码模块,用于对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;
特征分布后验优化模块,用于对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及
分类模块,用于将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
与现有技术相比,本申请提供的水泵电机故障检测方法及其系统,其首先沿着时间维度对多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,接着,对所述水流多维度时序输入向量和振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,然后,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,最后,将所述优化多模态融合特征矩阵通过分类器以得到用于表示被检测水泵电机是否存在故障的分类结果。这样,可以判断水泵电机是否出现故障。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的水泵电机故障检测方法的应用场景图。
图2为根据本申请实施例的水泵电机故障检测方法的流程图。
图3为根据本申请实施例的水泵电机故障检测方法的架构示意图。
图4为根据本申请实施例的水泵电机故障检测方法的子步骤S120的流程图。
图5为根据本申请实施例的水泵电机故障检测方法的子步骤S130的流程图。
图6为根据本申请实施例的水泵电机故障检测系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,传统的水泵电机故障检测方法通常在水泵电机上安装一个振动传感器,通过实时获取振动传感器的波形图来判断当前电机是否存在故障。然而,通过单一条件判断水泵电机是否存在故障具有局限性,会导致结果的精准度不高。例如当振动传感器检测出水泵电机出现故障时,但水流量并未出现异常,此时不能判断水泵电机出现故障。因此,期望一种优化的水泵电机故障检测方案。
相应地,考虑到在实际进行水泵电机的故障检测过程中,若水泵电机存在故障时,则该水泵电机的振动频率和幅度往往会发生变化,同时,水流流速也会受到影响。因此,在本申请的技术方案中,期望基于对水泵电机的振动信号和水流流速值进行时序分析来完成水泵电机的故障检测,以此来提高故障诊断的准确度和效率。并且,还考虑到由于所述水泵电机的振动信号为时域连续信号,而所述水流流速值为离散信号,因此如何进行这两者在时间维度上的时序特征信息的关联融合尤为关键。但是,由于水泵电机的振动信号波形图中存在有大量的无用干扰信息,而所述水流流速值在时序上的变化又较为微弱,为小尺度的变化特征信息,难以进行充分地捕捉。因此,在此过程中,难点在于如何进行所述水泵电机的振动信号波形图中关于振动的隐含特征分布信息和所述水流流速值的时序变化特征信息的充分表达,以此基于该水流流速值的时序变化特征来对所述水泵电机的振动隐含特征进行编码优化,从而有利于及时准确地发现水泵电机在工作过程中的异常信息,以便于进行水泵电机的故障检测,保证水泵电机的正常工作。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述水泵电机的振动信号波形图中关于振动的隐含特征分布信息和所述水流流速值的时序变化特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过振动传感器采集被检测水泵电机在预定时间段的振动信号,以及通过水流流速传感器采集所述预定时间段内多个预定时间点的水流流速值。接着,考虑到由于所述水流流速值在时间维度上具有着动态性的变化规律,而所述水流流速值为时序的离散信号,因此,在特征提取前需要进一步沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量。具体来说,为了能够对于所述水流流速值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,首先,需要将所述多个预定时间点的水流流速值按照时间维度排列为水流流速时序输入向量,以此来整合所述水流流速值在时序上的分布信息。
然后,考虑到由于所述水流流速值在时序上的变化信息是微弱的,这种微弱的变化信息相对于所述水流流速值来说为小尺度的变化信息,若以所述水流流速值绝对量变化数据来进行所述水流流速值的时序动态变化特征提取不仅会使得计算量较大造成过拟合,而且还会使得所述水流流速值在时间维度上的小尺度微弱变化特征难以被察觉,进而影响后续分类的精准度。
基于此,在本申请的技术方案中,采用所述水流流速值的时序相对变化特征和绝对变化特征来综合进行所述水流流速值的时序动态特征提取。具体地,首先,计算所述水流流速时序输入向量中相邻两个位置的水流流速值之间的差值以得到水流流速变化时序输入向量。接着,考虑到由于所述水流流速值的时序相对变化特征与时序绝对变化特征间具有着关于所述水流流速的动态变化关联关系。因此,为了充分地探究所述水流流速值在时间维度上的动态变化规律,以准确地进行水泵电机的故障检测,在本申请的技术方案中,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量。
进一步地,在实际进行水泵电机的故障检测过程中,若水泵电机存在故障时,则该水泵电机的振动频率和幅度往往会发生变化,同时水流流速也会受到影响。因此,可以通过对所述水泵电机的振动信号时序特征和所述水流流速的时序变化特征分别进行分析,以此来进行该水泵电机的工作状态评估。特别地,考虑到由于所述水泵电机的振动信号和所述水流流速值易受到外界环境因素的干扰而出现异常变化,因此,为了能够进一步提高对于所述水泵电机的故障检测精准度,在本申请的技术方案中,期望利用所述水流流速的时序变化特征信息来对所述水泵电机的振动信号时序特征信息进行编码优化,以此来对于该水泵电机的工作状态进行更精准地监测评估,从而发现潜在故障隐患并及时处理。
具体地,将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型,以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到所述多模态融合特征矩阵。特别地,这里,所述波形图像编码器使用作为过滤器的卷积神经网络模型来进行所述振动信号的波形图的特征挖掘,以提取出所述振动信号的波形图中关于水泵电机的工作振动隐含特征分布信息,从而得到振动波形特征向量。并且,由于所述水流流速值在时间维度上的波动性和不确定,导致其在不同时间周期跨度下呈现出不同的变化规律。因此,这里,所述序列编码器包括第一卷积层、第二卷积层和与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。值得一提的是,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核,以此来提取出所述水流流速值在不同时间跨度下的多尺度时序动态变化特征信息。
继而,再基于所述CLIP模型的联合编码模块来融合所述水流多维度时序特征向量和所述振动波形特征向量,以此基于所述水流流速的时序多尺度动态变化特征信息来对所述振动信号波形图的时序隐含特征分布信息进行图像属性的编码优化,以得到所述多模态融合特征矩阵。
然后,将所述多模态融合特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示被检测水泵电机是否存在故障的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括被检测水泵电机存在故障(第一标签),以及,被检测水泵电机没有存在故障(第二标签),其中,所述分类器通过软最大值函数来确定所述优化多模态融合特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被检测水泵电机是否存在故障”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被检测水泵电机是否存在故障的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被检测水泵电机是否存在故障”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为被检测水泵电机是否存在故障的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来及时准确地进行水泵电机的故障检测,以保证水泵电机的正常工作。
特别地,在本申请的技术方案中,这里,将所述水流多维度时序输入向量和所述振动信号通过包含图像编码器和序列编码器的CLIP模型得到所述多模态融合特征矩阵时,是将所述水流多维度时序输入向量通过序列编码器得到的序列特征向量与所述振动信号的波形图通过图像编码器得到的图像特征向量进行按位置关联以得到所述多模态融合特征矩阵,因此,所述多模态融合特征矩阵的每个行特征向量是所述序列特征向量的相应特征值与所述图像特征向量相乘得到的,因此,所述多模态融合特征矩阵可以看作为各个行特征向量对应的局部特征集合的组合特征集合,且其各个行特征向量的特征分布之间具有沿所述多模态融合特征矩阵的列方向的相互关联的邻域分布关系。
并且,由于所述序列特征向量的各个特征值之间具有所述水流多维度时序输入向量的水流流速绝对值和变化值的时序关联的序列特征分布关系,因此所述多模态融合特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外,还具有对应于所述水流流速的时序关联特征序列分布信息的多源信息关联关系。
由此,为了提升所述多模态融合特征矩阵对于水流流速参数值的时序序列关联特
征与所述振动信号的波形图的局部图像语义关联特征的融合表达效果,对所述多模态融合
特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化,以获得优化后的
特征值,具体表示为:
其中和为邻域设置超参数,且当或者小于等于零或者大于所述多模态融合
特征矩阵的宽度或者高度时,特征值可以设置为零或者一。
这里,所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计,来将所述多模态融合特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合,实现特征局部集合各自的多源验前信息到特征全局集合的有效折合,并通过多源情况下的验前信息分布构建,来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式,以提升所述多模态融合特征矩阵对于水流流速参数值的时序序列关联特征与所述振动信号的波形图的局部图像语义关联特征的融合表达效果,从而提升其通过分类器得到的分类结果的准确性。这样,能够及时准确地发现水泵电机在工作过程中的异常情况,以便于进行水泵电机的故障检测,保证水泵电机的正常工作。
图1为根据本申请实施例的水泵电机故障检测方法的应用场景图。如图1所示,在该应用场景中,首先,获取由振动传感器(例如,图1中所示意的C)采集的被检测水泵电机在预定时间段的振动信号(例如,图1中所示意的D1)以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值(例如,图1中所示意的D2),然后,将所述振动信号的波形图和所述多个预定时间点的水流流速值输入至部署有水泵电机故障检测算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述水泵电机故障检测算法对所述振动信号的波形图和所述多个预定时间点的水流流速值进行处理以得到用于表示被检测水泵电机是否存在故障的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的水泵电机故障检测方法的流程图。如图2所示,根据本申请实施例的水泵电机故障检测方法,包括步骤:S110,获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;S120,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;S130,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;S140,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及,S150,将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
图3为根据本申请实施例的水泵电机故障检测方法的架构示意图。如图3所示,在该网络架构中,首先,获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;接着,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;然后,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;接着,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;最后,将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
更具体地,在步骤S110中,获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值。在实际进行水泵电机的故障检测过程中,若水泵电机存在故障时,则该水泵电机的振动频率和幅度往往会发生变化,同时,水流流速也会受到影响。因此,可以基于对水泵电机的振动信号和水流流速值进行时序分析来完成水泵电机的故障检测,以此来提高故障诊断的准确度和效率。
更具体地,在步骤S120中,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量。由于所述水流流速值在时间维度上具有着动态性的变化规律,而所述水流流速值为时序的离散信号,因此,在特征提取前需要进一步沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量。
进一步地,由于所述水流流速值在时序上的变化信息是微弱的,这种微弱的变化信息相对于所述水流流速值来说为小尺度的变化信息,若以所述水流流速值绝对量变化数据来进行所述水流流速值的时序动态变化特征提取不仅会使得计算量较大造成过拟合,而且还会使得所述水流流速值在时间维度上的小尺度微弱变化特征难以被察觉,进而影响后续分类的精准度。因此,可以采用所述水流流速值的时序相对变化特征和绝对变化特征来综合进行所述水流流速值的时序动态特征提取。
相应地,在一个具体示例中,如图4所示,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,包括:S121,将所述多个预定时间点的水流流速值按照时间维度排列为水流流速时序输入向量;S122,计算所述水流流速时序输入向量中相邻两个位置的水流流速值之间的差值以得到水流流速变化时序输入向量;以及,S123,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量。
相应地,在一个具体示例中,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量,包括:以如下级联公式将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量;其中,所述级联公式为:
其中,和分别表示所述水流流速时序输入向量和所述水流流速变化时序输入
向量,表示级联函数,表示所述水流多维度时序输入向量。
更具体地,在步骤S130中,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵。所述水泵电机的振动信号和所述水流流速值易受到外界环境因素的干扰而出现异常变化,因此,为了能够进一步提高对于所述水泵电机的故障检测精准度,可以利用所述水流流速的时序变化特征信息来对所述水泵电机的振动信号时序特征信息进行编码优化,以此来对于该水泵电机的工作状态进行更精准地监测评估,从而发现潜在故障隐患并及时处理。
相应地,在一个具体示例中,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,包括:将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵。
相应地,在一个具体示例中,所述序列编码器包括第一卷积层、第二卷积层和与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。所述图像编码器为作为过滤器的卷积神经网络模型。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,如图5所示,将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵,包括:S131,将所述水流多维度时序输入向量输入所述序列编码器以得到水流多维度时序特征向量;S132,将所述振动信号的波形图输入所述图像编码器以得到振动波形特征向量;以及,S133,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵。
相应地,在一个具体示例中,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵,包括:以如下融合公式融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵;其中,所述融合公式为:
其中,表示所述水流多维度时序特征向量,表示所述水流多维度时序特征向
量的转置向量,表示所述振动波形特征向量,表示所述多模态融合特征矩阵,表示向
量相乘。
更具体地,在步骤S140中,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵。由于所述序列特征向量的各个特征值之间具有所述水流多维度时序输入向量的水流流速绝对值和变化值的时序关联的序列特征分布关系,因此所述多模态融合特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外,还具有对应于所述水流流速的时序关联特征序列分布信息的多源信息关联关系。为了提升所述多模态融合特征矩阵对于水流流速参数值的时序序列关联特征与所述振动信号的波形图的局部图像语义关联特征的融合表达效果,对所述多模态融合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化。
相应地,在一个具体示例中,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,包括:以如下优化公式对所述多模态融合特征矩阵进行特征分布后验优化以得到所述优化多模态融合特征矩阵;其中,所述优化公式为:
其中,为所述优化多模态融合特征矩阵的每个位置的特征值,和为邻域设
置超参数,且当或者小于等于零或者大于所述多模态融合特征矩阵的宽度或者高度时,
特征值可以设置为零或者一,表示以2为底的对数函数。
所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计,来将所述多模态融合特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合,实现特征局部集合各自的多源验前信息到特征全局集合的有效折合,并通过多源情况下的验前信息分布构建,来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式,以提升所述多模态融合特征矩阵对于水流流速参数值的时序序列关联特征与所述振动信号的波形图的局部图像语义关联特征的融合表达效果,从而提升其通过分类器得到的分类结果的准确性。
更具体地,在步骤S150中,将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。在得到所述分类结果后,可基于所述分类结果来及时准确地进行水泵电机的故障检测,以保证水泵电机的正常工作。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的水泵电机故障检测方法,其首先沿着时间维度对多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,接着,对所述水流多维度时序输入向量和振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,然后,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,最后,将所述优化多模态融合特征矩阵通过分类器以得到用于表示被检测水泵电机是否存在故障的分类结果。这样,可以判断水泵电机是否出现故障。
进一步地,本申请的技术方案,还提供一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行前述任一项所述的水泵电机故障检测方法。
图6为根据本申请实施例的水泵电机故障检测系统100的框图。如图6所示,根据本申请实施例的水泵电机故障检测系统100,包括:数据采集模块110,用于获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;输入向量排列模块120,用于沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;跨模态编码模块130,用于对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;特征分布后验优化模块140,用于对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及,分类模块150,用于将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
在一个示例中,在上述水泵电机故障检测系统100中,所述输入向量排列模块120,用于:将所述多个预定时间点的水流流速值按照时间维度排列为水流流速时序输入向量;计算所述水流流速时序输入向量中相邻两个位置的水流流速值之间的差值以得到水流流速变化时序输入向量;以及,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量。
在一个示例中,在上述水泵电机故障检测系统100中,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量,包括:以如下级联公式将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量;其中,所述级联公式为:
其中,和分别表示所述水流流速时序输入向量和所述水流流速变化时序输入
向量,表示级联函数,表示所述水流多维度时序输入向量。
在一个示例中,在上述水泵电机故障检测系统100中,所述跨模态编码模块130,用于:将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵。
在一个示例中,在上述水泵电机故障检测系统100中,所述序列编码器包括第一卷积层、第二卷积层和与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。所述图像编码器为作为过滤器的卷积神经网络模型。
在一个示例中,在上述水泵电机故障检测系统100中,将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵,包括:将所述水流多维度时序输入向量输入所述序列编码器以得到水流多维度时序特征向量;将所述振动信号的波形图输入所述图像编码器以得到振动波形特征向量;以及,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵。
在一个示例中,在上述水泵电机故障检测系统100中,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵,包括:以如下融合公式融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵;其中,所述融合公式为:
其中,表示所述水流多维度时序特征向量,表示所述水流多维度时序特征向
量的转置向量,表示所述振动波形特征向量,表示所述多模态融合特征矩阵,表示向
量相乘。
在一个示例中,在上述水泵电机故障检测系统100中,所述特征分布后验优化模块140,用于:以如下优化公式对所述多模态融合特征矩阵进行特征分布后验优化以得到所述优化多模态融合特征矩阵;其中,所述优化公式为:
其中,为所述优化多模态融合特征矩阵的每个位置的特征值,和为邻域设
置超参数,且当或者小于等于零或者大于所述多模态融合特征矩阵的宽度或者高度时,
特征值可以设置为零或者一,表示以2为底的对数函数。
这里,本领域技术人员可以理解,上述水泵电机故障检测系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的水泵电机故障检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的水泵电机故障检测系统100可以实现在各种无线终端中,例如具有水泵电机故障检测算法的服务器等。在一个示例中,根据本申请实施例的水泵电机故障检测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该水泵电机故障检测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该水泵电机故障检测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该水泵电机故障检测系统100与该无线终端也可以是分立的设备,并且该水泵电机故障检测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种水泵电机故障检测方法,其特征在于,包括:
获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;
沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;
对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;
对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及
将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
2.根据权利要求1所述的水泵电机故障检测方法,其特征在于,沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量,包括:
将所述多个预定时间点的水流流速值按照时间维度排列为水流流速时序输入向量;
计算所述水流流速时序输入向量中相邻两个位置的水流流速值之间的差值以得到水流流速变化时序输入向量;以及
将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量。
3.根据权利要求2所述的水泵电机故障检测方法,其特征在于,将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量,包括:
以如下级联公式将所述水流流速时序输入向量和所述水流流速变化时序输入向量进行级联以得到所述水流多维度时序输入向量;
其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1和V2分别表示所述水流流速时序输入向量和所述水流流速变化时序输入向量,Concat[·]表示级联函数,Vc表示所述水流多维度时序输入向量。
4.根据权利要求3所述的水泵电机故障检测方法,其特征在于,对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵,包括:
将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵。
5.根据权利要求4所述的水泵电机故障检测方法,其特征在于,所述序列编码器包括第一卷积层、第二卷积层和与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
6.根据权利要求5所述的水泵电机故障检测方法,其特征在于,所述图像编码器为作为过滤器的卷积神经网络模型。
7.根据权利要求6所述的水泵电机故障检测方法,其特征在于,将所述水流多维度时序输入向量和所述振动信号的波形图输入包含图像编码器和序列编码器的CLIP模型以通过所述包含图像编码器和序列编码器的CLIP模型对所述水流多维度时序输入向量和所述振动信号的波形图进行行跨模态编码以得到所述多模态融合特征矩阵,包括:
将所述水流多维度时序输入向量输入所述序列编码器以得到水流多维度时序特征向量;
将所述振动信号的波形图输入所述图像编码器以得到振动波形特征向量;以及
融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵。
8.根据权利要求7所述的水泵电机故障检测方法,其特征在于,融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵,包括:
以如下融合公式融合所述水流多维度时序特征向量和所述振动波形特征向量以得到所述多模态融合特征矩阵;
其中,所述融合公式为:
其中,Va表示所述水流多维度时序特征向量,表示所述水流多维度时序特征向量的转置向量,Vb表示所述振动波形特征向量,M表示所述多模态融合特征矩阵,/>表示向量相乘。
9.根据权利要求8所述的水泵电机故障检测方法,其特征在于,对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵,包括:
以如下优化公式对所述多模态融合特征矩阵进行特征分布后验优化以得到所述优化多模态融合特征矩阵;
其中,所述优化公式为:
其中,mi,j′为所述优化多模态融合特征矩阵的每个位置的特征值,m和n为邻域设置超参数,且当k或者j小于等于零或者大于所述多模态融合特征矩阵的宽度或者高度时,特征值mk,l可以设置为零或者一,log表示以2为底的对数函数。
10.一种水泵电机故障检测系统,其特征在于,包括:
数据采集模块,用于获取由振动传感器采集的被检测水泵电机在预定时间段的振动信号以及由水流流速传感器采集的所述预定时间段内多个预定时间点的水流流速值;
输入向量排列模块,用于沿着时间维度对所述多个预定时间点的水流流速值进行处理以得到水流多维度时序输入向量;
跨模态编码模块,用于对所述水流多维度时序输入向量和所述振动信号的波形图进行跨模态编码以得到多模态融合特征矩阵;
特征分布后验优化模块,用于对所述多模态融合特征矩阵进行特征分布后验优化以得到优化多模态融合特征矩阵;以及
分类模块,用于将所述优化多模态融合特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被检测水泵电机是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722092.3A CN116992226A (zh) | 2023-06-16 | 2023-06-16 | 一种水泵电机故障检测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722092.3A CN116992226A (zh) | 2023-06-16 | 2023-06-16 | 一种水泵电机故障检测方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116992226A true CN116992226A (zh) | 2023-11-03 |
Family
ID=88520260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310722092.3A Pending CN116992226A (zh) | 2023-06-16 | 2023-06-16 | 一种水泵电机故障检测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992226A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117494056A (zh) * | 2023-12-29 | 2024-02-02 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117520993A (zh) * | 2023-12-29 | 2024-02-06 | 杭州杭叉桥箱有限公司 | 电驱动桥试验系统及其方法 |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
CN115906000A (zh) * | 2022-11-22 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于多传感器融合的挖掘大块检测方法及其系统 |
CN116123349A (zh) * | 2022-12-20 | 2023-05-16 | 浙江电泰阀业有限公司 | 智能上装式轴流阀 |
CN116146309A (zh) * | 2023-04-23 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶尾气处理系统及其方法 |
-
2023
- 2023-06-16 CN CN202310722092.3A patent/CN116992226A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
CN115906000A (zh) * | 2022-11-22 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于多传感器融合的挖掘大块检测方法及其系统 |
CN116123349A (zh) * | 2022-12-20 | 2023-05-16 | 浙江电泰阀业有限公司 | 智能上装式轴流阀 |
CN116146309A (zh) * | 2023-04-23 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶尾气处理系统及其方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117494056A (zh) * | 2023-12-29 | 2024-02-02 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117520993A (zh) * | 2023-12-29 | 2024-02-06 | 杭州杭叉桥箱有限公司 | 电驱动桥试验系统及其方法 |
CN117520993B (zh) * | 2023-12-29 | 2024-03-08 | 杭州杭叉桥箱有限公司 | 电驱动桥试验系统及其方法 |
CN117494056B (zh) * | 2023-12-29 | 2024-03-22 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Simultaneous bearing fault recognition and remaining useful life prediction using joint-loss convolutional neural network | |
Tang et al. | Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
Hadad et al. | Fault diagnosis and classification based on wavelet transform and neural network | |
CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
Zhao et al. | A robust construction of normalized CNN for online intelligent condition monitoring of rolling bearings considering variable working conditions and sources | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其系统 | |
Wang et al. | Health diagnostics using multi-attribute classification fusion | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN116934304A (zh) | 智能配电房设备运行维护管理系统及其方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
Adam et al. | Multiple faults diagnosis for an industrial robot fuse quality test bench using deep-learning | |
CN116298880A (zh) | 微电机可靠性综合测试系统及其方法 | |
CN116893336A (zh) | 高低压开关设备及其方法 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
Liao et al. | Remaining useful life with self-attention assisted physics-informed neural network | |
CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及系统 | |
Gao et al. | Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis | |
Li et al. | Partial domain adaptation in remaining useful life prediction with incomplete target data | |
Zhang et al. | Spatial-temporal dual-channel adaptive graph convolutional network for remaining useful life prediction with multi-sensor information fusion | |
Mueller | Attention-enhanced conditional-diffusion-based data synthesis for data augmentation in machine fault diagnosis | |
CN116299051B (zh) | 一种过流短路检测电路及检测保护系统 | |
Huang et al. | Frequency Hoyer attention based convolutional neural network for remaining useful life prediction of machinery | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN116597635A (zh) | 无线通讯智能燃气表控制器及其控制方法 |
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 |