CN117436011A - 一种机泵设备故障预测方法、存储介质及电子设备 - Google Patents

一种机泵设备故障预测方法、存储介质及电子设备 Download PDF

Info

Publication number
CN117436011A
CN117436011A CN202311729959.4A CN202311729959A CN117436011A CN 117436011 A CN117436011 A CN 117436011A CN 202311729959 A CN202311729959 A CN 202311729959A CN 117436011 A CN117436011 A CN 117436011A
Authority
CN
China
Prior art keywords
fault
pump equipment
training
model
class
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
CN202311729959.4A
Other languages
English (en)
Inventor
刘云刚
刘云川
甘乐天
钟婉霞
周伟
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.)
Chongqing Hongbao Technology Co ltd
Sichuan Hongbaorunye Engineering Technology Co ltd
Original Assignee
Chongqing Hongbao Technology Co ltd
Sichuan Hongbaorunye Engineering Technology Co ltd
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 Chongqing Hongbao Technology Co ltd, Sichuan Hongbaorunye Engineering Technology Co ltd filed Critical Chongqing Hongbao Technology Co ltd
Priority to CN202311729959.4A priority Critical patent/CN117436011A/zh
Publication of CN117436011A publication Critical patent/CN117436011A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/2431—Multiple classes
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本公开揭示了一种机泵设备故障预测方法、存储介质及电子设备，所述方法包括：S100：采集待测机泵设备的振动信号及温度信号；S200：对所采集的振动信号及温度信号进行标准化处理；S300：构建机泵设备故障预测模型并进行训练；S400：将标准化处理后的振动信号及温度信号输入训练好的机泵设备故障预测模型，以实现对待测机泵设备的故障预测。本公开通过对机泵设备产生故障的参数数据进行有针对性的局部自适应综合采样，能够对机泵设备故障进行早期预警。

Description

一种机泵设备故障预测方法、存储介质及电子设备
技术领域
本公开属于机泵设备运行数据领域，具体涉及一种机泵设备故障预测方法、存储介质及电子设备。
背景技术
在现代工业生产中通常会使用到电机，根据自动化生产的需要，将电机与配套机械连在一起，构成生产系统的重要组成部分，因此，对机泵设备的运行要求越来越高。而机泵设备运行时的温度和振动值是日常工作中必须注意的重要参数，也是判断机泵设备健康状况的主要依据。利用现有传感技术对机泵设备进行温度信号、振动信号的监控，把温度、振动信息实时地传送到控制室，集中显示在数据采集界面并设置合理的报警值，管理人员不需要深入现场，就可以查看历史数据，及时了解状态信息，实现了自动化、智能化。
然而，在实现机泵设备故障智能化监测的过程中，面临着一个重要挑战：与故障相关的振动和温度数据相对较少，而正常数据占据主要部分，导致整体数据呈现不平衡状态。由于可供参考的故障数据较少，这给实现机泵设备故障智能化预警带来了阻碍。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种机泵设备故障预测方法，该方法能够对机泵设备产生的故障参数数据进行有针对性的局部自适应综合采样，使得机泵设备正常运行与故障阶段的参数数据相对平衡，从而能够实现对机泵设备进行早期故障预警。
为实现上述目的，本公开提供以下技术方案：
一种机泵设备故障预测方法，包括以下步骤：
S100：采集待测机泵设备的振动信号及温度信号；
S200：对所采集的振动信号及温度信号进行标准化处理；
S300：构建机泵设备故障预测模型并进行训练；
其中，所述机泵设备故障预测模型采用改进后的梯度提升树模型，通过在梯度提升树模型的目标函数阶段引入正则化项，以对不同类别故障的权重进行区分；
S400：将标准化处理后的振动信号及温度信号输入训练好的机泵设备故障预测模型，以实现对待测机泵设备的故障预测。
优选的，步骤S200中，所述对所采集的振动信号及温度信号进行标准化处理包括如下步骤：
S201：对所采集的振动信号及温度信号进行统一量纲处理，以获得统一量纲后的振动信号和温度信号；
S202：对统一量纲后的振动信号及温度信号进行归一化处理，以获得归一化后的振动信号和温度信号。
优选的，步骤S300中，所述机泵设备故障预测模型包括：极致梯度提升树模型。
优选的，步骤S300中，所述机泵设备故障预测模型的训练步骤包括：
S301：构建机泵设备故障数据集，对数据集标准化处理后划分为初始训练集和初始测试集；
S302：通过初始训练集及故障类型标签对模型进行初始训练，训练完成后，模型输出第一混淆矩阵，基于第一混淆矩阵计算初始测试集的故障类别错分率；
S303：设定故障类别错分率阈值，若初始测试集的故障类别错分率超出阈值，则对初始训练集和初始测试集进行数据增强，以形成新的训练集和测试集；
S304：通过新的训练集及故障类型标签对模型进行再次训练，训练完成后，模型输出第二混淆矩阵，基于第二混淆矩阵计算新的测试集的故障类别错分率并再次与阈值进行比对；
S305：若新的测试集的故障类别错分率不超出阈值，则模型测试通过，否则改变阈值或改变训练参数并重复执行步骤S303和步骤S304，直至测试集的故障类别错分率不超出阈值。
优选的，步骤S302中，所述故障类型标签包括无故障标签0、旋转机械与轴故障标签1和其它故障标签2。
优选的，步骤S302中，所述故障类别错分率通过下式计算：
其中，表示真实类别为类预测也为类的个数，表示真实类别为类但预 测为类的个数，表示类错分率阈值。
本公开还提供一种电子设备，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
所述处理器执行所述程序时实现如前任一所述的方法。
本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法。
与现有技术相比，本公开带来的有益效果为：本公开能够结合净化厂实际机泵设备运行过程，通过采用非均衡采样法相比一般采样法对故障类别的识别更精准，精准性是通过对部分不同类别的数据进行针对性增强的，结合项目本身，能更好地减少故障类别错分情况。
附图说明
图1为本公开一个实施例提供的一种机泵设备故障预测方法的流程图；
图2 为采用随机过采样RandomOverSampler方法对于三种故障类别的分类效果示意图；
图3为采用随机欠采样RandomUnderSampler方法对于三种故障类别的分类效果示意图；
图4为采用合成少数类过采样技术SMOTE方法对于三种故障类别的分类效果示意图；
图5为采用边界合成采样Borderline-SMOTE方法对于三种故障类别的分类效果示意图；
图6为采用自适应综合采样ADASYN对于三种故障类别的分类效果示意图；
图7 为采用本公开提供的非均衡采样方法对于三种故障类别的分类效果示意图；
图8为本公开另一个实施例提供的极致梯度提升树模型的结构示意图。
具体实施方式
下面将参照附图1至图8详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提出一种机泵设备故障预测方法，包括以下步骤：
S100：采集待测机泵设备的振动信号及温度信号；
该步骤中，主要采集到的机泵数据包括通道数、分析频率、采样点数、低通设置、低通拐点、高通设置、抗混设置、包络设置和触发方式等。
S200：对所采集的振动信号及温度信号进行标准化处理；
S300：构建机泵设备故障预测模型并进行训练；
S400：将标准化处理后的振动信号及温度信号输入训练好的机泵设备故障预测模型，以实现对待测机泵设备的故障预测。
另一个实施例中，步骤S200中，所述对所采集的振动信号及温度信号进行标准化处理包括如下步骤：
S201：通过Min-Max标准化方法对所采集的振动信号及温度信号进行统一量纲处理，以获得统一量纲后的振动信号和温度信号；
S202：将统一量纲后的振动信号及温度信号进行归一化处理，即按照[max,min]线性映射到[0,1]上，以获得归一化后的振动信号和温度信号，所采用的归一化公式如下：
其中，是原始值，是最小值，是最大值，是归一化后的值。
另一个实施例中，步骤S300中，所述机泵设备故障预测模型包括：极致梯度提升树模型。
本实施例中，传统梯度提升树模型是一种基于boosting集成学习思想的加法模型，其核心思想在于通过分类回归模型构建弱分类器，并将多个弱分类器集成为一个强分类器，通过多次迭代，每次学习一棵回归树以拟合之前的预测结果与真实值的残差，进而对之前的弱分类器进行修正，从而提升模型的预测精度。本实施例对上述传统梯度提升树模型进行了改进，即在如图8所示的梯度提升树模型的目标函数阶段引入了正则化项λ，具体表示如下：
目标函数L(y,F(x))表示为：
其中，L(y,F(x))表示目标函数，F(x)表示加法模型，由多个基本分类器组成，M表 示基本分类器的数量，表示第m个基本分类器的权重，λ表示正则化项，yi表示第i个样本 的真实标签，xi表示第i个样本的特征向量，n表示样本的数量。
通过在目标函数阶段中引入正则化项λ，能够控制模型的复杂度，约束模型的参数或特征的权重，使得模型的学习过程更加简单，并进一步防止了模型对训练数据的过拟合。如图8所示，目标函数阶段包括4个部分，如部分（a）所示，在这个任务中有两个机泵设备故障类别，分别用小圆点和三角形表示，且用虚线分隔开表示故障识别，由于两个故障类别的权重大小类似，在使用传统梯度提升树模型进行故障分类的过程中，导致三角形所属的类别中出现了两个小圆点，出现了故障分类错误的情况，即使用传统梯度提升树模型容易导致机泵设备故障分类混淆，从而使得模型对于机泵设备故障类别的识别精度不高。作为对传统梯度提升树模型的改进，本实施例通过引入正则化项λ对部分（a）中的两个小圆点的权重进行了放大，即如（b）部分所示的将两个小圆点放大变为两个大圆点；进一步的，如（c）部分所示，将其它的小圆点的权重也进行了放大，从而就能够使得两种故障类别被明显的区分开来，在（c）部分所示的基础上对两种故障类别重新通过虚线分隔的方式进行识别，就能够获得如（d）部分所示的正确的故障分类。
以上，在机泵设备故障预测中，因实时的振动信号和温度信号数量庞大，且由于传统的梯度提升树模型对不同类别故障的权重难以进行有效区分，因此导致故障类别容易混淆，识别精度低。而本实施例通过在目标函数阶段中引入正则化项λ，对不同类别故障的权重进行了明显的、有效的区分，故可以限制模型的复杂度，使得模型的学习过程简单，从而提高模型的泛化能力，进而使得模型更加稳定和高效，且同时可以减少模型的训练时间成本。正则化后的梯度提升树可以更好地拟合数据的真实分布，从而获得优质的预测效果。
另一个实施例中，步骤S300中，所述机泵设备故障预测模型的训练步骤包括：
S301：根据机泵设备历史故障数据构建机泵设备故障数据集，对数据集标准化处理后划分为初始训练集和初始测试集；
S302：通过训练集及故障类型标签对模型进行初始训练，当达到最大训练次数后，模型训练完成且输出如表1所示的第一混淆矩阵，基于第一混淆矩阵计算初始测试集的故障类别错分率；
表1
S303：设定故障类别错分率阈值，若初始测试集的故障类别错分率超出阈值，则对初始训练集和初始测试集通过非均衡采样进行数据增强，以形成新的训练集和测试集；
本实施例中，无故障类别的错分情况中，共有10+5+2个样本，其中，10个样本为无故障分类正确（如表1所示，横轴中的无故障和纵轴中的无故障的交叉值为10，即表示分类正确），5个样本为无故障错分为机械与轴故障（横轴中的机械与轴故障与纵轴中的无故障的交叉值为5，即表示无故障错分位机械与轴故障），2个样本为无故障错分为其他故障（横轴中的其他故障与纵轴中的无故障的交叉值为2，即表示无故障错分位机械与轴故障），因此，机械与轴故障的错分率为5/10=0.5，其他故障的错分率为2/10=0.2，因此如果设定的阈值为0.4，那么机械与轴故障与无故障类别之间的错分率超出了阈值，需要在两者之间进行采样，以形成新的数据集。依此类推，机械与轴故障错分情况中共有2+15+7个样本，其中，3个样本为机械与轴故障错分为无故障，15个样本为机械与轴故障分类正确，7个样本为机械与轴故障错分为其他故障，其他故障的错分率为7/15=0.47，超出了阈值0.4，因此需要在机械与轴故障和其他故障之间进行采样，以形成新的数据集。其他故障错分情况中共有1+4+12个样本，其中，1个样本为其他故障错分为无故障，4个样本为其他故障错分为机械与轴故障，12个样本为其他故障分类正确，在其他故障错分情况中，没有一种情况超过阈值0.4，因此不需要进行重新采样。
S304：通过新的训练集及故障类型标签对模型进行再次训练，训练完成后，模型输出如表2所示的第二混淆矩阵，基于第二混淆矩阵计算新测试集的故障类别错分率并再次与阈值进行比对；
表2
该步骤中，当使用新的训练集对模型再次训练时，模型会学习到新的知识和信息，从而改变模型的预测行为，进而会使得模型的预测结果更准确（在总样本数不变的情况下，表2中的无故障类别的分类正确样本增加为12，相比表1增加了2个样本，无故障错分为机械与轴故障的样本相比表1减少了2个；机械与轴故障的分类正确样本相比表1增加了2个，机械与轴故障错分为其他故障的样本相比表1减少了2个；其他故障的分类正确样本相比表1增加了1个，其他故障错分为机械与轴故障的样本相比表1减少了2个）。通过比对表1和表2，可以看出，表2所示的数据增强后的第二混淆矩阵相比表1所示的数据增强之前的第一混淆矩阵中，每种故障类别的错分情况明显降低。
S305：若新的测试集的故障类别错分率不超出阈值，则模型测试通过，否则改变阈值或改变训练参数并重复执行步骤S303和步骤S304，直至测试集的故障类别错分率不超出阈值。
另一个实施例中，本公开根据模型需要，将类别进行数值化处理，将无故障设为类别0，将旋转机械与轴故障设为类别1，将其他故障设为类别2。
另一个实施例中，步骤S302中，所述故障类别错分率通过下式计算：
其中，表示真实类别为类预测也为类的个数，表示真实类别为类但预 测为类的个数，表示类错分率阈值。
另一个实施例中，步骤S303中，所述通过采用局部自适应综合采样方法进行数据增强包括以下步骤：
1、设增强之前类与类中样本数量较多的类别置为，数量较小的类别置为；
2、计算与之间需要合成的样本数量，公式如下：
其中，为多数类样本个数，为少数类样本个数，之间的随机数。
3、对于每一个少数类样本，计算其个距离最近的样本中多数类的占比，公式 如下：
其中，为每一个少数类样本周围距离最近的个样本中多数类的样本数，。
4、对标准化，公式如下：
5、计算每个少数类样本需生成新样本的数目，公式如下：
6、根据每个少数类样本需生成的，使用传统合成少数类过采样方法生成新样 本，所述的传统合成少数类过采样方法为：①在特征空间中，随机选取一个少数类样本， 计算与其他所有少数类样本的距离，得到与距离最近的个少数类样本；②在个少 数类样本中随机选取一个少数类样本，在与之间的某一点上合成新的少数类样本 ，合成新样本的公式如下：
其中，为合成的新样本，为少数类样本中第个样本，为的个近邻中随 机选取的一个少数类样本，之间的随机数。
在一个具体实施例中，本公开结合图2至图7对本公开所述方法与现有的经典算法进行比对，以说明本方法的技术效果。其中，图2 为采用随机过采样RandomOverSampler方法对于三种故障类别的分类效果示意图；图3为采用随机欠采样RandomUnderSampler方法对于三种故障类别的分类效果示意图；图4为采用合成少数类过采样技术SMOTE方法对于三种故障类别的分类效果示意图；图5为采用边界合成采样Borderline-SMOTE方法对于三种故障类别的分类效果示意图；图6为采用自适应综合采样ADASYN对于三种故障类别的分类效果示意图；图7 为采用本公开提供的非均衡采样方法对于三种故障类别的分类效果示意图。图2至图7中，背景区域表示分类的决策边界，不同区域表示不同的分类结果。散点图中的点表示样本数据，每个点的形状对应于其所属的故障类别。具体而言，根据数据集的target（目标）变量，有三个类别：0、1和2，分别对应无故障、机械与轴故障和其他故障三种不同的故障类别。在散点图中，每个类别的样本点使用不同的形状进行标记，以区分不同的故障类别。通过比对可以看出，图2对于三种故障的分类准确率（accuracy）为0.86，图3为0.89，图4为0.91，图5为0.92，图6为0.93，图7为0.93。图7所示的散点图中对于三种故障的分类准确率高于图2至图5，此外，虽然图7和图6对于三种故障的分类准确率相同，但是图7中的决策边界更加明显，不同故障样本点数据的分割更加明显，表明了图7对于三种故障的分类效果是优于图6的。
另一个实施例中，本公开还提出一种机泵设备故障预测装置，包括：
采集模块，用于采集待测机泵设备的振动信号及温度信号；
标准化处理模块，用于对所采集的振动信号及温度信号进行标准化处理；
模型构建及训练模块，用于构建机泵设备故障预测模型并进行训练；其中，所述机泵设备故障预测模型采用改进后的梯度提升树模型，通过在梯度提升树模型的目标函数阶段引入正则化项，以对不同类别故障的权重进行区分；
预测模块，用于将标准化处理后的振动信号及温度信号输入训练好的机泵设备故障预测模型，以实现对待测机泵设备的故障预测。
另一个实施例中，所述标准化处理模块包括：
量纲处理子模块，用于对所采集的振动信号及温度信号进行统一量纲处理，以获得统一量纲后的振动信号和温度信号；
归一化处理子模块，用于对统一量纲后的振动信号及温度信号进行归一化处理，以获得归一化后的振动信号和温度信号。
另一个实施例中，本公开还提供一种电子设备，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
所述处理器执行所述程序时实现如前任一所述的方法。
另一个实施例中，本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法。
上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开，可以在不违背所涉及的发明构成要素的前提下，对上述一般性描述或/和具体实施方式（包括实施例）中的公开技术特征进行增加、减少或组合，形成属于本申请保护范围之内的其它的技术方案。

Claims (7)

1.一种机泵设备故障预测方法，其特征在于，所述方法包括以下步骤：
S100：采集待测机泵设备的振动信号及温度信号；
S200：对所采集的振动信号及温度信号进行标准化处理；
S300：构建机泵设备故障预测模型并进行训练；
其中，所述机泵设备故障预测模型采用改进后的梯度提升树模型，通过在梯度提升树模型的目标函数阶段引入正则化项，以对不同类别故障的权重进行区分；
S400：将标准化处理后的振动信号及温度信号输入训练好的机泵设备故障预测模型，以实现对待测机泵设备的故障预测。
2.根据权利要求1所述的方法，其特征在于，步骤S200中，所述对所采集的振动信号及温度信号进行标准化处理包括如下步骤：
S201：对所采集的振动信号及温度信号进行统一量纲处理，以获得统一量纲后的振动信号和温度信号；
S202：对统一量纲后的振动信号及温度信号进行归一化处理，以获得归一化后的振动信号和温度信号。
3.根据权利要求1所述的方法，其特征在于，步骤S300中，所述机泵设备故障预测模型的训练步骤包括：
S301：构建机泵设备故障数据集，对数据集标准化处理后划分为初始训练集和初始测试集；
S302：通过初始训练集及故障类型标签对模型进行初始训练，训练完成后，模型输出第一混淆矩阵，基于第一混淆矩阵计算初始测试集的故障类别错分率；
S303：设定故障类别错分率阈值，若初始测试集的故障类别错分率超出阈值，则对初始训练集和初始测试集进行数据增强，以形成新的训练集和测试集；
S304：通过新的训练集及故障类型标签对模型进行再次训练，训练完成后，模型输出第二混淆矩阵，基于第二混淆矩阵计算新的测试集的故障类别错分率并再次与阈值进行比对；
S305：若新的测试集的故障类别错分率不超出阈值，则模型测试通过，否则改变阈值或改变训练参数并重复执行步骤S303和步骤S304，直至测试集的故障类别错分率不超出阈值。
4.根据权利要求3所述的方法，其特征在于，步骤S302中，所述故障类型标签包括无故障标签0、旋转机械与轴故障标签1和其它故障标签2。
5.根据权利要求3所述的方法，其特征在于，步骤S302中，所述故障类别错分率通过下式计算：
；
其中，表示真实类别为/>类预测也为/>类的个数，/>表示真实类别为/>类但预测为/>类的个数，/>表示/>类错分率阈值。
6.一种电子设备，其特征在于，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
所述处理器执行所述程序时实现权利要求1至5任一所述的方法。
7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至5任一所述的方法。
CN202311729959.4A 2023-12-15 2023-12-15 一种机泵设备故障预测方法、存储介质及电子设备 Pending CN117436011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311729959.4A CN117436011A (zh) 2023-12-15 2023-12-15 一种机泵设备故障预测方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311729959.4A CN117436011A (zh) 2023-12-15 2023-12-15 一种机泵设备故障预测方法、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117436011A true CN117436011A (zh) 2024-01-23

Family

ID=89550145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311729959.4A Pending CN117436011A (zh) 2023-12-15 2023-12-15 一种机泵设备故障预测方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117436011A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
CN112989522A (zh) * 2021-05-10 2021-06-18 创新奇智(成都)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN116526478A (zh) * 2023-07-03 2023-08-01 南昌工程学院 基于改进的蛇群优化算法的短期风电功率预测方法及系统
CN116975741A (zh) * 2023-09-13 2023-10-31 山东理工昊明新能源有限公司 基于物联网的能源设备故障预测方法、装置及电子设备
CN117093922A (zh) * 2023-08-23 2023-11-21 中法渤海地质服务有限公司 一种基于改进svm的不平衡样本油藏复杂流体识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
CN112989522A (zh) * 2021-05-10 2021-06-18 创新奇智(成都)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN116526478A (zh) * 2023-07-03 2023-08-01 南昌工程学院 基于改进的蛇群优化算法的短期风电功率预测方法及系统
CN117093922A (zh) * 2023-08-23 2023-11-21 中法渤海地质服务有限公司 一种基于改进svm的不平衡样本油藏复杂流体识别方法
CN116975741A (zh) * 2023-09-13 2023-10-31 山东理工昊明新能源有限公司 基于物联网的能源设备故障预测方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE H等: "ADASYN：Adaptive synthetic sampling approach for imbalanced learning", 《2008 IEEE INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》, 26 September 2008 (2008-09-26), pages 1323 - 1324 *
ILYASOV B等: "Application of Gradient Boosting Algorithm for Predicting Equipment Failures", 《2022 VI INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGIES IN ENGINEERING EDUCATION (INFORINO)》, 15 April 2022 (2022-04-15), pages 1 - 5, XP034129388, DOI: 10.1109/Inforino53888.2022.9783011 *
周涵婷等: "基于 CiteSpace的故障预测知识结构与热点迁徙研究", 《控制与决策》, vol. 37, no. 4, 31 December 2022 (2022-12-31), pages 815 - 828 *

Similar Documents

Publication Publication Date Title
Zhao et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN109048492B (zh) 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN109186973B (zh) 一种无监督深度学习网络的机械故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112964469B (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
WO2019071384A1 (en) INTELLIGENT SYSTEMS AND METHODS FOR THE TREATMENT AND EVALUATION OF SANITATION DIAGNOSIS, DETECTION AND CONTROL OF ANOMALY IN WASTEWATER TREATMENT FACILITIES OR IN DRINKING WATER FACILITIES
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN116304820B (zh) 一种基于多源域迁移学习的轴承故障类型预测方法及系统
CN114240892A (zh) 一种基于知识蒸馏的无监督工业图像异常检测方法及系统
WO2018180197A1 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN114155397B (zh) 一种小样本图像分类方法及系统
CN112926642B (zh) 一种多源域自适应智能机械故障诊断方法及系统
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
Du et al. Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN114548295A (zh) 基于多尺度领域自适应网络的轴承故障分类系统及方法
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法

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