CN117948289A - 基于多传感器监测潜液式低温离心泵状态的方法 - Google Patents
基于多传感器监测潜液式低温离心泵状态的方法 Download PDFInfo
- Publication number
- CN117948289A CN117948289A CN202410356974.7A CN202410356974A CN117948289A CN 117948289 A CN117948289 A CN 117948289A CN 202410356974 A CN202410356974 A CN 202410356974A CN 117948289 A CN117948289 A CN 117948289A
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- temperature centrifugal
- low
- memory network
- long
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 35
- 230000005236 sound signal Effects 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 16
- 239000007788 liquid Substances 0.000 description 16
- 239000003949 liquefied natural gas Substances 0.000 description 8
- 229910052757 nitrogen Inorganic materials 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002309 gasification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Landscapes
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明属于潜液式低温离心泵生产应用技术领域,尤其涉及一种基于多传感器监测潜液式低温离心泵状态的方法。本发明根据潜液式低温离心泵的使用特性,充分考虑其使用环境,以音频信号和流量信号最为补充特征,通过特征级的融合使其作为长短期记忆网络的输入,并通过粒子群算法优化长短期记忆网络的超参数,进而获取更为准确的是否处于正常运行状态的信息,进而对液式低温离心泵的安全使用,提供可靠依据。
Description
技术领域
本发明属于潜液式低温离心泵生产应用技术领域,尤其涉及一种基于多传感器监测潜液式低温离心泵状态的方法。
背景技术
潜液式低温离心泵是用于液氮、液化天然气等低温液体输送时所使用的离心泵,在使用时,潜液式低温离心泵置于液氮、液化天然气存储罐内,对罐内的液氮、液化天然气完成输送。
由于液氮、液化天然气等低温液体具有低温(大气压下,液氮为-196℃、液化天然气为 -162℃)、危险、易汽化等特征,其输送时对泵的要求较高,其需要泵耐低温、轴封应无介质泄漏、系统冷损应尽量小等的特点。而机械设备的使用必然存在损耗,潜液式低温离心泵的使用安全是关系到安全生产的重要因素。
为此,需要对潜液式低温离心泵的状态进行监控,现有针对潜液式低温离心泵的状态主要是通过潜液式低温离心泵自身产生的振动来提取潜液式低温离心泵信号,并通过特征提取算法或故障诊断算法来确定是否存在故障,然而,由于采集信息的单一性,对故障的识别具有根本局限性,且单一传感器采集的数据会增加的不确定和模糊性,影响诊断决策,降低诊断的准确性。而诊断的不准确性,轻则影响生产,重则关系到安全。
发明内容
本发明针对现有单一传感器诊断所存在的技术问题,提出一种设计合理、方便简单且结构多种传感器实现精准判断的基于多传感器监测潜液式低温离心泵状态的方法。
为了达到上述目的,本发明采用的技术方案为,本发明提供一种基于多传感器监测潜液式低温离心泵状态的方法,包括以下步骤:
a、首先获取潜液式低温离心泵的音频信号、振动信号以及潜液式低温离心泵排气孔处的气体流量信号;
b、对a步骤获取的音频信号进行预处理,并计算其分帧峭度,同时,对a步骤获取的振动信号采用VMD算法进行特征提取,并选取IMF3分量进行信号重构获取模态特征分量;
c、将b步骤处理后的音频信号和振动信号经一维的卷积神经网络结构获取信息特征,将a步骤中获取的气体流量信号经双向门控循环单元获取时序特征;
d、将c步骤获取的信息特征和时序特征进行特征融合,并将融合后得特征信息作为改进的长短期记忆网络的输入判断潜液式低温离心泵是否处于正常状态;
其中,所述改进的长短期记忆网络为通过粒子群算法获得长短期记忆网络的隐含层节点、训练次数以及初始学习率,其中,粒子群算法中的适应度函数为长短期记忆网络的损失函数,其具体公式为:
,
其中,为粒子,为粒子的种群规模,为长短期记忆网络预测值,为期望输出值。
作为优选,所述d步骤中,粒子群算法的惯性权重的确定公式为:
,
其中,为第次迭代的惯性权重,为最大惯性权重,为最小惯性权重,为当前
迭代次数,为最大迭代次数。
作为优选,所述d步骤中,粒子群算法的学习因子、的确定公式为:
,
其中,为学习因子的最大值,为学习因子的最小值,为学习因子的最大
值,为学习因子的最小值。
与现有技术相比,本发明的优点和积极效果在于,
1、 本发明提供一种基于多传感器监测潜液式低温离心泵状态的方法,根据潜液式低温离心泵的使用特性,充分考虑其使用环境,以音频信号和流量信号最为补充特征,通过特征级的融合使其作为长短期记忆网络的输入,并通过粒子群算法优化长短期记忆网络的超参数,进而获取更为准确的是否处于正常运行状态的信息,进而对液式低温离心泵的安全使用,提供可靠依据。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开说明书的具体实施例的限制。
实施例1,本实施例提供一种基于多传感器监测潜液式低温离心泵状态的方法,
潜液式低温离心泵相对于传统的离心泵,其具有泵与电机同轴组成的特点,这样,只需要设置在潜液式低温离心泵上的加速传感器,就可以获取电机包括离心泵部分的准确振动信号,而音频信号则获取电机轴承部分运行的音频信号即可。
同时,液氮、液化天然气等低温液体具有非导电性的特点(液体可以进入电机内部),泵与电机之间无需设置轴封,低温液体从下端的吸入段吸入,并通过出液管进入上端盖,最终经上端盖各流道汇集入出液通道后向上吐出。
由于液氮、液化天然气的气化作用,其会带走电机部分大量的热量,这样,就使得无法通过热量来获取电机的运行情况,而如果电机升温,其气化效果加大,进而增加气化量,为此,在本实施例中,在潜液式低温离心泵的位置处安装流量计,获取其气化流量,判断电机是否升温。
由于潜液式低温离心泵是属于液下工作,这样,其音频信息除了潜液式低温离心泵自身的音频信息以外,还有液氮、液化天然气流动产生的噪音,为此,需要对其进行预处理,减少相应的干扰,同时,音频信号和振动信号具有非稳态、非线性信号的特点,为此,为了方便后续的特征级融合,对其进行预处理。
分帧峭度作为时域指标,通过峭度指标进行水泵电机早期故障诊断和健康预测,反应速度更快,特征指标明显。峭度参数对于信号的冲击非常敏感,有利于对设备早期故障进行诊断,对峭度特征进行预测,可以精准地预测水泵电机的故障。为此,在本实施例中,将分帧峭度作为潜液式低温离心泵健康预测的音频特征指标。
同样,振动指标采用常用的重构分量作为潜液式低温离心泵健康预测的音频特征指标。
由于流量指标是具有明显时序特征的多简单数据,其不需要大量的预处理,为此,在此处不做处理。
为了有效的提取音频信号、振动信号的信息特征,同时,提取流量信号的时序特征,在本实施例中,采用一维卷积神经网络提取音频信号、振动信号的时频特征,在本实施例中,一维卷积神经网络包括两层卷积层和两个池化层的两层卷积层核个数分别为32、16,第一层卷积大小为64×1,第二层为5×1,步长为2,1,两个池化层区域大小均为2×1,步长为2,采用最大池化,函数为ReLU函数。
而BiGRU可以在时间维度上从正向和反向两个方向充分提取出流量数据的时序特征。
考虑到潜液式低温离心泵的工作特性且获取的大部分信号特征都是潜液式低温离心泵正常工作的特征,为此,在本实施例,也仅考虑潜液式低温离心泵正常和非正常的两种状态,为此,在本实施例中,接受潜液式低温离心泵正常状态时样本量大于非正常状态的样本量的问题,使最终的模型存在过拟合的情况。这样,非正常状态就进行报警,以避免安全事故的发生。
为此,在本实施例中,采用Concatenate层进行特征融合,该层可以将多个相同维度的特征向量按照指定的维度进行拼接,得到一个维度更大的特征向量。在不丢失任何信息的情况下,将多个不同来源、不同类型的特征向量进行整合,从而得到一个更加综合、全面的特征表示。以通过三个方面来确保潜液式低温离心泵处于正常状态。
长短记忆网络具有更长时间记住信息的特性,使其不会发生梯度消失和梯度爆炸的问题,为此,在本实施例中,使用长短记忆网络作为判断的模型。
但LSTM(长短记忆网络)模型的隐含层节点数、训练次数和初始学习率等参数取值会对模型的拟合能力产生很大影响。参数的选取往往与数据的特性有关,或大或小的参数都未必可以取得很好的预测结果。为了寻找更加合理有效的LSTM初始超参数,本实施例选择了粒子群算法优化LSTM的超参数,以获得更好的预测结果。具体的说:
先确定LSTM算法需要优化的超参数(隐含层节点、训练次数以及初始学习率),然
后初始化粒子群算法的参数,包括种群规模=100、粒子维度M=3、速度上限,速度下
限,惯性权重最大值,惯性权重最小值,最大迭代次数
、初始化粒子的初始位置和初始速度。
将数据集分割为训练集和测试集,并归一化,设置输出的维度。以LSTM的损失函数作为适应度函数:
,
其中,为粒子,为粒子的种群规模,为长短期记忆网络预测值,为期望输出值。
然后,更新粒子的速度参数和位置参数,根据适应度函数重新评估,判断是否达到最大迭代次数,如果未达到最大迭代次数,更新粒子的速度参数和位置参数。如果达到最大迭代次数,此时输出最优参数。
最后,将寻优后的参数赋值给LSTM神经网络,按此参数训练和预测。
在更新速度参数和位置参数时,需要考虑的就是惯性权重和学习因子,惯性权重决定着粒子先前的飞行速度对于当前飞行速度的影响程度,能有效平衡粒子群体的全局搜索和局部搜索的性能。粒子群体飞行过程,适应度值越好的粒子,越有可能搜索到最优解或其邻近区域,此时粒子更新速度应当受粒子原有速度的影响越小,从而增强其局部搜索能力;而适应度值越差的粒子,搜索到最优解或其邻近区域的可能性小,此时粒子更新速度应当受粒子原有速度的影响越大,应当增强其全局搜索能力。
在本实施例中,根据其特性,提出一种非线性惯性权重更新公式,即:
,
其中,为第次迭代的惯性权重,为最大惯性权重,为最小惯性权重,为当前
迭代次数,为最大迭代次数。
这样,其前期值大且变化力度大,方便全局搜索,后期值小且变化力度小,方便局部寻优。
同样,由于粒子种群搜索时,初期要关注个体的自我学习认知能力,后期需要注重
个体的获取社会信息的能力,为此,粒子群算法的学习因子、的确定公式为:
,
其中,为学习因子的最大值,为学习因子的最小值,为学习因子的最大
值,为学习因子的最小值。
这样,随着迭代的进行,学习因子在不断的变小,学习因子在不断的增加,这
样,在前期确保其全局搜索能力强,在后期,加快算法的收敛速度,形成与惯性权重的配合。
在本实施例中,和均设置为2.5,和均设置有0.5。
由于本身就要求模型出现过拟合的情况,即准确的识别出正常状态,为此,进行输出即可。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (3)
1.一种基于多传感器监测潜液式低温离心泵状态的方法,其特征在于,包括以下步骤:
a、首先获取潜液式低温离心泵的音频信号、振动信号以及潜液式低温离心泵排气孔处的气体流量信号;
b、对a步骤获取的音频信号进行预处理,并计算其分帧峭度,同时,对a步骤获取的振动信号采用VMD算法进行特征提取,并选取IMF3分量进行信号重构获取模态特征分量;
c、将b步骤处理后的音频信号和振动信号经一维的卷积神经网络结构获取信息特征,将a步骤中获取的气体流量信号经双向门控循环单元获取时序特征;
d、将c步骤获取的信息特征和时序特征进行特征融合,并将融合后得特征信息作为改进的长短期记忆网络的输入判断潜液式低温离心泵是否处于正常状态;
其中,所述改进的长短期记忆网络为通过粒子群算法获得长短期记忆网络的隐含层节点、训练次数以及初始学习率,其中,粒子群算法中的适应度函数为长短期记忆网络的损失函数,其具体公式为:
,
其中,为粒子/>,/>为粒子的种群规模,/>为长短期记忆网络预测值,/>为期望输出值。
2.根据权利要求1所述的基于多传感器监测潜液式低温离心泵状态的方法,其特征在于,所述d步骤中,粒子群算法的惯性权重的确定公式为:
,
其中,为第/>次迭代的惯性权重,/>为最大惯性权重,/>为最小惯性权重,/>为当前迭代次数,/>为最大迭代次数。
3.根据权利要求2所述的基于多传感器监测潜液式低温离心泵状态的方法,其特征在于,所述d步骤中,粒子群算法的学习因子、/>的确定公式为:
,
其中,为学习因子/>的最大值,/>为学习因子/>的最小值,/>为学习因子/>的最大值,/>为学习因子/>的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410356974.7A CN117948289B (zh) | 2024-03-27 | 2024-03-27 | 基于多传感器监测潜液式低温离心泵状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410356974.7A CN117948289B (zh) | 2024-03-27 | 2024-03-27 | 基于多传感器监测潜液式低温离心泵状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117948289A true CN117948289A (zh) | 2024-04-30 |
CN117948289B CN117948289B (zh) | 2024-05-28 |
Family
ID=90796402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410356974.7A Active CN117948289B (zh) | 2024-03-27 | 2024-03-27 | 基于多传感器监测潜液式低温离心泵状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117948289B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466707A (zh) * | 2014-09-15 | 2016-04-06 | 横河自控亚洲私人有限公司 | 用于离心泵中的故障检测的方法、系统和计算机程序 |
CN207212548U (zh) * | 2017-08-29 | 2018-04-10 | 江南造船(集团)有限责任公司 | 船舶双燃料发动机的高压燃气供给系统 |
GB2583782A (en) * | 2019-05-07 | 2020-11-11 | Cirrus Logic Int Semiconductor Ltd | Computing circuitry |
US11635080B1 (en) * | 2021-02-12 | 2023-04-25 | State Farm Mutual Automobile Insurance Company | Determining and utilizing a desired frequency for a mechanical shaker for a sump pump system |
-
2024
- 2024-03-27 CN CN202410356974.7A patent/CN117948289B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466707A (zh) * | 2014-09-15 | 2016-04-06 | 横河自控亚洲私人有限公司 | 用于离心泵中的故障检测的方法、系统和计算机程序 |
CN207212548U (zh) * | 2017-08-29 | 2018-04-10 | 江南造船(集团)有限责任公司 | 船舶双燃料发动机的高压燃气供给系统 |
GB2583782A (en) * | 2019-05-07 | 2020-11-11 | Cirrus Logic Int Semiconductor Ltd | Computing circuitry |
US11635080B1 (en) * | 2021-02-12 | 2023-04-25 | State Farm Mutual Automobile Insurance Company | Determining and utilizing a desired frequency for a mechanical shaker for a sump pump system |
Also Published As
Publication number | Publication date |
---|---|
CN117948289B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
Zhang et al. | Bearing performance degradation assessment using long short-term memory recurrent network | |
CN109492193A (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN108388921A (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
CN110197049B (zh) | 一种基于瞬变反问题的非金属管道泄漏定位方法 | |
WO2023010658A1 (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN110513603B (zh) | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 | |
CN112836758B (zh) | 基于双层循环神经网络的独立计量区域管网漏损检测方法 | |
CN113640027A (zh) | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN115979661A (zh) | 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法 | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
CN117948289B (zh) | 基于多传感器监测潜液式低温离心泵状态的方法 | |
Li et al. | A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals | |
CN117540163A (zh) | 泵性能曲线生成方法、模型构建和训练方法及装置 | |
CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
Du et al. | Stacked convolutional LSTM models for prognosis of bearing performance degradation | |
CN110887652B (zh) | 加速度计的振动探测与位移提取的交互多模型检测方法 | |
Yu et al. | A fault diagnosis method for oil well pump using radial basis function neural network combined with modified genetic algorithm | |
CN107256333A (zh) | 一种基于预测和动态阈值的Argo剖面异常检测方法 | |
CN116383615A (zh) | 一种基于系统状态表征的多源传感信息融合与扩充方法 | |
CN113740066B (zh) | 一种压缩机轴承早期故障检测方法 | |
CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
CN115694937B (zh) | 一种通过构造虚拟异常流量训练恶意流量检测系统的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |