CN118332389A - 一种给水泵运行状态识别方法、系统及存储介质 - Google Patents
一种给水泵运行状态识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN118332389A CN118332389A CN202410757413.8A CN202410757413A CN118332389A CN 118332389 A CN118332389 A CN 118332389A CN 202410757413 A CN202410757413 A CN 202410757413A CN 118332389 A CN118332389 A CN 118332389A
- Authority
- CN
- China
- Prior art keywords
- training
- data set
- data
- model
- feed pump
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 150
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 91
- 238000012360 testing method Methods 0.000 claims abstract description 86
- 238000013526 transfer learning Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000007500 overflow downdraw method Methods 0.000 abstract 1
- 238000010998 test method Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000013016 damping Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Abstract
本申请公开了一种给水泵运行状态识别方法、系统及存储介质,首先建立给水泵虚拟系统模型,改变泵内转子和定子状态参数,构造给水泵故障理论模型,得到正常状态下以及故障状态下的运行特性和数据参数,再次搭建试验台,加工故障件并将故障件装配至给水泵中开展测试,进而得到给水泵试验的正常运行数据及故障状态下的运行数据。本申请通过解析和试验方法获得多源数据,据此开发训练迁移学习模型,通过分类后的仿真数据和试验数据开展训练,实现运行状态识别。本申请通过多源信息融合的方法分析给水泵故障参数与运行表现,对给水泵常见故障进行识别并判断给水泵运行状态,从而提高给水泵的故障诊断效率,降低故障诊断成本。
Description
技术领域
本申请涉及给水泵故障诊断方法技术领域,尤其涉及一种给水泵运行状态识别方法、系统及存储介质。
背景技术
随着科技的不断发展,给水泵的设计正朝着高速、精密、低噪声、连续运转及复杂结构的方向发展。而在水下航行器中给水泵系统机组及其相关设备长期在一定压力和负荷下运行,且在封闭环境中存在诸多不确定因素,导致部件劣化及故障发生频率较高,影响给水泵的正常工作,甚至造成运行事故。目前给水泵所应用的诊断方法包括经验诊断、安排备用机等方法。传统的故障诊断方法过于依赖专业人员的经验和对系统的熟悉程度,对大型舰船动力装置系统而言,培养一批全面、专业的故障分析人员所需代价较大,给水泵发生故障发生时需要专业人员到达现场进行排查工作,效率较低,且存在安全隐患。此外,备用机的准备也与航行器的设计中轻量化、高利用率的理念不符。
现有技术中公开了一种基于多粒度级联森林的水泵机组智能故障诊断方法,包括采集待测水泵机组处于工作状态时的工作状态信号,将工作状态信号作为待测试样本;将待测试样本输入到多粒度级联森林诊断模型中,进行特征转换及逐级特征诊断,得到待测试样本对应的工作状态标签,根据工作状态标签得到所述待测水泵机组的工作状态。但是该现有技术的局限性在于数据源来源单一,只能从已知的给水泵运转数据中获取待测试数据,未实现虚拟数据及真实试验数据的结合。诊断手段单一、故障数据来源不足。
发明内容
本申请实施例通过提供一种给水泵运行状态识别方法、系统及存储介质,解决了现有技术中针对目前航行器用给水泵在运行和使用过程中存在的诊断手段单一、故障数据来源不足、运行状态判断不明的问题,基于模型理论以及真机试验数据的相互融合,建立虚拟到真实数据的联系,实现了提高给水泵故障诊断的效率,降低了诊断成本,实现了航行器的设计过程中的轻量化、高利用率的效果。
第一方面,本申请实施例提供了一种给水泵运行状态识别方法,包括:基于给水泵的参数建立虚拟系统模型,获取所述给水泵的模拟数据;对所述给水泵进行工况输出试验,获取所述给水泵的试验数据;基于所述试验数据对所述模拟数据进行修正,得到增强数据集,将所述增强数据集划分为训练数据集和测试数据集;将所述训练数据集输入预训练模型进行迁移学习训练,得到训练后的迁移学习模型与输出状态值;对训练后的所述迁移学习模型进行评估,并构建输出标签,比较所述输出状态值与所述输出标签,以获取标签值;基于所述标签值确定故障诊断结果。
结合第一方面,在一种可能的实现方式中,所述基于给水泵的参数建立虚拟系统模型,获取所述给水泵的模拟数据,包括:基于所述给水泵的额定参数建立标准系统模型,获取所述给水泵的理论标准运行数据;修改所述额定参数,建立故障系统模型,获取所述给水泵的理论故障运行数据。
结合第一方面,在第二种可能的实现方式中,所述对所述给水泵进行工况输出试验,获取所述给水泵的试验数据,包括:对所述给水泵进行标准工况输出试验,获取所述给水泵的标准响应信号;更换所述给水泵的工件,进行故障工况输出试验,获取所述给水泵的故障响应信号。
结合第一方面,在第三种可能的实现方式中,所述基于所述试验数据对所述模拟数据进行修正,包括:对所述试验数据进行预处理,去除所述试验数据中的异常值;根据所述试验数据对所述模拟数据进行修正,利用所述试验数据替代所述模拟数据中的缺失值,得到修正模拟数据;将所述修正模拟数据进行标准化,得到所述增强数据集。
结合第一方面,在第四种可能的实现方式中,所述将所述增强数据集划分为训练数据集和测试数据集,包括:基于随机函数对所述增强数据集内的数据执行打乱处理;确定划分比例,确定所述训练数据集的比例为70%,所述测试数据集的比例为30%;基于所述划分比例对打乱处理后的所述增强数据集内的数据进行划分,生成所述训练数据集和所述测试数据集,所述训练数据集用于模型训练,所述测试数据集用于评估模型训练结果。
结合第一方面,在第五种可能的实现方式中,所述将所述训练数据集输入预训练模型进行迁移学习训练,包括:选取卷积神经网络模型作为预训练模型;通过所述训练数据集基于所述预训练模型进行迁移学习训练,并基于目标任务调整参数,获取所述迁移学习模型;基于所述训练数据集对所述预训练模型进行微调;基于所述目标任务对所述训练数据集进行特征提取,获取所述训练数据集的特征值;将所述特征值输入至所述迁移学习模型进行训练,输出所述输出状态值。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,所述基于所述训练数据集对所述预训练模型进行微调,包括:基于所述目标任务,调整所述预训练模型的模型结构;编译所述预训练模型,配置超参数及优化算法;微调所述预训练模型,通过所述训练数据集和所述超参数执行微调过程,基于优化算法迭代优化所述预训练模型的参数,获取微调后的所述预训练模型。
结合第一方面,在第七种可能的实现方式中,所述对训练后的所述迁移学习模型进行评估,包括:将所述迁移学习模型应用于所述测试数据集;基于损失函数计算所述迁移学习模型在训练过程中的损失值;基于所述损失值对所述迁移学习模型进行评估,并通过优化算法最小化损失值;进一步评估所述迁移学习模型,基于交叉验证法将所述测试数据集分成若干份,将其中一份作为验证集,其余部分作为训练集,通过多次交叉验证,获取稳定可靠的评估结果。
第二方面,本申请实施例提供了一种给水泵运行状态识别系统,包括:模拟数据获取模块,用于获取给水泵的理论标准运行数据及理论故障运行数据;试验数据获取模块,用于获取所述给水泵的标准响应信号及故障响应信号;数据修正模块,用于对所述理论标准运行数据及所述理论故障运行数据进行修正,获取增强数据集;数据处理模块,用于处理所述增强数据集,获取训练数据集和测试数据集;训练模块,用于基于所述训练数据集对迁移学习模型进行训练,获取所述迁移学习模型,基于所述测试数据集及所述迁移学习模型获取输出状态值以及输出标签;数据输出模块,用于基于所述输出状态值及所述输出标签的对比获取标签值,基于所述标签值获取故障诊断结果。
第三方面,本申请实施例提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质包括用于存储计算机程序或指令,当该计算机程序或指令被执行时,使如第一方面或第一方面任一种可能实现的方式所述的方法被实现。
本申请实施例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:
本申请实施例通过对给水泵进行模拟试验及真实试验,得出正常状态下运行的理论标准数据及标准响应信号,以及给水泵故障状态下的理论故障运行数据及故障响应数据,将四组数据对应并修正后输入至迁移学习模型,从而基于迁移学习模型所得到的结果输出给水泵的故障诊断结果的技术手段,有效解决了传统给水泵运行状态及故障判断手段过于单一,诊断效率不高、故障数据来源不足的技术问题,进而实现了提高给水泵故障诊断效率、降低故障诊断成本的技术效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种给水泵运行状态识别方法流程图;
图2为本申请实施例提供的预训练模型的预训练步骤流程图;
图3为本申请实施例提供的一种给水泵运行状态识别系统框图;
图4为本申请实施例提供的给水泵运行状态诊断模型在预训练过程中的诊断准确度和交叉熵损失的变化曲线图;
图5是本申请实施例提供的给水泵运行状态测试数据集的故障数据类型结果图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请提供了一种给水泵运行状态识别方法、系统及存储介质。图1是本申请实施例提供的给水泵运行状态识别方法流程图。
一种给水泵运行状态识别方法,其具体步骤如下:
S1:根据实验、现场测量以及出厂给定参数获取给水泵的额定参数,基于转子动力学和计算流体力学,采用解析法建立给水泵转子的标准系统模型,并将给水泵的额定参数输入至该标准系统模型内,进行给水泵在额定参数下的理论工况运行结果计算,得出给水泵的理论标准运行数据。
改变给水泵内转子和定子的额定参数,使得给水泵在过载状态下运行,从而建立故障系统模型,并进行故障模拟分析(模拟给水泵在故障情况下的性能运行状况),得出给水泵在故障工况下流量、压力、振动加速度等理论故障运行数据。
S2:搭建给水泵试验台,对步骤S1中的相同额定参数的给水泵开展试验测试,获取给水泵在实际试验过程中的流量、压力、振动加速度等标准响应信号。
加工故障件,并将试验台上的给水泵的标准件替换为故障件,对含有故障件的给水泵开展故障给水泵的故障工况输出试验,取得在故障工况下的给水泵流量、压力、振动加速度等故障响应信号。
以上所得到的理论标准运行数据及理论故障运行数据统称为模拟数据,所得到的标准响应信号及故障响应信号统称为试验数据。
S3:基于所得到的试验数据对模拟数据进行修正,具体修正过程为:
对试验数据进行预处理,剔除其中的异常值,以减少试验数据的数据噪声。
基于预处理过后的试验数据对模拟数据进行修正,修正方法选择为替代法,以替代法作为修正方法的具体过程如下:
通过将标准响应信号内的可接受数值替换理论标准运行数据中的缺失值、将故障响应信号内的可接受数值替换理论故障运行数据中的缺失值,完成修正过程,获取经过修正后的修正模拟数据。
将修正模拟数据进行标准化处理,获得增强数据集;
在修正过程中,基于试验数据的统计特性(如均值、方差)来调整模拟数据的分布及参数。
对修正后的模拟数据进行验证和评估,确保其与试验数据在统计特性上更为接近,可以使用均方误差、相关系数等统计指标来评估修正模拟数据过程的效果。
如果修正效果不理想,可以重复上述步骤,进一步优化修正方法和参数。通过迭代优化,可以逐步减小模拟数据与试验数据之间的差异,提高修正模拟数据的准确性和可靠性。
需要说明的是,在本步骤中,还包括获取增强数据集的过程,以一定比例将增强数据集划分为训练数据集和测试数据集。
需要再次说明的是,在划分过程前,需要对增强数据集中的数据执行打乱处理,打乱处理所需要用到的函数为随机函数。
之后,确定划分数据比例,通常情况下,对增强数据集划分的比例选取训练数据集:测试数据集=7:3或者8:2,在本申请中选取7:3作为划分比例,即将增强数据集中的数据划分为70%的训练数据集数据,以及30%的测试数据集数据。
基于前述的7:3的划分比例对打乱处理后的增强数据集内的数据进行划分,生成训练数据集和测试数据集,训练数据集用于对于模型的训练,测试数据集用于评估模型训练结果。
S4:将所述训练数据集输入预训练模型进行迁移学习训练,得到训练后的迁移学习模型与输出状态值。具体为:
选取预训练模型,选择一个已经在大规模数据集上训练过的模型,这个数据集通常与本申请所提及的给水泵运行数据有所不同,但足够相关,以提供有用的特征表示,在本申请中选取卷积神经网络模型作为预训练模型。
基于目标任务对训练数据集进行特征提取,获取特征值。
加载预训练权重,下载预训练模型的权重文件,并在深度学习框架中加载权重。
调整模型结构,根据目标任务,需要修改预训练模型的全连接层或分类层等最后几层。
冻结部分层,在预训练过程中,可以选择冻结预训练模型的部分层,以保证其在预训练过程中不会更新从而影响数据有效性。
编译模型,为预训练模型选择适当损失函数、优化器或者评估指标,若预训练模型中含有未冻结层,还需要设置未冻结层的学习率。
训练模型,基于训练数据集的特征值对预训练模型进行训练,并基于测试数据集监控并评估预训练模型的性能。
微调,若预训练模型性能不理想,可以解冻更多层,或使用更小学习率或者改进最小损失函数进行进一步训练,这样可以更好帮助预训练模型适应目标任务,但是可能会增加过拟合风险。
输出在训练过程中产生的输出状态值。
需要说明的是,微调过程具体如下:
基于目标任务调整预训练模型的模型结构,通常调整的是预训练模型的顶层,若目标任务与预训练模型任务不同,需要修改最后一层的结构以匹配目标任务。
编译预训练模型,配置超参数、优化算法、损失函数和评估指标。
微调预训练模型,通过训练数据集和超参数执行微调过程,在微调过程中,可以选择冻结预训练模型的部分层(如卷积层),以保留其特征提取的能力,或者解冻所有层,对所有层进行微调,如果选择冻结部分层,需要确保在编译及微调预训练模型时只更新未冻结层的参数。
基于梯度下降优化算法迭代优化所述预训练模型的参数,获取微调后的所述预训练模型。
S6:输出状态值以及输出标签,获取标签值。
需要说明的是,输出标签的确立步骤如下:
确定迁移学习的目标任务。
根据目标任务,确定需要预测的输出标签的类型,如多分类标签、二分类标签、连续值等。
在预训练模型训练完成后,使用测试数据集输入至预训练模型进行预测,此时预训练模型输出值即为预测的输出标签或标签分布。
比较输出状态值及输出标签的数值,获得标签值。
S7:基于标签值获取故障诊断结果,通常情况下,故障诊断结果包括正常、轻度、中度、重度。
预训练模型的预训练步骤包括:
选取卷积神经网络作为预训练模型,基于卷积神经网络的输入层接收训练数据集。
基于卷积层提取训练数据集的局部特征。
通过归一化层加速卷积神经网络的训练过程并提高预训练模型的泛化能力。
通过激活层提供激活函数,使预训练模型成为非线性映射的关系。
基于最大池化层和丢弃层减少预训练模型的参数数量及计算量,提取预训练模型的主要特征。
根据损失函数层,计算预训练模型在训练过程中的损失值,并最小化损失值。
输出最小化损失值后的预训练模型。
需要说明的是,在本申请中,卷积神经网络包含3个卷积层,3个归一化层,3个激活层、3个池化层和3个丢弃层,1个全连接层,1个分类层。
初始学习率为0.001,学习算法采用Adagrad算法,批大小为60,3个丢弃层的丢弃率为50%。
再训练过程中的学习算法采用Adagrad算法,最大迭代周期为300,最小批数目为102,学习率为0.001,3层丢弃层的丢弃率为5%。
图3为本申请所提供的一种给水泵运行状态识别系统框图。
一种给水泵运行状态识别系统,包括模拟数据获取模块、试验数据获取模块、数据修正模块、数据处理模块、训练模块及数据输出模块。
其中,模拟数据获取模块基于给水泵的额定参数获取给水泵的理论标准运行数据及理论故障运行数据;试验数据获取模块基于试验获得给水泵的标准响应信号及故障响应信号。
数据修正模块用于对理论标准运行数据及理论故障运行数据进行修正,获取增强数据集。
数据处理模块,用于随机划分增强数据集,获取训练数据集和测试数据集。
训练模块,用于基于训练数据集对迁移学习模型进行训练,基于测试数据集及迁移学习模型获取输出状态值以及输出标签。
数据输出模块,用于基于输出状态值及输出标签的对比获取标签值,基于标签值获取故障诊断结果。
需要说明的是,一种给水泵运行状态识别系统,可应用于一种给水运行状态识别方法中。
实施例
以单级给水泵叶轮偏移故障模型参数为例,本申请的具体实施方式为:
建立给水泵故障理论模型,基于解析法生成多种工况运行参数变化,基于Timoshenko梁理论(铁木辛哥梁理论)使用有限元方法建立给水泵轴系结构模型,其中,轴系节点的广义位移向量为:
其中,u代表轴系节点的广义位移;x代表轴系节点的横坐标位移矢量;y代表轴系节点的纵坐标位移矢量;z代表轴系节点的竖坐标位移矢量;代表轴系节点在横坐标方向上的转角;代表轴系节点在纵坐标方向上的转角;代表轴系节点在竖坐标方向上的转角;T表示转置。
Timoshenko梁轴段单元的运动微分方程为:
(1)
公式(1)中,为质量矩阵;为阻尼矩阵;为刚度矩阵;和分别为轴段单元两端节点的加速度和速度向量。
建立叶轮的集中质量模型,将叶轮等效为一个刚性圆盘,该刚性圆盘具有与原附件转动部件相等的等效转动惯量与质量,基于达朗贝尔原理,建立叶轮的转子动力学方程:
(2)
公式(2)中,和分别为叶轮圆心节点的振动加速度和振动速度向量;和分别为推进器的质量矩阵和阻尼矩阵;F1为叶轮的主动力。
建立轴承的动力学模型,转子系统仿真分析时一般不计轴承质量,并将其简化为弹簧-阻尼单元,作用在转轴与轴承的耦合点i处,基于达朗贝尔原理,建立轴承的转子动力学方程:
(3)
公式(3)中,和分别为轴承的振动加速度及振动加速度向量;和分别为轴承的质量矩阵和阻尼矩阵;F2为轴承的主动力。
基于牛顿运动方程与振动理论,综合所得的叶轮圆心节点的转子动力学方程、柔性轴段的运动微分方程以及轴承的转子动力学方程,分析叶轮、轴段以及轴承与节点位移向量之间的影像规律,同时得出给水泵的模拟数据。
构建给水泵的试验台,其中,试验台包括但不限于电机、泵体、基座、流量计、压力传感器及振动传感器。
将正常叶轮及故障叶轮安装于泵体内部,开始进行给水泵的工况输出试验。
采集给水泵不同位置的振动信号、进出口压力信号及流量信号,并得到瞬态工作数据。
采用时频域分析方法分析运行工况数据,绘制多源、多特征的给水泵运行工况的时域图及频域图,基于得出的运行工况数据(即试验数据)对模拟数据进行修正。基于修正后的数据,得到增强数据集。
采用经验模态分解(EMD)变分模态分解方法提取增强数据集的主成分,去除底噪的影响,从而得到训练数据集和测试数据集。
EMD将输入信号分解为几个本征模函数和一个残差组成,其方程为:
(4)
式(4)中,x(t)为原始输入信号;x随时间t变化;imfi(t)表示第i个本征模函数(IMF)随时间t的变化,IMF为从信号中提取出的频率成分,具有局部对称性和窄带性,IMF可反映信号中不同尺度特征;rn(t)表示残差,其中n表述总共分解出本征模函数的数量。
基于训练数据集开展迁移学习训练,选择卷积神经网络(CNN)为泵故障运行状态判断的预训练模型,调整参数。
使用预设的训练数据集对调整后的迁移学习模型进行训练。
在训练过程中,模型通过最小化损失函数来学习如何将输入特征映射到正确的输入标签中。
图4为给水泵运行状态诊断模型在预训练过程中的诊断准确度和交叉熵损失的变化曲线。准确度越接近100%,损失就越接近0,分类效果越好。由图可知,迭代模型在训练时准确度先上升,后在波动中逐渐稳定。预训练模型在训练集和测试集上的损失呈现下降趋势,诊断准确度为97.8%。
图5为诊断模型对给水泵运行状态实测数据集的诊断结果图,其中点集所在的纵坐标表示诊断模型对给水泵运行故障的实时诊断结果,图中纵坐标(预测结果)1为给水泵正常运行状态,2、3、4依次为轻度、中度、重度偏移故障。由图可知,水泵运行状态识别模型能够对故障类型、故障程度实现精确诊断。本申请所提出的针对大型舰船动力装置系统的一种给水泵运行状态识别方法、系统及存储介质。诊断精度高、诊断效果好。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。本实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照本实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述申请实施例阐明的装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述方便,描述以上装置时以功能分为各种模块分别描述。在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然,也可以将实现某功能的模块由多个子模块或子单元组合实现。
本申请中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(英文:Application Specific Integrated Circuit;简称:ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请实施例还提供了一种非易失性计算机可读存储介质,其上存储有计算机程序或指令,当该计算机程序或指令被执行时,使如本申请实施例中所述的方法被实现。
此外,在本申请的各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独存在,也可以两个或两个以上模块集成在一个模块中。
上述存储介质包括但不限于随机存取存储器(英文:Random Access Memory;简称:RAM)、只读存储器(英文:Read-Only Memory;简称:ROM)、缓存(英文:Cache)、硬盘(英文:Hard Disk Drive;简称:HDD)或者存储卡(英文:Memory Card)。所述存储器可以用于存储计算机程序指令。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施方式采用递进的方式描述,各个实施方式之间相同或相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上实施例仅用以说明本申请的技术方案,而非对本申请限制;尽管参照前述实施例对本申请进行了详细的说明,本领域普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请技术方案的范围。
Claims (10)
1.一种给水泵运行状态识别方法,其特征在于,包括:
基于给水泵的参数建立虚拟系统模型,获取所述给水泵的模拟数据;
对所述给水泵进行工况输出试验,获取所述给水泵的试验数据;
基于所述试验数据对所述模拟数据进行修正,得到增强数据集,将所述增强数据集划分为训练数据集和测试数据集;
将所述训练数据集输入预训练模型进行迁移学习训练,得到训练后的迁移学习模型与输出状态值;
对训练后的所述迁移学习模型进行评估,并构建输出标签,比较所述输出状态值与所述输出标签,以获取标签值;
基于所述标签值确定故障诊断结果。
2.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述基于给水泵的参数建立虚拟系统模型,获取所述给水泵的模拟数据,包括:
基于所述给水泵的额定参数建立标准系统模型,获取所述给水泵的理论标准运行数据;
修改所述额定参数,建立故障系统模型,获取所述给水泵的理论故障运行数据。
3.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述对所述给水泵进行工况输出试验,获取所述给水泵的试验数据,包括:
对所述给水泵进行标准工况输出试验,获取所述给水泵的标准响应信号;
更换所述给水泵的工件,进行故障工况输出试验,获取所述给水泵的故障响应信号。
4.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述基于所述试验数据对所述模拟数据进行修正,包括:
对所述试验数据进行预处理,去除所述试验数据中的异常值;
根据所述试验数据对所述模拟数据进行修正,利用所述试验数据替代所述模拟数据中的缺失值,得到修正模拟数据;
将所述修正模拟数据进行标准化,得到所述增强数据集。
5.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述将所述增强数据集划分为训练数据集和测试数据集,包括:
基于随机函数对所述增强数据集内的数据执行打乱处理;
确定划分比例,确定所述训练数据集的比例为70%,所述测试数据集的比例为30%;
基于所述划分比例对打乱处理后的所述增强数据集内的数据进行划分,生成所述训练数据集和所述测试数据集,所述训练数据集用于模型训练,所述测试数据集用于评估模型训练结果。
6.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述将所述训练数据集输入预训练模型进行迁移学习训练,包括:
选取卷积神经网络模型作为预训练模型;
通过所述训练数据集基于所述预训练模型进行迁移学习训练,并基于目标任务调整参数,获取所述迁移学习模型;
基于所述训练数据集对所述预训练模型进行微调;
基于所述目标任务对所述训练数据集进行特征提取,获取所述训练数据集的特征值;
将所述特征值输入至所述迁移学习模型进行训练,输出所述输出状态值。
7.根据权利要求6所述的给水泵运行状态识别方法,其特征在于,所述基于所述训练数据集对所述预训练模型进行微调,包括:
基于所述目标任务,调整所述预训练模型的模型结构;
编译所述预训练模型,配置超参数及优化算法;
微调所述预训练模型,通过所述训练数据集和所述超参数执行微调过程,基于优化算法迭代优化所述预训练模型的参数,获取微调后的所述预训练模型。
8.根据权利要求1所述的给水泵运行状态识别方法,其特征在于,所述对训练后的所述迁移学习模型进行评估,包括:
将所述迁移学习模型应用于所述测试数据集;
基于损失函数计算所述迁移学习模型在训练过程中的损失值;
基于所述损失值对所述迁移学习模型进行评估,并通过优化算法最小化损失值;
进一步评估所述迁移学习模型,基于交叉验证法将所述测试数据集分成若干份,将其中一份作为验证集,其余部分作为训练集,通过多次交叉验证,获取稳定可靠的评估结果。
9.一种给水泵运行状态识别系统,其特征在于,包括:
模拟数据获取模块,用于获取给水泵的理论标准运行数据及理论故障运行数据;
试验数据获取模块,用于获取所述给水泵的标准响应信号及故障响应信号;
数据修正模块,用于对所述理论标准运行数据及所述理论故障运行数据进行修正,获取增强数据集;
数据处理模块,用于处理所述增强数据集,获取训练数据集和测试数据集;
训练模块,用于基于所述训练数据集对迁移学习模型进行训练,获取所述迁移学习模型,基于所述测试数据集及所述迁移学习模型获取输出状态值以及输出标签;
数据输出模块,用于基于所述输出状态值及所述输出标签的对比获取标签值,基于所述标签值获取故障诊断结果。
10.一种非易失性计算机可读存储介质,其特征在于,包括用于存储计算机程序或指令,当该计算机程序或指令被执行时,使如权利要求1至8中任一项所述的方法被实现。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118332389A true CN118332389A (zh) | 2024-07-12 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
Dong et al. | Bearing degradation process prediction based on the PCA and optimized LS-SVM model | |
CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN105488539A (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
CN116522467B (zh) | 一种航天器部件寿命的预测方法和装置 | |
US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
CN114072791A (zh) | 用于估计受试装备的剩余服务寿命的方法 | |
Loboda et al. | A benchmarking analysis of a data-driven gas turbine diagnostic approach | |
Zhang et al. | Review of remaining useful life prediction using support vector machine for engineering assets | |
CN118332389A (zh) | 一种给水泵运行状态识别方法、系统及存储介质 | |
Razavi et al. | Remaining useful life estimation using ANFIS algorithm: A data-driven approcah for prognostics | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Duan et al. | Bi-level bayesian control scheme for fault detection under partial observations | |
Feng et al. | Multi-kernel learning based autonomous fault diagnosis for centrifugal pumps | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
Demircan | Vibration based condition monitoring of pumping systems in textile dyehouses | |
CN117521528B (zh) | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 | |
Li et al. | Remaining useful life prediction of bearings using a trend memory attention-based GRU network | |
Koopman | Prediction of Remaining Useful Life for Aircraft Gas Turbines using Echo State Networks | |
Zhang et al. | Bearing health indicator construction scheme based on a hybrid deep learning structure methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |