泵的监视的制作方法

本发明涉及一种用于监视泵的设备，所述设备包括：

控制模块，控制模块被配置成：接收表示泵的操作参数的至少一个信号，基于操作参数的信号来估计泵的估计输出量数据值；以及错误检测单元，错误检测单元被配置成：从控制模块接收估计输出量数据值，接收由传感器提供的泵的测量输出量数据值，通过从测量输出量数据值减去估计输出量数据值来提供差数据值，将差数据值与预定门限值相比较并提供对应的比较结果，以及基于比较结果输出泵的错误状态信号。本发明还涉及一种用于监视泵的方法，所述方法包括如下步骤：接收表示泵的操作参数的至少一个信号；基于操作参数的信号来估计泵的估计输出量数据值；从控制模块接收估计输出量数据值；接收由传感器提供的泵的测量输出量数据值；通过从测量输出量数据值减去估计输出量数据值来提供差数据值；将差数据值与预定门限值相比较并提供对应的比较结果；以及基于比较结果输出泵的错误状态信号。最后，本发明还涉及一种计算机程序产品。

背景技术：

在不同的技术领域中广泛地使用离心泵。它们例如被用于石油生产、自来水供应系统（citywatersupplysystem）、废水清理（wastedwaterremoval）等。此类泵常常在严酷条件下和/或24小时体制（24-hourregime）中使用。此类泵通常是昂贵且体积大的部件，尤其是当它们是城市、地区等的基础设施的一部分时。此类泵的故障通常是重要的且成本密集型（cost-intensive）的事故。泵的故障可以突然发生或者伴随泵特性随时间的裂化而缓慢地发生。

在供水系统中，通常在泵站内将泵分组。泵故障可以导致装备的损坏、严重的技术危害以及供应的中断或总体系统性能的不足。泵故障的预防性检测是具有挑战性的任务并且需要应用现代方法。

技术实现要素：

因此本发明的目的是改善泵的故障检测。

由根据权利要求1的设备以及根据另外的独立权利要求9的方法以及根据另外的独立权利要求10的计算机程序产品来实现该目的。

在相应从属权利要求中阐述了本发明的方面的至少一些示例性实施例的其它方面。

根据第一设备相关的方面，尤其提出的是，所述设备具有基于向量机的模块，基于向量机的模块被配置成：从控制模块接收估计输出量数据值；通过使用支持向量机来处理估计输出量数据值以便提供经处理估计输出量数据值；以及向错误检测单元供应经处理估计输出量数据值而不是控制模块的估计输出量数据值。

根据第二方法相关的方面，尤其提出的是，所述方法另外包括如下步骤：由基于支持向量机的模块从控制模块接收估计输出量数据值；由支持向量机来处理估计输出量数据值以便提供经处理估计输出量数据值；以及供应经处理估计输出量数据值而不是控制模块的估计输出量数据值，以用于做减法的目的。

本发明基于如下事实：当测量泵的至少一个参数并考虑泵的另外的至少一个输出量时，泵的故障可以是能够提前检测的。因此，一个方法可以使用泵的振动分析。在泵处安装振动传感器。这允许监视泵振动以便确定泵的实际错误状况。此外，根据另一方法，将泵系统模型用于故障检测，其中，优选地测量泵的所有参数。此类系统与模型的偏差指示异常行为，其允许预先的故障检测。这可以提供在故障检测方面的良好结果，但是此类系统的设计是有挑战性的，因为模型受到外部或特定条件的强烈影响。

术语“估计输出量数据值”相应指的是信号或数据值，其是由控制模块进行的估计得到的结果。估计输出量数据值是控制模块的输出信号或输出数据值。术语“经处理估计输出量数据值”相应是信号或数据值，其是由支持向量机进行操作得到的结果。其相应是基于支持向量机的模块的输出信号或数据值。

另外地，如果泵是由电马达驱动的，则可通过使用马达电流特征分析（signatureanalysis）方法来提供泵马达故障的检测。这种方法是基于马达电流消耗的分析。这允许检测不同类型的故障，但是其需要使用高采样率来测量马达电流。这对于许多泵应用而言是具有挑战性的。

就这一点而言，本发明提出了一种设备和一种方法，所述设备和方法基于经计量的泵参数与由泵规格给定的相关性的比较，尤其是与基于h-q曲线的模型给定的相关性的比较，另外地由机器学习支持向量机（svm）回归对基于h-q曲线的模型进行修正。

另外地，添加svm模型，svm模型通过导致比仅仅简单使用h-q模型更小的误差来增强泵规格模型关于实际输出量的估计输出。这允许进行更精确的泵监视，并且尤其是增强故障的预测。

优选地，在机器学习中，支持向量机（也称为支持向量网络）是具有关联的学习算法的监督式学习模型，其分析数据并识别模式，被用于分类和回归分析。给定每个被标记为属于两个类型中的一个的一组训练示（example）例，则svm训练算法构建将新示例分配到一个类型或另一个类型的模型，从而使得其成为非概率二元线性分类器。svm模型表现为：示例作为空间中的点被映射成使得不同类型的示例被尽可能宽的清晰间隙（cleargap）划分。然后新示例被映射到同一空间中并基于它们落在间隙的哪一侧而被预测为属于一类型。除执行线性分类之外，svm可使用所谓的核技巧（kerneltrick）来高效地执行非线性分类，从而隐含地将它们的输入映射到高维特征空间中。更正式地说，支持向量机优选地在高维或无限维空间中构造超平面或超平面的集合，其可被用于分类、回归或其它任务。直观地，可由具有到任何类（class）的最近训练数据点的最大距离（所谓的功能裕度（functionalmargin））的超平面来实现良好的分离，因为一般而言，裕度越大，分类器的泛化误差（generalizationerror）越低。

为了训练svm模型，使用泵的实际数据，并且针对泵的实际操作条件对其进行调整。该组合模型也称为h-q-svm模型。一般而言，机器学习系统包括两个阶段，即，相应表示训练阶段或学习阶段的第一阶段，以及相应表示测试阶段或维护阶段的第二阶段，其属于设备的所意图的操作。

在训练阶段中，将泵的操作参数的测量数据用于svm的训练，尤其是用于由svm构成的机器学习算法。在测试阶段中，将由机器在训练阶段期间学习的方法用于泵的所意图的监视。在现实生活应用中，可重复地应用训练阶段。例如，可以以线模式或者通过批次训练（batchtraining）来训练算法。例如，算法可以在具有时间延迟的情况下按某个批次（batch）收集数据，并且然后将所收集的数据用于训练。

所述设备可以是硬件部件，其可以包括电路、计算机、其组合等。所述设备还可以包括硅片（siliconechip），其提供建立前面所提到的部件的电路。所述设备还可以优选地通过使用通信接口来与通信网络（例如局域网（lan）、因特网等）通信。

控制模块是所述设备的部件，进而其本身可以包括电路、计算机、其组合等。然而，在另一实施例中，控制模块可以与设备相集成。控制模块具有至少一个输入连接器，至少一个输入连接器允许控制模块接收表示泵的操作参数的至少一个信号。泵的操作参数可由被连接到泵以便检测相应参数的相应传感器提供。泵的操作参数可以是旋转速度、输入和输出之间的压力差、将要泵送的介质的流量、温度、振动、其组合等。

控制模块被配置成基于操作参数的信号来估计泵的估计输出量数据值。出于此目的，控制模块优选地使用泵规格模块，尤其是基于h-q曲线的泵规格模型。这允许控制模块估计输出量，其应以物理方式在泵的输出处提供。然而，实际上，在估计输出量数据值与由泵提供的实际输出量数据值之间出现偏差。可进一步处理该差以便确定泵是将要出故障还是仍处于正常操作模式。优选地，可提供在不久的将来可能出现故障的预测，尤其是对于本发明在基础设施领域中的所意图的使用而言。这是优点，以便增强基础设施的可靠性。因此，通过使用本发明可改善泵的故障检测。

所述设备还包括错误检测单元，错误检测单元被配置成从控制模块接收估计输出量数据值。一般地，错误检测单元可与控制模块相集成。然而，其还可以是单独部件。错误检测单元被配置成接收由传感器提供的泵的测量输出量数据值。输出量数据值可以是泵的输出流量、泵的输出压力、其组合等。因此，可以将传感器连接到泵以便提供相应的值。传感器可以是单独部件，或者其可以与设备相集成。

错误检测单元还被配置成通过从测量输出量数据值减去估计输出量数据值来提供差数据值。将该差数据值与预定门限值相比较以便接收比较结果。根据比较结果，提供泵的输出错误状态信号，尤其是从错误检测单元输出，尤其是从所述设备输出。该信号可被用于指示泵的错误状态，例如通过以视觉、声学、其组合等进行指示。此外，可以将该信号传送至中央监视站。

根据本发明，基于支持向量机的模块被配置成：从控制模块接收估计输出量数据值；处理估计输出量数据值以便提供经处理估计输出量数据值；以及向错误检测单元供应经处理估计输出量数据值而不是控制模块的估计输出量数据值。因此，由基于支持向量机的模块所提供的输出信号来替换错误检测单元的输入。进而，控制模块的输出信号现在充当用于基于支持向量机的模块的输入信号。因此，基于支持向量机的模块的使用允许增强泵的估计输出量数据值的精度，最后但同样重要地使得可相应改善错误状态的预测或决策。这通过使用基于支持向量机的模块来进一步操作由控制模块输送的估计输出量数据值而实现。

因此，错误检测单元具有改善的估计输出量数据值，以用于提供差数据值的目的。

根据改进，提出的是，基于支持向量机的模块被配置成操作机器学习支持向量机回归。这允许支持向量机模型估计将h-q模型输出流量作为输入的函数，并且估计泵的实际输出流量。

在回归规划（regressionformulation）中，一个目标是基于有噪声样本的有限集（xi,yi），（i＝1,...,n）来估计未知连续函数，其中，是d维输入且是输出。假设用于数据生成的统计模型具有以下形式：

其中，r(x)是未知目标函数（回归），并且δ是具有噪声方差σ的可加零均值噪声。

在svm回归中，首先使用某固定的（例如非线性的）映射将输入x映射到m维特征空间中，并且然后在该特征空间中构造线性模型。使用数学符号，特征空间中的线性模型相应由下式给定

其中gj(x)，k=1,...,m表示一组非线性变换，并且b是“偏置”项。常常将数据假设为是零均值的，因此前述偏置项被删掉。这可通过预处理来实现。

根据本发明的另一方面，基于支持向量机的模块被配置成：被用泵的操作参数的实际数据来训练。出于此目的，可记录泵的实际数据，并且在训练阶段期间，可将这些数据相应地用于基于支持向量机的模块或其算法的训练。这允许支持向量机对于泵的实际操作进行精确地处理。

根据另一方面，控制模块被配置成接收泵的所有操作参数的信号，并且基于操作参数的所有信号来估计所述估计输出量数据值。这允许进一步改善泵的监视的精度。例如，可在泵处提供各传感器以获得操作参数。控制模块优选地提供有相应连接器，使得传感器中的每个可与控制模块相连接。

根据本发明的另一方面，控制模块被配置成基于h-q模型来估计所述估计输出量数据值，该h-q模型进而基于由泵的制造商提供的h-q曲线。这允许进一步改善泵的监视的精度。尤其是，可另外地考虑关于泵的设计的某些信息。

根据示例性实施例，所述设备适于监视离心泵。使用本发明可提供多个应用，尤其是本发明适合于在已有操作系统中进行改装。

根据另一示例性实施例，控制模块被配置成检测驱动泵的电机的电参数。该电参数优选地也是操作参数。这允许进一步增强泵的监视。

根据又一示例性实施例，错误检测单元被配置成从预定数目的差数据值的均方根（rms）来计算门限值。这允许容易地接收门限值。优选地，所述预定数目为优选预定差数据值的如下个数，所述个数在2与25之间，优选地在2与7之间，最优选地是3。预定差数据值可以是序列值（subsequentvalue）或者它们可以是根据预定规定选择出的。

根据本发明的另一方面，提供了一个或多个计算机程序产品，所述计算机程序产品包括用于处理装置的程序，所述计算机程序产品包括程序的软件代码部分以便当程序在处理装置上运行时执行根据本发明的方法的步骤。计算机程序产品还包括计算机可执行部件，所述计算机可执行部件当程序在计算机上运行时被配置成执行如上文所提到的相应方法。上述一个计算机程序产品/多个计算机程序产品可以具体体现为计算机可读存储介质。

附图说明

通过结合附图来考虑至少一个示例性实施例的下面的详细描述，可容易地理解本发明的教导，并且将会明白至少一些附加特定细节，所述附图示意性地示出了应用于监视离心泵的本发明。

在附图中

图1示意性地示出了用于离心泵的方案（scheme），

图2示出了用于根据图1的泵的h-q曲线，

图3示意性地示出了根据本发明的用于h-qsvm模型的训练阶段中的估计训练的流程图，

图4示意性地示出了根据图1的泵的框图，该泵与根据本发明的设备相连接，

图5示意性地示出了一示图，该示图示出了根据图1的泵的实际数据，

图6示出了一示图，该示图示意性地示出了模型误差和两个门限值，

图7示出了一示图，该示图示意性地示出了故障指数，其中，在1范围内的指数涉及泵的正常行为，而在0范围内的指数涉及泵的异常行为，以及

图8示意性地示出了绘出了径向基函数（rbf）网络方法的框图。

具体实施方式

图1示意性地示出了泵装置52的框图，泵装置52包括离心泵16，离心泵16具有用于水的吸取的进口18以及用于提供泵16的输出流量的出口20。泵16由电马达14驱动，其进而由频率转换器12供应电能。频率转换器12进而与功率供应网10相连接以便为频率转换器12供应电能。

图2示意性地示出了具有通常由泵16的制造商提供的泵16的h-q曲线的示图。该示图示出了泵16的体积流量与如下的压力差之间的关系，所述压力差为处于泵16的泵曲柄（pumpcrank）的恒定速度情况下的进口18与出口20之间的压力差。所述压力差也被称为压头（head）。

图4示出了用于监视离心泵16的设备100的示意性框图。设备100是本发明的设备。设备100包括控制模块60，控制模块60被配置成接收两个信号，该两个信号表示离心泵16的操作参数74、76。当前，操作参数74指的是离心泵16的压头，而操作参数76指的是关于离心泵16的旋转的频率。在其它实施例中，可考虑不同的或附加的操作参数。

控制模块60还被配置成估计泵16的估计输出量数据值72。其中，所述估计是基于操作参数74、76的信号。控制模块60出于估计的目的使用h-q模型估计34，h-q模型估计34进而基于由离心泵16的制造商提供的泵曲线（图2）。估计输出量数据值72是控制模块60的输出值，其被提供以用于设备100的进一步处理。

图4示出了包括离心泵16的泵装置52。操作参数76影响离心泵16。在进口18位置处，离心泵16包括第一压力传感器54，而在出口20处，提供了第二压力传感器56。压力传感器54、56向压头单元58提供信号，压头单元58计算由压力传感器54、56供应的信号的压头。压头单元58提供操作参数74作为被供应到设备100的输出，设备100尤其是控制模块60。

设备100还包括错误检测单元62。错误检测单元62被配置成接收由传感器78提供的泵16的测量输出量数据值80。在本实施例中，测量输出量数据值指的是离心泵16的出口20处的体积流量。在本实施例中，传感器78是泵装置52的一部分。

根据本发明，设备100还包括基于支持向量机（supportvectormachine）的模块64，基于支持向量机的模块64被配置成从控制模块60接收估计输出量数据值72。支持向量机64处理估计输出量数据值72以便提供经处理估计输出量数据值82作为输出。经处理估计输出量数据值82作为控制模块的估计输出量数据值72的替代被供应到错误检测单元62。

错误检测单元62还被配置成通过从测量输出量数据值80减去经处理估计输出量数据值来提供差数据值。将差数据值与预定门限值相比较68。响应于此，错误检测单元62基于比较的结果而输出离心泵16的错误状态信号70。

图3在示例性实施例中示意性地示出了根据本发明的设备100的训练阶段的操作的流程图。方法在30处开始。在32处，输入来自制造商所提供的泵规格（图2）的泵标准化特性（normalizedcharacteristic）。在34处，由控制模块提供h-q模型估计。接下来，在步骤36处，执行由基于支持向量机的模块进行的估计。作为输出，在38处，提供h-q支持向量机模型。方法在40处终止。因此，图3示出了根据本发明的设备100的估计训练。

可由损失函数来度量使用根据本发明的设备进行的估计的质量，如下面所详述的。

由损失函数来度量估计的质量。svm回归使用新型的损失函数，即，被称为ε-不敏感损失函数：

经验风险是：

应注意的是，ε-不敏感损失当ε＝0时与最小模数损失且与huber鲁棒损失函数的特例一致。因此，其可针对各种噪声密度将具有提出的所选ε的svm的预测性能与使用最小模数损失（ε＝0）获得的回归估计相比较。

下面描述本发明所使用的算法。

所述算法包括作为第一阶段的训练阶段和作为第二阶段的测试阶段。根据图3示出了训练阶段，其中，由图4来绘出测试阶段。

在训练阶段中，通过使用来自制造商的泵规格的泵特性来根据步骤34估计h-q模型。输入参数当前是泵电流频率，其可从将要在电马达14处测量的电流以及由压头单元58提供的泵压头来导出。使用泵流量作为输出，泵流量由传感器78提供。

其次，估计支持向量机，其描述实际需求与输出之间的相关性。出于估计目的，使用h-q模型的泵流量的输出作为输入。输出是泵16的估计输出流量。

在测试阶段中，将组合的h-q-svm模型用于泵16的输出流量估计。接下来，提供了h-q-svm模型的误差计算。在随后的步骤中，将h-q-svm模型误差输出与门限相比较，门限在本实施例中是上门限和下门限。这些门限两者一起提供带，其中，信号在该波段外面表示泵16相应地处于故障或错误。这关于图5-7而示出。

在图5的示图中，示出了实际输出和估计的输出。图6示出了相对于上门限和下门限的模型的误差。图7示出了故障，而约0的故障标志（flag）的值表示故障，而具有约1的值的故障标志表示泵16的正常操作。

相对于图8进一步详述了基于支持向量机的模块64的操作。当前，使用神经云分类算法作为支持向量机。隶属函数的估计优选地由两个步骤组成：第一，由高级k均值（akm）聚类算法（clusteringalgorithm）进行聚类，并且第二，用径向基函数（rbf）网络方法进行聚类（cluster）的近似（参见图8）。akm是k均值算法的修改，akm具有用于给定最大数目的聚类（质心（centroid））的聚类最优数目的适应性计算。

akm本身优选地由以下步骤组成：

•设定k质心的初始数目及最大限和最小限；

•调用k均值算法以对k个质心进行定位；

•根据以下前提插入或擦除质心：

•如果数据的距离超过距最近质心的某一距离，则产生新的质心；

•如果任何聚类由小于某一数目的数据组成，则去除对应的质心；

•如果一些质心之间的距离小于某一值，则将那些聚类组合成一个；

•循环至步骤2，除非达到了某一数目的时间段（epoch），或者质心数目及它们的坐标已变得稳定。

akm算法的输出是聚类的中心，聚类的中心表示与正常行为相关的历史数据。这被用作训练集。最终，已从输入数据提取出聚类的中心，使用超曲面（隶属函数）来封装数据。出于此目的，使用高斯分布（高斯钟）。

，

其中，mi是高斯钟的中心，σ是高斯钟的宽度，x是输入数据。

中心akm聚类被分配给对应的高斯种的中心，如从图8关于l1可看到的。计算所有高斯钟的和以便获得隶属函数。在这些钟56重叠的情况下，高斯钟的和优选地为一个单位（unit）。接下来，应用归一化以使得由神经云30计算的置信度值p^c在0至1之间的界限中（参见图8）。

神经云封装用于给定训练时段的所选参数的所有先前历史。在训练之后，神经云30计算用于泵16的每个新状态的置信度值，从而描述正常行为的置信度值。

根据本发明，一维神经云构造用于热机械疲劳（tf）模拟的模型误差的隶属函数，并且提供在0与1之间的置信度值的模糊输出。

如果期望的话，本文中所讨论的不同功能和实施例可以按照不同的或偏离的顺序和/或当前以各种方式彼此一起执行。此外，如果期望的话，上面所描述的函数和/或实施例中的一个或多个可以是可选的或者可以被组合，优选地以任意方式。

虽然在独立权利要求中阐述了本发明的各种方面，但本发明的其它方面包括来自所描述的实施例和/或从属权利要求的特征与独立权利要求的特征的其它组合，而不仅仅是在权利要求中所明确地阐述的组合。

在本文中还注意到的是，虽然上面描述了本发明的示例性实施例，但不应将该描述视为对范围的限制。更确切地，在不偏离如在所附权利要求中定义的本发明的范围的情况下可以作出若干改变和修改。