一种离心泵汽蚀状态监测方法、装置、设备和存储介质与流程

本技术涉及离心泵故障监测，尤其是涉及一种离心泵汽蚀状态监测方法、装置、设备和存储介质。

背景技术：

1、离心泵进水口处的绝对压力减小到当时水温下的汽蚀压力时，水会发生汽化，液态的水将在离心泵入水口形成气体，从而形成许多小气泡。这些小气泡随水流进高压区时，气泡迅速破裂，破裂产生巨大的水力冲击以每秒钟数万次的频率反复作用在离心泵的叶轮上，时间一长，就会使叶轮的叶片逐渐因疲劳损伤而剥落，这种现象称为汽蚀。

2、汽蚀初生时，对水泵外特性并无明显影响，汽蚀发展到一定程度后，水泵的功率、效率、流量和扬程等数据会突然下降。当汽蚀充分发展后，水流的有效过流面积会减小很多，以致引起水流中断，而不能工作，叶片剥蚀和腐蚀严重时，会产生叶片断裂或穿孔等重大事故。

3、因此，需要监测离心泵是否出现汽蚀，并予以消除。相关技术中，通常会监测水泵运行时发出的机械振动、噪声、超声波以及液体压力、温度等数据，再对数据进行分析以判断离心泵的汽蚀状况。但在上述中的相关技术中，比如通过泵入口压力传感器、泵出口压力传感器、泵体振动传感器、声音传感器、泵驱动机功率传感器以及收集前述信息的信号收集器，得到泵扬程值、泵体振动值、泵驱动功率值等数据，将得到的数据与预存储数据实时比对，判断汽蚀状态，存在需要在离心泵内部或管道内部安装大量传感器的问题，通常一种数据就要搭配一种专用的传感器，如果传感器受损，更换时还需要让离心泵停机，甚至拆开离心泵进行维护。

4、因此，另一种方式是通过监测管道液体中气泡的大小、密度等状态，判断离心泵汽蚀的严重程度，如采用电容法和光电法监测离心泵管道内气泡的状态。但是，通过光电法和电容法监测气泡来判断汽蚀情况，比如在管道两侧各放一个电容极板测量两个极板之间的电容变化，推算管道内液体介质的变化情况，则存在难以获得汽蚀关键数据获取的数据量少、数据的种类少以至于无法采用人工智能自动监测的问题，监测离心泵汽蚀状态的识别度较低。

技术实现思路

1、为了解决上述问题，本技术提供了一种离心泵汽蚀状态监测方法、装置、设备和存储介质，能够实现通过超声波探测液体介质内的气泡，得到用于判断离心泵汽蚀状态的数据液体介质的实时状态数据，准确地判断离心泵是否属于危险汽蚀。

2、第一方面，本技术提供一种离心泵汽蚀状态监测方法，采用如下的技术方案：

3、采集来自离心泵出口管道中液体介质的超声波信号信息；

4、对所述超声波信号信息进行预处理，得到超声波信号信息数据，其中，所述超声波信号信息数据包括波形信号、计数信号和时差信号；

5、将超声波信号信息数据输入预训练的神经网络模型中，计算液体介质的实时状态数据，将实时状态数据与预设状态数据进行比较，以及，进行逻辑运算，判断离心泵汽蚀状态，得到超声波信号信息的处理结果；

6、输出超声波信号信息的处理结果。

7、通过采用上述技术方案，能够以采集到的超声波信号信息数据计算液体介质的实时状态数据，避免了在离心泵和管道内设置传感器；超声波携带的信息量足够大，能够为神经网络模型提供足够的训练数据；神经网络模型经过训练达到满意的检测精度后，就能够实现对离心泵汽蚀状态进行实时监测。

8、可选的，所述预处理步骤包括：

9、采集超声波信号信息中的电压信号；

10、对电压信号进行模数转换；

11、将模数转换后电压信号与参考信号进行对比，得到所述波形信号、计数信号和时差信号。

12、通过采用上述技术方案，将采集到的超声波信号信息转化为计算机可识别的数字信号，继而神经网络模型能够计算出液体介质的实时状态数据并判断离心泵汽蚀状态。

13、可选的，所述实时状态数据包括液体介质中气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、液体介质的脉动压力和液体介质的温度；其中，通过神经网络模型计算所述波形信号、计数信号和时差信号，得到气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度。

14、通过采用上述技术方案，统计波形信号的连续性能够得到气泡出现的时间点；统计波形信号幅值的平均值和标准差能够得到气泡的密度，通过比较幅值的标准差，还能识别出空气气泡和液体蒸气气泡，得到更为准确的气泡出现的时间点；对信号中的异常时基脉冲计数，可以计算出气泡的大小；对信号中的异常采样次数计时，可以计算气泡的持续时长；根据超声波的时差，能够计算液体介质的流速和静液声速，根据液体介质的流速能够进一步计算液体介质的脉动压力，统计一段时间内液体介质脉动压力的变化能够得到液体介质的压力脉动，汽蚀是因液体蒸汽气泡在高压区破裂而产生的，因此，液体介质的压力脉动在汽蚀监测中是非常关键的状态数据，根据静液声速能够进一步计算液体介质的温度。

15、可选的，所述预设状态数据包括出现危险汽蚀时和出现非危险汽蚀时气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度；获取所述预设状态数据的步骤包括：

16、预设多个时间段和多种液体介质流速，将一个预设时间段内处于一种预设液体介质流速下的离心泵工况作为一种预设工况；

17、采集每一种预设工况下来自离心泵出口管道中液体介质的超声波信号信息；

18、判断每一种预设工况下离心泵的汽蚀状态并根据对应的超声波信号信息计算液体介质的状态数据；

19、存储所有预设工况下的离心泵汽蚀状态和对应的液体介质的状态数据作为预设状态数据。

20、通过采用上述技术方案，得到待监测离心泵的预设状态数据，不仅能够用于训练神经网络模型，也能在实际监测时，作为预设状态数据与实时状态数据进行对比；设置多个工况能够获得更为准确的预设状态数据，提高模型的检测精度。

21、可选的，所述神经网络模型为前馈神经网络模型，包括输入层、隐函数层和输出层；其中，所述输入层用于将波形信号、计数信号和时差信号传递到隐函数层中；所述隐函数层用于计算实时状态数据、比较实时状态数据与预设状态数据和进行逻辑运算；所述输出层用于向前馈神经网络模型外输出运算结果；

22、得到所述运算结果的步骤包括：

23、计算实时状态数据；

24、将计算得到的实时状态数据与预设工况下的预设状态数据进行比较，对比较结果进行逻辑运算，得到危险汽蚀/非危险汽蚀的运算结果；

25、所述计算实时状态数据的步骤包括：

26、根据所述波形信号计算液体介质中气泡出现的时间点和气泡的密度；

27、根据计数信号计算液体介质中气泡的大小和气泡持续的时长；

28、根据时差信号计算液体介质的脉动压力和液体介质的温度。

29、通过采用上述技术方案，前馈神经网络模型能够根据实时状态数据，自动判断离心泵的汽蚀状态。

30、可选的，在所述输入层接收波形信号、计数信号和时差信号之前，还包括：

31、所述前馈神经网络模型对自身的权重矩阵随机初始化并选择非线性最优化算法作为优化算法；在所述输出层输出运算结果后，还包括：

32、所述前馈神经网络模型计算损失函数并使用反向传播法调试权重矩阵，前馈神经网络模型迭代至预设次数时终止迭代。

33、通过采用上述技术方案，前馈神经网络的权重矩阵能够得到优化，更适合待测试的离心泵，前馈神经网络的检测精度得到提高。

34、第二方面，本技术提供一种离心泵汽蚀状态监测装置，采用如下的技术方案：

35、采集模块，用于采集来自离心泵出口管道中液体介质的超声波信号信息；

36、数据预处理模块，用于对所述超声波信号信息进行预处理，得到超声波信号信息数据，所述超声波信号信息数据包括波形信号、计数信号和时差信号；

37、计算模块，用于将超声波信号信息数据输入神经网络模型中，所述神经网络模型用于计算液体介质的实时状态数据；

38、比较模块，用于将实时状态数据与预设状态数据进行比较，得到离心泵汽蚀状态的监测结果。

39、第三方面，本技术提供一种计算机设备，采用如下的技术方案：

40、一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任一项所述的离心泵汽蚀状态监测方法。

41、第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：

42、一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一项所述的离心泵汽蚀状态监测方法的计算机程序。

43、综上所述，本技术包括以下至少一种有益技术效果：

44、能够以采集到的超声波信号信息数据计算液体介质的实时状态数据，避免了在离心泵和管道内设置传感器；超声波携带的信息量足够大，能够为神经网络模型提供足够的训练数据；神经网络模型经过训练达到满意的检测精度后，就能够实现对离心泵汽蚀状态进行实时监测。