一种离心泵故障诊断方法、系统、介质及设备

本公开涉及离心泵故障诊断，更为具体来说，本公开涉及一种离心泵故障诊断方法、系统、介质及设备。

背景技术：

1、离心泵主要是通过叶轮的高速转动，使吸入叶轮中介质产生离心力，介质在离心力的作用下从叶轮中心处甩向外周，并使叶轮中心压力降低，从而将液体不断吸入叶轮中心，液体的吸入和排除是一个循环往复的过程。在此过程中，轴承、驱动电机转子、叶轮等零部件是离心油泵经常发生故障的常见部件。为了避免因离心泵发生故障而导致人身安全及经济损失，故障诊断成为了提高设备设施的全性和可靠性的必要手段。

2、轴承故障诊断其原理主要是将传感器收集到的原始振动信号与目标振动信号进行对比，通过相似性来判断其是否出现故障。目前应用到轴承故障诊断中的方法大致可以分成三类，分别是：基于信号处理的故障诊断、基于模型解析的故障诊断和基于人工智能的故障诊断。

3、在离心泵的轴承故障诊断研究中会出现以下问题：大多数轴承故障诊断方法无法兼顾正确率、精度、召回率、错误率等指数；原始振动信号一般都是一维时变非稳态信号，而对于深度神经网络来说，将二维图像作为输入进行特征提取，可增强特征信息传播，使特征信息得到充分利用，但直接将振动信号转换成二维图像作为输入，往往不能保留信号间的时间相关性，导致信号信息丢失。

技术实现思路

1、本发明公开的主要目的在于提出一种离心泵故障诊断方法，以解决现有技术的不能保留信号间的时间相关性，导致信号信息丢失的技术问题。

2、为实现上述技术目的，本公开提供了一种离心泵故障诊断方法，所述方法包括：

3、采集离心泵轴承的原始振动信号并存储；

4、对采集得到的原始振动信号进行预处理，得到二维时序图数据集，并将所述数据集分为模型的训练集和测试集；

5、将所述训练集输入至轻量级卷积神经网络模型中进行特征提取和数据增强得到处理后的数据；

6、将所述处理后的数据输入层级式神经网络模型中，再次进行特征提取并进行故障诊断；

7、根据故障诊断结果，多次训练神经网络并选出最优神经网络；

8、将所述测试集输入所述最优神经网络以进行离心泵故障诊断。

9、进一步，所述对采集得到的原始振动信号进行预处理具体包括：

10、通过开源python库pyts，调用图像编码法马尔可夫转移场，将采集得到的原始振动信号进行马尔可夫变换，得到二维时序图数据集，按照预设比例将所述二维时序图数据集划分为训练集和测试集。

11、进一步，所述原始振动信号具体为通过步长为100、长度为4096的滑动窗口转换得到的长度为4096的振动信号片段；

12、所述将采集得到的原始振动信号进行马尔可夫变换具体为：

13、将原本长度为4096的一维振动信号片段变换为像素大小为64×64的rgb图像。

14、进一步，所述将所述训练集输入至轻量级卷积神经网络模型中进行特征提取和数据增强得到处理后的数据具体包括：

15、将所述二维时序图数据集中的训练集数据输入至轻量级卷积神经网络模型，将原本的二维时序图数据集中的训练集数据提取出冗余特征，进行样本增强；

16、经过轻量级卷积神经网络模型处理后的数据由原本的像素大小为64×64的rgb图像变为像素大小为32×32的特征图数据集。

17、进一步，所述将所述测试集输入所述最优神经网络以进行离心泵故障诊断具体包括：

18、利用多次训练神经网络并选出最优神经网络对离心泵轴承振动信号数据进行十分类以得到离心泵故障诊断诊断结果。

19、进一步，所述对离心泵轴承振动信号数据进行十分类具体包括：

20、根据所述最优神经网络中的softmax分类器的输出判断是否存在故障；

21、其中，标签为“0”表示存在0.007-ball故障；标签为“1”，表示存在0.007-innerrace故障；标签为“2”，表示存在0.007-outerrace故障；标签为“3”表示存在0.014-ball故障，标签为“4”，表示存在0.014-innerrace故障，标签为“5”，表示存在0.014-outerrace故障；标签为“6”表示存在0.021-ball故障，标签为“7”，表示存在0.021-innerrace故障，标签为“8”，表示存在0.021-outerrace故障；标签为“9”，表示不存在故障。

22、为实现上述技术目的，本公开还能够提供一种离心泵故障诊断系统，包括：

23、数据采集模块，用于采集离心泵轴承的原始振动信号并存储；

24、预处理模块，用于对采集得到的原始振动信号进行预处理，得到二维时序图数据集，并将所述数据集分为模型的训练集和测试集；

25、特征提取模块，用于将所述训练集输入至轻量级卷积神经网络模型中进行特征提取和数据增强得到处理后的数据；以及，将所述处理后的数据输入层级式神经网络模型中，再次进行特征提取并进行故障诊断；

26、训练模块，用于根据故障诊断结果，多次训练神经网络并选出最优神经网络；

27、故障诊断模块，用于将所述测试集输入所述最优神经网络以进行离心泵故障诊断。

28、为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的离心泵故障诊断方法的步骤。

29、为实现上述技术目的，本公开还提供了一种电子设备，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，处理器执行计算机程序时实现上述的离心泵故障诊断方法的步骤。

30、本公开的有益效果：

31、本公开的系统和方法在数据处理阶段使用图像编码法马尔可夫转移场将一维振动信号转换为二维时序图的形式作为输入数据，这种方法获取训练数据较为简便，且能够最大限度的保留原始振动信号的时序信息，对故障的诊断能力有进一步地提高。

32、轻量级卷积模块ghost与层级式神经网络模型swin transformer的融合图神经网络对于处理图分类的问题能够捕获图的底层特征和全局特征，通过学习底层和全局两个层面的特征，能够总结出最优的分类模型，可以运用于小样本和复杂工况下的故障诊断。

技术特征：

1.一种离心泵故障诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对采集得到的原始振动信号进行预处理具体包括：

3.根据权利要求2所述的方法，其特征在于，所述原始振动信号具体为通过步长为100、长度为4096的滑动窗口转换得到的长度为4096的振动信号片段；

4.根据权利要求2所述的方法，其特征在于，所述将所述训练集输入至轻量级卷积神经网络模型中进行特征提取和数据增强得到处理后的数据具体包括：

5.根据权利要求1所述的方法，其特征在于，所述将所述测试集输入所述最优神经网络以进行离心泵故障诊断具体包括：

6.根据权利要求5所述的方法，其特征在于，所述对离心泵轴承振动信号数据进行十分类具体包括：

7.一种离心泵故障诊断系统，其特征在于，所述系统包括：

8.根据权利要求7中所述的系统，其特征在于，所述预处理模块具体用于通过开源python库pyts，调用图像编码法马尔可夫转移场，将采集得到的原始振动信号进行马尔可夫变换，得到二维时序图数据集，按照预设比例将所述二维时序图数据集划分为训练集和测试集。

9.一种电子设备，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，其特征在于，处理器执行计算机程序时实现权利要求1～6任一项中所述的离心泵故障诊断方法对应的步骤。

10.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求1～6任一项中所述的离心泵故障诊断方法对应的步骤。

技术总结
本公开涉及一种离心泵故障诊断方法、系统、介质及设备，所述方法包括：采集离心泵轴承的原始振动信号并存储；对采集得到的原始振动信号进行预处理，得到二维时序图数据集，并将所述数据集分为模型的训练集和测试集；将所述训练集输入至轻量级卷积神经网络模型中进行特征提取和数据增强得到处理后的数据；将所述处理后的数据输入层级式神经网络模型中，再次进行特征提取并进行故障诊断；根据故障诊断结果，多次训练神经网络并选出最优神经网络；将所述测试集输入所述最优神经网络以进行离心泵故障诊断。本公开的系统和方法获取训练数据较为简便，且能够最大限度的保留原始振动信号的时序信息，对故障的诊断能力有进一步地提高。

技术研发人员：龙顾伊,李振锋,郭昶,卢延云,徐波
受保护的技术使用者：中国科学院微电子研究所
技术研发日：
技术公布日：2024/4/7