一种离心泵故障确定方法及设备与流程

本发明涉及电数字数据处理领域，特别是指一种离心泵故障确定方法及设备。

背景技术：

1、离心泵是依靠叶轮旋转时产生的离心力来输送液体的泵，利用高速旋转的叶轮叶片带动水转动，将水甩出，从而达到输送的目的。离心泵是远洋船舶上使用较多的泵，其主要输送的是淡水、海水及滑油等。目前，在离心泵故障诊断方面，常用诊断方法都是以振动信号的监测为主。由于在信号采集过程中，环境噪声会影响采集到的振动监测信号，会对故障诊断的结果造成影响。因此，这种方法依靠单一传感器获得的故障特征参数对离心泵进行诊断，不能够完全反映离心泵的运行状态，对离心泵的故障诊断结果存在准确率低的缺点。

技术实现思路

1、为了解决上述问题，本申请提出了一种方法、设备及介质，其中方法包括：

2、获取离心泵的实时运行数据；对所述实时运行数据进行时频域特征提取，得到至少一个特征矩阵；将所述特征矩阵输入预先训练好的离心泵故障诊断模型和/或运行状态聚类模型进行处理，得到至少一个预测诊断结果；所述离心泵故障诊断模型是根据多源历史信息融合后的融合结果训练得到的；所述离心泵运行状态聚类模型是通过对所述多源历史信息进行聚类得到的；根据所述至少一个预测诊断结果，确定离心泵的故障类型。

3、在一个示例中，对所述实时运行数据进行时频域特征提取，得到至少一个特征矩阵，包括：对所述实时运行数据进行预处理，得到预处理后的实时运行数据；对所述预处理后的实时运行数据进行时频域特征提取，得到实时时频域特征；对所述实时时频域特征进行转换处理，得到所述实时运行数据对应的至少一个特征矩阵；所述对所述预处理后的实时运行数据进行时频域特征提取，包括通过离散傅里叶变换、功率谱密度、基于自回归模型的频谱估计、短时傅里叶变换、小波函数、基于滤波器的希尔伯特变换对所述预处理后的实时运行数据进行时域特征提取。

4、在一个示例中，所述离心泵故障诊断模型的训练过程包括：获取离心泵的历史正常运行数据和历史故障状态数据，所述历史正常运行数据和所述历史故障状态数据是由多种类型的传感器采集得到的；对每一种类型的传感器采集的所述历史正常运行数据和所述历史故障状态数据，进行时频域特征提取，得到训练特征数据；将所述训练特征数据输入预设网络模型进行故障预测处理，得到多个预测结果；将每个预测结果和阈值结果进行融合处理，得到离心泵故障诊断模型。

5、在一个示例中，对所述历史正常运行数据和所述历史故障状态数据，进行时频域特征提取，得到训练特征数据，包括：对所述历史正常运行数据和所述历史故障状态数据进行预处理，得到预处理后的历史正常运行数据和预处理后的所述历史故障状态数据；对所述预处理后的历史正常运行数据和所述预处理后的所述历史故障状态数据进行时频域特征提取，得到历史时频域特征；对所述历史时频域特征进行转换处理，得到训练特征数据，所述训练特征数据包括至少一个样本矩阵，所述样本矩阵包括历史正常运行数据时频域特征和历史故障状态数据时频域特征。

6、在一个示例中，将所述训练特征数据输入预设网络模型进行故障预测处理，得到多个预测结果，包括：对所述训练特征数据进行划分，得到训练集和测试集；将所述训练集输入所述预设网络模型，得到训练后的故障诊断模型；将所述测试集输入所述训练后的故障诊断模型，得到测试后的故障诊断模型；将所述训练特征数据输入测试后的故障诊断模型进行故障预测处理，得到多个预测结果。

7、在一个示例中，将每个预测结果和阈值结果进行融合处理，得到离心泵故障诊断模型，包括：根据预测结果和所述训练特征数据，得到预测准确率；根据所述预测准确率，确定测试后的故障诊断模型的权重；根据所述权重和所述预测结果，确定最优的离心泵故障诊断模型。

8、在一个示例中，所述方法还包括：对所述离心泵的故障类型进行判断，得到判断结果；根据所述判断结果对所述离心泵故障诊断模型进行调整。

9、在一个示例中，所述离心泵运行状态聚类模型的构建过程包括：获取离心泵的历史正常运行数据和历史故障状态数据，所述历史正常运行数据和所述历史故障状态数据是由多种类型的传感器采集得到的；对每一种类型的传感器采集的所述历史正常运行数据和所述历史故障状态数据，进行时频域特征提取，得到训练特征数据；通过对所述训练特征数据进行聚类，以在预设空间内得到多个特征数据聚类簇；基于所述训练特征数据对应的离心泵运行状态，对所述多个特征数据聚类簇进行标注，以得到所述离心泵运行状态聚类模型。

10、在一个示例中，所述将所述特征矩阵输入预先训练好的运行状态聚类模型进行处理，得到至少一个预测诊断结果，包括：基于k-means算法，对所述特征矩阵进行聚类，以确定所述特征矩阵在所述预设空间中的聚类坐标；基于所述聚类坐标与所述多个特征数据聚类簇之间的相对位置关系，确定所述特征矩阵所对应的预测诊断结果。

11、根据本发明的另一个方面，提供了一种离心泵故障确定设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述任一示例所述的方法。

12、通过本申请提出的方法能够带来如下有益效果：通过将离心泵的实时运行数据输入根据多源历史信息融合后的融合结果训练得到的离心泵故障诊断模型以及离心泵运行状态聚类模型，来确定离心泵的故障类型，能够提高离心泵故障诊断的准确性、有效性和可靠性。

技术特征：

1.一种离心泵故障确定方法，其特征在于，包括：

2.根据权利要求1所述的离心泵故障确定方法，其特征在于，对所述实时运行数据进行时频域特征提取，得到至少一个特征矩阵，包括：

3.根据权利要求1所述的离心泵故障确定方法，其特征在于，所述离心泵故障诊断模型的训练过程包括：

4.根据权利要求3所述的离心泵故障确定方法，其特征在于，对所述历史正常运行数据和所述历史故障状态数据，进行时频域特征提取，得到训练特征数据，包括：

5.根据权利要求4所述的离心泵故障确定方法，其特征在于，将所述训练特征数据输入预设网络模型进行故障预测处理，得到多个预测结果，包括：

6.根据权利要求5所述的离心泵故障确定方法，其特征在于，将每个预测结果和阈值结果进行融合处理，得到离心泵故障诊断模型，包括：

7.根据权利要求1所述的离心泵故障确定方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，所述离心泵运行状态聚类模型的构建过程包括：

9.根据权利要求8所述的方法，其特征在于，所述将所述特征矩阵输入预先训练好的运行状态聚类模型进行处理，得到至少一个预测诊断结果，包括：

10.一种离心泵故障确定设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至9任一项所述的方法。

技术总结
本发明涉及电数字数据处理领域，提供一种离心泵故障确定方法及设备。所述方法包括：获取离心泵的实时运行数据；对所述实时运行数据进行时频域特征提取，得到至少一个特征矩阵；将所述特征矩阵输入预先训练好的离心泵故障诊断模型和/或离心泵运行状态聚类模型进行处理，得到至少一个预测诊断结果；所述离心泵故障诊断模型是根据多源历史信息融合后的融合结果训练得到的；根据所述至少一个预测诊断结果，确定离心泵的故障类型。本发明通过将离心泵的实时运行数据输入根据多源历史信息融合后的融合结果训练得到的离心泵故障诊断模型，来确定离心泵的故障类型，能够提高离心泵故障诊断的准确性、有效性和可靠性。

技术研发人员：王兴,付健,陈强,李磊
受保护的技术使用者：山东海运股份有限公司
技术研发日：
技术公布日：2024/4/17