一种换流阀中主循环泵的故障诊断方法、系统、装置及介质与流程

本发明涉及电力设备检测领域，更具体的，涉及一种换流阀中主循环泵的故障诊断方法、系统、装置及介质。

背景技术：

1、随着直流输电容量和电压等级的提高，换流阀作为直流输电工程中的核心设备，其运行状态直接影响着直流输电系统安全稳定。换流阀在运行过程中会产生大量的热量，阀冷系统的主循环泵驱动冷却水的流动，将结温控制在合理的范围内。由于运行条件和运行工况的变化，主循环泵容易发生故障，会显著降低阀冷系统的换热效率，进而导致换流阀结温过高发生直流闭锁，严重影响直流输电系统的稳定性要求。因此，实现阀冷系统主循环泵的实时故障诊断具有重要意义，而目前，针对主循环泵的故障诊断主要集中在对主循环泵振动信号的分析。

2、对基于振动信号的电气设备故障诊断，国内专家和学者进行了积极的研究工作。在振动信号故障特征提取方面，发展出基于时域分析法、频域分析法和时频分析法等不同的研究方向。其中，以时频分析法最能反映非平稳振动信号的时域和频域特征。例如，赵书涛等通过自适应噪声集合经验模态分解(ceemdan，complete eemd with adaptive noise)方法拆分非平稳信号，提取分量功率谱的形状熵特征，实现了高压断路器的躁动状态辨识。于春雨等结合经验模态分解(emd，empirical mode decomposition)和自回归模型(autoregressive model)，通过求解自回归模型参数和残差余项获取振动信号特征矩阵，实现了滚动轴承的故障诊断与定位。李兵等则提出了一种基于改进正余弦算法(isca，improved sine-cosine algorithm)优化堆叠降噪自动编码器(sdae，stacked denoisingauto encoder)的电机轴承故障诊断方法，实现了良好的故障诊断效果。

3、进一步的，在电气设备故障诊断和振动信号的处理方面，深度学习算法表现优秀。例如，雷春丽等提出了基于迁移学习和改进残差神经网络(resnet)的深度学习模型，较好地完成对风力机滚动轴承的故障诊断。张训杰等将振动信号转换为二维图像，结合卷积神经网络(cnn，convolutional neural networks)和双向门控循环单元(bigru，bidirectional gated recurrent unit)，完成对滚动轴承的故障模式识别。张龙等采用递归图编码方式将振动信号转换为二维图像，使用残差网络(resnet)自适应提取滚动轴承振动信号故障特征，实现了故障诊断。

4、然而，截至目前为止，在主循环泵振动信号的诊断领域中仍然较少涉及准确有效的智能算法故障诊断。另外，当主循环泵发生了各类不同原因的故障后，现有方法难以从主循环泵的各类故障原因入手，从相似的振动信号中准确实现故障溯源。

5、更进一步的，由于故障信号本身包含着较为丰富的三维空间信息，而根据不同的故障发生原因，振动信号三维空间信息上存在着能够区分的差异。但是，现有技术中，尚未根据这类差异来进一步的判别故障原因。这也导致不同故障原因下的类似振动信号难以被准确的溯源。例如，当联轴器发生的角不对中和平行不对中两种不同故障时，或者发生轴承松动和转子不平衡两种故障时，导致故障发生的原因可能是截然不同的，但其结果，也就是振动信号上所反映出的情况则可能非常相似，如果不能针对故障信号的空间信息进行深入的挖掘和分析，则无法对于上述两种故障进行准确划分。

6、另外，现有技术中，智能算法的效率较低，而主循环泵采集到的振动信号中绝大多数信号又处于正常的非故障状态下，因而这也进一步的降低了算法的故障排查效率。

7、针对上述问题，亟需一种新的换流阀中主循环泵的故障诊断方法、系统、装置及介质。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种换流阀中主循环泵的故障诊断方法、系统、装置及介质，通过采集主循环泵的三向振动信号，通过去噪、图像转换和卷积神经网络实现故障提取。

2、本发明采用如下的技术方案。

3、本发明第一方面，涉及一种换流阀中主循环泵的故障诊断方法，方法包括以下步骤：步骤1，采集换流阀主循环泵的三向振动信号，采用vmd-svd算法对三向振动信号进行去噪；步骤2，分别将去噪后的单向振动信号转化为二维灰度图像，并依次将二维灰度图像输入至不同的颜色通道后进行叠加，以获取特征融合图像；步骤3，将特征融合图像输入至卷积神经网络中，以实现故障特征提取。

4、优选的，三向振动信号是基于主循环泵的泵端轴承箱上设置的加速度传感器采集的来自主循环泵的轴向、垂直和纵向的振动分量；加速度传感器的振动频率测量范围在0.2hz至10khz之间，采样频率为12.8khz。

5、优选的，vmd-svd算法分别对所述三向振动信号中的每一个方向上的单向振动信号进行去噪。

6、优选的，采用gaf算法将所述单向振动信号转换为二维灰度图像，并对每一个二维灰度图像标记方向标签和时间标签。

7、优选的，基于主循环泵的历史运行状态为二维灰度图像标记状态标签；状态标签分别为主循环泵正常、主循环泵转子不平衡、联轴器角不对中、联轴器平行不对中和轴承松动。

8、优选的，将时间标签存在对应关系的二维灰度图像进行叠加后，输入至alexnet网络中实现故障特征提取。

9、优选的，将alexnet网络的提取出的故障特征与状态标签建立关联关系，以实现故障分类。

10、优选的，在训练集中，每次抽取2n个未抽取过的特征融合图像作为批量样本，输入至alexnet网络中进行训练，直至完成训练集中所有样本的训练，确认完成一次迭代过程；n为自然数。

11、优选的，每次迭代之前，对训练集中的样本顺序进行随机重排。

12、本发明第二方面，涉及一种换流阀中主循环泵的故障诊断系统，系统用于实现本发明第一方面中的一种换流阀中主循环泵的故障诊断方法的步骤，并且；系统包括采集模块、融合模块和提取模块；其中，采集模块包括加速度传感器和去噪单元，加速度传感器用于采集换流阀主循环泵的三向振动信号，去噪单元采用vmd-svd算法对三向振动信号进行去噪；融合模块，用于分别将去噪后的单向振动信号转化为二维灰度图像，并依次将二维灰度图像输入至不同的颜色通道后进行叠加，以获取特征融合图像；提取模块，用于将特征融合图像输入至卷积神经网络中，以实现故障特征提取。

13、本发明第三方面，涉及一种换流阀中主循环泵的故障诊断装置，装置包括处理器及存储介质；其中，存储介质用于存储指令；处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。

14、本发明第四方面，涉及计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面中方法的步骤。

15、本发明的有益效果在于，与现有技术相比，本发明中的一种换流阀中主循环泵的故障诊断方法、系统、装置及介质，能够通过采集换流阀的三向振动信号，分别生成二维灰度图像，并综合考虑三个不同空间维度上的微弱振动特征，采用卷积神经网络实现了有效、准确的故障特征提取。本发明方法有效可靠，算法效率高，能够从故障特征中实现不同故障类型的合理溯源。

16、本发明的有益效果还包括：

17、1、由于分别采集了三维空间上不同方向的振动信号并去噪、图像转换，从而准确的采集到了针对每个方向上的振动信号的异常。对于主循环泵所发生的各类不同原因所导致的故障来说，即便是故障的表现较为类似，也会在某个空间维度上存在细微的差异。但对于本发明来说，这种细微的差异则刚好能够通过分别生成的二维灰度图像体现出来。因此，本发明中这种以叠加的融合图像作为输入的算法，较好的保证了某个维度上微弱空间信息的获取，提高了算法在局部差别上的辨识度，确保了故障分类的准确。

18、2、本发明通过信号去噪，消除了主循环泵振动信号中存在的高频噪声，提高了主循环泵的故障诊断精度。另外，克服了主循环泵的传统故障检测系统存在的针对性差，效率低以及智能化水平低等缺点。

19、3、本发明方法采用rgb通道实现了三个方向上二维灰度图像的叠加，巧妙的实现了卷积神经网络对于同一时间内不同方向上振动信号的联合检测。

20、4、本发明中为了提高算法效率，对于alexnet网络的迭代过程进行了改进。这种改进在不修改算法模型的前提下，对alexnet网络的输入方式和样本的批量计算方式进行了修改，从而保证在大量样本为正常样本的情况下，算法能够实现快速收敛，并确保alexnet网络的故障特征提取速率。