一种离心泵多模态监测数据清洗及建模方法与流程

1.本发明涉及一种离心泵多模态监测数据清洗及建模方法，属于离心泵运行状态建模技术领域。


背景技术：

2.离心泵是一种应用广泛的旋转机械，具有运行转速高、介质温度压力高等特点，加之复杂的设备工况，极易发生各类故障，导致各类恶性事故的产生，影响设备运行的可靠性和安全性。鲁棒获取离心泵运行状态信息并建模是离心泵运行状态辨识及故障诊断的前提和基础。现有技术多采用单一的振动传感器获取离心泵的运行过程中的振动信息以表达离心泵的运行状态。但是，大量的研究和实际应用成果表明该类策略所获取的单一模态的传感器监测信息难以准确、及时的反应离心泵的运行状态，导致故障诊断结果常出现严重误差，无法满足实际应用的需求。
3.离心泵运行状态相关要素主要包括：机体温度变化、壳体运动状态及轴承振动三个要素。随着传感器技术的发展，对于这三种信息要素监测的技术日趋成熟，使得离心泵多模态监测数据的及时获取成为可能，能够为离心泵运行状态监测及建模提供更加丰富的基础数据。然而，数据量的增加导致大量错误数据的产生，为准确的离心泵运行状态建模及故障诊断造成严重影响。此外，面对数据格式具有明显差异多模态数据，数据建模的困难性显著增加。


技术实现要素：

4.发明目的：针对现有技术中存在的问题与不足，本发明提供一种离心泵多模态监测数据清洗及建模方法，通过红外成像传感器、振动传感器获取离心泵机体温度变化、壳体运动状态及轴承振动三个要素的信息。在此基础上，采用时序耦合方法对三种模态的数据进行清洗，滤除不可靠的传感数据，滤除不可靠的传感数据，形成离心泵工作状态数据序列。最后，采用深度学习方法对离心泵工作状态数据序列进行多流深度特征提取并融合，形成离心泵多模态监测特征模型，以表征离心泵的工作状态。为及时有效的离心泵故障诊断及健康状态评价等提供基础。
5.技术方案：一种离心泵多模态监测数据清洗及建模方法，包括如下步骤：
6.步骤(1)实时获取运转中离心泵热红外成像和振动两种传感数据，形成离心泵工作状态原始数据序列，表征离心泵时序的温度，运动及振动信息三种模态的数据。
7.步骤(2)采用时序的耦合计算，根据耦合计算结果判断温度，运动及振动信息的原始数据序列的可靠性。
8.步骤(3)根据数据的对表征离心泵时序的温度，运动及振动信息的原始数据序列进行数据清洗，构造离心泵工作状态数据序列。
9.步骤(4)对离心泵工作状态数据序列进行多流深度特征提取并融合，形成离心泵的工作状态模型。
10.在离心泵区域内布设热红外成像传感器，用于实时获取运转中离心泵热红外成像的传感数据，成像视域以离心泵区域为中心，离心泵区域像素占据图像像素的50％以上。在离心泵滚动轴承器件布设振动传感器，用于实时获取运转中离心泵振动数据。
11.有益效果：与现有技术相比，本发明提供的离心泵多模态监测数据清洗及建模方法，能够协同获取、处理离心泵多模态监测数据，并通过协同数据清洗技术，保障离心泵监测数据的完整性和鲁棒性，为离心泵健康状态的估计和故障诊断提供更加丰富的特征和依据，提高估计和诊断的准确性。
附图说明
12.图1为本发明实施例的方法流程图。
具体实施方式
13.下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
14.如图1所示，一种离心泵多模态监测数据清洗及建模方法，包括：
15.一、通过布设热红外成像及振动传感器，实时获取运转中离心泵热红外成像和振动两种模态的传感数据，形成离心泵工作状态原始数据序列，表征离心泵时序的温度，运动及振动信息。
16.在离心泵区域内布设热红外成像传感器，用于实时获取运转中离心泵热红外成像的传感数据，成像视域以离心泵区域为中心，离心泵区域像素占据图像像素的50％以上。在离心泵滚动轴承器件布设振动传感器，用于实时获取运转中离心泵振动数据。
17.(1)实时获取运转中离心泵热红外成像数据表征离心泵时序的温度信息。利用热红外成像的强度信息，采用基于兴趣区域的离心泵热成像区域提取方法，考虑到离心泵布设区域在热成像区域中的像素位置相对稳定，离心泵轴承部件区域在热成像区域中的像素位置相对稳定，标定离心泵区域r及轴承部件区域s，计算轴承部件区域s中热成像的强度值并换算成温度值：
[0018][0019]
其中，为t时刻旋转轴承部件区域的热成像强度值之和，n
s
为兴趣区域中像素的数量，α为热成像强度值到温度值的换算系数。
[0020]
(2)实时获取运转中离心泵热红外成像数据表征离心泵时序的运动信息。利用热红外成像的像素位置信息，在先验的离心泵区域r中利用光流法计算一段时间间隔ν内的运动信息，形成t时刻二维的运动特征图
[0021][0022]
其中，r
t
(x,y)为t时刻离心泵区域，r
t
‑
v
(x,y)为t
‑
v时刻离心泵区域，
τ
为预设阈值
(典型值τ＝0.6)，(x,y)为图像像素位置。
[0023]
(3)利用振动传感器实时获取运转中离心泵振动信息v
t
。
[0024]
二、采用时域耦合法对表征离心泵时序的温度，运动及振动信息的原始数据序列的可靠性进行判别。
[0025]
可靠性判别的依据：
[0026]
①
当时域耦合性降低时表明数据发生瞬变。
[0027]
②
当温度，运动及振动信息数据协同瞬变时，数据可靠。
[0028]
③
当温度，运动及振动信息数据的瞬变不协同时，不协同的一类数据不可靠。
[0029]
(1)考虑到离心泵状态的时间连续性，建立温度，运动及振动信息的间隔为k的序列作为t时刻的时序样本，以时序样本为离心泵监测数据清洗和建模的基元。
[0030]
t时刻的温度信息的时序样本：
[0031]
η
t
＝[i
t
‑
k
，i
t
‑
k+1
，
…
，i
t
]
[0032]
t时刻的运动信息时序样本：
[0033]
其中ν＝k
[0034]
t时刻的振动信息时序样本：
[0035]
β
t
＝[v
t
‑
k
，v
t
‑
k+1
，
…
，v
t
]
[0036]
计算t时刻的时序样本与t
‑
1时刻温度信息的时序样本的耦合相关性
[0037][0038][0039][0040]
其中，为t时刻温度时序样本相关性，为t时刻运动时序样本相关性，为t时刻振动时序样本相关性，corr()为一维矢量相关性计算函数，corr2()为二维矩阵相关性计算函数。
[0041]
(2)判断温度、运动、振动信息判断三种数据的可靠性。
[0042]
对相关性进行阈值滤波：
[0043][0044][0045][0046]
若或则温度、运动、振动信息均可靠。否则，判断不可靠的信息类，其规则为：
[0047]
提取三个参数中不同于其他两个参数的一个参数，该参数所对应的信息种类为非可靠信息。具体：
[0048]
若或者则离心泵温度信息不可靠。
[0049]
若或者则离心泵运动信息不可靠。
[0050]
若或者则离心泵振动信息不可靠。
[0051]
三、对表征离心泵时序的温度，运动及振动信息的原始数据序列进行数据清洗，根据数据的可靠性滤除不可靠的传感数据，形成离心泵工作状态数据序列。采用上一时刻的时序样本替代当前时刻的时序样本。
[0052]
若温度信息为非可靠信息，则η
t
＝η
t
‑1[0053]
若运动信息为非可靠信息，则θ
t
＝θ
t
‑1[0054]
若振动信息为非可靠信息，则β
t
＝β
t
‑1。
[0055]
四、对离心泵工作状态数据序列(离心泵温度，运动及振动的时序样本)进行多流深度特征提取并融合，形成离心泵多模态监测特征模型，以表征离心泵的工作状态。
[0056]
对温度信息采用一维卷积神经网络(1d
‑
cnn)提取温度深度特征，对于运动信息采用二维卷积神经网络(2d
‑
cnn)提取运动深度特征，对于振动信息采用一维卷积神经网络(1d
‑
cnn)提取振动深度特征。采用压缩
‑
拼接
‑
激励(squeeze
‑
connection
‑
excitation)模型进行温度、运动、振动多流深度特征融合。融合结果为离心泵多模态监测特征模型，以表征离心泵的工作状态。