泵阀故障诊断方法和装置与流程

1.本技术涉及故障诊断技术领域，尤其涉及一种泵阀故障诊断方法和装置。


背景技术：

2.井下煤炭开采环境恶劣，工况复杂多变，长时间连续工作的往复柱塞泵故障频发，吸排液阀故障就是往复柱塞泵典型故障之一，不但影响煤炭开采效率，还可能造成严重经济损失和安全隐患。因此，对泵阀进行状态监测和故障诊断对设备安全稳定运行具有重要意义。
3.相关技术中，通过在矿用往复柱塞泵泵阀上安装传感器采集设备状态信息，进而通过数据分析实现设备异常预警与故障诊断，防止恶性故障的发生，减少经济损失，还基于泵阀的大量且数据量接近的不同状态数据，结合信号处理、机器学习或深度学习等数据驱动技术建立泵阀故障诊断模型，实现对泵阀故障的诊断，但相关技术的往复柱塞泵的吸排液阀的状态监测数据服从长尾分布，正常状态下的样本量非常大，而故障的样本量非常少，形成工程上不得不关注的数据类别不平衡问题，相关的泵阀故障诊断方法是在数据平衡的假设下提出的，从而导致上述泵阀故障诊断方法不具有泛化能力。


技术实现要素：

4.本技术提出一种泵阀故障诊断方法和装置。
5.本技术第一方面实施例提出了一种泵阀故障诊断方法，所述方法包括：获取所述泵阀的整周期信号样本以及所述整周期信号样本对应的泵阀状态标签，并对所述整周期信号样本进行信号变换，以得到所述整周期信号样本对应的信号频谱；将所述信号频谱输入到条件变分自编码器，以得到所述信号频谱对应的特征分布和预测状态标签；根据所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述条件变分自编码器进行训练，确定所述条件变分自编码器的模型参数；基于所述条件变分自编码器中解码器的模型参数，构建所述解码器模型，并将所述解码器模型作为所述泵阀的故障诊断模型；将所述泵阀的实时整周期信号样本对应的实时信号频谱以及所述特征分布合并后输入到所述故障诊断模型，以得到所述泵阀的实时状态预测标签；根据所述泵阀的实时状态预测标签，确定所述泵阀是否故障。
6.在本技术的一个实施例中，所述获取所述泵阀的整周期信号样本以及所述整周期信号样本对应的泵阀状态标签，并对所述整周期信号样本进行快速傅里叶变换，以得到所述整周期信号样本对应的信号频谱，包括：获取所述泵阀对应的振动信号，以及所述泵阀对应曲轴的键相信号；对所述振动信号和所述键相信号进行加窗处理，以得到泵阀的整周期信号样本；对所述整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签；对所述整周期信号样本进行快速傅里叶变换，以得到所述整周期信号样本对应的初始信号频谱；对所述初始信号频谱进行归一化处理，以得到归一化的信号频谱。
7.在本技术的一个实施例中，所述条件变分自编码器包括编码器、潜在特征空间表
示层和解码器，将所述信号频谱输入到条件变分自编码器，以得到所述信号频谱对应的特征分布和预测状态标签，包括：将所述信号频谱输入到所述编码器中，以得到所述信号频谱对应的特征向量；将所述特征向量输入到所述潜在特征空间表示层，以采样出所述特征向量对应的特征分布；将所述特征分布和所述信号频谱输入所述解码器中，以得到所述信号频谱对应的预测状态标签。
8.在本技术的一个实施例中，所述将所述特征向量输入到所述潜在特征空间表示层，以采样所述特征向量对应的特征分布，包括：将所述特征向量输入到所述潜在特征空间表示层，以得到所述特征向量的均值以及方差；对所述均值以及方差进行随机分布采样，以得到所述特征向量对应的特征分布。
9.在本技术的一个实施例中，所述根据所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述条件变分自编码器进行训练，确定所述条件变分自编码器的模型参数，包括：根据所述泵阀状态标签作为所述条件变分自编码器的输入，所述预测状态标签作为所述条件变分自编码器的输出，以生成条件变分自编码器的初始模型；基于所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述初始模型进行训练，直至所述初始模型满足预设的终止准则，以得到所述条件变分自编码器的目标模型；将所述目标模型中的目标模型参数作为所述条件变分自编码器的模型参数。
10.本技术提出一种泵阀故障诊断方法，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。
11.本技术第三方面实施例提出了一种泵阀故障诊断装置，所述装置包括：获取模块，用于获取获取所述泵阀的整周期信号样本以及所述整周期信号样本对应的泵阀状态标签，并对所述整周期信号样本进行信号变换，以得到所述整周期信号样本对应的信号频谱；第一生成模块，用于将所述信号频谱输入到条件变分自编码器中，以得到所述信号频谱对应的特征分布和预测状态标签；第一确定模块，用于根据所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述条件变分自编码器进行训练，确定所述条件变分自编码器的模型参数；构建模块，用于基于所述条件变分自编码器中解码器的模型参数，构建所述解码器模型，并将所述解码器模型作为所述泵阀的故障诊断模型；第二生成模块，用于将所述泵阀的实时整周期信号样本对应的实时信号频谱以及所述特征分布合并后输入到所述故障诊断模型，以得到所述泵阀的实时状态预测标签；第二确定模块，用于根据所述泵阀的实时状态预测标签，确定所述泵阀是否故障。
12.在本技术的一个实施例中，所述获取模块，具体用于：获取所述泵阀对应的振动信号，以及所述泵阀对应曲轴的键相信号；对所述振动信号和所述键相信号进行加窗处理，以得到泵阀的整周期信号样本；对所述整周期信号样本对应的泵阀状态进行状态标注，以得
到泵阀的泵阀状态标签；对所述整周期信号样本进行快速傅里叶变换，以得到所述整周期信号样本对应的初始信号频谱；对所述初始信号频谱进行归一化处理，以得到归一化的信号频谱。
13.在本技术的一个实施例中，所述条件变分自编码器包括编码器、潜在特征空间表示层和解码器，第一生成模块，包括：输入单元，用于将所述信号频谱输入到所述编码器中，以得到所述信号频谱对应的特征向量；采样单元，用于将所述特征向量输入到所述潜在特征空间表示层，以采样出所述特征向量对应的特征分布；生成单元，用于将所述特征分布和所述信号频谱输入所述解码器中，以得到所述信号频谱对应的预测状态标签。
14.在本技术的一个实施例中，所述采样单元，具体用于：将所述特征向量输入到所述潜在特征空间表示层，以得到所述特征向量的均值以及方差；对所述均值以及方差进行随机分布采样，以得到所述特征向量对应的特征分布。
15.在本技术的一个实施例中，所述第一确定模块，具体用于：根据所述泵阀状态标签作为所述条件变分自编码器的输入，所述预测状态标签作为所述条件变分自编码器的输出，以生成条件变分自编码器的初始模型；基于所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述初始模型进行训练，直至所述初始模型满足预设的终止准则，以得到所述条件变分自编码器的目标模型；将所述目标模型中的目标模型参数作为所述条件变分自编码器的模型参数。
16.本技术提出一种泵阀故障诊断装置，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。
17.本技术第五方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本技术实施例中的泵阀故障诊断方法。
18.本技术第六方面实施例提出了了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现本技术实施例中的泵阀故障诊断方法。
19.上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
20.图1是本技术实施例所提供的一种泵阀故障诊断方法的流程示意图；
21.图2是本技术实施例所提供的另一种泵阀故障诊断方法的流程示意图；
22.图3是本技术实施例所提供的另一种泵阀故障诊断方法的流程示意图；
23.图4是本技术实施例所提供的一种条件变分自编码器的训练示意图；
24.图5是本技术实施例所提供的一种泵阀状态诊断结果的混淆逻辑矩阵图；
25.图6是本技术实施例所提供一种泵阀故障诊断装置的结构示意图；
26.图7是本技术实施例所提供另一种泵阀故障诊断装置的结构示意图。
具体实施方式
27.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
28.下面参考附图描述本技术实施例的泵阀故障诊断方法、装置和电子设备。
29.图1是本技术实施例所提供的一种泵阀故障诊断方法的流程示意图。其中，需要说明的是，本实施例提供的泵阀故障诊断方法的执行主体为泵阀故障诊断装置，该泵阀故障诊断装置可以由软件和/或硬件的方式实现，该实施例中的泵阀故障诊断装置可以配置电子设备中，本实施例中的电子设备可以包括服务器，该实施例对电子设备不作具体限定。
30.图1是本技术实施例所提供的一种泵阀故障诊断方法的流程示意图。
31.如图1所示，该泵阀故障诊断方法可以包括：
32.步骤101，获取泵阀的整周期信号样本以及整周期信号样本对应的泵阀状态标签，并对整周期信号样本进行信号变换，以得到整周期信号样本对应的信号频谱。
33.在一些实施例中，泵阀可以是井下煤矿开采过程中往复柱塞泵的排液阀和吸液阀，但不仅限于此，该实施例对此不做具体限定。
34.在一些实施例中，泵阀状态标签可以划分为多种，泵阀故障标签、泵阀异常标签以及泵阀正常标签，但不仅限于此。
35.具体地，排液阀故障标签、吸液阀故障标签或排、吸液阀均故障标签，以及排液阀正常标签、吸液阀正常标签或排、吸液阀均正常标签，该实施例对此不做具体限定。
36.可以理解的是，可以控制泵阀的整周期信号样本与泵阀正常运行的标准整周期信号样本进行比较，实现对整周期信号样本的异常诊断，以确定出整周期信号样本对应的泵阀状态标签，实现对整周期信号样本对应的泵阀状态标签的精准标注。
37.其中，泵阀的整周期信号样本对应的信号频谱中的异常信号频谱数据较少，泵阀正常运行时的信号频谱较多。
38.在一些实施例中，对整周期信号样本进行信号变换可以是进行傅里叶变换，具体地，可以对整周期信号样本进行快速傅里叶变换，以得到整周期信号样本对应的信号频谱，但不仅限于此。
39.步骤102，将信号频谱输入到条件变分自编码器中，以得到信号频谱对应的特征分布和预测状态标签。
40.在一些实施例中，到条件变分自编码器可以包括编码器和解码器两个部分，可以利用多层感知机对编码器和解码器进行建模，其中，编码器和解码器之间通过数据的潜在特征空间表示层进行连接，由此，基于多层感知机和条件变分自编码器，实现对不平衡信号频谱的精准检测。
41.步骤103，根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数。
42.在一些实施例中，根据泵阀状态标签与预测状态标签的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数的一种实施方式可以为，根据泵阀状态标签作为条件变分自编码器的输入，预测状态标签作为条件变分自编码器的输出，以生成条件变分自编码器的初始模型，基于泵阀状态标签与预测状态标签的差异性以及特征分布与
预设数据分布的差异性，对初始模型进行训练，直至初始模型满足预设的终止准则，以得到条件变分自编码器的目标模型，将目标模型中的目标模型参数作为条件变分自编码器的模型参数，从而得到条件变分自编码器最优的模型参数，提高故障诊断模型的准确性。
43.具体地，在得到条件变分自编码器的初始模型之后，可以通过设定学习率，并选取优化训练器，对初始模型进行优化训练，以至初始模型满足预设的终止准则，以得到条件变分自编码器的目标模型，并将目标模型中的目标模型参数作为条件变分自编码器的模型参数。
44.其中，设定的学习率可以设置为1e-4，也可以根据实际业务场景由相关技术人员进行设定，该实施例对此不做具体限定。
45.其中，优化训练器可以包括但不限于adam。
46.其中，预设的终止准则可以是初始模型训练在损失值停止减小时终止，但不仅限于此。
47.可以理解的是，初始模型训练在损失值对应的损失函数可以包含但不限于于利用焦点损失函数衡量泵阀状态标签和预测状态标签的差异性，以及利用kullback-leible散度衡量潜在特征空间分布与标准正态分布间差异性两部分损失，该实施例对此不做具体限定。
48.具体地，以焦点损失函数衡量泵阀状态标签和预测状态标签的差异性，以及利用kullback-leible散度衡量潜在特征空间分布与标准正态分布间差异性两部分损失为例，定义公式如下。
[0049][0050]
其中，平衡参数α用于处理正常与故障样本数比例不均衡问题，p
t
表示样本的标签预测概率，聚焦参数γ一般取2值,μ和σ2表示均值和方差,d表示潜在空间的采样变量数，其值为512。
[0051]
在另一些实施例中，还可以以泵阀状态标签与预测状态标签的差异性最小为优化目标，从而确定准确的条件变分自编码器的模型参数。
[0052]
步骤104，基于条件变分自编码器中解码器的模型参数，构建解码器模型，并将解码器模型作为泵阀的故障诊断模型。
[0053]
在一些实施例中，可以直接将训练好的条件变分自编码器中的解码器作为泵阀的故障诊断模型，还可以基于条件变分自编码器的模型参数中解码器的模型参数，构建解码器模型，并将解码器模型作为泵阀的故障诊断模型。
[0054]
步骤105，将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签。
[0055]
在一些实施例中，通过特征分布平衡不同实时整周期信号样本的状态标签对故障诊断模型的影响，从而对实时整周期信号样本对应的实时信号频谱进行精准诊断，以得到更准确的泵阀的实时状态预测标签，实现对泵阀状态的精确诊断。
[0056]
步骤106，根据泵阀的实时状态预测标签，确定泵阀是否故障。
[0057]
在一些实施例中，在泵阀的实时状态预测标签为泵阀正常标签的情况下，说明泵阀为正常状态运行，在泵阀的实时状态预测标签为泵阀异常标签的情况下，说明泵阀为异常状态，可以由人工针对泵阀异常标签对泵阀进行调控，从而排除故障，保障泵阀的安全稳定运行。
[0058]
本技术提出一种泵阀故障诊断方法，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。
[0059]
图2是本技术实施例所提供的另一种泵阀故障诊断方法的流程示意图。
[0060]
步骤201，获取泵阀对应的振动信号，以及泵阀对应曲轴的键相信号。
[0061]
在一些实施例中，泵阀对应的振动信号可以是通过安装在泵阀上的振动传感器进行测量，但不仅限于此。
[0062]
具体地，可以以柱塞泵排液阀为例，可以通过安装在柱塞泵排液腔封堵板的振动传感器感知泵阀的状态，得到泵阀的状态信息，以重状态信息中获取泵阀对应的振动信号。
[0063]
在一些实施例中，获取泵阀对应曲轴的键相信号的一种实施方式可以是，通过安装在曲轴上的信号感应头和曲轴箱端盖上的转速传感器获取曲轴的键相信号，但不仅限于此。
[0064]
步骤202，对振动信号和键相信号进行加窗处理，以得到泵阀的整周期信号样本。
[0065]
在一些实施例中，为减小噪声对泵阀的整周期信号样本的影响，可以通过窗函数对振动信号和键相信号进行加窗处理，以得到泵阀的整周期信号样本，从而避免噪声干扰的同时，保障泵阀的整周期信号样本的连续性。
[0066]
步骤203，对整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签。
[0067]
在一些实施例中，可以通过人工对整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签，还可以将历史的整周期信号样本对应的泵阀状态进行模型训练，以得到一个泵阀状态标注模型，通过该泵阀状态标注模型对整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签，该实施例对此不做具体限定。
[0068]
步骤204，对整周期信号样本进行快速傅里叶变换，以得到整周期信号样本对应的初始信号频谱。
[0069]
在一些实施例中，为提高整周期信号样本的处理效率，可以对整周期信号样本进行快速傅里叶变换，以得到整周期信号样本对应的初始信号频谱，即将时许信号转换为易于分析的频域信号，从而提高整周期信号样本的处理效率。
[0070]
步骤205，对初始信号频谱进行归一化处理，以得到归一化的信号频谱。
[0071]
在一些实施例中，可以通过线性函数法、对数函数法、反余切函数法对初始信号频谱进行归一化处理，以得到归一化的信号频谱，但不仅限于此，该实施例对此不做具体限
定。
[0072]
步骤206，将信号频谱输入到条件变分自编码器中，以得到信号频谱对应的特征分布和预测状态标签。
[0073]
步骤207，根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数。
[0074]
步骤208，基于条件变分自编码器中解码器的模型参数，构建解码器模型，并将解码器模型作为泵阀的故障诊断模型。
[0075]
步骤209，将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签。
[0076]
步骤210，根据泵阀的实时状态预测标签，确定泵阀是否故障。
[0077]
其中，需要说明的是，关于步骤206至步骤210的具体实现方式，可参见上述实施例中的相关描述。
[0078]
本技术提出一种泵阀故障诊断方法，获取泵阀对应的振动信号，以及泵阀对应曲轴的键相信号，对振动信号和键相信号进行加窗处理，以得到泵阀的整周期信号样本，对整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签，对整周期信号样本进行快速傅里叶变换，以得到整周期信号样本对应的初始信号频谱，对初始信号频谱进行归一化处理，以得到归一化的信号频谱，将信号频谱输入到条件变分自编码器中，以得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，基于条件变分自编码器中解码器的模型参数，构建解码器模型，并作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签，从而确定泵阀是否故障，由此，在泵阀的故障诊断过程中，基于精准的泵阀整周期信号样本对应的信号频谱以及泵阀状态标签，准确得到由信号频谱的特征分布构建的故障诊断模型，实现对泵阀状态的精准诊断。
[0079]
图3是本技术实施例所提供的另一种泵阀故障诊断方法的流程示意图，其中，条件变分自编码器包括编码器、潜在特征空间表示层和解码器。
[0080]
步骤301，获取泵阀的整周期信号样本以及整周期信号样本对应的泵阀状态标签，并对整周期信号样本进行信号变换，以得到整周期信号样本对应的信号频谱。
[0081]
其中，需要说明的是，关于步骤301的具体实现方式，可参见上述实施例中的相关描述。
[0082]
步骤302，将信号频谱输入到编码器中，以得到信号频谱对应的特征向量。
[0083]
在一些实施例中，编码器可以是由一维卷积神经网络构建，也可以由多层感知机构建，但不仅限于此，该实施例对此不做具体限定。
[0084]
在另一些实施例中，还可以在编码器中设置多层隐含层增强编码器的数据特征提取能力，以提高特征向量的准确性。
[0085]
具体地，可以将信号频谱输入到编码器的同时，还将整周期信号样本对应的泵阀状态标签输入到编码器中，以对信号频谱进行特征提取，以得到信号频谱对应的特征向量。
[0086]
具体地，若信号频谱的维度为1024，泵阀状态标签共有4类，则可以将编码器的输
入维度设置为为1028，网络隐含层的神经元个数可以设置为2048和1024，实现对信号频谱的特征提取。
[0087]
步骤303，将特征向量输入到潜在特征空间表示层，以采样出特征向量对应的特征分布。
[0088]
在一些实施例中，将特征向量输入到潜在特征空间表示层，以采样出特征向量对应的特征分布的一种实施方式可以为将特征向量输入到潜在特征空间表示层，以得到特征向量的均值以及方差，对均值以及方差进行随机分布采样，以得到特征向量对应的特征分布。
[0089]
其中，对于潜在特征空间表示层的均值和方差，可以均设定512个神经元进行采样。
[0090]
步骤304，将特征分布和信号频谱输入解码器中，以得到信号频谱对应的预测状态标签。
[0091]
在一些实施例中，解码器可以由多层隐含层构建，但不仅限于此。
[0092]
具体地，可以通过多层隐含层增强对信号频谱进行数据还原的能力，并结合特征分布平衡整周期信号样本对应的泵阀状态标签，以得到信号频谱对应的预测状态标签。
[0093]
例如，在潜在特征空间表示层的均值和方差，均设定包含512个神经元的情况下，则解码器的输入维度可以设置为1536，以输出信号频谱对应的预测状态标签。
[0094]
步骤305，根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数。
[0095]
步骤306，基于条件变分自编码器中解码器的模型参数，构建解码器模型，并将解码器模型作为泵阀的故障诊断模型。
[0096]
步骤307，将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签。
[0097]
步骤308，根据泵阀的实时状态预测标签，确定泵阀是否故障。
[0098]
本技术提出一种泵阀故障诊断方法，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并获取整周期信号样本对应的信号频谱，将信号频谱输入到编码器中，以得到信号频谱对应的特征向量，将特征向量输入到潜在特征空间表示层，以采样出特征向量对应的特征分布，将特征分布和信号频谱输入解码器中，以得到信号频谱对应的预测状态标签，根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，基于条件变分自编码器中解码器的模型参数，构建解码器模型，并作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签，从而确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，提高了故障诊断模型的普适性和准确性。
[0099]
综上，本技术还提出了一种条件变分自编码器的框架图，如图4所示，其中条件变分自编码器由编码器、潜在特征空间表示层和解码器组成，具体地，可以将泵阀的整周期信号样本对应的信号频谱，以及整周期信号样本对应的泵阀状态标签输入到编码器中进行编码，以得到信号频谱对应的特征向量，再将特征向量输入到潜在特征空间表示层，以得到特征向量对应的均值以及方差，再对均值以及方差进行预设数据分布重采样，以得到特征向
量对应特征分布重采样的采样变量z，从而将采样变量和信号频谱合并后输入解码器中，以得到信号频谱对应的预测状态标签，由此，基于预测状态标签和泵阀状态标签的差异性，实现对条件变分自编码器的训练，提高条件变分自编码器的准确性。
[0100]
此外，可以理解的是，以井下煤矿开采过程中往复柱塞泵的排液阀和吸液阀的故障诊断为例，如图5所示，图5是本技术实施例所提供的一种泵阀状态诊断结果的混淆矩阵图，具体地，通过将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签，以泵阀状态标签为纵坐标与泵阀实时状态预测标签为横坐标，并以泵阀状态标签和泵阀实时状态预测标签的正常、排液阀故障、吸液阀故障和吸排液阀均故障四种标签类型进行矩阵划分，以得到一种泵阀状态诊断结果的混淆矩阵图。
[0101]
图6是本技术实施例所提供一种泵阀故障诊断装置的结构示意图。
[0102]
如图6所示，该泵阀故障诊断装置600包括：
[0103]
获取模块601，用于获取泵阀的整周期信号样本以及整周期信号样本对应的泵阀状态标签，并对整周期信号样本进行信号变换，以得到整周期信号样本对应的信号频谱。
[0104]
第一生成模块602，用于将信号频谱输入到条件变分自编码器中，以得到信号频谱对应的特征分布和预测状态标签。
[0105]
第一确定模块603，用于根据泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对条件变分自编码器进行训练，确定条件变分自编码器的模型参数。
[0106]
构建模块604，用于基于条件变分自编码器中解码器的模型参数，构建解码器模型，并将解码器模型作为泵阀的故障诊断模型。
[0107]
第二生成模块605，用于将泵阀的实时整周期信号样本对应的实时信号频谱以及特征分布合并后输入到故障诊断模型，以得到泵阀的实时状态预测标签。
[0108]
第二确定模块606，用于根据泵阀的实时状态预测标签，确定泵阀是否故障。
[0109]
本技术提出一种泵阀故障诊断装置，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。
[0110]
在本技术的一个实施例中，如图7所示，获取模块601，具体用于：
[0111]
获取泵阀对应的振动信号，以及泵阀对应曲轴的键相信号。
[0112]
对振动信号和键相信号进行加窗处理，以得到泵阀的整周期信号样本。
[0113]
对整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签。
[0114]
对整周期信号样本进行快速傅里叶变换，以得到整周期信号样本对应的初始信号频谱。
[0115]
对初始信号频谱进行归一化处理，以得到归一化的信号频谱。
[0116]
在本技术的一个实施例中，如图7所示，条件变分自编码器包括编码器、潜在特征空间表示层和解码器，第一生成模块602，包括：
[0117]
输入单元6021，用于将信号频谱输入到编码器中，以得到信号频谱对应的特征向量。
[0118]
采样单元6022，用于将特征向量输入到潜在特征空间表示层，以采样出特征向量对应的特征分布。
[0119]
6023，用于将特征分布和信号频谱输入解码器中，以得到信号频谱对应的预测状态标签。
[0120]
在本技术的一个实施例中，如图7所示，采样单元6022，具体用于：
[0121]
将特征向量输入到潜在特征空间表示层，以得到特征向量的均值以及方差。
[0122]
对均值以及方差进行随机分布采样，以得到特征向量对应的特征分布。
[0123]
在本技术的一个实施例中，如图7所示，第一确定模块603，具体用于：
[0124]
根据泵阀状态标签作为条件变分自编码器的输入，预测状态标签作为条件变分自编码器的输出，以生成条件变分自编码器的初始模型。
[0125]
基于泵阀状态标签与预测状态标签的差异性以及特征分布与预设数据分布的差异性，对初始模型进行训练，直至初始模型满足预设的终止准则，以得到条件变分自编码器的目标模型。
[0126]
将目标模型中的目标模型参数作为条件变分自编码器的模型参数。
[0127]
本技术提出一种泵阀故障诊断装置，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。
[0128]
根据本技术的实施例，本技术还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本技术实施例中的泵阀故障诊断方法。
[0129]
本技术还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时实现本技术实施例中的泵阀故障诊断方法。
[0130]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0131]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0132]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。