基于多类型信号干式真空泵工作状态智能诊断方法及系统

本发明涉及干式真空泵领域，尤其涉及一种基于多类型信号干式真空泵工作状态智能诊断方法及系统。

背景技术：

1、干式真空泵目前广泛应用于半导体制造、生物制药、化工冶金、食品加工等行业中。其能够在大气压至1×10-2的压力范围内，在泵的抽气流道(如泵腔)中不使用任何油类和密封液体的情况下，将排气口与大气相通，连续向大气中排气。以往，对一个工厂中的众多干式真空泵的日常维护和故障诊断往往会耗费大量的人力、物力和财力。然而，随着计算机技术与传感器技术的不断发展，对干式真空泵系统的运行情况进行检测可获得海量数据，再结合特定的人工智能算法，可以推动对干式真空泵的故障检测进入“大数据”、“智能化”时代。与此同时，干式真空泵的大数据也给其故障诊断带来了新的挑战。

2、目前，干式真空泵的故障诊断主要依靠专业现场工程师对其现场工作情况进行判断，比如：电机上有异响多数是轴承损坏或轴承与机壳的配合不当导致；若轴承跑外圆，可对泵壳的配合面采用錾花处理；若轴承跑内圆，可对电机轴的磨损部位采用錾花处理；螺杆真空泵的异响，需要确定是轴承部位异响，还是转子和端面摩擦造成的异响，然后再根据具体的情况进行处理。但专业现场工程师对干式真空泵现场工作情况进行判断具有以下技术问题：首先，缺乏时效性，专业现场工程师既不能在第一时间发现故障，也不能在故障发生后的第一时间赶到现场进行诊断，导致工业生产的效率降低；其次，故障诊断分析时间长、准确率低，干式真空泵发生故障的诱因是多种且复杂的，因此需要专业现场工程师具有极强的理论基础和工程经验，并且需要对干式真空泵进行细致分析处理。

3、干式真空泵的故障诊断的另一种主流方法是在干式真空泵的特定位置上放置振动信号传感器，再对信号进行时域分析与频域分析，比如：转子不平衡会导致径向的振动信号异常；滚动轴承磨损会导致径向和轴向的振动信号幅值变大；轴颈轴承松动会导致径向的振动信号产生次谐波等。然而，对干式真空泵的振动信号做时域分析与频域分析进行故障诊断具有以下技术问题：首先，振动信号的采集依赖于传感器所安装的位置，这会导致时域分析与频域分析会对离振动信号传感器较远的故障不够敏感，因此，时域分析与频域分析的结果是与振动信号传感器的位置高度相关的；其次，干式真空泵的故障诱因往往是多种且复杂的，这就导致了其故障产生的振动信号具有较大的非线性和不确定，也使得时域分析与频域分析的诊断难度上升。

4、随着人工智能的蓬勃发展，机器学习算法被越来越多地引进到了工业制造故障诊断这个行业之中，尤其是滚动轴承方向。因此，将机器学习中的算法，如：支持向量机(svm)、孤立森林(if)、自编码神经网络(ae)等可以应用到异常检测场景中的算法，引入到干式真空泵的故障检测。只需要将干式真空泵的振动数据经过清洗与特征提取后，输入到基于机器学习算法的故障诊断模型中，即可实现干式真空泵的故障检测与健康管理。然而，目前大部分异常检测算法主要分为两类：一类依赖于标签的，这类算法既需要健康数据，又需要异常数据，就是常见的监督学习；另一类则是检测信号序列的离群点，即远离正常分布的点。然而，在实际问题中，首先，一台设备绝大部分的运行时间都是处于正常状态的，因此异常数据很难获取；其次，不同设备数据的一致性较差，因此很难实现模型迁移学习；最后，当异常产生时，检测信号可能会进入一种新的异常模式，而不是产生离群点。因此第二类异常检测算法也并不能很好地实际解决问题。

5、传统的对于干式真空泵的故障检测主要依赖于专业现场工程师以及对数据的时域分析与频域分析，而现有的机器学习算法并不直接适用于该故障检测问题，缺乏针对干式真空泵的基于机器学习算法的故障诊断系统与软件。

6、因此，本领域的技术人员致力于开发一种适用于针对干式真空泵在现实场景中的机器学习算法。

技术实现思路

1、鉴于现有技术的上述缺陷，本发明提供了一种基于机器学习算法开发针对干式真空泵的故障检测模型，并建立完整的故障诊断系统，以及配套的软硬件设备。

2、一方面，传统基于频谱分析算法的干式真空泵故障诊断方法，非常依赖于专业工程师的理论基础和工程经验，而本发明提供的基于机器学习算法的干式真空泵故障诊断方法，仅需通过对数据提取特征并建模，就能实现故障检测与诊断，并不依赖于工程师的水平。

3、另一方面，一些机器学习方法也被逐渐地引入到工业生产与维护之中，但这些算法往往需要大量的健康样本与故障样本，即，正标签与负标签。而实际工业生产中，故障样本是十分稀少的，需要耗费大量的人力成本去收集。同时，在故障发生之前，往往对故障是无法预知的，收集到的故障样本不能包含全部的故障情况，直接使用机器学习算法进行分类可能会做出错误的判断。而本发明提供的基于机器学习算法的干式真空泵故障诊断方法在建模时，只需要健康数据即可，减少了人力成本、时间成本，增加了模型的准确性，更加符合实际。

4、为实现上述目的，本发明提供了一种基于多类型信号干式真空泵工作状态智能诊断方法，包括以下步骤：利用健康数据构建训练样本集；构建多维状态空间异常检测模型；根据训练样本集训练多维状态空间异常检测模型，得到健康状态空间，以备故障检测；利用现场工况数据构建现场工况样本集；根据现场工况样本集生成测试状态空间；以及将测试状态空间输入训练后的多维状态空间异常检测模型，进行故障检测。

5、在本发明的另一较佳实施方式中，还包括：收集振动信号，其中，通过在干式真空泵的多个关键位置上设置振动传感器收集振动信号；以及从收集到的振动信号中获取健康数据和现场工况数据。

6、在本发明的另一较佳实施方式中，还包括在收集振动信号后对振动信号进行预处理，进一步包括以下步骤：对收集到的振动信号进行数据清洗，筛选出工作状态数据；从清洗后的工作状态数据中提取时域特征和频域特征，生成特征数据集；以及对特征数据集进行数据降维。

7、在本发明的另一较佳实施方式中，根据训练样本集训练多维状态空间异常检测模型进一步包括：将训练样本集划分成训练集和验证集；以及构建多维状态空间异常检测模型，通过训练集对多维状态空间异常检测模型进行训练优化，并通过验证集确保多维状态空间异常检测模型达到预期效果，从而得到多维状态空间异常检测模型的健康状态空间，以备故障检测。

8、在本发明的另一较佳实施方式中，将测试状态空间输入训练后的多维状态空间异常检测模型进行故障检测进一步包括：将测试状态空间输入训练后的多维状态空间异常检测模型，返回健康状态值；根据健康状态值对干式真空泵的实时健康状态进行检测；以及在发生故障时提供故障信息，其中，故障信息包括故障发生的位置和故障类型。

9、本发明还提供一种基于多类型信号干式真空泵工作状态智能诊断系统，包括：训练模块，被配置为能够利用健康数据构建训练样本集，并构建多维状态空间异常检测模型，以及根据训练样本集训练多维状态空间异常检测模型，得到健康状态空间，以备故障检测；以及检测模块，被配置为能够利用现场工况数据构建现场工况样本集，根据现场工况样本集生成测试状态空间，以及将测试状态空间输入训练后的多维状态空间异常检测模型，进行故障检测。

10、在本发明的另一较佳实施方式中，还包括：收集模块，被配置为能够收集振动信号，并从收集到的振动信号中获取健康数据和现场工况数据，其中，通过在干式真空泵的多个关键位置上设置振动传感器收集振动信号。

11、在本发明的另一较佳实施方式中，还包括：预处理模块，被配置为能够对收集到的振动信号进行数据清洗，筛选出工作状态数据；从清洗后的工作状态数据中提取时域特征和频域特征，生成特征数据集；以及对特征数据集进行数据降维。

12、本发明还提供一种基于多类型信号干式真空泵工作状态智能诊断装置，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器被配置为能够在执行计算机程序时实现根据上述的基于多类型信号干式真空泵工作状态智能诊断的步骤。

13、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时能够实现根据上述的基于多类型信号干式真空泵工作状态智能诊断方法的步骤。

14、本发明提供的技术方案，相对于现有技术来说，至少具有以下改进：

15、(1)利用新开发的机器学习算法，实现对干式真空泵的故障诊断系统的开发，大幅减少了对干式真空泵的故障状态检测成本，提高了对干式真空泵故障诊断的效率，能有效预测其工作状态。进而，降低工厂的维护运营成本，提高工厂的自动化水平与效率，实现产业智能化升级。

16、(2)针对干式真空泵容易受损部位进行故障检测，提高检测效率与准确率，提高干式真空泵的故障诊断系统的工作效率以及检测精度。

17、(3)通过区分工作状态和空闲状态，提升了传感器采集数据的效率，提升了干式真空泵故障诊断系统以及多维状态空间异常检测算法的工作效率，减少误判的可能性。

18、(4)对原始数据提取多种特征有助于从不同角度来识别并抓住这些故障信号，提升干式真空泵故障诊断系统以及多维状态空间异常检测算法的工作有效性，确保干式真空泵的故障能通过振动传感器采集到的振动信号被算法模型捕捉到。

19、(5)通过变分自编码器(vae)实现降维提取主要特征，不仅能提高模型的故障识别率，也能克服高维数据带来的维数灾难问题，提升诊断效率。

20、(6)用健康状态空间和测试状态空间的平均距离作为健康指标(healthy index，hi)的优势有两点：其一，克服只有健康数据的困难，即，解决单分类问题，认为平均距离较远就为异常；其二，是一个连续且解释性强的指标，有助于直观解释为什么认为发生了故障，也可以用于预测目标的使用寿命。

21、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。