基于深度学习的水泵故障识别诊断方法及其系统与流程
本发明涉及一种基于深度学习的水泵故障识别诊断方法,属于水泵状态监测与智能故障诊断领域。
背景技术:
1、水泵作为工业生产、市政供水、水利泵站、暖通系统等领域的核心流体输送设备,长期处于高速连续运行状态,易受介质冲刷、机械磨损、负荷波动、工况突变等因素影响,出现轴承损坏、叶轮堵塞、泵体气蚀、密封泄漏、电机过载等各类故障。水泵故障具有隐蔽性、突发性、耦合性强的特点,轻微故障若未及时识别处置,易引发设备停机、系统瘫痪、管网泄漏等问题,造成严重的经济损失与安全隐患。因此,实现水泵运行状态的高精度实时监测与故障精准诊断,对保障设备安全运行、降低运维成本具有重要意义。
2、目前,国内外针对水泵故障识别诊断已形成多类技术体系。传统故障诊断方法主要依赖信号处理与人工特征工程,如傅里叶变换、小波包分解、经验模态分解等方法提取振动、压力、温度等信号的统计特征,再结合支持向量机、bp神经网络等浅层机器学习模型进行分类识别。然而,传统方法严重依赖专家经验进行人工特征设计,特征泛化能力有限,难以应对复杂工况下水泵故障信号的非平稳性、非线性及多源耦合特性。
3、近年来,深度学习技术凭借自动特征提取、强非线性拟合和高维数据处理等优势,逐步应用于水泵故障诊断领域。现有研究多采用单一卷积神经网络(cnn)、长短期记忆网络(lstm)、自编码器等基础深度学习模型,实现水泵故障的自动识别分类,一定程度上摆脱了传统方法对人工特征设计的依赖。其中,cnn擅长提取信号局部空间特征(如申请号202110542679.7,发明名称为用于故障诊断的深度学习分类模型及故障诊断方法,即采用cnn提取一维幅值特征);lstm可捕捉时序数据的长期依赖特征(如上述文献同时采用lstm提取时域与频域的二维时序特征);
4、基础自编码器用于数据降维与特征降噪(如专利申请号202110529358.3,发明名称为一种乳化液泵故障分级诊断方法)采用堆栈自动编码器搭建深度自编码网络(dae)对乳化液泵多源监测参数进行自适应特征学习与故障识别;又如专利申请号202210072680.2,发明名称一种重要厂用水泵智能诊断的方法及装置,采用堆叠自编码神经网络对重要厂用水泵振动信号进行降维和特征提取)。上述基础深度学习模型的应用,在一定程度上提升了复杂工况下的故障诊断性能。
5、然而,现有深度学习水泵故障诊断技术仍存在诸多尚未解决的技术痛点,无法适配工业实际落地需求:
6、第一,单一模型特征提取片面。现有方法多采用单一网络结构,如申请号202110542679.7,发明名称为用于故障诊断的深度学习分类模型及故障诊断方法虽然采用了cnn提取一维特征、lstm提取二维特征、mfcc提取三维特征的多维特征提取方式,但其一维、二维、三维特征提取模块为串联结构,各维度特征依次提取后进行融合训练,仍无法实现空间域与时序域特征的同步并行挖掘;如专利申请号202110529358.3,发明名称为一种乳化液泵故障分级诊断方法采用的深度自编码网络(dae)主要侧重于数据的降维重构与全局特征学习,同样缺乏对局部空间畸变特征与时序退化特征的联合捕获能力。上述方法难以兼顾水泵运行数据的时空双重维度关联特征,无法全面表征设备运行状态,对早期微弱故障、复合故障识别精度不足。
7、第二,模型抗干扰能力弱。 现有基础深度学习模型对工业现场含噪声、异常扰动的原始数据适配性差。虽然专利申请号202210072680.2,发明名称一种重要厂用水泵智能诊断的方法及装置采用了小波阈值去噪预处理,但仅在数据输入端进行一次性去噪,未在模型内部设计嵌入式降噪与特征增强机制;专利申请号202110529358.3,发明名称为一种乳化液泵故障分级诊断方法采用的深度自编码网络虽具有一定的降噪重构能力,但未针对水泵复杂运行场景设计专用的特征增强与噪声抑制策略。上述方法噪声敏感问题突出,极易导致误诊、漏诊。
8、第三,泛化能力不足。 现有模型多基于单一工况、单一设备数据集训练,模型迁移性差。专利申请号202110529358.3,发明名称为一种乳化液泵故障分级诊断方法的训练数据取自单一型号乳化液泵(brw500/31.5型),其深度自编码网络虽在单一设备上取得了较高的诊断准确率,但未涉及跨型号、跨工况的模型迁移与自适应调整机制;专利申请号202210072680.2,发明名称一种重要厂用水泵智能诊断的方法及装置同样未涉及不同工况下的模型泛化能力优化。面对不同型号水泵、不同负载工况、不同运行环境,上述模型诊断精度大幅下降,通用性极差。
9、第四,缺乏系统化解决方案。 现有技术多聚焦于算法模型优化,仅完成故障识别分类单一功能。专利申请号202210072680.2,发明名称一种重要厂用水泵智能诊断的方法及装置虽设置了“第一级在线故障识别”与“第二级离线故障定位”的分级诊断架构,但其专家系统为离线触发式,需人工输入必要故障信息后方可进行故障定位,无法实现从数据采集、预处理、模型推理到故障定位、趋势预测、运维决策的全流程自动化闭环;同样止步于故障类型的识别输出,未形成面向工业落地的完整解决方案。上述技术难以直接落地应用于工业泵站、工业生产等实际场景。
10、第五,样本适配性差。 工业现场水泵故障样本稀缺、正负样本不均衡、标注成本高。专利申请号202110529358.3,发明名称为一种乳化液泵故障分级诊断方法的深度自编码网络虽采用无监督预训练结合有监督微调的方式降低了对标注数据的依赖,但仍有监督微调阶段需要大量标注样本;申请号202110542679.7,发明名称为用于故障诊断的深度学习分类模型及故障诊断方法和专利申请号202210072680.2,发明名称一种重要厂用水泵智能诊断的方法及装置均采用监督学习方式进行模型训练,依赖大量高质量标注故障数据。现有监督式及半监督式深度学习模型在小样本场景下诊断效果极差,难以满足实际工程需求。
11、针对上述现有技术存在的缺陷,本发明提供一种基于深度学习的水泵故障识别诊断方法及系统,通过构建多源时序数据梯级耦合校正、cnn与bilstm双分支并行特征提取、自适应权重特征融合、工况自适应微调迁移以及全流程闭环管理体系,实现水泵故障的高精度识别诊断,有效提升模型抗干扰能力、跨工况泛化能力和工业场景落地适用性,克服现有技术中特征提取单一、抗干扰能力弱、泛化性差、缺乏系统性解决方案及小样本适配性差等问题。
技术实现思路
1、为克服现有技术的缺陷,本发明提供一种基于深度学习的水泵故障识别诊断方法,本发明的技术方案是:
2、一种基于深度学习的水泵故障识别诊断方法,包括以下步骤:
3、步骤s1:获取水泵运行过程中的多源时序数据,所述多源时序数据至少包括振动信号、压力信号、流量信号和温度信号;以压力信号和流量信号为稳态基准信号,对振动信号和温度信号进行梯级耦合校正,实现多源异构数据的物理对齐与耦合增强,输出耦合预处理数据 ;
4、步骤s2:将所述耦合预处理数据 分别输入至并行设置的空间特征提取分支和时序特征提取分支,同步提取故障空间畸变特征和故障时序退化特征;
5、所述空间特征提取分支采用卷积神经网络,通过多级卷积池化操作逐级提取浅层、中层、深层的故障空间细粒度特征,输出空间特征集;
6、所述时序特征提取分支采用双向长短期记忆网络,沿前向和时间反向两个方向遍历所述耦合预处理数据的时序波动规律,捕捉故障长期退化时序依赖特征,拼接前向特征与反向特征后输出时序特征集;
7、步骤s3:将所述空间特征集与所述时序特征集进行融合,基于融合后的耦合特征对水泵运行状态进行故障识别分类,输出故障诊断结果;
8、步骤s4:基于步骤s3的故障诊断结果,执行故障定位溯源、运行趋势预测以及智能运维决策,形成水泵故障识别诊断的全流程闭环体系。
9、所述步骤s1中的梯级耦合校正具体包括:
10、对第i类传感器采集的原始时序信号其中,i=1,2,3,4 分别对应振动信号、压力信号、流量信号和温度信号,按照以下公式计算耦合预处理数据:;
11、其中,各支路信号的耦合权重由该支路信号与压力基准信号、流量基准信号的皮尔逊相关系数自适应求解确定,实现多源异构数据的深度耦合校正。
12、所述空间特征提取分支采用三级卷积池化梯级结构逐级提取故障空间细粒度特征,将步骤s1输出的耦合预处理数据记为第0层输入,具体按照以下公式逐级计算第k层特征:
13、
14、其中,为第k层卷积核权重,为第k-1层输出的特征图,每级卷积后跟随池化操作进行下采样,所述三级卷积池化结构分别对应提取浅层边缘纹理故障特征、中层局部畸变故障特征和深层全局语义故障特征,各级输出经拼接后形成所述空间特征集。
15、所述时序特征提取分支采用双向长短期记忆网络提取时序特征,将步骤s1输出的耦合预处理数据记为,按照以下公式计算前向时序特征和反向时序特征:
16、;;
17、将前向时序特征与反向时序特征进行拼接,形成时序特征集:;
18、其中,表示前向lstm计算过程, 表示反向lstm计算过程,表示向量拼接操作,拼接后的时序特征集完整覆盖水泵运行时序波动与退化规律。
19、在所述步骤s3中,所述特征融合的具体步骤包括:
20、对所述空间特征集和所述时序特征集分别进行特征权重自适应校正,根据当前输入信号的信号质量评估结果动态调整空间特征权重和时序特征权重,按照以下公式计算融合特征:
21、;其中, = 1,和的取值由当前工况条件下的信号质量评估结果动态确定。
22、在执行步骤s2之前,还包括模型预训练与工况自适应微调迁移步骤:
23、基于多个场景、多种型号水泵的运行数据集对所述卷积神经网络和所述双向长短期记忆网络进行预训练,获得全局通用模型参数;
24、当应用于目标场景时,利用目标场景的小样本数据对所述全局通用模型进行工况自适应调整,冻结前若干层网络参数、仅调整后若干层网络参数,获得场景微调参数,使模型适配当前目标工况的故障诊断需求;
25、其中,所述模型预训练采用多任务学习策略,同时优化水泵故障分类主任务和工况类型识别辅助任务,以提升模型在不同工况间的特征迁移能力。
26、所述步骤s4中全流程闭环体系包括:
27、s4-1、部署各类传感器实时采集水泵运行多源时序数据;
28、s4-2、对采集的原始数据进行缺失值插补、异常值检测与剔除、归一化处理以及多源数据梯级耦合校正;
29、s4-3、部署训练完成的卷积神经网络与双向长短期记忆网络并行双分支特征提取耦合模型,输出故障识别分类结果和故障概率置信度;
30、s4-4、基于所述耦合模型输出的空间特征激活图与时序特征注意力分布,定位故障发生的物理部件位置和起始时间点,输出故障溯源报告;
31、s4-5、基于当前诊断结果和历史退化轨迹,预测水泵运行状态演化趋势,输出剩余使用寿命预测值;
32、s4-6、基于故障类型、故障严重程度和剩余使用寿命预测结果,匹配预设运维策略知识库,输出包括维修优先级、维修措施建议和备件更换计划的运维决策方案。
33、所述步骤s1之前还设置有数据预处理步骤:
34、对原始采集的多源时序数据进行时间戳对齐和重采样,使各类传感器信号具有统一的采样频率和时间窗口长度;
35、对缺失值采用线性插补方法进行填充,对超出预设阈值范围的异常值进行检测并剔除,对剔除后的空缺位置采用相邻时刻有效值进行填补;
36、对填补完好的各支路数据进行标准化处理,使各物理量纲信号统一映射至同一数值范围。
37、所述卷积神经网络和所述双向长短期记忆网络的训练过程包括以下步骤:
38、步骤t1:采集多个场景、多种型号水泵在正常工况和多种故障工况下的多源时序数据样本,为每个样本标注故障类型标签和工况类型标签,构成训练数据集;
39、步骤t2:将所述训练数据集输入至由卷积神经网络和双向长短期记忆网络并行组成的耦合模型,设置故障分类主任务损失函数和工况识别辅助任务损失函数,采用多任务联合优化策略进行预训练,通过反向传播算法迭代更新网络参数,直至主任务和辅助任务的损失函数均收敛,保存全局通用模型参数 θg;
40、步骤t3,工况自适应微调:获取目标场景的小样本标注数据,加载所述全局通用模型参数θg,冻结前若干层网络参数,以目标场景小样本数据微调后若干层网络参数,获得场景微调参数θs,完成模型在目标工况下的适配部署。
41、一种基于深度学习的水泵故障识别诊断系统,包括:
42、多源数据采集单元,用于实时获取水泵运行过程中各类型传感器输出的多源时序数据,所述多源时序数据至少包括振动信号、压力信号、流量信号和温度信号;
43、数据预处理单元,连接至所述多源数据采集单元,用于对所采集的多源时序数据进行缺失值插补、异常值检测与剔除、时间戳对齐、归一化处理后,以压力信号和流量信号为稳态基准信号对振动信号和温度信号进行梯级耦合校正,输出耦合预处理数据;
44、耦合特征提取单元,连接至所述数据预处理单元,包括并行设置的空间特征提取子单元和时序特征提取子单元;所述空间特征提取子单元采用卷积神经网络,通过多级卷积池化操作逐级提取故障空间畸变特征并输出空间特征集;所述时序特征提取子单元采用双向长短期记忆网络,沿前向和反向两个方向遍历所述耦合预处理数据的时序波动规律并输出时序特征集;
45、特征融合与故障分类单元,连接至所述耦合特征提取单元,用于将所述空间特征集与所述时序特征集进行融合,基于融合后的耦合特征对水泵运行状态进行故障识别分类,输出故障诊断结果;
46、全流程闭环管理单元,连接至所述特征融合与故障分类单元,用于基于所述故障诊断结果执行故障定位溯源、运行趋势预测和/或智能运维决策,形成水泵故障识别诊断的全流程闭环体系。
47、本发明的优点是:
48、1.以压力信号和流量信号为稳态基准,利用皮尔逊相关系数自适应确定各支路信号的耦合权重,对振动信号和温度信号进行梯级耦合校正。由于水泵运行过程中,压力、流量参数直接反映流体力学稳态工作点,而振动和温度信号往往叠加了工况波动和环境噪声干扰,本发明通过物理耦合关系以稳态基准信号校准非稳态信号,能够有效消除因负载波动、环境扰动引入的异常数据分量,使得输入至深度学习模型的数据更加纯净、物理一致性更强。相比现有技术仅在输入端进行一次性的小波阈值去噪,本发明的梯级耦合校正在数据源头利用水泵固有物理耦合关系进行针对性校正,能够更有效地保留故障相关特征、抑制与故障无关的工况扰动,为后续深度学习模型提供高质量的输入数据,从而提升模型在复杂工业场景下的诊断精度和抗干扰能力。
49、2.将经耦合校正后的数据并行输入至cnn空间特征提取分支和bilstm时序特征提取分支。cnn分支通过三级卷积池化梯级结构,逐级提取浅层边缘纹理故障特征、中层局部畸变故障特征和深层全局语义故障特征,能够敏锐捕捉水泵故障在振动波形中的局部畸变形态;bilstm分支沿前向和反向两个方向遍历时序数据,完整捕获水泵运行状态的长期退化规律和时序依赖关系。两个分支同步并行工作,互不干扰,最终将空间特征与时间特征进行融合。
50、3.在融合空间特征集与时序特征集时,根据当前输入信号的信号质量评估结果动态确定空间特征权重α和时序特征权重β,且α+β=1。在信噪比较高的平稳工况下,空间特征和时序特征均能提供有效信息,二者权重均衡分配;而在工况波动较大、信号质量下降的场景下,系统自动调整权重分配,使质量更优的特征分支在融合结果中占据主导地位。这种自适应校正机制确保特征融合结果始终以当前工况下最可靠的特征为依据,避免了现有技术固定权重融合方式在工况变化时因某一维度特征失效而导致整体诊断精度急剧下降的问题,显著提升了模型在复杂非平稳工业工况下的适应能力和诊断稳定性。
51、4.首先基于多个场景、多种型号水泵的运行数据集对耦合模型进行多任务预训练,同时优化故障分类主任务和工况类型识别辅助任务。通过工况识别辅助任务的引入,模型在预训练阶段即被迫学习区分不同工况条件下的数据分布差异,从而提取对工况变化不敏感的共性故障特征。当部署至目标场景时,仅需目标场景的少量小样本数据即可通过冻结前层网络、微调后层网络的方式实现快速工况适配。通过多任务预训练获得的通用故障表征能力结合轻量化微调策略,在故障样本稀缺的工业场景下仍能保持较高的诊断准确率,从根本上克服了现有技术小样本场景下诊断效果极差的问题。
52、5.构建了涵盖数据采集、智能预处理、耦合模型推理、故障定位溯源、运行趋势预测、智能运维决策六大环节的全流程闭环体系。特别是,故障定位溯源基于空间特征激活图与时序特征注意力分布,能够准确定位故障发生的物理部件位置和起始时间点;运行趋势预测基于当前诊断结果和历史退化轨迹输出剩余使用寿命预测值;智能运维决策则根据故障类型、严重程度和剩余寿命匹配预设运维策略知识库,直接输出可执行的维修方案。
53、综上所述, 本发明通过多源数据梯级耦合校正、cnn-bilstm双分支并行特征提取、自适应权重特征融合、多任务预训练与工况微调迁移、端到端全流程闭环体系五方面技术手段的系统性协同,从数据质量提升、特征提取能力增强、融合策略优化、小样本泛化能力改善、系统化解决方案构建五个维度,全面解决了现有技术中特征提取单一、抗干扰能力弱、泛化性差、样本适配性差、缺乏系统化解决方案等技术缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com