融合MIMO-NARMAX与孪生网络的离心泵故障诊断方法及系统

本发明涉及旋转机械设备状态监测与故障诊断，特别涉及融合mimo-narmax与孪生网络的离心泵故障诊断方法及系统。

背景技术：

1、离心泵作为工业流体输送系统的核心设备，广泛应用于石油化工、电力能源、市政供水及船舶工程等领域。实际运行中，离心泵常处于高速运转、介质腐蚀、疲劳磨损等恶劣工况下，其运行稳定性直接关系到整个生产系统的安全性与经济性。因此，对离心泵开展有效的状态监测与故障诊断具有重要的工程意义。

2、传统的离心泵故障检测往往需要针对特定设备建立专门的动力学模型，涉及大量参数辨识与运算，过程繁琐耗时，且分析结果极易受经验主义影响。当设备型号、安装方式或运行工况发生变化时，需要重新建模，迁移成本高。

3、近年来，深度学习技术被广泛应用于机械设备故障诊断领域。端到端的分析方法降低了对专业知识的依赖，但往往需要依靠大量预先标注的数据进行训练，且跨设备、跨工况部署后需要重新收集数据。更重要的是，纯数据驱动模型缺乏物理机理支撑，其决策过程的“黑箱”特性使得诊断结果难以追溯和解释，限制了其在关键工业场景中的实际应用。

技术实现思路

1、本发明提供了一种融合mimo-narmax与孪生网络的离心泵故障诊断方法及系统，用以克服现有技术中存在的上述至少一个技术问题。

2、为达到上述目的，本发明的实施例采用如下技术方案：

3、第一方面，本发明提供了一种融合mimo-narmax与孪生网络的离心泵故障诊断方法，包括：

4、同步采集离心泵的入口压力信号、管路流量信号和泵体振动信号；

5、对所述入口压力信号、所述管路流量信号和所述泵体振动信号进行净化处理，获得洁净入口压力时序信号、洁净管路流量时序信号和洁净泵体振动时序信号；

6、以所述洁净入口压力时序信号和所述洁净管路流量时序信号作为外生输入，以所述洁净泵体振动时序信号作为输出，构建mimo-narmax模型，利用健康工况下的洁净时序离线辨识模型参数并冻结；在线运行时，加载冻结的所述模型参数，根据实时采集并净化处理后的当前洁净入口压力信号和当前洁净管路流量信号递推输出虚拟健康振动基准；

7、以实测洁净泵体振动信号作为实样本，以所述虚拟健康振动基准作为虚样本，构造虚实样本对；将所述虚实样本对输入权重共享双流孪生网络，提取实样本嵌入特征与虚样本嵌入特征，计算特征畸变差；采用联合损失函数训练所述权重共享双流孪生网络；训练完成后，将所有健康样本的所述特征畸变差的均值记为健康原点，将各类故障样本的所述特征畸变差的均值记为对应故障类型的故障中心，完成离线训练与故障状态空间构建；

8、在线诊断时，将待测虚实样本对输入训练完成的所述权重共享双流孪生网络，得到待测特征畸变差；计算所述待测特征畸变差与所述健康原点的距离，若所述距离大于健康判定阈值，则判定存在故障；若判定存在故障，则计算所述待测特征畸变差到各所述故障中心的距离，将最小距离对应的所述故障中心所属的故障类型判定为当前故障类型；

9、对多个时间窗口的诊断结果进行融合，输出整机故障诊断结论。

10、在第一方面的一种可能的实现方式中，所述对所述入口压力信号、所述管路流量信号和所述泵体振动信号进行净化处理，包括：

11、采用四分位距法分别识别所述入口压力信号、所述管路流量信号和所述泵体振动信号中的异常点，并采用跳跃线性插值进行修复，得到所述入口压力信号、所述管路流量信号和所述泵体振动信号各自的完整时序序列；

12、对各自的所述完整时序序列进行多尺度动力学分量分解，联合峭度与皮尔逊相关系数双重准则筛选有效动力学分量，剔除无效噪声分量；

13、对筛选出的所述有效动力学分量采用核主成分分析进行非线性降维，按累计方差贡献率≥95%确定输出维数，并通过近似逆映射完成特征重构，得到洁净入口压力时序信号、洁净管路流量时序信号和洁净泵体振动时序信号。

14、在第一方面的一种可能的实现方式中，所述mimo-narmax模型的候选基函数包含常数项、一阶滞后项、二阶滞后项、平方项及工况交叉项；

15、采用正交前向回归算法对所述候选基函数进行筛选，以误差减少率作为基函数入选判据，当累计误差减少率达到预设累计误差减少率阈值时停止筛选，以确定所述mimo-narmax模型的模型结构；

16、采用最小二乘法求解所述mimo-narmax模型的模型参数。

17、在第一方面的一种可能的实现方式中，所述mimo-narmax模型为二阶滞后递推结构，表达为：

18、；

19、其中，为三测点振动时序信号，为入口压力时序信号和管路流量时序信号，为拟合残差；a1、a2均为3×3对角矩阵，其对角线元素为各测点通道的自回归系数，非对角耦合项恒为0；b1、b2均为3×2矩阵，其元素表征各所述外生输入对各测点振动的驱动系数。

20、在第一方面的一种可能的实现方式中，所述权重共享双流孪生网络由级联的一维卷积模块、tsmixer模块、全局时序压缩层和后端mlp映射层组成；

21、所述一维卷积模块用于对输入至所述权重共享双流孪生网络的时序信号进行卷积操作，提取单通道时序局部振动特征，输出第一特征张量；

22、所述tsmixer模块用于对所述第一特征张量依次进行时序维度的混合操作和特征通道维度的混合操作，以实现跨时序步长和跨特征通道的双重信息交互，输出第二特征张量；

23、所述全局时序压缩层用于对所述第二特征张量沿时序维度进行全局平均池化，将时序长度压缩为单一数值，输出一维特征向量；

24、所述后端mlp映射层用于对所述一维特征向量进行全连接映射，输出固定维度的嵌入特征向量。

25、在第一方面的一种可能的实现方式中，所述联合损失函数为：

26、；

27、式中，lcontrast为对比损失；lcenter为中心损失；λ为中心损失权重；

28、所述对比损失lcontrast为：

29、；

30、式中，n为虚实样本对数量，yi=1表示第i个样本为健康样本，yi=0表示第i个样本为故障样本，di为第i个虚实样本对中实样本嵌入特征与虚样本嵌入特征之间的距离，m为距离边际阈值；

31、所述中心损失lcenter为：

32、；

33、式中，δi为第i个健康样本对应的特征畸变差，c为类别中心；

34、训练过程中，采用反向传播优化所述联合损失函数以更新所述权重共享双流孪生网络的参数。

35、在第一方面的一种可能的实现方式中，所述健康判定阈值由验证集健康样本到所述健康原点的距离均值叠加3倍标准差得到：

36、；

37、式中，μdist为验证集所有健康样本到所述健康原点的距离的均值，σdist为对应的标准差；

38、当所述健康样本到所述健康原点的距离不服从正态分布时，采用95%分位数阈值作为所述健康判定阈值的备选，所述95%分位数阈值为验证集健康样本到所述健康原点的距离的95%分位数。

39、在第一方面的一种可能的实现方式中，所述计算所述待测特征畸变差到各所述故障中心的距离，将最小距离对应的所述故障中心所属的故障类型判定为当前故障类型，包括：

40、离线求取第f类故障全部样本至所述健康原点的平均基准距离：

41、；

42、以健康样本到所述健康原点的距离的最大值为统一基准，计算类别归一化系数：

43、；

44、利用所述类别归一化系数对所述距离df进行幅值归一化，得到具有跨类别可比性的归一化距离：

45、；

46、取所述归一化距离最小值对应的类别作为当前主导故障类型：

47、；

48、其中，nf为第f类故障的样本数量；δf,k为第f类故障中第k个样本的特征畸变差；chealth为所述健康原点；为第f类故障全部样本至所述健康原点的平均基准距离；为健康样本到所述健康原点的距离的最大值；ηf为第f类故障的类别归一化系数；df为待测特征畸变差到第f类所述故障中心的距离，fpred为判定出的当前主导故障类型。

49、在第一方面的一种可能的实现方式中，在所述将最小距离对应的所述故障中心所属的故障类型判定为当前故障类型后，还包括：

50、根据所述待测特征畸变差在第f类故障中心方向上的投影长度计算损伤程度系数：

51、；

52、；

53、式中，δtest为所述待测特征畸变差，cf为第f类故障的故障中心，chealth为所述健康原点，projf为δtest在第f类故障中心方向上的投影长度，为第f类故障全部样本至所述健康原点的平均基准距离，sf为第f类故障的损伤程度系数；

54、根据所述损伤程度系数落入的预设区间，确定故障严重程度等级。

55、相较于现有技术，本发明至少具有如下有益效果：

56、本发明提供的融合mimo-narmax与孪生网络的离心泵故障诊断方法以压力、流量作为外生输入驱动mimo-narmax模型在线递推生成与实时工况匹配的虚拟健康振动基准，使实测振动与该基准之间的特征畸变差仅由故障贡献，有效分离了工况扰动与故障特征，提升了变工况下的故障检测准确性。

57、进一步地，本发明提供的融合mimo-narmax与孪生网络的离心泵故障诊断方法中，权重共享双流孪生网络在离线训练完成后即可直接用于在线诊断，跨设备部署时无需重新训练网络，仅需调整健康原点或重新辨识mimo-narmax模型参数，显著降低了迁移成本。

58、进一步地，本发明提供的融合mimo-narmax与孪生网络的离心泵故障诊断方法中，特征畸变差在孪生网络的嵌入空间中提取，天然放大微弱故障信息，提升了早期故障检测灵敏度，多窗口融合机制进一步抑制了单窗口偶发扰动导致的误报，保证了整机诊断结论的稳健性。

59、第二方面，本发明提供了一种融合mimo-narmax与孪生网络的离心泵故障诊断系统，包括：

60、多通道同步采集硬件单元，用于同步采集离心泵的入口压力信号、管路流量信号和泵体振动信号；

61、信号净化处理模块，用于对所述入口压力信号、所述管路流量信号和所述泵体振动信号进行净化处理，获得洁净入口压力时序信号、洁净管路流量时序信号和洁净泵体振动时序信号；

62、mimo-narmax动力学建模模块，用于以所述洁净入口压力时序信号和所述洁净管路流量时序信号作为外生输入，以所述洁净泵体振动时序信号作为输出，构建mimo-narmax模型，利用健康工况下的洁净时序离线辨识模型参数并冻结；在线运行时，加载冻结的所述模型参数，根据实时采集并净化处理后的当前洁净入口压力信号和当前洁净管路流量信号递推输出虚拟健康振动基准；

63、虚实样本对构建模块，用于以实测洁净泵体振动信号作为实样本，以所述虚拟健康振动基准作为虚样本，构造虚实样本对；

64、权重共享双流孪生网络训练模块，用于将所述虚实样本对输入权重共享双流孪生网络，提取实样本嵌入特征与虚样本嵌入特征，计算特征畸变差；采用联合损失函数训练所述权重共享双流孪生网络；训练完成后，将所有健康样本的所述特征畸变差的均值记为健康原点，将各类故障样本的所述特征畸变差的均值记为对应故障类型的故障中心，完成离线训练与故障状态空间构建；

65、状态空间判别模块，用于在线诊断时，将待测虚实样本对输入训练完成的所述权重共享双流孪生网络，得到待测特征畸变差；计算所述待测特征畸变差与所述健康原点的距离，若所述距离大于健康判定阈值，则判定存在故障；若判定存在故障，则计算所述待测特征畸变差到各所述故障中心的距离，将最小距离对应的所述故障中心所属的故障类型判定为当前故障类型；

66、诊断结论输出模块，用于对多个时间窗口的诊断结果进行融合，输出整机故障诊断结论。

67、第三方面，本发明提供了一种电子设备，包括：至少一个处理器以及至少一个存储器，其中，所述存储器上存储有计算机可读指令；所述计算机可读指令被一个或多个所述处理器执行，使得所述电子设备实现如第一方面任一实现方式中的融合mimo-narmax与孪生网络的离心泵故障诊断方法。

68、第四方面，本发明提供了一种存储介质，其上存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如第一方面任一实现方式中的融合mimo-narmax与孪生网络的离心泵故障诊断方法。

69、可以理解地，上述提供的第二方面的系统，第三方面的电子设备，第四方面的存储介质所能达到的有益效果，可参考第一方面及其任一种可能的设计方式中的有益效果，此处不再赘述。