一种基于运行噪声监测屏蔽泵故障检测方法及系统与流程

本发明具体涉及一种基于运行噪声监测屏蔽泵故障检测方法及系统，属于高电压电力电子设备水冷系统控制保护。

背景技术：

1、电力电子设备水冷系统主泵故障检测技术是保障水冷系统安全、可靠、稳定运行的重要部分。常规水冷系统中循环主泵通常采用立式或卧式离心泵，这种水泵结构简单紧凑，叶轮、泵壳、泵轴等少量部件组成，输出流量稳定易调节，且效率较高，在电力电子设备冷却系统领域被广泛使用，然而离心泵由于其密封方式需要配置机械密封，故设计上有机械密封失效泄漏风险，因此需要定期维护更换机械密封。

2、近年来，采用静密封方式、零泄漏风险的新型屏蔽泵逐渐在电力电子设备冷却系统领域推广使用，屏蔽泵把泵和电机连在一起，电动机的转子和泵的叶轮固定在同一根轴上，利用屏蔽套将电机的转子和定子隔开，转子在被输送的介质中运转，其动力通过定子磁场传给转子，因此电机与泵为一体化结构，全部采用静密封，使电泵完全无泄漏。

3、屏蔽泵故障检测一般通过自身携带的trg表实现，其原理为在屏蔽泵定子线圈上下各配置一个线圈，两个线圈相连但相位相反。当转子转动时，转子的中心线与两个线圈的几何中线也就是泵轴承中线重合时，上下两个线圈分别感应大小相等但方向相反的电压，此时互相抵消，电流为0，trg表为0位，及绿区最低处。当轴承磨损后转子中线偏移，此时上下线圈感应电流不再大小相等，通过一定的处理后产生电流，trg指针随电流的大小变化。运维人员通过trg指针所处的区域判断轴承磨损的程度。这种故障检测的方式需要运维人员到现场就地查看，无法实现屏蔽泵自动化故障监视功能，将故障信息直接发送至站内监控后台，且trg表只能监测部分屏蔽泵故障如轴承径向磨损，对于轴向磨损及其他屏蔽泵故障无法有效监视。

技术实现思路

1、本发明的目的是：提供一种基于运行噪声监测屏蔽泵故障检测及系统，通过采集屏蔽泵设备运行过程中产生的声音，并根据设备运行噪声监测数据进行深度分析，实现屏蔽泵设备早期运行故障检测实时预警与异常分类。

2、为了达到上述目的，本发明的第一个技术方案是：一种基于运行噪声监测屏蔽泵故障检测方法，其创新点在于：包括以下步骤：

3、利用声学传感器实时采集屏蔽泵运行时的噪声信号；

4、对采集到的噪声信号进行预处理；

5、对预处理后的噪声信号进行特征提取，计算出屏蔽泵运行时的噪声特征向量；

6、计算屏蔽泵正常运行时的噪声特征向量与当前时刻运行时的噪声特征向量之间的马氏距离，判断屏蔽泵运行噪声是否异常，若马氏距离超过预设阈值时，则判定屏蔽泵存在运行异常；

7、对屏蔽泵的噪声异常数据进行分析，从而判断出屏蔽泵故障类型，若异常特征归属于已有故障簇时，确定对应故障类型，若无法归属于已有故障簇时，并获取新异常类别的特征信息重新构建故障识别模型；

8、屏蔽泵依据更新后的故障识别模型，进行故障在线监测与故障类型识别，实现基于运行噪声监测屏蔽泵运行是否异常的诊断。

9、在上述第一个技术方案中，其具体步骤如下：

10、s1、通过设置于屏蔽泵附近的声学传感器实时采集屏蔽泵运行时的噪声信号，并传输至边缘计算设备；

11、s2、通过边缘计算设备对采集到的运行噪声信号进行预处理，以预设时间窗口对噪声信号进行切片，采用海明窗函数进行加窗处理，并通过快速傅里叶变换将时域信号转换为频域信号；

12、s3、将连续多个时间窗口对应的频域信号构建频谱矩阵，并通过梅尔滤波器组进行频率映射和归一化处理，生成标准化梅尔频谱图；

13、s4、采用卷积自编码器模型对所述梅尔频谱图进行特征提取，获得屏蔽泵运行噪声对应的噪声特征向量；

14、其中所述卷积自编码器仅利用屏蔽泵正常运行状态下采集的噪声样本进行无监督训练，通过最小化输入梅尔频谱图与重构梅尔频谱图之间的重构误差建立屏蔽泵正常运行状态特征模型；

15、s5、建立屏蔽泵正常运行状态噪声特征库，根据历史正常运行状态噪声特征向量计算均值向量及协方差矩阵；

16、s6、采用马氏距离计算待检测的噪声特征向量与正常运行时的噪声特征向量之间的距离，当所述马氏距离超过预设阈值时，判定屏蔽泵存在运行异常；

17、s7、将异常的噪声特征向量、设备标识信息及时间戳发送至高性能运算服务器；

18、s8、由高性能运算服务器采用dbscan密度聚类算法对异常噪声特征向量进行聚类分析，当异常特征向量归属于已有故障簇时，确定对应故障类型；

19、s9、当异常噪声特征向量无法归属于已有故障簇时，将其作为未知故障样本持续收集形成新故障簇，通过复核和故障标注建立新的故障类别，并利用新增故障样本对故障分类模型进行增量训练，并重新构建故障识别模型；

20、s10、高性能运算服务器将更新后的故障识别模型下发至边缘计算设备，实现对屏蔽泵边缘侧实时故障检测与云端模型持续迭代更新的边云协同故障诊断。

21、在上述第一个技术方案中，所述声学传感器采用双冗余配置，并安装于距离屏蔽泵3m以内且以屏蔽泵为中心的对称位置。

22、在上述第一个技术方案中，在步骤2中所述边缘计算设备采集并保存时长为的噪声信号，并以时间为时间窗口用海明窗函数对完整噪声信号进行切片，切片数量 ，具体方式如下：

23、假设切片中采集的屏蔽泵噪声信号为：

24、，

25、噪声信号的单位s；

26、窗口函数信号如下：

27、，

28、则处理后的切片噪声数据信号为：

29、

30、对该信号进行离散傅里叶变换可得：

31、

32、其中，为噪声信号，为离散化后的序列，为噪声数据信号频率, 为序列长度，

33、通过计算机上的matlab或python算法对该噪声信号进行快速傅里叶变换，获取该段噪声信号的频谱数据。

34、在上述第一个技术方案中，在步骤s3和步骤s4中，

35、分别计算时间内每个时长为的切片信号的屏蔽泵运行噪声频谱，并构成频谱矩阵；

36、通过卷积自编码器对频谱矩阵进行特征提取，具体方法如下：

37、设编码器 为一个输入 ,输出的卷积神经网络，其中；解码器 为一个输入，输出的卷积神经网络；所述卷积自编码器输出矩阵 满足如下条件： ，则解码器的重构损失函数为：；

38、通过高性能运算服务器训练卷积神经网络与，使得重构损失函数接近于0，从而获得频谱矩阵降维神经网络模型，由此可得频谱矩阵的特征向量为。

39、在上述第一个技术方案中，在步骤s5和s6中，

40、屏蔽泵正常运行状态噪声特征库由过去t3时间内获得的正常运行噪声特征向量构成；

41、分别计算过去时间内每时长切片的频谱矩阵的特征向量、，...,，共个特征向量，其中，计算其向量均值与协方差,可求出当前时间内噪声频谱与过去时间内噪声频谱特征的其马氏距离：

42、，

43、当时，则判定最近时间内噪声频谱异常，且被检测的屏蔽泵存在异常故障。

44、在上述第一个技术方案中，在步骤s7中，

45、当边缘计算设备检测到最近时间屏蔽泵运行噪声异常时，将异常噪声特征向量、屏蔽泵设备编号id、采集时间戳封装为json数据包，并通过mqtt、http/2或专用的工业互联网协议，经局域以太网将该数据包上送至高性能服务器的数据接收模块。

46、在上述第一个技术方案中，在步骤s8和步骤s9中，

47、高性能服务器的数据接收模块在验证数据完整性后，将其发送至分布式存储集群，该集群首先存储完整的json数据包，保留原始数据，其次解析json数据包，提取异常噪声特征向量、屏蔽泵设备编号id、采集时间戳并建立特征向量与设备编号、采集时间之间的索引存入训练数据池中，以加速聚类计算；

48、读取特征库中已经进行分类的所有异常特征向量，以及各分类异常特征向量样本的数据集d1，d2，d3，...dn，其中n为已分类故障类型数量；

49、采用dbscans聚类算法，以e邻域为，其中取0.2-0.3，最小邻域样本数为进行聚类,且取5-10，若所在聚类中50%以上特征向量为已确定的相同故障类型，则判定本次屏蔽泵异常也同样为此故障，反之此次异常为全新故障；

50、此时，高性能服务器继续采集相同屏蔽泵后续时间戳的故障特征向量，当收集超过30个样本后形成一个新的簇数据集dn+1，判定为未知新型故障簇，并触发人工故障复核流程，迭代增加故障类型噪声库。

51、在上述第一个技术方案中，在步骤s10中，

52、将训练完成的故障识别模型重新部署回边缘计算设备，通过不同已知故障类型标准频谱特征向量簇的质心与被检测频谱特征向量进行余弦相似度计算，若相似度大于0.85，则判定本次检测异常属于已知故障类型并进行触发对应告警信号；

53、若当被检测频谱特征向量与所有不同已知故障类型标准频谱特征向量簇的质心的余弦相似度均小于0.85，则判定此次屏蔽泵故障为全新故障，等待高性能服务器重新进行分类及人工标注故障，并更新故障识别模型发送给边缘计算设备后，再进行相应告警。

54、为了达到上述目的，本发明的第二个技术方案是：一种基于运行噪声监测屏蔽泵故障检测系统，其创新点在于：包括：

55、声学传感器模块，用于采集屏蔽泵运行时的噪声信号；

56、边缘计算设备，所述边缘计算设备接收声学传感器模块发送的噪声信号，并用于噪声数据预处理、频谱分析、梅尔频谱图生成、特征提取以及异常检测；

57、高性能运算服务器，所述高性能运算服务器与边缘计算设备进行数据交互，以及用于卷积自编码器训练、故障聚类分析、故障分类模型训练和增量更新；

58、通过高性能运算服务器在线训练故障识别模型，并定期向边缘计算设备同步该模型，边缘计算设备将实时采集屏蔽泵运行时的噪声信号经过缓存后定期向高性能运算服务器发送。

59、在上述第二个技术方案中，所述边缘计算设备与高性能运算服务器通过工业以太网连接，并采用mqtt协议、http/2协议或工业互联网协议进行数据交互。

60、在上述第二个技术方案中，所述高性能运算服务器包括，

61、数据存储模块，用于存储屏蔽泵正常运行的噪声特征库、异常噪声特征库及故障特征库；

62、故障运算模块，接收边缘计算设备发送的数据信号，并调用数据存储模块内的特征库信息，对屏蔽泵采集的噪声信号进行处理、分析，获取屏蔽泵运行时的噪声特征向量，以及判定屏蔽泵是否存在运行异常，

63、人工标注模块，接收由故障运算模块发送的异常噪声特征向量，用于未知故障样本审核及故障类别确认；

64、通信模块，所述边缘计算设备通过通信模块与高性能运算服务器通信连接，且通信模块用于边缘计算设备与高性能运算服务器之间的数据交互。

65、本发明所具有的积极效果是：采用本发明的基于运行噪声监测屏蔽泵故障检测方法及系统后，由于本发明的检测方法中，利用声学传感器实时采集屏蔽泵运行时的噪声信号；对采集到的噪声信号进行预处理；对处理后的噪声信号进行特征提取，计算出屏蔽泵运行时的噪声特征向量；计算屏蔽泵正常运行时的噪声特征向量与当前时刻运行时的噪声特征向量之间的马氏距离，判断屏蔽泵运行噪声是否异常，若马氏距离超过预设阈值时，则判定屏蔽泵存在运行异常；

66、对屏蔽泵的噪声异常数据进行分析，从而判断出屏蔽泵故障类型，若异常特征归属于已有故障簇时，确定对应故障类型，若无法归属于已有故障簇时，并获取新异常类别的特征信息重新构建故障识别模型；

67、屏蔽泵依据更新后的故障识别模型，进行故障在线监测与故障类型识别，实现基于运行噪声监测屏蔽泵运行是否异常的诊断；

68、在检测系统中包括：声学传感器模块，用于采集屏蔽泵运行时的噪声信号；边缘计算设备，所述边缘计算设备接收声学传感器模块发送的噪声信号，并用于噪声数据预处理、频谱分析、梅尔频谱图生成、特征提取以及异常检测；高性能运算服务器，所述高性能运算服务器与边缘计算设备进行数据交互，以及用于卷积自编码器训练、故障聚类分析、故障分类模型训练和增量更新；

69、通过高性能运算服务器在线训练故障识别模型，并定期向边缘计算设备同步该模型，边缘计算设备将实时采集屏蔽泵运行时的噪声信号经过缓存后定期向高性能运算服务器发送；

70、本发明通过对屏蔽泵运行噪声监测实现屏蔽泵故障检测功能，并识别屏蔽泵正常运行时的噪声频谱特性，从而仅通过正样本数据构建屏蔽泵运行噪声正常状态与异常状态分类，再对屏蔽泵不同运行异常状态进行分类并进行标注，系统将标注的运行数据读取后进行增加新异常类别特征信息后重新训练模型，实现屏蔽泵设备早期运行故障检测实时预警与异常分类；

71、本发明无需依赖传统trg检测装置即可实现屏蔽泵运行状态在线监测，能够有效识别已知故障及发现未知故障，提高屏蔽泵故障检测的准确性、实时性和智能化水平。