水泵剩余使用寿命预测方法、装置、设备及存储介质与流程

1.本技术涉及工业设备维护技术领域，具体而言，本技术涉及一种水泵剩余使用寿命预测方法、装置、设备及存储介质。


背景技术：

2.随着我国经济的高速发展，居民生活用水和工业用水量逐年增大，水务企业水泵的稳定运行尤为重要。预测水泵的剩余使用寿命，对于后续的维护工作具有非常重要的工程价值。
3.现有对水泵剩余寿命进行预测的技术方案中，仅采集水泵运行时个别种类数据，无法获得水泵的全面信息，会对剩余使用寿命预测的精准度产生影响，导致水泵剩余寿命预测不准确，不便于工作人员进行维护，且存在一定的安全隐患。


技术实现要素：

4.本技术的目的旨在至少能解决上述的技术缺陷之一，特别是现有对水泵剩余寿命进行预测的技术方案中，仅采集水泵运行时个别种类数据，无法获得水泵的全面信息，会对剩余使用寿命预测的精准度产生影响，导致水泵剩余寿命预测不准确，不便于工作人员进行维护，且存在一定的安全隐患的技术缺陷。
5.第一方面，提供了水泵剩余使用寿命预测方法，其特征在于，包括：
6.每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；
7.对所述振动信息进行时频域信息提取，确定多个所述时频域信息；
8.基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；
9.采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；
10.对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命。
11.作为本技术一种可能的实施方式，在该实施方式中，所述每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息，包括：
12.每隔时间间隔t，采集所述水泵泵体、基座以及驱动端的振动信息x
k
(n)，采集所述水泵进出口压力值m
j
，采集所述水泵流量大小q，其中，k∈{1，2，3}，x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息，n表示采样点数；j∈{1，2}，m1、m2分别表示进口压力和出口压力。
13.作为本技术一种可能的实施方式，在该实施方式中，所述对所述振动信息进行时域信息提取，确定多个所述时域信息，包括：
14.对所述x
k
(n)提取如下时域信息：
15.均值记为z
k1
；
16.方差记为z
k2
；
17.均方根值记为z
k3
；
18.峰
‑
峰值peak
k
＝max(x
k
(i))
‑
min(x
k
(i))，记为z
k4
；
19.峰态系数记为z
k5
；
20.峰值因子记为z
k6
；
21.波形因子记为z
k7
；
22.脉冲因子记为z
k8
；
23.偏度系数记为z
k9
；
24.裕度系数记为z
k10
；
25.峭度系数记为z
k11
；
26.对所述x
k
(n)提取频域域信息，并求取所述振动信息的自相关函数，对所述自相关函数进行快速傅立叶变换，得到频率f和功率谱值s(f)，其中，均方频率记为z
k12
；重心频率记为z
k13
；频率方差记为z
k14
。
27.作为本技术一种可能的实施方式，在该实施方式中，所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括：
28.将针对采样t时刻采集的振动信息提取的时频域信息记为p∈{1，2，...，14}表示第p个时频域信息；
29.将所述压力值记为
30.将所述水泵流量值信息记为l
t
＝{q
t
}；
31.构建特征并将多条所述特征x构建为特征集d
input
。
32.作为本技术一种可能的实施方式，在该实施方式中，所述采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集，包括：
33.对所述特征集d
input
的每个数据d
ij
标准化，其中，d
ij
代表特征集d
input
中第i行第j列的数据，标准化公式为：
[0034][0035]
其中，是第j个特征的均值，计算公式为：s
j
是第j个特征的标准差，计算公式为：标准化后的特征集d
input
记为a
input
；
[0036]
计算a
input
的相关系数矩阵r，计算公式为：
[0037][0038]
采用预设的迭代方法计算所述相关系数矩阵r的特征值λ1，
…
，λ
n
，和对应的特征向量v1，
…
，v
n
；
[0039]
将所述特征值按降序排列得λ
’1＞
…
λ’n
，并分别将各所述特征值对应的特征向量进行对应得v
’1，
…
，v’n
；
[0040]
通过施密特正交化方法单位正交化所述调整后的特征向量，得到α1，
…
，α
n
；
[0041]
计算第l个特征值的贡献率，计算公式为：
[0042][0043]
计算l个特征值的累积贡献率，计算公式为：
[0044][0045]
根据预设的提取效率tp，当bs
l
＞tp，提取前l个特征向量α1，
…
，α
l
作为主成分；
[0046]
计算已标准化的特征集a
input
在提取出的所述主成分上的投影a’input
＝a
input
·
α，α＝(α1，
…
，α
l
)，a’input
是降维后的特征集。
[0047]
作为本技术一种可能的实施方式，在该实施方式中，所述对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命，包括：
[0048]
对所述降维后的特征集以滑动窗口构建输入样本，其中，所述，滑动窗口宽为特征集维度dim＝l，长为l
win
；
[0049]
采用所述预测模型的第一层对所述输入样本进行局部特征提取，得到局部特征，其中，所述第一层为一维卷积神经网络层，卷积核宽为特征维度 dim，卷积核大小记为l
con
，
卷积核数量记为n
con
，所述局部特征为l
win
×
n
con
的数据矩阵；
[0050]
采用所述预测模型的第二层对所述局部特征进行时序特征提取，得到第二特征，其中，所述第二层包括两层lstm层，所述两层lstm分别设置有激活函数、神经元个数、以及dropout；
[0051]
采用所述预测模型的第三层对所述第二特征进行预测，得到所述水泵的剩余使用寿命，其中，所述第三层为三个全连接层。
[0052]
第二方面，提供了一种水泵剩余使用寿命预测装置，该装置包括：
[0053]
信息获取模块，用于每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；
[0054]
信息提取模块，用于对所述振动信息进行时频域信息提取，确定多个所述时频域信息；
[0055]
特征提取模块，用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；
[0056]
特征降维模块，用于采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；
[0057]
预测模块，用于对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命。
[0058]
第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行上述的水泵剩余使用寿命预测方法。
[0059]
第四方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的水泵剩余使用寿命预测方法。
[0060]
本技术实施例通过获取水泵在运行时的各种信息，如水泵泵体、基座以及驱动端的振动信息，水泵进出口的压力值以及水泵流体的流量信息等，通过预设的预测模型提取水泵的特征进行预测，充分考虑了水泵的各种运行数据，预测结果更加准确，并且通过对振动信息提取时频域信息，与水泵进出口压力和水泵流体流量值构建输入，使寿命预测更加准确，保证水泵剩余寿命预测的准确性，便于维护人员对水泵进行维护或更换，提高生产的安全性。
附图说明
[0061]
为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
[0062]
图1为本技术实施例提供的一种水泵剩余使用寿命预测方法的流程示意图；
[0063]
图2为本技术实施例提供的一种传感器安装位置示意图；
[0064]
图3为本技术实施例提供的一样本输入方式示意图；
[0065]
图4为本技术实施例提供的一种预测模型结构示意图；
[0066]
图5为本技术实施例提供的一种预测结果示意图；
[0067]
图6为本技术实施例提供的一种水泵剩余使用寿命预测装置的结构示意图；
[0068]
图7为本技术实施例提供的一种电子设备的结构示意图。
[0069]
结合附图并参考以下具体实施方式，本技术各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
具体实施方式
[0070]
下面详细描述本技术的实施例，所述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，仅用于解释本技术，而不能解释为对本技术的限制。
[0071]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0072]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
[0073]
下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
[0074]
本技术实施例中提供了一种水泵剩余使用寿命预测方法，如图1所示，该方法包括：
[0075]
步骤s101，每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息。
[0076]
在本技术实施例中，为方便说明，以一个具体实施例为例，以某个水泵设备为例，该水泵设备的额定功率为20kw，额定转速为1750rpm，泵中心高＝243mm，在对水泵进行信息采集时，每隔时间间隔t，采集所述水泵泵体、基座以及驱动端的振动信息x
k
(n)，采集所述水泵进出口压力值m
j
，采集所述水泵流量大小q，其中，k∈{1，2，3}，
[0077]
x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息，n表示采样点数；
[0078]
j∈{1，2}，m1、m2分别表示进口压力和出口压力。如图2所示，为各个传感器的安装位置，表一为水泵泵体不同采样点的振动信息，表二为水泵基座不同采样点的振动信息，表三为水泵驱动端不同采样点的振动信息；表四水泵进水口采集到的压力值，表五为水泵出口采集到的压力值；表六为采集到的水体流量。
[0079]
表一
[0080]
n1234567x10.05470.01190.01060.04110.05170.0282
‑
0.0348n891011121314
x1‑
0.0532
‑
0.02520.01150.04090.02550.0625
‑
0.0165n15161718192021x10.00520.03760.0142
‑
0.0290
‑
0.0705
‑
0.0609
‑
0.0050
[0081]
表二
[0082][0083][0084]
表三
[0085]
n1234567x3‑
0.2251
‑
0.07600.23500.0776
‑
0.1387
‑
0.02000.0687n891011121314x3‑
0.0668
‑
0.0700
‑
0.0651
‑
0.07460.16310.2552
‑
0.0416n15161718192021x3‑
0.17510.17360.2004
‑
0.1569
‑
0.16210.09680.1273
[0086]
表四
[0087]
t1234567m10.180.170.180.180.190.190.18t891011121314m10.190.200.180.180.180.180.18
[0088]
表五
[0089]
t1234567m20.280.290.300.300.270.260.28t891011121314m20.300.280.280.290.280.280.28
[0090]
表六
[0091]
t1234567q13.8814.0113.7813.8613.6814.0313.88t891011121314q13.8814.0814.0213.8813.8513.8413.93
[0092]
步骤s102，对所述振动信息进行时频域信息提取，确定多个所述时频域信息。
[0093]
在本技术实施例中，在对振动信息进行时频域信息提取时，先提取时域信息，对所述x
k
(n)提取如下时域信息：
[0094]
均值记为z
k1
；
[0095]
方差记为z
k2
；
[0096]
均方根值记为z
k3
；
[0097]
峰
‑
峰值peak
k
＝max(x
k
(i))
‑
min(x
k
(i))，记为z
k4
；
[0098]
峰态系数记为z
k5
；
[0099]
峰值因子记为z
k6
；
[0100]
波形因子记为z
k7
；
[0101]
脉冲因子记为z
k8
；
[0102]
偏度系数记为z
k9
；
[0103]
裕度系数记为z
k10
；
[0104]
峭度系数记为z
k11
；
[0105]
对所述x
k
(n)提取频域域信息，并求取所述振动信息的自相关函数，对所述自相关函数进行快速傅立叶变换，得到频率f和功率谱值s(f)，其中，均方频率记为z
k12
；重心频率记为z
k13
；频率方差记为z
k14
。
[0106]
步骤s103，基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集。
[0107]
在本技术实施例中，所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括：
[0108]
将针对采样t时刻采集的振动信息提取的时频域信息记为p∈{1，2，...，14}表示第p个时频域信息；
[0109]
将所述压力值记为
[0110]
将所述水泵流量值信息记为l
t
＝{q
t
}；
[0111]
构建特征并将多条所述特征x构建为特征集d
input
。其中，表七为一种可能的特征集实例表。
[0112]
表七
[0113]
[0114][0115]
步骤s105，采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集。
[0116]
在本技术实施例中，所述采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集，包括：
[0117]
对所述特征集d
input
的每个数据d
ij
标准化，其中，d
ij
代表特征集d
input
中第i行第j列
的数据，标准化公式为：
[0118][0119]
其中，是第j个特征的均值，计算公式为：s
j
是第j个特征的标准差，计算公式为：标准化后的特征集d
input
记为a
input
；
[0120]
计算a
input
的相关系数矩阵r，计算公式为：
[0121][0122]
采用预设的迭代方法计算所述相关系数矩阵r的特征值λ1，
…
，λ
n
，和对应的特征向量v1，
…
，v
n
；
[0123]
将所述特征值按降序排列得λ
’1＞
…
λ’n
，并分别将各所述特征值对应的特征向量进行对应得v
’1，
…
，v’n
；
[0124]
通过施密特正交化方法单位正交化所述调整后的特征向量，得到α1，
…
，α
n
；
[0125]
计算第l个特征值的贡献率，计算公式为：
[0126][0127]
计算l个特征值的累积贡献率，计算公式为：
[0128][0129]
根据预设的提取效率tp，当bs
l
＞tp，提取前l个特征向量α1，
…
，α
l
作为主成分；
[0130]
计算已标准化的特征集a
input
在提取出的所述主成分上的投影a’input
＝a
input
·
α，α＝(α1，
…
，α
l
)，a’input
是降维后的特征集。其中，表八为表七降维之后的数据。
[0131]
表八
[0132]
p1147.0082p1124.007p2348.1007p2298.7468p367.20526p351.71407p4214.1348p4183.5892p542.12149p523.63249p6‑
61.5384p6‑
53.2189p7‑
88.5384p7‑
77.2549p8‑
62.2123p8‑
49.3379p9467.9585p9387.8495p
10
‑
64.837p
10
‑
55.5953
p
11
202.0698p
11
174.6
[0133]
步骤s106，对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命。
[0134]
在本技术实施例中，所述对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命，包括：
[0135]
对所述降维后的特征集以滑动窗口构建输入样本，其中，所述，滑动窗口宽为特征集维度dim＝l，长为l
win
；
[0136]
采用所述预测模型的第一层对所述输入样本进行局部特征提取，得到局部特征，其中，所述第一层为一维卷积神经网络层，卷积核宽为特征维度dim，卷积核大小记为l
con
，卷积核数量记为n
con
，所述局部特征为l
win
×
n
con
的数据矩阵；
[0137]
采用所述预测模型的第二层对所述局部特征进行时序特征提取，得到第二特征，其中，所述第二层包括两层lstm层，所述两层lstm分别设置有激活函数、神经元个数、以及dropout；
[0138]
采用所述预测模型的第三层对所述第二特征进行预测，得到所述水泵的剩余使用寿命，其中，所述第三层为三个全连接层。
[0139]
在本技术实施例中，为方便说明，以一个具体实施例为例，如图3所示，对降维后的特征集a’input
以滑动窗口构建输入样本sample，滑动窗口宽为特征集维度dim＝11，长为l
win
＝30。其中，所述预测模型为1d
‑
cnn
‑
lstm模型，其结构如图4所示，预测模型第一部分包含一层一维卷积神经网络1d
‑
cnn层。卷积核宽为特征维度dim＝11，卷积核大小记为l
con
＝3，卷积核数量记为n
con
＝8。1d
‑
cnn层利用卷积核对sample进行局部特征提取。然后对提取到的局部特征使用padding填充策略进行填充，1d
‑
cnn层提取得到的局部特征s’是30
×
8的数据矩阵。预测模型第二部分包含两层lstm层。两层lstm设置激活函数为relu、神经元个数＝64、dropout＝0.2。dropout使部分神经元失活，增加预测模型的泛化性。两层lstm层对局部特征s’进行时序特征提取并进行flatten操作，得到特征s”。预测模型第三部分包含三层全连接层。全连接层对特征s”进行剩余使用寿命的预测，得到预测结果，如图5所示，为本技术实施例提供的一种预测结果。
[0140]
本技术实施例通过获取水泵在运行时的各种信息，如水泵泵体、基座以及驱动端的振动信息，水泵进出口的压力值以及水泵流体的流量信息等，通过预设的预测模型提取水泵的特征进行预测，充分考虑了水泵的各种运行数据，预测结果更加准确，并且通过对振动信息提取时频域信息，与水泵进出口压力和水泵流体流量值构建输入，使寿命预测更加准确，保证水泵剩余寿命预测的准确性，便于维护人员对水泵进行维护或更换，提高生产的安全性。
[0141]
本技术实施例提供了一种水泵剩余使用寿命预测装置，如图6所示，该试验数据处理装置60可以包括：信息获取模块601、信息提取模块602、特征提取模块603、特征降维模块604以及预测模块605，其中，
[0142]
信息获取模块601，用于每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；
[0143]
信息提取模块602，用于对所述振动信息进行时频域信息提取，确定多个所述时频域信息；
[0144]
特征提取模块603，用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；
[0145]
特征降维模块604，用于采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；
[0146]
预测模块605，用于对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命。
[0147]
作为本技术一种可能的实施方式，在该实施方式中，信息获取模块601在每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息时，可以用于：
[0148]
每隔时间间隔t，采集所述水泵泵体、基座以及驱动端的振动信息x
k
(n)，采集所述水泵进出口压力值m
j
，采集所述水泵流量大小q，其中，k∈{1，2，3}，x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息，n表示采样点数；j∈{1，2}，m1、m2分别表示进口压力和出口压力。
[0149]
作为本技术一种可能的实施方式，在该实施方式中，信息提取模块602在对所述振动信息进行时域信息提取，确定多个所述时域信息时，可以用于：
[0150]
对所述x
k
(n)提取如下时域信息：
[0151]
均值记为z
k1
；
[0152]
方差记为z
k2
；
[0153]
均方根值记为z
k3
；
[0154]
峰
‑
峰值peak
k
＝max(x
k
(i))
‑
min(x
k
(i))，记为z
k4
；
[0155]
峰态系数记为z
k5
；
[0156]
峰值因子记为z
k6
；
[0157]
波形因子记为z
k7
；
[0158]
脉冲因子记为z
k8
；
[0159]
偏度系数记为z
k9
；
[0160]
裕度系数记为z
k10
；
[0161]
峭度系数记为z
k11
；
[0162]
对所述x
k
(n)提取频域域信息，并求取所述振动信息的自相关函数，对所述自相关函数进行快速傅立叶变换，得到频率f和功率谱值s(f)，其中，均方频率
记为z
k12
；重心频率记为z
k13
；频率方差记为z
k14
。
[0163]
作为本技术一种可能的实施方式，在该实施方式中，特征提取模块603在基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集时，可以用于：
[0164]
将针对采样t时刻采集的振动信息提取的时频域信息记为p∈{1，2，...，14}表示第p个时频域信息；
[0165]
将所述压力值记为
[0166]
将所述水泵流量值信息记为l
t
＝{q
t
}；
[0167]
构建特征并将多条所述特征x构建为特征集d
input
。
[0168]
作为本技术一种可能的实施方式，在该实施方式中，特征降维模块604在采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集时，可以用于：
[0169]
对所述特征集d
input
的每个数据d
ij
标准化，其中，d
ij
代表特征集d
input
中第i行第j列的数据，标准化公式为：
[0170][0171]
其中，是第j个特征的均值，计算公式为：s
j
是第j个特征的标准差，计算公式为：标准化后的特征集d
input
记为a
input
；
[0172]
计算a
input
的相关系数矩阵r，计算公式为：
[0173][0174]
采用预设的迭代方法计算所述相关系数矩阵r的特征值λ1，
…
，λ
n
，和对应的特征向量v1，
…
，v
n
；
[0175]
将所述特征值按降序排列得λ
’1＞
…
λ’n
，并分别将各所述特征值对应的特征向量进行对应得v
’1，
…
，v’n
；
[0176]
通过施密特正交化方法单位正交化所述调整后的特征向量，得到α1，
…
，α
n
；
[0177]
计算第l个特征值的贡献率，计算公式为：
[0178][0179]
计算l个特征值的累积贡献率，计算公式为：
[0180][0181]
根据预设的提取效率tp，当bs
l
＞tp，提取前l个特征向量α1，
…
，α
l
作为主成分；
[0182]
计算已标准化的特征集a
input
在提取出的所述主成分上的投影a’input
＝a
input
·
α，α＝(α1，
…
，α
l
)，a’input
是降维后的特征集。
[0183]
作为本技术一种可能的实施方式，在该实施方式中，预测模块605在对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命时，可以用于：
[0184]
对所述降维后的特征集以滑动窗口构建输入样本，其中，所述，滑动窗口宽为特征集维度dim＝l，长为l
win
；
[0185]
采用所述预测模型的第一层对所述输入样本进行局部特征提取，得到局部特征，其中，所述第一层为一维卷积神经网络层，卷积核宽为特征维度dim，卷积核大小记为l
con
，卷积核数量记为n
con
，所述局部特征为l
win
×
n
con
的数据矩阵；
[0186]
采用所述预测模型的第二层对所述局部特征进行时序特征提取，得到第二特征，其中，所述第二层包括两层lstm层，所述两层lstm分别设置有激活函数、神经元个数、以及dropout；
[0187]
采用所述预测模型的第三层对所述第二特征进行预测，得到所述水泵的剩余使用寿命，其中，所述第三层为三个全连接层。
[0188]
本技术实施例的水泵剩余使用寿命预测装置可执行本技术前述实施例所示的水泵剩余使用寿命预测方法，其实现原理相类似，此处不再赘述。
[0189]
本技术实施例通过获取水泵在运行时的各种信息，如水泵泵体、基座以及驱动端的振动信息，水泵进出口的压力值以及水泵流体的流量信息等，通过预设的预测模型提取水泵的特征进行预测，充分考虑了水泵的各种运行数据，预测结果更加准确，并且通过对振动信息提取时频域信息，与水泵进出口压力和水泵流体流量值构建输入，使寿命预测更加准确，保证水泵剩余寿命预测的准确性，便于维护人员对水泵进行维护或更换，提高生产的安全性。
[0190]
本技术实施例中提供了一种电子设备，该电子设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；对所述振动信息进行时频域信息提取，确定多个所述时频域信息；基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命。与现有技术相比可实现：本技术实施例通过获取水泵在运行时的各种信息，如水泵泵体、基座以及驱动端的振动信息，水泵进出口的压力值以及水泵流体的流量信息等，通过预设的预测模型提取水泵的特征进行预测，充分考虑了水泵的各种运行数据，预测结果更加准确，并且通过对振动信息提取时频域信息，与水泵进出口压力和水泵流体流量值构建输入，使寿命预测更加准确，保证水泵剩余寿命预测的准确性，便于维护人员对水泵进行维护或更换，提高生产的安全性。
[0191]
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本技术实施例的限定。
[0192]
处理器4001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信息处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
[0193]
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0194]
存储器4003可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd
‑
rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0195]
存储器4003用于存储执行本技术方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
[0196]
其中，电子设备包括但不限于：电脑、平板、工业控制器等。
[0197]
本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，本技术实施例通过获取水泵在运行时的各种信息，如水泵泵体、基座以及驱动端的振动信息，水泵进出口的压力值以及水泵流体的流量信息等，通过预设的预测模型提取水泵的特征进行预测，充分考虑了水泵的各种运行数据，预测结果更加准确，并且通过对振动信息提取时频域信息，与水泵进出口压力和水泵流体流量值构建输入，使寿命预测更加准确，保证水泵剩余寿命预测的准确性，便于维护人员对水泵进行维护或更换，提高生产的安全性。
[0198]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一
部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0199]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。