基于神经网络的水泵故障诊断方法及系统与流程

1.本发明涉及水泵运行状态监测诊断的技术领域，具体地，涉及一种基于神经网络的水泵故障诊断方法及系统。


背景技术：

2.水泵在工业系统中具有相当广泛的应用。典型的能源工业的换热系统中，水泵一直处于自动化、连续化的运行状态，水泵的安全性和可靠性对于系统的稳定运行具有相当重要的意义。
3.当前的水泵运行状态监测与故障诊断主要依赖仪表测量和主观经验判断，但水泵的运行参数众多、机理复杂、时变性强、耦合因素多，导致水泵这样的复杂设备难以用精确的数学模型进行描述。
4.另外，水泵由于其安全可靠性高，生命周期内极少出现故障工况，也导致水泵的故障诊断系统缺乏充足的可用于分析的故障数据。
5.针对上述中的相关技术，发明人认为水泵这样的复杂设备难以用精确的数学模型进行描述，且水泵的故障诊断系统缺乏充足的可用于分析的故障数据，对水泵进行故障排查较难。


技术实现要素：

6.针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的水泵故障诊断方法及系统。
7.根据本发明提供的一种基于神经网络的水泵故障诊断方法，包括如下步骤：
8.数据采集步骤：采集水泵运行数据；
9.识别模型步骤：将水泵运行数据输入到水泵故障识别模型，得到水泵故障识别模型输出的第一诊断结果；
10.故障判断步骤：根据水泵故障识别模型的第一诊断结果，判断水泵是否出现故障。
11.在一种可能的实施方式中，在数据采集步骤中，通过部署在水泵管路上游和下游的压力传感器采集不同时刻的管路内部压力数据，并根据所述压力数据计算得到水泵的扬程h(t)；
12.通过部署在水泵上的流量计采集流量数据q(t)；
13.通过部署在水泵上的电量表采集功率数据p(t)；
14.通过部署在水泵上的变频器采集频率数据f(t)；
15.其中，t表示采集时刻。
16.在一种可能的实施方式中，该方法还包括状态模型步骤；
17.所述状态模型步骤：将水泵运行数据输入到水泵运行状态模型中，得到水泵运行状态模型的预测结果；根据所述预测结果确定第二诊断结果，所述第二诊断结果用于表示水泵运行状态是否异常；
18.所述故障判断步骤：根据所述第一诊断结果和所述第二诊断结果判断，水泵运行是否出现故障。
19.在一种可能的实施方式中，在所述状态模型步骤中，将水泵运行数据输入水泵运行状态模型，分别得到设定的时间段内的水泵频率预测值和水泵功率预测值，并根据水泵频率预测值和水泵功率预测值计算所述时间段内的方差决定系数和平均误差百分比，并作为第二诊断结果；若方差决定系数和平均误差百分比均低于各自的阈值，认定为水泵异常。
20.在一种可能的实施方式中，在所述故障判断步骤中，若根据第一诊断结果和第二诊断结果均确定出水泵异常，则认为水泵出现故障；否则，认为水泵处在正常运行状态。
21.在一种可能的实施方式中，所述水泵运行状态模型的建立包括如下步骤：
22.样本获取步骤：获取水泵正常运行数据，得到水泵正常运行样本集；水泵正常运行样本集包括基本输入参数和与基本输入参数对应的基本输出参数；基本输入参数包括水泵正常运行样本集中的水泵扬程和水泵流量，基本输出参数包括水泵正常运行样本集中的水泵功率和水泵频率；
23.状态模型训练步骤：建立bp神经网络，其中，基本输入参数作为bp神经网络的输入数据，基本输出参数作为对应的基本输入参数的标注数据，bp神经网络的输出数据为预测输出参数；基于预测输出参数和该预测输出参数对应的基本输出参数，调整bp神经网络的网络参数，并将训练完成的bp神经网络确定为水泵运行状态模型。
24.在一种可能的实施方式中，所述方法还包括：
25.对于至少一个基本输入参数，使用多项式组合对该基本输入参数进行特征扩充，得到该基本输入参数特征扩充后的参数，并将该基本输入参数及其特征扩充后的参数均作为bp神经网络的输入数据；比较基本输出参数和该bp神经网络的输入数据之间的相关性；保留基本输出参数与该bp神经网络的输入数据之间为预定相关性的bp神经网络的输入数据。
26.在一种可能的实施方式中，所述水泵故障识别模型的建立包括如下步骤：
27.数据集构建步骤：构建数据集，所述数据集包括正常样本和故障样本，所述正常样本为水泵正常运行时的数据，所述故障样本为水泵故障时的数据；
28.识别模型训练步骤：建立卷积神经网络，数据集作为卷积神经网络的输入数据，状态标签作为输入数据的标注数据，状态标签包括标识水泵正常运行的第一状态标签和标识水泵故障的第二状态标签；卷积神经网络的输出数据为预测状态，预测状态包括标识水泵正常运行的正常状态和标识水泵故障的故障状态；基于预测状态和状态标签对卷积神经网络进行优化，并将训练完成的卷积神经网络确定为水泵故障识别模型。
29.在一种可能的实施方式中，在数据集构建步骤中，获取水泵运行数据；以设定时间间隔对水泵运行数据进行划分，将水泵运行数据组织为如下形式：
30.31.其中，t
kl l
表示第kl l个时刻；表示t
kl l
时刻的扬程；表示t
kl l
时刻的流量；表示t
kl l
时刻的水泵功率；表示t
kl l
时刻的水泵频率；k表示第k个时刻；l表示时间间隔的长度，n表示水泵运行数据参数的样本；
32.构建出数据集，水泵故障识别模型输入数据为数据集中设定的时间段的时间序列矩阵。
33.在一种可能的实施方式中，卷积神经网络结构包括：至少一个卷积层、压平层、遗忘层和全连接层。
34.根据本发明提供的一种基于神经网络的水泵故障诊断系统，包括数据采集硬件、上位机和计算机，所述数据采集硬件和上位机连接，上位机和计算机连接；
35.所述数据采集硬件采集水泵运行数据，并将水泵运行数据发送给上位机；
36.所述上位机接收储存水泵运行数据，并将水泵运行数据发送给计算机；
37.所述计算机对水泵运行数据进行处理。
38.与现有技术相比，本发明具有如下的有益效果：
39.1、本发明水泵在工业系统中具有相当广泛的应用，水泵的安全性和可靠性对于系统的稳定运行具有相当重要的意义；本发明能够实时监测水泵的运行状态并对可能出现故障的水泵进行判断提示，大大提高了水泵在使用过程中的安全性以及改善了对水泵进行故障排查难等问题；
40.2、本发明使用无线传感器采集扬程数据，无线传感器部署方便，无需布线，连接快速稳定，使用wifi接入控制系统；
41.3、本发明综合了两个神经网络模型的预测结果，提高了故障诊断的准确性以及降低了程序误判的可能。
附图说明
42.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
43.图1为本发明的水泵故障诊断的示意图；
44.图2为本发明的水泵采集数据的示意图；
45.图3为本发明的基本流程示意图；
46.图4为本发明bp神经网络的结构示意图；
47.图5为本发明卷积神经网络的结构示意图。
具体实施方式
48.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
49.本发明实施例公开了一种基于神经网络的水泵故障诊断方法，如图1所示，包括如下步骤：数据采集步骤：采集水泵运行数据。识别模型步骤：将水泵运行数据输入到水泵故
障识别模型，得到水泵故障识别模型输出的第一诊断结果。故障判断步骤：根据水泵故障识别模型的第一诊断结果，判断水泵是否出现故障。
50.如图2和图3所示，在数据采集步骤中，获取水泵运行数据，水泵运行数据包括：水泵的扬程h(t)，水泵的流量q(t)、水泵的功率p(t)和水泵频率f(t)。
51.在一些实施例中，通过部署在水泵管路上游和下游的压力传感器采集不同时刻的管路内部压力数据，并根据所述压力数据计算得到水泵的扬程h(t)，扬程1米＝压力10kpa。
52.在一些实施例中，通过部署在水泵上的流量计采集流量数据q(t)。
53.在一些实施例中，通过部署在水泵上的电量表采集功率数据p(t)；通过部署在水泵上的变频器采集频率数据f(t)。
54.其中，t表示采集时刻。
55.在具体实施过程中，水泵数据获取时，测量仪表(数据采集硬件)包括无线压力传感器、流量计、电量表和变频器。水泵运行数据的实时采集：部署在管路及设备上的测量仪表接入上位机，上位机采集随时间变化的测量仪表的读数数据。具体测量仪表设置及采集物理量如下：由部署在水泵管路前后的无线压力传感器采集压力数据，通过wifi无线接入上位机，并计算得到扬程h(t)，其具有无需布线、部署灵活、连接稳定的特点。无线压力传感器也可以通过有线方式连接，例如使用网线或者485总线，无线压力传感器也可以通过其它无线方式(nbiot或lora)连接。由部署在水泵上的有线流量计采集流量数据q(t)并有线传输至上位机。流量计安装在水泵上游下游均可，但安装位置应满足上游距离水泵的距离不少于5倍的直管端或者下游距离水泵的距离不少于3倍的直管段，且该直管段上不能有其他管件。流量计与上位机之前可以使用无线传输也可以使用有线传输，没有特殊限制。由部署在水泵上的电量表采集功率数据p(t)并有线传输至上位机。电量表安装在水泵的配电开关柜上。电量表和上位机之间可以为无线，也可以为有线。
56.由部署在水泵上的变频器采集频率数据f(t)并有线传输至上位机。流量计采集流量数据q(t)、电量表采集功率数据p(t)、变频器采集频率数据f(t)，均通过有线的方式传入上位机。变频器安装在水泵电极与配电柜之间，通常配电柜的电输入至变频器，变频器的输出电流输入至水泵电机。变频器的空间位置无具体要求。变频器和上位机之间通常为有线传输，也可以使用无线传输。上位机负责采集建模需要的训练数据。
57.在具体实施过程中，将近期数据(通常为运行时刻至前一小时的数据)输入到模型，对水泵运行状态进行实时监测以及故障诊断。使用数据采集步骤建立的数据采集系统对监测到的最近一段时间的近期数据进行实时分析。近期水泵运行数据包括水泵实际扬程、水泵实际流量、水泵实际功率和水泵实际频率。
58.在识别模型步骤中，将水泵运行数据输入到水泵故障识别模型，得到水泵故障识别模型输出的第一诊断结果。将近期数据(水泵实际扬程、水泵实际流量、水泵实际功率和水泵实际频率)输入建立的卷积神经网络水泵故障识别模型中，模型输出正常或异常的水泵故障识别模型输出的第一诊断结果。卷积神经网络的输出为正常或异常的标签。
59.该方法还包括状态模型步骤：将水泵运行数据输入到水泵运行状态模型中，得到水泵运行状态模型的预测结果；根据所述预测结果确定第二诊断结果，所述第二诊断结果用于表示水泵运行状态是否异常。
60.具体的，将水泵运行数据输入水泵运行状态模型，分别得到设定的时间段内(设定
的时间段和近期数据指的是同一段时间，通常为程序运行时刻至前一小时的数据)的水泵频率预测值和水泵功率预测值，并根据水泵频率预测值和水泵功率预测值计算所述时间段内的方差决定系数和平均误差百分比，并作为第二诊断结果。若方差决定系数和平均误差百分比均低于各自的阈值，认定为水泵异常，否则认为水泵正常。
61.在一些实施例中，将近期数据(水泵实际扬程和水泵实际流量)输入建立的bp神经网络水泵运行状态模型，得到该时间段内的水泵频率预测值和水泵功率预测值，将水泵频率预测值和水泵实际频率对比，将水泵功率预测值和水泵实际功率对比，并计算该时间段内的方差决定系数和平均误差百分比。
62.确定方差决定系数的一种可能的实施方式：
[0063][0064]
其中，r表示方差决定系数；ssr英文全称为sum of squares total，表示变量y相对于中心的异动；sst英文全称为sum of squares regression，表示变量相对于中心的异动；表示第i个样本的预测值；i是指评估时间段内样本的个数，样本通常为每分钟一条，故一小时一般为60条样本，i通常时间范围是1小时，即i＝60。表示样本实际值整体的平均值；yi表示第i个样本的实际值，其中和yi既可以对应水泵功率，又可以对应水泵频率。当为水泵功率预测值时，和yi分别为水泵实际功率的平均值和水泵实际功率值。当为水泵频率预测值时，和yi分别为水泵实际频率的平均值和水泵实际频率值。此处介绍的是通用评估方法，水泵功率需要使用r2的公式进行评估，水泵频率也需要做同样的评估。
[0065]
确定平均误差百分比的一种可能的实施方式：
[0066][0067]
其中，mape表示平均绝对百分比误差；actual(t)表示第t个样本的实际值；forecast(t)表示第t个样本的预测值；n表示样本个数，其中，actual(t)和forecast(t)既可以表示水泵功率，又可以表示水泵频率。平均误差百分比不等同于平均绝对误差百分比，平均误差百分比包括平均绝对百分比误差，差别在于是否包含绝对值计算。当actual(t)表示水泵实际功率值，forecast(t)表示水泵功率预测值。当actual(t)表示水泵实际频率值，forecast(t)表示水泵频率预测值。此处介绍的是通用计算方法，水泵功率需要使用mape的公式进行计算，水泵频率也需要做同样的计算。
[0068]
若方差决定系数和平均误差百分比均低于阈值，认定为水泵运行状态异常。深度神经网络负责预测频率&功率(水泵频率预测值和水泵功率预测值)与实际测量的频率&功率(水泵实际频率预测值和水泵实际功率预测值)做对比，决定系数低于0.85和平均误差百分比高于10％，则诊断为故障。&表示和。
[0069]
本发明中不限定第一诊断结果的确定过程和第二诊断结果的确定过程的先后顺序，可以先确定第一诊断结果，再确定第二诊断结果；也可以先确定第二诊断结果，再确定
第一诊断结果；还可以同时执行确定第一诊断结果和确定第二诊断结果。
[0070]
在故障判断步骤中，根据第一诊断结果和第二诊断结果判断，确定水泵运行是否出现故障。综合两个模型的判断结果，若根据第一诊断结果和第二诊断结果均确定出水泵异常，则认为水泵出现故障；否则，认为水泵处在正常运行状态。综合两个模型的结果，均显示异常的，则判断水泵当前出现了故障，反之则没有。
[0071]
进行bp神经网络和卷积神经网络建模。
[0072]
如图3和图4所示，本发明提供的建立水泵运行状态模型的一个实施例。水泵运行状态模型的建立包括如下步骤：(1)样本获取步骤：获取水泵正常运行数据，得到水泵正常运行样本集。其中，水泵正常运行样本集包括基本输入参数和与基本输入参数对应的基本输出参数。基本输入参数包括水泵正常运行样本集中的水泵扬程(记为h)和水泵流量(记为q)，基本输出参数包括水泵正常运行样本集中的水泵功率(记为p)和水泵频率(记为f)。获取不同时刻下的水泵正常运行数据参数的样本n个，n为正整数。
[0073]
在一些实施例中，水泵运行状态模型采用bp神经网络，其中，bp英文全文back propagation，中文译文为反向传播算法。
[0074]
在一些实施例中，在获取水泵运行状态模型的输入参数和输出参数时，通过数据采集步骤建立的数据采集系统获取设定时长内的水泵正常运行数据，将数据组织为如下形式：
[0075][0076]
其中，ti表示第i个时刻；表示ti时刻的扬程；表示ti时刻的流量；表示ti时刻的水泵功率；表示ti时刻的水泵频率。设定时长为通常情况下，每一小时进行一次取值并计算，每次取值会获取程序运行时刻至前一小时的数据，总计60个样本。
[0077]
通过上述方式，得到不同时刻下的水泵正常运行参数的一维样本n个。其中，数据采集步骤与上述故障诊断的数据采集步骤类似，此处不再赘述。
[0078]
在一些实施例中，为提高模型的拟合精度，对基本输入参数进行自变量的自动扩充，具体包括：对于至少一个基本输入参数，可以使用多项式组合对该基本输入参数进行特征扩充，得到该基本输入参数特征扩充后的参数，并将该基本输入参数及其特征扩充后的参数均作为bp神经网络的输入数据。
[0079]
具体的，使用对数化和多项式组合的方法对基本输入参数进行特征扩充，比较该bp神经网络的输入数据(基本输入参数和及其特征扩充后的参数)与基本输出参数之间的相关性；保留(留下)基本输出参数与该bp神经网络的输入数据之间为预定相关性的bp神经网络的输入数据。基本输入参数及其扩充后的参数中只有预定相关性大于0.5或者小于-0.5的变量特征会被保留，其余的则会被删除。对数化为将原始数据(基本输入参数)均取其自然对数。
[0080]
比较该bp神经网络的输入数据(基本输入参数和扩充后的输入参数)与输出参数之间的相关性，保留预定相关性较高的扩充变量。该bp神经网络的输入数据与输出参数之间用皮尔森相关系数来分别评价每个输入和输出的相关系数，保留相关系数大于0.5或小于-0.5的输入特征。预定相关性较高指的是相关性大于0.5或小于-0.5。输出参数为：p：水泵功率；f：水泵频率。
[0081]
(2)状态模型训练步骤：建立bp神经网络，其中，基本输入参数作为bp神经网络的输入数据，基本输出参数作为对应的基本输入参数的标注数据，bp神经网络的输出数据为预测输出参数；基于预测输出参数和该预测输出参数对应的基本输出参数，调整bp神经网络的网络参数，并将训练完成的bp神经网络确定为水泵运行状态模型。
[0082]
具体的，bp神经网络包括下述参数：输入层节点数为6，输出层节点数为1，隐含层有1个，隐含层节点数为10，激活函数为线性激活，此处的参数用于描述bp神经网络模型的结构。在模型训练中，基于样本获取步骤得到的水泵正常运行样本集，使用反向传播算法，计算得到使输出参数的预测误差最小的网络参数，据此建立水泵运行状态模型。
[0083]
如图3和图5所示，本发明实施例提供了一种水泵故障识别模型的建立方法。具体包括如下步骤：
[0084]
(1)数据集构建步骤：构建数据集，数据集包括正常样本和故障样本，所述正常样本为水泵正常运行时的数据，所述故障样本为水泵故障时的数据。
[0085]
具体的，获取水泵运行数据；以设定时间间隔对水泵运行数据进行划分，基于不同时刻下的水泵正常运行参数的一维样本的形式基础上，进一步地，以设定的时间间隔l对数据进行划分，将数据组织为如下形式的时间序列矩阵：
[0086][0087]
其中，t
kl l
表示第kl l个时刻；表示t
kl l
时刻的扬程；表示t
kl l
时刻的流量；表示t
kl l
时刻的水泵功率；表示t
kl l
时刻的水泵频率；k表示第k个时刻；l表示时间间隔的长度，l取值通常为20分钟，即20个样本，但也会随着模型训练的情况进行调整；n表示水泵运行数据参数的样本个数。
[0088]
在一些实施例中，在h、q、p、f这4列数据中随机选取1至4列(此处为竖着选取，按时间划分每小时60个样本，按照维度(特征/物理量)划分有4种类型，此处的操作是对多个样本的某一至几个维度进行统一的操作)，在随机选取的数据的每个位置上加入不超过[-30％， 30％]的随机噪声，形成新的数据样本，并打上故障数据的标签，并在原始样本上打上正常数据的标签，形成故障样本占比很大的数据集。
[0089]
构建出数据集，水泵故障识别模型的输入数据为数据集中设定的时间段的时间序列矩阵。水泵故障时的数据包括在水泵正常运行数据加入不超过预定范围的随机噪声形成的数据，也包括实际采集到的水泵发生故障时的运行数据。
[0090]
(2)识别模型训练步骤：建立卷积神经网络，数据集作为卷积神经网络的输入数据，状态标签作为输入数据的标注数据，状态标签包括标识水泵正常运行的第一状态标签和标识水泵故障的第二状态标签；卷积神经网络的输出数据为预测状态，预测状态包括标识水泵正常运行的正常状态和标识水泵故障的故障状态；基于预测状态和状态标签对卷积神经网络进行优化，并将训练完成的卷积神经网络确定为水泵故障识别模型。
[0091]
具体的，第二状态标签包括带随机噪声的h的故障标签、带随机噪声的q的故障标签、带随机噪声的p的故障标签和带随机噪声的f的故障标签。当在h中加入随机噪声，在h和q中加入随机噪声，在h和p中加入随机噪声，在h和f中加入随机噪声，在h、q和p中加入随机噪声，在h、q和f中加入随机噪声，在h、p和f中加入随机噪声，在h、q、p和f中加入随机噪声任一一种情况，均对应第二状态标签中的带随机噪声的h的故障标签(只要在h中加入随机噪声，均定义为带随机噪声的h的故障标签)。当在q中加入随机噪声，在q和p中加入随机噪声，在q和f中加入随机噪声，在q、p和f中加入随机噪声四种情况任一一种情况，均对应第二状态标签中的带随机噪声的q的故障标签。当在p中加入随机噪声，在p和f中加入随机噪声，均对应第二状态标签中的带随机噪声的p的故障标签。当仅在f中加入随机噪声，对应第二状态标签中的带随机噪声的f的故障标签。
[0092]
在一些实施例中，卷积神经网络结构包括：至少一个卷积层、压平层、遗忘层和全连接层。卷积层包括第一卷积层(16个卷积核)和第二卷积层(32个卷积核)。全连接层包括第一全连接层和第二全连接层，第二全连接层为softmax输出层。softmax中文译文为可逆的概率分布函数。第一卷积层、第二卷积层、压平层、遗忘层、第一全连接层和softmax输出层依次连接。全连接层是神经网络模型内部的层的概念，每个全连接层也有自己单独的输入输出，此处利用的是softmax层的输入作为最后模型的输入，故在模型层大的分类里，softmax是输出层。
[0093]
其中，卷积层起到滤波的作用，能够将图像或数据的特征提取出来；压平层是将多维数据一维化，起到卷积层与遗忘层的连接桥梁作用；遗忘层是将特定的连接丢弃，防止出现过拟合情况；全连接层起到分类器的作用；softmax层将分类结果概率化。
[0094]
在一些实施例中，确定卷积神经网络结构包括：第一卷积层、第二卷积层、压平层，遗忘层(遗忘率为0.4)、第一全连接层、第二全连接层和softmax输出层，无池化层。池化的目的是降低维度，降低模型复杂程度，此处使用的模型并不太复杂，故不需要池化层。前述每一层均需要使用激活函数，激活函数使用relu激活函数：
[0095]
y＝max(x,0)。
[0096]
其中，x表示模型输入；y表示模型输出。relu英文全称为rectified linear unit，中文译文为线性整流函数，又称修正线性单元。激活函数的主要作用是使神经网络模型呈现非线性的特征，函数形式为y＝max(0,x)。卷积神经网络结构每一层都使用此函数形式。
[0097]
在具体实施过程中，水泵故障识别模型输入参数为h、q、p、f在某一时间段内的时间序列矩阵，输出参数为正常或故障的状态标签。水泵故障识别模型输入参数为数据集中某一时间段的时间序列矩阵。时间序列矩阵为在数据集中，随机选取时刻，并将该时刻至该时刻 n的连续样本取出，组成的矩阵(时间序列矩阵的子集)，通常n为20分钟。该时刻为模型训练过程中产生的，是一个随机的时刻。基于数据集构建步骤构建的数据集，对组成的矩阵进行参数最优化求解，求解方法使用梯度下降法，求解目标为模型的预测值与实际值的损失函数最小，损失函数使用欧氏距离，即使得欧式距离最小，最终建立卷积神经网络水泵故障识别模型。
[0098]
将数据整理成一维训练数据(每个时间一个样本)和二维数据(连续l分钟数据组成一个样本)。将一维数据带入至深度神经网络(bp神经网络)，二维数据代入至卷积神经网络中分别进行训练。
[0099]
本发明实施例还提供了一种基于神经网络的水泵故障诊断系统，包括数据采集硬件、上位机和计算机，数据采集硬件和上位机连接，上位机和计算机连接。数据采集硬件采集水泵运行数据，并将水泵运行数据发送给上位机；上位机接收和储存水泵运行数据，并将水泵运行数据发送给计算机；计算机对水泵运行数据进行处理。数据采集硬件包括无线压力传感器、流量计、电量表和变频器。无线压力传感器部署在水泵管路前后，无线压力传感器和上位机连接。流量计部署在水泵的上游或者下游。流量计与上位机连接。电量表安装在水泵的配电开关柜上。电量表和上位机连接。变频器安装在水泵电极与配电柜之间，变频器和上位机连接。计算机内建立有bp神经网络模型和卷积神经网络模型。上位机从无线压力传感器、流量计、电量表和变频器处收集的数据输入计算机内的bp神经网络模型和卷积神经网络模型进行处理。
[0100]
本发明水泵运行状态实时监测和故障诊断系统由数据采集硬件和人工智能监测系统组成。本发明涉及计算机身联网技术以及人工智能领域，提供基于神经网络的水泵运行状态实时监测和故障诊断。为了验证本发明的准确性与可靠性，选取相应的测试数据带入至所建立的神经网络模型进行性能分析。引入了精度、精确率、召回率、roc曲线以及auc等分类评价指标，对本发明的性能表现进行了严谨的评估与分析。经现场数据的分析，本发明可靠有效。上述分类评价指标在做模型训练时会使用到，为模型训练的通用方法。
[0101]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0102]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。