一种高压隔膜泵单向阀故障诊断方法及系统

1.本发明涉及一种高压隔膜泵单向阀故障诊断方法及系统，属于机械故障诊断技术领域。


背景技术：

2.输送管道是指专门输送液体和气体物资的管道，采用管道输送物资的方法叫管道运输，是一种专门由生产地向市场输送石油、矿物和化学产品的运输方式，是统一运输网中干线运输的特殊组成部分。管道输送是既铁路运输、公路运输、海陆运输、航空运输之后的第五大运输方式，管道运输不仅基本没污染、能耗低，而且对生态环境和社会设施破坏小。近些年国家对环境问题越发的关注，管道输送行业因其优点发展极为迅速，但如何保证管道的输送的安全和稳定，是一个急需解决的问题。
3.高压隔膜泵是管道输送的核心设备之一，它是管道输送的动力输出装置，在高压隔膜泵运行过程中，隔膜泵每一冲程次对应单向阀的一个进料和排料的过程，当隔膜泵的冲程系数为60r/min时，其正常运行一天进出料单向阀需往复式动作86400次。
4.所以单向阀的安全问题也就是管道输送的核心安全问题。只有单向阀的有效运行，才能保证高压隔膜泵和管道输送正常运行，高压隔膜泵一旦发生故障，将影响设备正常运行，甚至造成严重经济和人员事故。因此，对高压隔膜泵单向阀的运行状况进行实时监测并实现故障诊断，对于整个管道运输起着至关重要的作用。
5.但高压隔膜泵单向阀的不同故障通常都源自不同原因和动力学机理，目前常用频谱分析的方法有时难以获取这方面的信息，而且故障发生时很难做出预警。


技术实现要素：

6.为了解决上述技术问题，本发明提供了一种高压隔膜泵单向阀故障诊断方法及系统，通过格拉姆角差场图像编码方式结合注意力原型网络检测高压隔膜泵单向阀故障，以解决上述的当发生故障时无法及时作出预警的问题。
7.为了达到解决上述技术问题的技术效果，本发明是通过以下技术方案实现的：一种高压隔膜泵单向阀故障诊断方法，其特征在于；
8.所述方法通过历史训练得到的各类故障原型表示以及参数构建注意力原型表示故障诊断模型，采集高压隔膜泵单向阀进行数据，并分析处理将其导入注意力原型网络进行故障匹配和识别；
9.进一步的，所述方法包括以下具体步骤：
10.step1：通过信号采集模块对高压隔膜泵单向阀进行数据采集；同时将历史训练得到的各类故障原型表示以及参数导入状态识别模块构建注意力原型表示故障诊断模型；
11.step2：通过预处理模块电路对采集到的一维振动信号进行放大、滤波去噪、a/d转换和存储，实现信号采集；
12.step3：对采集到的一维振动信号进行gadf编码，把一维振动信号转换为清晰且良
好的二维特征图像；
13.step4：将得到的二维特征图像与step1中导入的经过训练的注意力原型网络进行故障匹配和识别；
14.step5：若发现故障，则报警模块发出警报，由设备维护人员对设备进行维修处理，同时更新注意力原型网络与故障诊断库；
15.进一步的，所述高压隔膜泵单向阀采集的数据包括高压隔膜泵单向阀所产生的振动信号；
16.进一步的，所述高压隔膜泵单向阀故障包括高压隔膜泵单向阀卡阀、高压隔膜泵单向阀磨损击穿、高压隔膜泵单向阀磨蚀泄露；
17.本发明的又一目的在于提供一种高压隔膜泵单向阀故障诊断系统，其特征在于；
18.所述系统包括信号采集模块，对隔膜泵单向阀的振动信号进行检测；
19.信号预处理模块，用于对信号采集到的隔膜泵单向阀振动信号进行预处理；
20.图像编码模块，用于将采集到的一维振动信号进行编码成为二维特征图像；
21.状态识别模块，用于将编码后的二特征图像输入到训练好的注意力原型网络中进行故障匹配和识别；
22.故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理；
23.进一步的，所述通过加速度振动传感器对隔膜泵单向阀的振动信号进行检测，将历史训练得到各类故障原型表示导入到状态识别模块；
24.进一步的，所述加速度传感器采取轴向、径向和垂直三个方向的安装；
25.本发明的有益效果是：
26.一种高压隔膜泵单向阀故障诊断方法及其系统，针对管道隔膜泵单向阀振动信号的特殊性、稀少性、具有噪声提出，通过原型网络将一维振动信号经过转码后映射到故障特征度量空间，具有泛化能力，再采用注意力模块建立振动信号的全局依赖，使得模型更擅长捕捉信号特征的内部相关性，最终通过采集信息和模型对比，实现高压隔膜泵单向阀运行的实时状态监测，及时、直观的反映设备的运行状况，及时向设备维护人员提供可靠的设备运行信息，保证设备运行以及提出预警，从而降低设备故障停机时间，减少计划检修时间和非计划检修时间。
附图说明
27.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本发明一种高压隔膜泵单向阀故障诊断方法及其系统的流程图；
29.图2是本发明的实施例中振动信号采集过程；
30.图3是本发明的实施例中振动信号经过格拉姆角差场编码的图像；
31.图4是本发明的实施例中注意力原型网络历史训练过程。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
33.实施例1
34.本实施例为一种高压隔膜泵单向阀故障诊断方法及其系统的实施原理；
35.所述二维图像编码的格拉姆角差场算法使用如下：
36.gadf图像编码的本质是通过格拉姆角场(gaf gramian angular field)编码。格拉姆角场(gaf)，将时间序列映射到极坐标系统内再进行编码产生图像。具体过程如下：
37.首先将一维振动信号序列x＝{x1，x2，x3……
，xn}缩放至区间[-1,1]。公式如下所示：
[0038][0039]
之后将缩放后的序列的值映射为角度θ，将时间映射为半径r，这样就可以在极坐标系中重新将缩放的时间序列表示出来，公式如下所示。
[0040][0041]
式中，ti为时间戳，将区间[0,1]分成n等份，n为调节极坐标径向跨度的常数因子，它通过r坐标保持时间依赖性。
[0042]
将一维信号映射到极坐标系后，利用角度视角，通过考虑每个点之间的三角函数和来识别不同时间间隔内的时间相关性。gaf可以通过三角函数差的运算生成格拉姆角差场(gadf)，下式定义了格拉姆角差场(gadf)：
[0043][0044]
所述注意力原型网络算法使用如下：
[0045]
首先，通过原型网络计算支持集sk所有类型状态图像对应的在嵌入空间的m维特征向量，然后在嵌入空间计中算每个类别图像sk的向量的平均值的原型表示ck，如下所示:
[0046][0047]
式中为向量xi在嵌入空间的嵌入函数，即为向量xi通过卷积层提取到的特征；ck为支持集每个类别的原型表示；sk为含k个类别的样本集；|sk|为集合sk中k个类别的样本集的数量；xi为sk中第i个样本的特征向量；yi为sk中第i个样本的标记。
[0048]
然后将查询集的数据输入同一个原型网络中，在嵌入空间中得到查询集输入数据的特征向量，进行原型表示与特征向量的欧氏距离d计算如式下所示:
[0049][0050]
查询样本与其对应状态原型表示之间的距离。
[0051]
最后，需要计算的是当前样本属于每一个分类的概率这里使用softmax的计算方式：
[0052][0053]
其中，在原型网络中加入注意力模块然后采用注意力机制自适应地获取特征的重要程度，根据这个重要程度增强能表征故障信息的特征，对无效的特征进行抑制，使网络获得更多判别信息。
[0054]
实施例2
[0055]
实验器材示例：
[0056]
所述采集信号的管道以及隔膜泵来自云南某公司，主泵最大压力24.4mpa，工作压力18～21mpa，输送高程差1520m，流量350m2/h。采集振动信号的传感器是pcb通用型单轴加速度振动传感器(灵敏度100mv/g、测量范围
±
500g pk)，布置在三组进料和出料的单向阀阀室外壳上，信号采集卡为ps pxi-3342高精度8通数据采集卡，采样频率为2560hz。数据采集卡对信号进行处理后传送至ps pxi-3050控制器，在其控制下传至ps pxie-9108ext工控机存储。之后利用计算机处理数据进行图像编码后输入到注意力原型网络中可进行分类诊断，如若发现某高压隔膜泵单向阀的振动信号数据异常，会及时提醒工作人员高压隔膜泵单向阀出现异常，告知其来维修检查。
[0057]
参阅图1至图4所示，一种高压隔膜泵单向阀故障诊断方法，具体步骤如下：
[0058]
step1：通过信号采集模块对高压隔膜单向阀进行数据采集；同时将经过训练得到的各类故障原型表示以及参数导入状态识别模块构建注意力原型网络故障诊断模型；
[0059]
step2：通过预处理模块电路对采集到的一维振动信号进行放大、滤波去噪、a/d转换和存储，实现信号采集，如图2所示；
[0060]
step3：对采集到的一维振动信号进行gadf编码，把一维振动信号转换为清晰且良好的二维特征图像，如图3所示；
[0061]
step4：将得到的一维振动信号进行图像编码后与step1中导入的经过训练后的注意力原型网络，如图4所示，进行故障匹配和识别；
[0062]
step5：若发现故障，则发出警报由设备维护人员对设备进行维修处理，同时更新注意力原型网络与故障诊断库。
[0063]
实施例3
[0064]
本实施例为一种高压隔膜泵单向阀故障诊断系统，包括：
[0065]
信号采集模块，通过加速度振动传感器对隔膜泵单向阀的振动信号进行检测，并将历史训练得到各类故障原型表示导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；
[0066]
信号预处理模块，用于对采集到的隔膜泵单向阀振动信号进行预处理，包括信号放大、滤波降噪及a/d转换后进行存储；
[0067]
图像编码模块，用于对采集到的一维振动信号进行编码成为二维特征图像；
[0068]
状态识别模块，用于将编码后的二特征图像输入到训练好的注意力原型网络中进行故障匹配和识别；
[0069]
故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理；
[0070]
基于状态识别模块内的原型表示以及采集的信息，判断其高压隔膜泵单向阀是否出现异常，若出现异常，判断其是否超过阀值，若超过阀值则启动故障诊断及报警模块报警，警告设备维护人员立即检查设备，必要时停止设备；若未超过阀值则提示设备人员对设备密切关注；且最后对各类信息进行统计，更新其状态识别模块内的原始数据。
[0071]
综上所述，一种高压隔膜泵单向阀故障诊断方法及其系统，针对管道隔膜泵单向阀振动信号的特殊性、稀少性、具有噪声提出，通过原型网络将一维振动信号经过转码后映射到故障特征度量空间，具有泛化能力，再采用注意力模块建立振动信号的全局依赖，使得模型更擅长捕捉信号特征的内部相关性，最终通过采集信息和模型对比，实现高压隔膜泵单向阀运行的实时状态监测，及时、直观的反映设备的运行状况，及时向设备维护人员提供可靠的设备运行信息，保证设备运行以及提出预警，从而降低设备故障停机时间，减少计划检修时间和非计划检修时间。
[0072]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0073]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。