自我诊断方法和无负压叠压供水设备技术

本申请提供了一种自我诊断方法和无负压叠压供水设备，所述方法包括：获取所述无负压叠压供水设备的多个运行参数的测量数据；当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时，将多个所述运行参数的测量数据作为故障检测模型的第一输入，输出所述第一输入对应的预测故障类型和预测相似度；当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生，当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。使用两个阶段的检测过程来判断是否有故障发生，当第一阶段检测到可能发生故障时，并非直接判断为发生故障，而是进入第二阶段的故障检测，避免误判。避免误判。避免误判。

【技术实现步骤摘要】
自我诊断方法和无负压叠压供水设备


[0001]本申请涉及供水设备的
，尤其涉及自我诊断方法和无负压叠压供水设备。

技术介绍

[0002]随着信息技术的发展，应用于供水领域的大数据分析已成为当今供水行业的发展趋势。传统的无负压叠压供水设备处于数据采集或者是数据“向后分析”阶段。二次供水的安全问题也逐渐成为市民关注的热点。因此，为提高二次供水安全系数，现提出一种具有自我诊断功能的无负压叠压供水设备，采取数据“向前分析”的方式，让设备故障具有预测性。
[0003]当前，有的无负压叠压供水设备已经具备数据采集功能和故障报警功能，但其采集到的数据，需要有相当经验的工程师才能判断故障类型。另外，现有技术的故障报警，其判断条件一般是某一运行参数的数值波动超出预设范围，但单一运行参数偶发性的数值波动可能是数据采集或者上传时发生错误造成的，此时直接进行故障报警，存在不小的误判概率。

技术实现思路

[0004]本申请的目的在于提供自我诊断方法和无负压叠压供水设备，以使无负压叠压供水设备能够自我诊断是否有故障发生，并减少误判概率。
[0005]本申请的目的采用以下技术方案实现：
[0006]第一方面，本申请提供了一种自我诊断方法，用于为无负压叠压供水设备提供自我诊断功能，所述方法包括：
[0007]获取所述无负压叠压供水设备的多个运行参数的测量数据，多个所述运行参数包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的至少两个；
[0008]分别检测每个所述运行参数的测量数据是否处于自身对应的预设范围；
[0009]当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时，将多个所述运行参数的测量数据作为故障检测模型的第一输入，通过所述故障检测模型输出所述第一输入对应的预测故障类型和预测相似度；其中，所述故障检测模型用于将所述第一输入分别与故障数据库中的每个故障数据进行比对，得到所述第一输入与每个故障数据的相似度，将所述第一输入对应的多个相似度中最高的相似度作为所述第一输入对应的预测相似度，将与所述第一输入相似度最高的故障数据的故障类型作为所述第一输入对应的预测故障类型，并且输出所述第一输入对应的预测故障类型和预测相似度；
[0010]当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生，当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。
[0011]该技术方案的有益效果在于：使用两个阶段的检测过程来判断是否有故障发生，
当第一阶段检测到可能发生故障时，并非直接判断为发生故障，而是进入第二阶段的故障检测，当第二阶段也检测到可能发生故障时，才确定无负压叠压供水设备发生故障，由此，所得到的故障检测结果可信度高，避免频繁误判，影响无负压叠压供水设备的正常使用。
[0012]具体而言，在第一阶段，使用多个传感器获取多个运行参数的测量数据，分别检测每个运行参数的测量数据是否处于自身对应的预设范围，当存在一个或多个运行参数的测量数据超出自身对应的预设范围时，表明无负压叠压供水设备有可能发生故障，这时候进入第二阶段；在第二阶段，将多个运行参数的测量数据输入故障检测模型，利用故障检测模型确定无负压叠压供水设备在当前运行过程中最接近的故障类型作为预测故障类型，故障检测模型还会同时给出输入数据与该预测故障类型的相似度作为预测相似度，通过比较预测相似度与预设相似度阈值的大小来判断是否有故障发生。显然，相似度越高，无负压叠压供水设备越有可能发生了该预测故障类型所对应的故障。
[0013]另外，以多个运行参数的测量数据作为故障检测模型的输入数据，考虑到了多个运行参数之间的关联性，针对多个运行参数的测量数据进行综合判定，避免单一运行参数的数值波动导致误判，而是将多个运行参数作为一个整体，与故障数据库中预先存储的多个故障数据逐一进行比对，找出相似度最高的故障数据，并将该故障数据对应的故障类型作为预测故障类型，进一步提高了故障检测结果的准确性。
[0014]在一些可选的实施例中，每个所述运行参数对应的预设范围的获取过程如下：
[0015]针对每个所述运行参数，当所述无负压叠压供水设备处于正常运行状态时，分别记录所述运行参数在多个预设时刻的测量数据；
[0016]利用所述运行参数在多个预设时刻的测量数据求取平均值；
[0017]获取包含所述平均值的预设范围，所述预设范围的最大值与最小值的差值与所述平均值之比是所述运行参数对应的预设常数。
[0018]该技术方案的有益效果在于：在无负压叠压供水设备处于正常运行状态时，记录多个预设时刻的测量数据并求取平均值，所得到的平均值能够作为该运行参数在正常运行过程中的参考数值，在此基础上，设置适当的波动幅度，得到包含该平均值的预设范围，所得到的预设范围具有较高的参考价值。不同的运行参数其数值相差很大，可能不是一个数量级，因此，为每个运行参数设置相同或不同的预设常数，再设置预设范围的最大值与最小值的差值与平均值之比是该运行参数对应的预设常数，由此来限定不同运行参数的波动幅度，所得到的预设范围准确、合理，更符合实际应用中的需求。
[0019]在一些可选的实施例中，所述故障检测模型的训练过程如下：
[0020]获取训练集，所述训练集中的每个训练数据包括多个运行参数的样本数据及其对应的标注故障类型和标注相似度，所述样本数据是实际测量得到的或者利用GAN模型的生成网络生成的；
[0021]针对每个所述训练数据，将所述训练数据中的多个运行参数的样本数据作为预设的深度学习模型的第二输入，通过所述预设的深度学习模型输出所述第二输入对应的预测故障类型和预测相似度；其中，所述预设的深度学习模型用于将所述第二输入分别与所述故障数据库中的每个故障数据进行比对，得到所述第二输入与每个故障数据的相似度，将所述第二输入对应的多个相似度中最高的相似度作为所述第二输入对应的预测相似度，将与所述第二输入相似度最高的故障数据的故障类型作为所述第二输入对应的预测故障类
型，并且输出所述第二输入对应的预测故障类型和预测相似度；
[0022]基于所述第二输入对应的预测故障类型和预测相似度以及所述第二输入对应的标注故障类型和标注相似度，更新所述预设的深度学习模型的模型参数；
[0023]检测是否满足预设的训练结束条件，如果是，则停止训练，并将训练得到的所述预设的深度学习模型作为所述故障检测模型，如果否，则利用下一个所述训练数据继续训练所述预设的深度学习模型。
[0024]该技术方案的有益效果在于：利用训练集对预设的深度学习模型进行训练，得到故障检测模型，故障检测模型可以由大量的训练数据训练得到，能够针对多种输入数据预测得到相应的故障检测结果，适用范围广，智能化水平高。通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自我诊断方法，其特征在于，用于为无负压叠压供水设备提供自我诊断功能，所述方法包括：获取所述无负压叠压供水设备的多个运行参数的测量数据，多个所述运行参数包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的至少两个；分别检测每个所述运行参数的测量数据是否处于自身对应的预设范围；当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时，将多个所述运行参数的测量数据作为故障检测模型的第一输入，通过所述故障检测模型输出所述第一输入对应的预测故障类型和预测相似度；其中，所述故障检测模型用于将所述第一输入分别与故障数据库中的每个故障数据进行比对，得到所述第一输入与每个故障数据的相似度，将所述第一输入对应的多个相似度中最高的相似度作为所述第一输入对应的预测相似度，将与所述第一输入相似度最高的故障数据的故障类型作为所述第一输入对应的预测故障类型，并且输出所述第一输入对应的预测故障类型和预测相似度；当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生，当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。2.根据权利要求1所述的自我诊断方法，其特征在于，每个所述运行参数对应的预设范围的获取过程如下：针对每个所述运行参数，当所述无负压叠压供水设备处于正常运行状态时，分别记录所述运行参数在多个预设时刻的测量数据；利用所述运行参数在多个预设时刻的测量数据求取平均值；获取包含所述平均值的预设范围，所述预设范围的最大值与最小值的差值与所述平均值之比是所述运行参数对应的预设常数。3.根据权利要求1所述的自我诊断方法，其特征在于，所述故障检测模型的训练过程如下：获取训练集，所述训练集中的每个训练数据包括多个运行参数的样本数据及其对应的标注故障类型和标注相似度，所述样本数据是实际测量得到的或者利用GAN模型的生成网络生成的；针对每个所述训练数据，将所述训练数据中的多个运行参数的样本数据作为预设的深度学习模型的第二输入，通过所述预设的深度学习模型输出所述第二输入对应的预测故障类型和预测相似度；其中，所述预设的深度学习模型用于将所述第二输入分别与所述故障数据库中的每个故障数据进行比对，得到所述第二输入与每个故障数据的相似度，将所述第二输入对应的多个相似度中最高的相似度作为所述第二输入对应的预测相似度，将与所述第二输入相似度最高的故障数据的故障类型作为所述第二输入对应的预测故障类型，并且输出所述第二输入对应的预测故障类型和预测相似度；基于所述第二输入对应的预测故障类型和预测相似度以及所述第二输入对应的标注故障类型和标注相似度，更新所述预设的深度学习模型的模型参数；检测是否满足预设的训练结束条件，如果是，则停止训练，并将训练得到的所述预设的深度学习模型作为所述故障检测模型，如果否，则利用下一个所述训练数据继续训练所述
预设的深度学习模型。4.根据权利要求1所述的自我诊断方法，其特征在于，所述方法还包括：当所述第一输入对应的预测相似度不小于所述预设相似度阈值时，生成第一自诊断报告，所述第一自诊断报告包括所述第一输入对应的预测故障类型；基于所述第一自诊断报告，获取所述第一输入对应的预测故障类型所对应的第一解决策略和第一通信等级，每个通信等级对应预设的一个或多个用户设备；生成包含所述第一解决策略的故障报警信息，并发送至所述第一通信等级对应的用户设备。5.根据权利要求1所述的自我诊断方法，其特征在于，所述方法还包括：当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时，生成第二自诊断报告，所述第二自诊断报告包括不处于自身预设范围的运行参数对应的部件名称和预设问题类型；基于所述第二自诊断报告，生成包含所述部件名称和所述预设问...

【专利技术属性】
技术研发人员：张秀芬，徐荣榕，
申请(专利权)人：无锡汇田水务科技有限公司，
类型：发明
国别省市：