柱塞泵的异常检测方法和装置制造方法及图纸

本申请公开了一种柱塞泵的异常检测方法和装置，其中，该方法包括：柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。准确率。准确率。

【技术实现步骤摘要】
柱塞泵的异常检测方法和装置


[0001]本申请涉及数据处理
，具体涉及一种柱塞泵的异常检测方法和装置。

技术介绍

[0002]目前，一般通过在柱塞泵上安装传感器采集柱塞泵的状态信息，进而通过数据分析实现柱塞泵的异常预警，相关技术中，利用柱塞泵正常状态下采集的振动信号，结合机器学习或深度学习算法，构建并训练得到异常检测模型，对柱塞泵进行检测，然而，相关的异常检测模型主要依据单个测点信息判断柱塞泵的异常，而单个传感器采集的状态信息是不完整的，无法很好地表征整个柱塞泵的状态，容易被周围设备/零部件激励冲击的噪声影响，特别是单个传感器长时间使用后精度出现偏差，容易导致上述异常检测模型的实际应用效果产生较大偏差，故亟需一种更精确的柱塞泵的异常检测方法。

技术实现思路

[0003]本申请旨在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本申请第一个目的在于提出一种柱塞泵的异常检测方法，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述方法包括：通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
[0005]在本申请的一个实施例中，所述通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号，包括：通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；获取所述柱塞泵的曲轴上的键相信号；根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
[0006]在本申请的一个实施例中，所述将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果，包括：获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
[0007]在本申请的一个实施例中，所述获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型中的异常检测阈值，包括：获取各个所述柱塞阀处对应的历史时序数据；对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；根据所述损失函数，确定各个所述训练样本所对
应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。
[0008]在本申请的一个实施例中，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件，包括：将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；根据所述多个训练样本与所述多个重构训练样本的差异，更新所述变分自编码网络模型的模型参数，直至所述损失函数的损失值满足预设结束条件。
[0009]本申请公开了一种柱塞泵的异常检测方法，柱塞泵包括多个柱塞阀，在每个柱塞阀处设置有一个传感器，通过各个传感器分别获取各个柱塞阀处的周期振动信号，对各个周期振动信号进行序列化处理，以得到各个柱塞阀处对应的时序数据，将各个时序数据输入到与柱塞泵对应的异常检测模型中，以通过异常检测模型对柱塞泵进行异常检测，得到柱塞泵的异常检测结果，由此，在柱塞泵的异常检测过程中，基于对柱塞泵上多个柱塞阀处的周期振动信号对应的时序数据进行检测，准确确定出柱塞泵的运行状况，从而提高柱塞泵异常检测的准确率。
[0010]本申请另一方面实施例提出了一种柱塞泵的异常检测装置，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述装置包括：获取模块，用于通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；处理模块，用于对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；检测模块，用于将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。
[0011]在本申请的一个实施例中，所述获取模块，具体用于：通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；获取所述柱塞泵的曲轴上的键相信号；根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。
[0012]在本申请的一个实施例中，所述检测模块，包括：获取单元，用于获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；检测单元，用于将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；确定单元，用于根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。
[0013]在本申请的一个实施例中，所述获取单元，包括：获取子单元，用于获取各个所述柱塞阀处对应的历史时序数据；划分子单元，用于对所述历史时序数据进行划分，以得到多
个训练样本和多个验证样本；训练子单元，用于根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；第一确定子单元，用于将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；第二确定子单元，用于根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；验证子单元，用于根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种柱塞泵的异常检测方法，其特征在于，其中，所述柱塞泵包括多个柱塞阀，在每个所述柱塞阀处设置有一个传感器，所述方法包括：通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号；对各个所述周期振动信号进行序列化处理，以得到各个所述柱塞阀处对应的时序数据；将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果。2.根据权利要求1所述的方法，其特征在于，所述通过各个所述传感器分别获取各个所述柱塞阀处的周期振动信号，包括：通过各个所述传感器分别获取各个所述柱塞阀处的振动信号；获取所述柱塞泵的曲轴上的键相信号；根据所述键相信号的周期间隔，对所述各个振动信号进行信号截取，以得到各个所述振动信号对应的周期振动信号。3.根据权利要求1所述的方法，其特征在于，所述将各个所述时序数据输入到与所述柱塞泵对应的异常检测模型中，以通过所述异常检测模型对所述柱塞泵进行异常检测，得到所述柱塞泵的异常检测结果，包括：获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型对应的异常检测阈值；将各个所述时序数据输入到所述异常检测模型，以得到所述多个时序数据对应的检测值；根据所述检测值与所述异常检测阈值的比较结果，确定所述柱塞泵的检测结果。4.根据权利要求3所述的方法，其特征在于，所述获取所述柱塞泵对应的异常检测模型，以及所述异常检测模型中的异常检测阈值，包括：获取各个所述柱塞阀处对应的历史时序数据；对所述历史时序数据进行划分，以得到多个训练样本和多个验证样本；根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件；将满足预设结束条件时所对应的变分自编码网络模型作为所述柱塞泵对应的初始异常检测模型；根据所述损失函数，确定各个所述训练样本所对应的损失值，并将各个所述损失值中的最大损失值作为所述初始异常检测模型的初始异常检测阈值；根据所述多个验证样本，对所述初始异常检测模型进行验证，在所述初始异常检测模型检测所述多个验证样本的准确率满足预设阈值的情况下，将所述初始异常检测模型和初始异常检测阈值作为所述柱塞泵对应的异常检测模型和异常检测阈值。5.根据权利要求4所述的方法，其特征在于，其中，所述变分自编码网络模型包括输入层、编码器、潜在空间表示层、解码器和输出层，所述根据所述多个训练样本，对所述柱塞泵对应的变分自编码网络模型进行训练，直至所述变分自编码网络模型的损失函数的损失值满足预设结束条件，包括：将所述多个训练样本输入到所述输入层，以通过所述输入层对所述多个训练样本进行向量化表示，得到所述多个训练样本的表示向量；
将所述表示向量输入到所述编码器，以通过所述编码器对所述表示向量进行编码，以得到所述表示向量对应的特征向量；将所述特征向量输入到所述潜在空间表示层，以通过所述潜在空间表示层对所述特征向量进行空间关联，得到所述特征向量中具有空间关联性的采样变量；将所述采样变量输入到所述解码器进行解码，以得到所述多个训练样本中具有空间关联性的多个重构训练样本，并通过所述输出层输出所述多个重构训练样本；根据所述多个训练样本与所述多个重构训练样本的差异，更新所述...

【专利技术属性】
技术研发人员：赖岳华，李然，刘波，于远征，赵康康，王超，陈荣明，高娜，
申请(专利权)人：北京煤科天玛自动化科技有限公司，
类型：发明
国别省市：