基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法技术方案

本发明专利技术提供一种工业循环水系统供水泵故障诊断方法，包括以下步骤：首先，利用三轴加速度传感器采集与供水泵状态强相关的驱动端振动信号，将振动信号进行信号

【技术实现步骤摘要】
基于GAN
‑
CNN
‑
BiLSTM的工业循环水系统供水泵故障诊断方法


[0001]本专利技术涉及水利设备
，特别是涉及一种基于生成对抗网络的卷积
‑
双向长短时记忆神经网络(GAN
‑
CNN
‑
BiLSTM)的工业循环水系统供水泵故障诊断方法。

技术介绍

[0002]工业循环水系统是现代工业生产过程中一种重要的冷却方法，在保障生产正常运行和保证生产安全方面发挥着重要作用。在循环水系统中供水泵作为提供冷却水的主要动力来源，在长时间高速运转情况下容易出现轴承故障、转子不平衡、气蚀、密封环磨损、轴封磨损、流道堵塞、叶轮磨损等多种故障，进而导致循环水系统冷却水供水不足，可能威胁工业生产安全。
[0003]目前，涉及工业循环水系统供水泵故障检测的方法中，多采用传统机器学习的方法，这些方法通过人工提取振动信号特征并将其用于建立故障诊断模型，而该方法通常需要丰富的专家经验与相关领域知识，诊断效率难以保障。另外，由于供水泵故障出现频率相对较低，故障原始样本少，使用深度学习方法进行诊断在短期难以获得足量的故障样本进行分析，在样本数量较少情况下对深度学习模型进行训练容易陷入过拟合的情况，导致故障诊断准确率受到影响。

技术实现思路

[0004]本专利技术针对工业循环水系统供水泵故障诊断提出了一种基于生成对抗网络的卷积
‑
双向长短时记忆神经网络方法，以解决上述
技术介绍
中提出的问题。
[0005]为了实现上述目的，本专利技术采用如下的技术方案：
[0006]S1：获取供水泵运行时驱动端的振动信号；
[0007]S2：数据预处理与数据转换，获得供水泵故障图像数据集；
[0008]S3：采用生成对抗网络对供水泵故障图像集进行数据扩充；
[0009]S4：采用卷积
‑
双向长短时记忆深度神经网络的方法提取故障特征；
[0010]S5：采用注意力机制方法，增大不同故障特征之间的差异；
[0011]S6：建立供水泵故障诊断模型。
[0012]与现有技术相比，本专利技术提供了一种故障诊断方法，其中包括：将收集的工业循环水系统供水泵驱动端的一维振动信号经过预处理后，通过信号
‑
图像的方法，将x、y、z三轴一维信号转换为三通道二维形式的图片；考虑到供水泵故障样本数量相对较少，采用了生成对抗网络对供水泵故障图像集进行了数据增强处理，得到了较多的数据样本，获得供水泵故障图像数据集；采用所述数据集训练卷积
‑
双向长短时记忆神经网络，能够快速提取数据集中的故障特征；引入注意力机制对故障特征进行加权，增大不同故障特征之间的差异；根据所提取故障特征建立供水泵故障诊断模型，对供水泵实际工况进行在线故障诊断。
附图说明
[0013]图1为本专利技术提供的一种故障检测方法的流程示意图。
[0014]图2为本专利技术提供的一种故障检测方法的流程示意图。
[0015]图3为本专利技术提供的一种故障检测方法的流程示意图。
[0016]图4为本专利技术提供的一种故障检测方法的流程示意图。
[0017]图5为本专利技术提供的一种故障检测方法的流程示意图。
[0018]图6为本专利技术提供的一种故障检测方法的流程示意图。
具体实施方式：
[0019]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，所描述的实施例不应视为对本专利技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0020]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0021]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本专利技术实施例的目的，不是旨在限制本专利技术。
[0022]为了更好的理解本公开实施例，以下通过一些场景实施例进行说明：
[0023]在一个实施例中，所述供水泵故障诊断方法采用深度学习方法诊断供水泵故障类型。其中，所述故障诊断方法包括：当循环水系统供水泵工作出现异常或故障时，根据现场工作人员或专家的经验来进行故障诊断常常无法快速定位故障位置与故障种类。而采用所述深度学习方法能够通过采集供水泵运行时的振动信号，经过快速高效的信号处理和神经网络算法分析，在线获得准确的供水泵故障类型，缩短了故障诊断时间，提高了故障诊断效率，减小了供水泵维护成本。
[0024]如图1所示，本专利技术提出了一种故障诊断方法，所述方法包括：
[0025]S101：获取供水泵运行时驱动端的振动信号；
[0026]S102：将所述振动信号进行数据清洗，在归一化预处理后获得标准一维时序振动信号，通过信号
‑
图像转化方法获得供水泵故障图像集；
[0027]S103：采用生成对抗网络对供水泵故障图像集进行数据扩充；
[0028]S104：采用卷积
‑
双向长短时记忆深度神经网络的方法从空间和时间两个维度对不同尺度的故障特征进行提取；
[0029]S105：采用注意力机制方法，增大不同故障特征之间的差异；
[0030]S106：建立供水泵故障诊断模型。
[0031]在一个实施例中，所述获取供水泵运行的特征信号根据信号采集装置采集获得。
[0032]在一个实施例中，所述信号采集装置可以是传感器，示例性的，可以是根据安装在供水泵机械外壳上的传感器采集获得所述供水泵运行的振动信号。
[0033]在一个实施例中，所述供水泵运行的振动信号可以包括以下至少之一：加速度信号、压力信号、转速信号、声音信号、流量信号。
[0034]在一个实施例中，获取供水泵运行的振动信号可以是加速度信号，所述振动信号可以由加速度振动信号采集仪器或加速度信号传感器获得。
[0035]供水泵是一种典型的旋转机构，大部分故障可以根据所述振动信号确定，获取供水泵运行的振动信号可以是加速度信号，加速度信号在不同故障中的表现不同，根据所述加速度信号获得的所述特征数据相较于根据其它信号获得的特征数据，可以更全面准确地确定供水泵的故障类别，提高了确定供水泵故障类别的效率。
[0036]在一个实施例中，可以是周期性地获取供水泵运行的加速度信号，根据所述获得周期性更新后的振动加速度数据，根据所述特征数据周期性地确定水泵的故障类别，也可以对水泵故障进行监测，及时确定水泵故障情况。
[0037]在一个实施例中，根据所述周期性获取的供水泵运行的加速度信号为若干离散的一维信号点；将所述振动信号进行数据预处理，如：数据清洗、滤波等方法，然后将预处理后的信号数据经过归一化处理后获得标准一维时序振动信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业循环水系统供水泵故障诊断方法，其特征在于，所述方法包括：S1：利用安装在供水泵机械外壳的三轴加速度传感器采集供水泵驱动端运行时产生的振动信号，将收集的与供水泵状态强相关的驱动端振动信号进行预处理，得到标准振动信号数据；S2：将S1中获得的标准一维时序振动信号经过信号
‑
图像转换，将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像；S3：对S2中获得的三通道二维图像，采用生成对抗网络(GAN)对原始样本进行数据增强，获得更多的供水泵故障图像数据，构建供水泵故障图像数据集；S4：采用S3中的供水泵故障图像数据集训练卷积
‑
双向长短时记忆神经网络(CNN
‑
BiLSTM)，卷积神经网络与双向长短时记忆神经网络能够分别从空间与时间两个维度提取不同尺度的故障特征，增强了故障信号的信息表达能力。S5：采用注意力机制方法中局部注意力机制和全局注意力机制两个模块来区分故障特征之间的差异，加强不同故障特征之间的差异，使模型能够更好地对故障特征进行聚类；S6：根据所提取的故障特征，建立供水泵故障诊断模型。2.根据权利要求1所述的一种工业循环水系统供水泵故障诊断方法，其特征在于，所述对所述振动信号进行数据清洗以及归一化预处理，得到振动信号灰度值，包括：根据所述三轴加速度传感器收集的供水泵一维离散时序振动信号，通过数据清洗、滤波等信号预处理方法后，采用数据归一化方法：将所述一维离散振动信号转化为0
‑
255的灰度值；其中，z
max
(i)为离散点的最大值，z
min
(i)为离散点的最小值。3.根据权利要求2所述的工业循环水系统供水泵故障诊断方法，其特征在于，所述对所述振动信号灰度值进行信号
‑
图像转换，生成单通道二维图像数据，其中包括：根据所述振动灰度值信号，截取长度为M2的离散信号，假设截取所述一段信号的起始截点为i，则截取的信号段长度为[i,i+M2]；截取后的离散信号为...

【专利技术属性】
技术研发人员：吴佳，雷峻，唐文妍，陈亦轩，梁承江，何欣然，赵俊诚，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：