【技术实现步骤摘要】
小型潜水电泵的故障诊断方法及其系统
[0001]本申请涉及故障智能诊断的领域，且更为具体地，涉及一种小型潜水电泵的故障诊断方法及其系统。
技术介绍
[0002]近几年来，潜水电泵的制造技术和生产飞速发展，特别是在工农业生产，城乡居民生活，工矿企业，城市供水，饭店宾馆等各领域均得到了广泛的应用。但是在使用的过程中，电泵故障常有发生，严重影响着生产的安全、可靠、长周期运行。
[0003]因此，期待一种用于小型潜水电泵的故障诊断方案以确定故障类型并利于后续的电泵维修。
技术实现思路
[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种小型潜水电泵的故障诊断方法及其系统，其通过卷积神经网络模型来从待检测潜水电泵的单通道振动信号的时域图像信号特征和采样离散特征中分别挖掘出所述单通道振动信号的振动波形图与各过滤器关联的局部语义关联信息以及样本间关联信息，并对得到的特征向量的深度进行单应对齐，以提升含有这两个特征信息的所述特征向量在深层次的高维特征空间内的融合性能，进而提高分类的准确性，这样，能...
【技术保护点】
【技术特征摘要】
1.一种小型潜水电泵的故障诊断方法，其特征在于，包括：获取由部署于待检测潜水电泵的振动传感器采集的单通道振动信号；以预定采样频率从所述单通道振动信号提取具有预定数量的多个样本点，并将所述具有预定数量的多个样本点按照时间维度排列为振动离散样本输入向量；将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量；将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量；融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测潜水电泵是否存在故障。2.根据权利要求1所述的小型潜水电泵的故障诊断方法，其中，将所述振动离散样本输入向量通过使用一维卷积核的一维卷积神经网络以得到离散振动特征向量，包括：使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述一维卷积核对所述输入数据进行一维卷积处理以得到卷积特征向量；以及使用非线性激活函数对所述卷积特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；其中，所述一维卷积神经网络的最后一层的输出为所述离散振动特征向量。3.根据权利要求2所述的小型潜水电泵的故障诊断方法，其中，所述非线性激活函数为Mish激活函数，所述Mish激活函数用公式表示为f(x)＝x.tanh(ln(1+e
x
))。4.根据权利要求3所述的小型潜水电泵的故障诊断方法，其中，将所述单通道振动信号的波形图通过使用二维卷积核的二维卷积神经网络以得到全局振动特征向量，包括：所述二维卷积核的二维卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积核的二维卷积神经网络的最后一层的输出为所述全局振动特征向量，所述二维卷积核的二维卷积神经网络的第一层的输入为所述所述单通道振动信号的波形图。5.根据权利要求4所述的小型潜水电泵的故障诊断方法，其中，融合所述离散振动特征向量和所述全局振动特征向量以得到分类特征向量，包括：计算所述离散振动特征向量和所述全局振动特征向量之间的按位置差值以得到差分特征向量；计算所述差分特征向量的一范数作为所述差分特征向量的深度特性值；对所述差分特征向量进行对数运算以得到对数差分特征向量，其中，所述对所述差分特征向量进行对数运算表示计算所述差分特征向量的每个位置的特征值的对数函数值；以所述差分特征向量的深度特性值作为权项对所述对数差分特征向量进行加权以得到加权对数差分特征向量；计算所述离散振动特征向量的转置向量与所述全局振动特征向量之间的向量乘积以
得到所述离散振动特征向量相对于所述全局振动特征向量的全场景单应关联矩阵；计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的深度感知值；以及以所述全场景单应关联矩阵的深度感知值作为偏置对所述加权对数差分特征向量进行按位置相加以得到所述分类特征向量。6.根...
【专利技术属性】
技术研发人员：高淑瑜，郑军辉，金佩薇，陈奎，赵一腾，
申请(专利权)人：浙江石水泵业科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。