一种基于深度学习的隔膜泵运行状态监测方法技术

本发明专利技术公开了一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：步骤一、振动信号数据采集；步骤二、随机森林降维处理；步骤三、构建数据集和划分数据集；步骤四、设计2DCNN+LSTM模型；步骤五、训练2DCNN+LSTM模型；步骤六、测试已训练完成的模型的准确性：将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误。最终2DCNN+LSTM模型对于原始数据的特征表征能力，最终2DCNN+LSTM模型泛化能力提升，能够对在线采集的数据及时做出诊断。能够对在线采集的数据及时做出诊断。能够对在线采集的数据及时做出诊断。

【技术实现步骤摘要】
一种基于深度学习的隔膜泵运行状态监测方法


[0001]本专利技术涉及矿浆隔膜泵故障诊断与预测的
，具体涉及一种基于深度学习的隔膜泵运行状态监测方法。

技术介绍

[0002]矿浆管道输送是一种由大型钢管、泵站和加压设备构成的运输方式，具有连续、安全、可靠、经济、环保等优势，尤其适用于道路交通不便、运料易抛洒或者易泄漏的情况，且朝着大口径、长距离、高压力、自动化方向发展。近年来管道输送发展迅速，但安全及稳定性是伴随的亟待解决的问题。
[0003]隔膜泵是矿浆管道输送的动力设备，是管道输送的核心加压设备，因而隔膜泵安全稳定运行是管道输送的核心问题。隔膜泵的安全运行能保障管道输送持续、平稳运行，能提高企业生产效率。隔膜泵一旦故障，矿浆管道可能带浆停泵且固体矿浆沉降造成管道堵塞及高压曝管，造成严重的生产事故及损失。因此，隔膜泵实时状态监测与故障诊断对冶金企业生产效率及安全有至关重要的作用。
[0004]然而，隔膜泵结构复杂、运动部件多、振动相互耦合且受噪声和工况影响，基于模型的机理建模尤为困难且不可靠，科研人员针对上述存在的问题与现象，开展了许多关于矿浆隔膜泵的研究，先后提出了多种检测方法。按照能否对隔膜泵进行直接检测，分为直接测量或间接测量的方法：例如，根据矿浆隔膜泵单项阀的表面图像分析磨损状态、单向阀表面粗糙度、摩擦深度等评价参数，间接判断矿浆隔膜泵的剩余寿命。但是，上述方法需要停机甚至拆机检测，增加了时间成本，并不能在实际生产中推广。

技术实现思路

[0005]针对现有技术存在的上述不足，本专利技术的目的在于提供一种能够监测隔膜泵的状态，以及诊断隔膜泵的故障的基于深度学习的隔膜泵运行状态监测方法。
[0006]解决上述技术问题，本专利技术采用如下技术方案：
[0007]一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：
[0008]步骤一、振动信号数据采集：在隔膜泵的驱动端和非驱动端的端部各自设有三个振动传感器，位于驱动端的三个振动传感器分别为第一振动传感器、第二振动传感器和第三振动传感器，其中，第一振动传感器用于采集隔膜泵驱动端在X轴方向产生的振动信号数据，第二振动传感器用于采集隔膜泵驱动端在Y轴方向产生的振动信号数据，第三振动传感器用于采集隔膜泵驱动端在Z轴方向产生的振动信号数据；
[0009]位于非驱动端的三个振动传感器分别为第四振动传感器、第五振动传感器和第六振动传感器，其中，第四振动传感器用于采集隔膜泵非驱动端在X轴方向产生的振动信号数据，第五振动传感器用于采集隔膜泵非驱动端在Y轴方向产生的振动信号数据，第六振动传感器用于采集隔膜泵非驱动端在Z轴方向产生的振动信号数据；上述的所有振动信号数据进行混合得到六通道振动信号数据集；
[0010]步骤二、随机森林降维处理：将步骤一中六通道振动信号数据集利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，形成两通道振动信号数据；
[0011]步骤三、构建数据集和划分数据集：根据连续小波变换原理，将步骤二中的两通道振动信号数据进行时频分析并绘制双通道时频图，双通道时频图包括振动信号特征；将步骤一中的六通道振动信号数据集按照划分为训练数据集、验证数据集和测试数据集；
[0012]步骤四、设计2DCNN+LSTM模型：基于卷积循环神经网络搭建二维卷积神经网络，通过二维卷积神经网络提取步骤三中双通道时频图中振动信号特征，将振动信号特征作为输入，输入至长短时神经网络内，长短时神经网络对振动信号特征进行链路网络式分类，分类后与隔膜泵不同故障类型相对应，得到2DCNN+LSTM模型；
[0013]步骤五、训练2DCNN+LSTM模型：将步骤三中的训练数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到训练结果对应的隔膜泵运行状态；再将步骤三中的验证数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到验证结果对应的隔膜泵运行状态；将验证结果对应的隔膜泵运行状态和训练结果对应的隔膜泵运行状态进行对比，若相同，则认为2DCNN+LSTM模型参数正确，经2DCNN+LSTM模型获得隔膜泵实际的故障类型，反之，则认为2DCNN+LSTM模型参数错误，返回步骤四对2DCNN+LSTM模型参数进行调整，最后得到最终2DCNN+LSTM模型；
[0014]步骤六、测试已训练完成的模型的准确性：将步骤三中的测试数据集作为输入，输入至步骤五中的最终2DCNN+LSTM模型，进行预测评估得到预测数据，预测数据为隔膜泵预测的故障类型，将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误；
[0015]步骤七、隔膜泵运行监测：在隔膜泵运行时，通过步骤一采集隔膜泵的振动信号数据，振动信号数据包括隔膜泵驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，以及隔膜泵非驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，将上述振动信号数据作为输入，输入至最终2DCNN+LSTM模型，通过最终2DCNN+LSTM模型获得隔膜泵实时运行状态结果。
[0016]进一步，在步骤三中，所述连续小波变换原理采用以下公式：
[0017][0018]其中，a为频率参数，b是平移参数，t为时间参数，为连续小波变换后的幅值，为连续小波变换前的幅值。
[0019]进一步，在步骤四中，二维卷积神经网络主要包括输入层、卷积层1、最大池化层、卷积层2、自适应最大池化层和Dropout层，其中，所述输入层对绘制的双通道时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量，所述卷积层1与最大池化层对输入的验证数据集和训练数据集做降噪处理，所述卷积层2与自适应最大池化层用于提取验证数据集和训练数据集的主要特征以及简化网络计算的复杂度，所述Dropout层用于舍弃证数据集和训练数据集一部分主要特征，舍去的主要特征的输出都被设置为零，减少2DCNN+LSTM模型出现过拟合化的情况。
[0020]进一步，在步骤四中，长短时神经网络采用多层相同网络结构的神经网络，每一层
神经网络将信息传递给下一层神经网络。
[0021]本方案中的长短时神经网络是一种特殊的递归神经网络，所谓递归神经网络就是网络中具有循环结构，并可以通过网络解决时间序列问题的预测，而本专利技术方法采用的长短时神经网络从某种程度来说和传统的神经网络并非完全不同，本专利技术中长短时神经网络可以将递归神经网络采用多层相同网络结构的神经网络，每一层将信息传递给下一层，对于连续的时频图信息长短时神经网络拥有对长时时间序列问题很好的解决能力，比通常采用的普通全连接层分类方法所用时间更少，效果更好。
[0022]进一步，在步骤四中，将隔膜泵的故障类型分为四个类别，分别为正常磨损Ⅰ、粗颗粒磨损Ⅱ、磨损击穿Ⅲ和单向阀卡阀Ⅳ，并将正常磨损Ⅰ与预测标签代码[0]相对应，粗颗粒磨损Ⅱ与预测标签代码[1]相对应，磨损击穿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：步骤一、振动信号数据采集：在隔膜泵的驱动端和非驱动端的端部各自设有三个振动传感器，位于驱动端的三个振动传感器分别为第一振动传感器、第二振动传感器和第三振动传感器，其中，第一振动传感器用于采集隔膜泵驱动端在X轴方向产生的振动信号数据，第二振动传感器用于采集隔膜泵驱动端在Y轴方向产生的振动信号数据，第三振动传感器用于采集隔膜泵驱动端在Z轴方向产生的振动信号数据；位于非驱动端的三个振动传感器分别为第四振动传感器、第五振动传感器和第六振动传感器，其中，第四振动传感器用于采集隔膜泵非驱动端在X轴方向产生的振动信号数据，第五振动传感器用于采集隔膜泵非驱动端在Y轴方向产生的振动信号数据，第六振动传感器用于采集隔膜泵非驱动端在Z轴方向产生的振动信号数据；上述的所有振动信号数据进行混合得到六通道振动信号数据集；步骤二、随机森林降维处理：将步骤一中六通道振动信号数据集利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，形成两通道振动信号数据；步骤三、构建数据集和划分数据集：根据连续小波变换原理，将步骤二中的两通道振动信号数据进行时频分析并绘制双通道时频图，双通道时频图包括振动信号特征；将步骤一中的六通道振动信号数据集按照划分为训练数据集、验证数据集和测试数据集；步骤四、设计2DCNN+LSTM模型：基于卷积循环神经网络搭建二维卷积神经网络，通过二维卷积神经网络提取步骤三中双通道时频图中振动信号特征，将振动信号特征作为输入，输入至长短时神经网络内，长短时神经网络对振动信号特征进行链路网络式分类，分类后与隔膜泵不同故障类型相对应，得到2DCNN+LSTM模型；步骤五、训练2DCNN+LSTM模型：将步骤三中的训练数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到训练结果对应的隔膜泵运行状态；再将步骤三中的验证数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到验证结果对应的隔膜泵运行状态；将验证结果对应的隔膜泵运行状态和训练结果对应的隔膜泵运行状态进行对比，若相同，则认为2DCNN+LSTM模型参数正确，经2DCNN+LSTM模型获得隔膜泵实际的故障类型，反之，则认为2DCNN+LSTM模型参数错误，返回步骤四对2DCNN+LSTM模型参数进行调整，最后得到最终2DCNN+...

【专利技术属性】
技术研发人员：马文生，陈伟，李有根，王天周，李方忠，
申请(专利权)人：重庆水泵厂有限责任公司，
类型：发明
国别省市：