一种活塞泵声纹故障检测方法技术

本发明专利技术公开了一种活塞泵声纹故障检测方法，包括：S1、将活塞泵的声纹数据样本进行规范化处理；S2、对声纹数据样本中活塞泵声纹特征与故障类别进行相关性分析，选择与类别标签相关性较强的特征；S3、利用上述选择的特征作为输入，故障类别作为网络的输出，构建活塞泵声纹故障检测神经网络模型的拓扑结构，初始化网络权重和阈值；S4、将训练集输入到神经网络中训练模型，得到训练误差，作为适应度值；S5、初始化鲸鱼优化算法HAWOA的相关参数；S6、利用一种基于自适应策略改进的HAWOA进行迭代寻优，得到最优参数；S7、解码将其赋值到神经网络框架中，代入后续训练得到最终的活塞泵声纹故障模型。本发明专利技术满足化工生产的安全性检测需求。本发明专利技术满足化工生产的安全性检测需求。本发明专利技术满足化工生产的安全性检测需求。

【技术实现步骤摘要】
一种活塞泵声纹故障检测方法


[0001]本专利技术涉及一种活塞泵声纹故障检测方法。

技术介绍

[0002]活塞泵是一种固定的密封件，通过活塞前后运动实现吸入和排出液体的泵机设备，广泛应用于各类输送流体的工业场景。
[0003]活塞泵靠活塞往复运动，使得泵腔工作容积周期变化，实现吸入和排出液体。在运行过程中，活塞泵会出现磨损、腐蚀、堵塞等常见故障问题。
[0004]目前通常采用人工巡检或各类传感器监控检测故障，但人工巡检方式常常因为个人经验不足造成误判，而传感器只能对监测点进行相关监测，无法全面表征泵机设备运行状态，很难满足化工生产的安全性检测需求。

技术实现思路

[0005]本专利技术的目的在于提供一种活塞泵声纹故障检测方法，以解决工业生产中活塞泵故障检测技术问题。
[0006]为此，本专利技术提供了一种活塞泵声纹故障检测方法，包括：S1、将活塞泵的声纹数据样本进行规范化处理；S2、对声纹数据样本中活塞泵声纹特征与故障类别进行相关性分析，选择与类别标签相关性较强的特征，并划分为训练集和测试集；S3、利用上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活塞泵声纹故障检测方法，其特征在于，包括：S1、将活塞泵的声纹数据样本进行规范化处理；S2、对声纹数据样本中活塞泵声纹特征与故障类别进行相关性分析，选择与类别标签相关性较强的特征，并划分为训练集和测试集；S3、利用上述选择的特征作为输入，故障类别作为网络的输出，构建活塞泵声纹故障检测神经网络模型的拓扑结构，初始化网络权重和阈值；S4、将训练集输入到神经网络中训练模型，得到训练误差，构建神经网络模型误差适应度函数；S5、设置鲸鱼优化算法HAWOA的相关参数，包括位置向量、种群规模、最大迭代次数、初始收敛因子，其中所述位置向量由上述初始化网络权重和阈值编码得到；S6、将所述误差适应度函数作为HAWOA算法的目标函数，根据目标函数计算鲸鱼个体适应度值，利用HAWOA算法进行迭代寻优，得到最优参数；S7、解码最优参数中的位置向量，得到最优网络权重和阈值，将其赋值到神经网络框架中，代入后续训练得到最终的活塞泵声纹故障模型，并将此模型用于活塞泵声纹故障检测。2.根据权利要求1所述的活塞泵声纹故障检测方法，其特征在于，所述HAWOA算法为一种基于自适应策略改进的鲸鱼优化算法。3.根据权利要求2所述的活塞泵声纹故障检测方法，其特征在于，利用HAWOA算法进行迭代寻优包括以下步骤：S61、根据神经网络的层数及每层节点数确定搜索空间维度，设置空间上下限范围lb和ub，最大迭代次数T，初始化迭代次数t＝1；S62、搜索空间中的每个鲸鱼个体代表一个解，最优个体为即为神经网络最优权重和阈值，作为活塞泵声纹故障检测模型的最优参数；S63、模拟座头鲸种群围捕行为，主要分为收缩捕食、随机搜索两个阶段，收缩捕食为局部最优搜索；随机搜索为全局寻优，算法在当前可行解空间中随机寻优：包围猎物行为：假设当前最优个体为目标猎物，作为神经网络最优权重和阈值，表示包围步长，群体中其他个体均向最优位置移动，位置更新的公式如下：螺旋更新行为：假设第i只鲸鱼和当前最优位置之间的距离为螺旋更新行为：假设第i只鲸鱼和当前最优位置之间的距离为b是用来限定对数螺旋形式的常量系数；l为[
‑
1,1之间的随机数，实现位置更新公式为：为了增强局部搜索能力，在收缩捕食阶段的位置更新行为中引入了可以根据当前种群分布情况来自适应改变的权重系数：其中，P
ibest
、P
iworst

【专利技术属性】
技术研发人员：金豆，余芬芬，王晓波，朱先峰，
申请(专利权)人：安徽云磬科技产业发展有限公司，
类型：发明
国别省市：