一种基于零次学习的输油泵复合故障判别与诊断方法技术

基于零次学习的输油泵复合故障判别与诊断方法以单故障数据训练模型，实现对复合故障的判别与诊断，以解决工业现场复合故障数据难以采集用于模型训练的问题。本方法通过提取故障语义，并使用单故障语义对复合故障语义进行表示，建立起单故障与复合故障之间的联系；通过故障语义嵌入，将复合故障语义嵌入至特征空间，在特征空间中对复合故障的语义和特征计算相似度；在特征空间内，通过设置相似度阈值，实现复合故障的判别，通过最近邻搜索，实现复合故障的诊断。与已有的复合故障诊断方法相比，本方法能够在复合故障数据缺失的情况下，仅使用单故障数据实现对输油泵复合故障的判别与诊断，具有一定的应用价值。具有一定的应用价值。具有一定的应用价值。

【技术实现步骤摘要】
一种基于零次学习的输油泵复合故障判别与诊断方法


[0001]本专利技术属于输油泵的故障诊断领域，涉及一种应用零次学习算法对输油泵的复合故障进行判别并诊断的方法。

技术介绍

[0002]输油泵作为石油工业中的关键设备，其可靠性和稳定性对于油品传输工作至关重要。输油泵在运行过程中，由于多部件之间相互作用，容易导致两个及以上故障同时发生。因此，对输油泵在运行过程中发生的复合故障进行诊断，对于提高生产效率，保障安全生产具有重要意义。近年来，随着人工智能技术飞速发展，智能故障诊断应运而生，利用深度学习算法进行输油泵复合故障诊断已经取得了一定的成果。
[0003]然而在企业中，带标签的复合故障数据非常少，无法满足基于深度学习的复合故障诊断模型训练的数据要求，导致工业现场的复合故障难以诊断。零次学习方法能够通过利用已知类别的语义和特征信息，对新类别进行分类。因此零次学习方法在训练样本缺失的分类问题中有着广泛的应用。
[0004]针对工业现场输油泵复合故障数据难以采集用于模型训练的问题，本专利技术基于零次学习技术，提供一种基于零次学习的输油泵复合故障判别与诊断方法。使用故障语义建立单故障与复合故障之间的联系，通过故障语义嵌入，将复合故障语义嵌入至特征空间，在特征空间中对复合故障的语义和特征计算相似度，并通过设置相似度阈值，实现复合故障的判别，通过最近邻搜索，实现复合故障的诊断。

技术实现思路

[0005]本专利技术的目的是在复合故障数据缺失的情况下，能够仅利用企业收集的单故障数据，实现对输油泵复合故障的及时发现与诊断。本专利技术的主要优势在于在复合故障数据缺失的情况下，利用多个单故障语义对复合故障语义进行表示，并使用单故障数据训练特征提取、语义嵌入模型，将故障语义与特征进行拟合，从而通过提取复合故障的特征，并将其与复合故障语义进行比较和匹配，实现复合故障的判别与诊断。
[0006]主要步骤如下：
[0007](1)故障特征提取
[0008]主要针对振动数据提取故障敏感特征。
[0009](2)故障语义提取
[0010]提取单故障语义，并使用单故障语义对故障语义进行表示。
[0011](3)故障语义嵌入
[0012]主要是将故障语义嵌入特征空间，从而使故障语义和特征进行充分拟合。
[0013](4)判别与诊断
[0014]主要是将特征与语义计算相似度，并根据相似度大小判别待诊断数据是否为复合故障，若是则对其诊断，确定复合故障类型。
附图说明
[0015]图1为基于零次学习的输油泵复合故障判别与诊断方法流程。
[0016]图2为输油泵各状态下振动信号的小波变换时频图。
[0017]图3为特征提取网络结构。
[0018]图4为语义嵌入网络结构。
具体实施方式
[0019]基于零次学习的输油泵复合故障判别与诊断方法流程如图1所示，具体实施步骤如下：
[0020]步骤1：故障特征提取。
[0021]故障特征提取是从振动数据中提取出最相关、最有用的特征，捕捉到振动信号中最重要的信息，而忽略那些对诊断任务不相关的噪声和冗余信息，使得故障诊断的准确率更高。
[0022]本专利技术针对工业现场输油泵运行时受设备自身的摩擦、外部环境的振动等多种因素影响，噪声干扰大，且工况复杂多变，导致工业现场振动数据复杂度高，难以使用传统的信号处理方法提取故障敏感特征的问题，使用信号处理结合深度学习的故障特征提取方法。首先，对单故障振动数据进行连续小波变换，得到时频图，输油泵各状态下振动信号的小波变换时频图如图2所示；然后，以单故障时频图作为输入，对CNN特征提取网络进行训练，保存训练后的CNN特征提取网络，以用于后续诊断流程。
[0023]连续小波变换可以通过小波基函数对信号进行多尺度分解并重构，对信号中的噪声成分进行抑制，实现对工业现场振动数据的有效去噪。连续小波变换的计算过程如下：
[0024]若给定一个能量有限信号x(t)，则将x(t)的连续小波变换定义为x(t)和一组小波基函数ψ
a,b
(t)的内积：
[0025][0026]其中，“*”代表共轭，W
ψ
(a,b)为小波系数。小波基函数可以被视为窗口函数，可以通过改变尺度参数a和平移参数b来实现窗口函数的伸缩和移动。因此，小波系数W
ψ
(a,b)是尺度因子a和平移因子b的函数。通过对小波函数进行伸缩和平移，将信号分解到不同的频域区间上。本专利技术所选用的小波基函数是Morlet小波，因为它的时频局部化特性能够较好地捕捉设备振动信号的瞬时特征。
[0027]将连续小波变换得到的结果转为二维时频图，使用图像中的颜色表示信号在时间和频率上的幅度大小，可以更好地反映信号在不同时间和频率上的特征。而CNN在图像的特征提取方面表现较好，因此利用CNN对时频图进行特征提取，能够有效地提取出时频图中存在的频率和时间的局部特征，挖掘深层故障敏感特征，消除工业现场采集数据中的噪声影响，提高数据可分性，CNN特征提取网络的网络结构如图3所示。
[0028]步骤2：故障语义提取。
[0029]若要使用单故障数据实现对复合故障的诊断，必须建立起二者之间的联系。在零次学习方法中，可以通过语义属性对不同对象的类别进行描述来建立单故障和复合故障的联系，语义属性指的是对于故障的描述性特征。
[0030]本专利技术通过设置振幅阈值线，将振动信号中大于振幅阈值的数据点置为1，小于等于振幅阈值的数据点置为0，来提取单故障数据的语义，得到各单故障的语义S＝{S1,S2,
……
,S
n
}。同时，对于由多个单故障构成的复合故障，将其故障语义定义为对构成该复合故障的单故障语义在每一维度上的均值，如式(2)所示，以单故障语义对复合故障语义进行表示，得到各复合故障语义m为所得复合故障语义的个数。
[0031][0032]其中，S1,S2,
…
,S
i
∈S，是构成复合故障语义的各单故障语义。
[0033]步骤3：故障语义嵌入。
[0034]故障语义嵌入的作用是将故障语义嵌入至特征空间，以便于在同一空间中对故障语义和特征进行比较和匹配。
[0035]本专利技术以单故障语义作为输入，对语义嵌入网络进行训练，并利用训练后的模型，将步骤2中得到的复合故障语义嵌入特征空间，得到嵌入后的向量E＝{E1,E2,
…
,E
m
}。
[0036]本专利技术中，通过三层全连接层构成的全连接网络来实现故障语义的嵌入，语义嵌入网络的结构如图4所示。以故障语义向量作为语义嵌入网络的输入，经过网络输出一个嵌入后的向量，并通过损失函数度量嵌入后的向量与真实故障特征之间的误差，来指导模型的训练，使得嵌入后的向量尽可能接近真实故障特征。
[0037]对于嵌入后向量维度的选取，考虑到工业现场采集的数据集通常数据量较小，用来训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于零次学习的输油泵复合故障判别与诊断方法，其特征在于，使用故障语义建立单故障与复合故障之间的关联，通过语义嵌入方法，将故障语义嵌入特征空间，实现故障语义与特征的拟合；根据相似度度量的判别与诊断方法实现对输油泵复合故障的判别与诊断。2.根据权利要求1所述的语义嵌入方法，其特征在于，通过构建语义嵌入网络，将故障语义嵌入至特征空间，以故障语义向量作为网络输入，经过网络输出一个嵌入后的向量，并通过余弦相似...

【专利技术属性】
技术研发人员：郭俊霞，魏聪聪，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：