一种频域改进SDP图的泵空化状态识别方法技术

本申请公开了一种频域改进SDP图的泵空化状态识别方法，包括：基于离心泵的隔舌测点处的传感器，获取离心泵的振动信号；对振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号；基于特征信号，对特征信号进行SDP图处理，获取多组SDP图像样本集；将SDP图像样本集中的图像输入到卷积神经网络，获取离心泵的空化状态和识别结果。本申请通过深度学习对泵空化状态检测，自动学习振动信号中的复杂特征，从而提高空化现象检测的准确率。同时能够适应多种工况和环境下的振动信号，不易受到干扰和噪声的影响，从而提高空化现象检测的稳定性和可靠性。性和可靠性。性和可靠性。

【技术实现步骤摘要】
一种频域改进SDP图的泵空化状态识别方法


[0001]本申请属于泵空化研究
，具体涉及一种频域改进SDP图的泵空化状态识别方法。

技术介绍

[0002]离心泵是世界上除电机外应用最广的通用机械，对抗旱排涝、农业、航运、化工、石油、交通、发电和航天等国民经济的发展，起着十分重要的作用。对离心泵进行及时的故障识别至关重要，可以降低后续的维护成本。振动监测通过对离心泵泵体的加速度信号测量以及对加速度标准值的比较来确定离心泵是否正常运行。
[0003]如专利号为“CN115186702A”的专利技术专利中提出了一种基于振动信号的离心泵空化状态识别方法，使用三轴一体式加速度传感器采集待测离心泵同型号的离心泵各个工况下的未空化和空化状态的加速度信号。该方法需要使用标准加速度传感器和手机加速度计对同一离心泵各工况下的未空化和空化状态采集振动信号(即加速度信号)，但受限于这两种设备的性能和采集频率，无法满足高精度和高频率的要求。同时，该方法依赖于固定参照分量的选取，若选取不准确会导致误判和漏判现象。且该方法仅提取了原始标准信号和固定参照分量的特征参数作为空化状态识别的阈值参数，会存在一些重要特征参数未被考虑。

技术实现思路

[0004]本申请提供一种频域改进SDP图的泵空化状态识别方法，以解决上述的技术问题。
[0005]为解决上述技术问题，本申请采用的一个技术方案是：一种频域改进SDP图的泵空化状态识别方法，包括以下步骤：
[0006]基于离心泵的隔舌测点处的传感器，获取离心泵的振动信号；
[0007]对振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号；
[0008]基于特征信号，对特征信号进行SDP图处理，获取多组SDP图像样本集；
[0009]将SDP图像样本集中的图像输入到卷积神经网络，获取离心泵的空化状态和识别结果。
[0010]进一步，振动信号包括离心泵在不同流量工况下未空化状态以及空化状态时的振动信号。
[0011]进一步，对振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号的方法，包括：
[0012]对振动信号进行小波变换，得到时频图像；
[0013]基于小波变换的结果，对时频图像进行去噪处理；
[0014]基于去噪后的时频图像提取特征，获取特征信号。
[0015]进一步，特征包括频带能量、频带幅值和峰值频率。
[0016]进一步，基于特征信号，对特征信号进行SDP图处理，获取多组SDP图像样本集的方
法，包括：
[0017]对特征信号进行SDP图处理，获取极坐标下的对称图像；
[0018]基于所有工况的极坐标下的对称图像，获取SDP图像汇总；
[0019]对SDP图像汇总中的图像进行分类，获取多组SDP图像样本集。
[0020]进一步，对特征信号进行SDP图处理，获取极坐标下的对称图像的方法，包括：
[0021]基于公式(1)
‑
(3)对SDP图处理，获取极坐标下的对称图像；公式(1)
‑
(3)为：
[0022][0023][0024][0025]其中，x
min
为所用一维数据的最小值，x
max
为所用一维数据的峰值、x
n+1
是n+1时的数值，x
n
是n时的数值，r(n)是SDP图像的半参数、θ(n)和φ(n)是初始线的顺时针和逆时针旋转角度，r是θ和φ之间的间隔数，θ是SDP图像中两个对称图形的旋转角，g是角度放大系数。
[0026]进一步，将SDP图像样本集中的图像输入到卷积神经网络，获取离心泵的空化状态和识别结果的方法，包括：
[0027]将不同组的SDP图像样本集输入卷积神经网络的输入层；
[0028]卷积神经网络自动学习特征并进行空化状态的检测，输出离心泵的空化状态结果；
[0029]基于SDP图的分析方法，对离心泵的空化状态进行分类，获取离心泵的识别结果。
[0030]本申请的有益效果是：本申请通过深度学习对泵空化状态检测，自动学习振动信号中的复杂特征，从而提高空化现象检测的准确率。同时能够适应多种工况和环境下的振动信号，不易受到干扰和噪声的影响，从而提高空化现象检测的稳定性和可靠性。本申请可以根据实际数据自适应地调整模型参数和结构，不需要人为设定复杂的规则和特征提取方法，提高检测的适应性和普适性。
附图说明
[0031]图1是本申请的频域改进SDP图的泵空化状态识别方法一实施例的流程示意图；
[0032]图2是图1中的步骤S2的一实施例的流程示意图；
[0033]图3是本申请的频域改进SDP图的泵空化状态识别方法一实施例单测点空化状态识别流程图；
[0034]图4是图1中的步骤S3的一实施例的流程示意图；
[0035]图5是本申请的频域改进SDP图的泵空化状态识别方法一实施例的SDP图雪花图像；
[0036]图6是本申请的频域改进SDP图的泵空化状态识别方法一实施例的SDP图对称图像；
[0037]图7是图1中的步骤S4的一实施例的流程示意图；
[0038]图8是频域改进SDP图的泵空化状态识别方法一实施例的空化状态样图；
[0039]图9是频域改进SDP图的泵空化状态识别方法一实施例的识别结果样图。
具体实施方式
[0040]为使本专利技术的目的、技术方案和优点更加清楚，以下结合具体实施例，对本专利技术作进一步地详细说明。
[0041]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用不同于在此描述的其他方式来实施，因此，本专利技术并不限于下面公开说明书的具体实施例的限制。
[0042]参阅图1，图1是本申请的频域改进SDP图的泵空化状态识别方法一实施例的流程示意图。该方法包括以下步骤：
[0043]步骤S1.基于离心泵的隔舌测点处的传感器，获取所述离心泵的振动信号。
[0044]具体的，选择与待测离心泵，将加速度传感器设置于离心泵的隔舌测点处，利用其采集离心泵在若干个不同流量工况下未空化状态和空化状态的振动信号。
[0045]步骤S2.对所述振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号。
[0046]具体的，参阅图2，图2是图1中的步骤S2的一实施例的流程示意图。上述步骤S2包括：
[0047]步骤S21.对振动信号进行小波变换，得到时频图像。
[0048]具体的，对于每个工况下离心泵Qi的振动信号a(Qi)进行小波变换，得到时频图像(也称为小波谱或时频谱)；其中，小波变换(Wavelet Transform，WT)是一种数学变换，它可以将信号分解成不同频率的子信号，从而可以有效地捕捉信号的时频特征。
[0049]参阅图3，本实施例中的小波变换：f(t)为任意的函数，该函数的小波变换则表达为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种频域改进SDP图的泵空化状态识别方法，其特征在于，包括以下步骤：基于离心泵的隔舌测点处的传感器，获取所述离心泵的振动信号；对所述振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号；基于所述特征信号，对所述特征信号进行SDP图处理，获取多组SDP图像样本集；将所述SDP图像样本集中的图像输入到卷积神经网络，获取所述离心泵的空化状态和识别结果。2.根据权利要求1所述的方法，其特征在于，所述振动信号包括所述离心泵在不同流量工况下未空化状态以及空化状态时的振动信号。3.根据权利要求1所述的方法，其特征在于，所述对所述振动信号进行小波变换和去噪处理，并进行特征提取，获取特征信号的方法，包括：对所述振动信号进行小波变换，得到时频图像；基于所述小波变换的结果，对所述时频图像进行去噪处理；基于去噪后的所述时频图像提取特征，获取所述特征信号。4.根据权利要求3所述的方法，其特征在于，所述特征包括频带能量、频带幅值和峰值频率。5.根据权利要求3所述的方法，其特征在于，所述基于所述特征信号，对所述特征信号进行SDP图处理，获取多组SDP图像样本集的方法，包括：对所述特征信号进行SDP图处理，获取所述极坐标下的对称图像；基于所有工况的所述极坐标下的对称图像，获取SDP图像汇总；对所述SD...

【专利技术属性】
技术研发人员：吕帅帅，李晓源，施卫东，倪红军，谭林伟，汪兴兴，周林，朱昱，
申请(专利权)人：南通大学，
类型：发明
国别省市：