[发明专利]一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法

说明书

本发明是一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法，首先对包含扬程、入口流速、电机转矩等离心泵故障数据使用电特征分析技术选取电信号作为故障参数，使用PCA得到贡献率最大的故障参数为电机转矩，验证ESA选择的正确性；其次，将六种故障的电机转矩数据转化为灰度图像，作为故障诊断的输入数据；然后，建立堆叠胶囊自编码器故障诊断模型，采用基于自注意力的池化来降低胶囊数量，提升计算速度，以最大化图像与部分似然性为目标，训练堆叠胶囊自编码器。最后，使用测试集验证故障诊断模型准确性。本发明解决了离心泵故障诊断中故障信号传感器安装复杂、泛化性差等问题，提高了离心泵故障诊断的鲁棒性和精确度。

技术领域

本发明属于离心泵故障诊断研究的技术领域，具体的说是涉及一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法。

背景技术

离心泵作为工业系统中的基本元件之一，在工业上被广泛应用于各种不同的应用场合。由于长时间处于高负荷的运行环境以及装配了许多非线性部件，所以故障时有发生。离心泵的安全性和可靠性与生产效率直接相关，对离心泵进行故障诊断可以节省大量的维修费用以及提高运行的可靠性。

现有的故障诊断方法大致可分为三大类:基于数学模型的、基于信号处理的和基于数据的。离心泵结构复杂，建立动力学模型提取故障的特征信号非常困难。目前，基于信号处理的诊断方法在诊断技术中占有重要地位。其中，振动信号分析最为广泛，其理论依据是不同的故障会在振动信号中产生独有的故障特征频率。通过捕捉振动信号可以进行有效的故障诊断。但是采集振动信号需要昂贵的传感器，并且安装在离心泵内部，对离心泵的运行产生一定的影响。

将一维数据转为二维图像是近年来逐渐兴起的对故障数据的处理方法，这种方法省略了大量的数据预处理以及数据分析步骤，大大减少了故障诊断的时间，适用于工业的现场作业，具有很高的及时性。目前常用的故障图像识别的方法主要有神经网络、对抗网络、支持向量机等。

中国专利CN 110242588 B公开了一种离心泵诊断信号采集系统及故障诊断方法，将采集信号各频段能量百分比代替传统的频段能量作为特征向量，在一定程度上削弱信号频段能量绝对值大小造成的地位不平等。对于神经网络的隐含层神经元个数和函数分布密度都加入遍历算法进行优化，使得在遍历范围内总可以自动找到最佳参数设点，可以使得该方法更广泛适用于不同型号的离心泵。但是网络结构冗杂，优化参数过多导致网络训练速度缓慢。

中国专利CN201911322049.8公开了一种离心泵故障诊断方法及系统,获取离心泵的振动信号后，对所述振动信号进行预处理,获得去噪信号。提取所述去噪信号的时域特征参数和能量特征参数。建立离心泵诊断模拟实验系统,获取不同模式下所述时域特征参数和所述能量特征参数,并建立故障检测模型。这种方法使用信号处理的方法，提高了故障诊断的准确性，但是采集振动信号的加速度传感器安装在离心泵内部，影响离心泵运行状态。

除了专利外，现有国内外文献也可用于对比。“基于多传感器信号和卷积神经网络的滚动轴承故障诊断”提出将不同故障下多个传感器测得的1维振动信号转化为2维灰度图像作为CNN网络输入,提取其中的特征,实现滚动轴承故障识别。但是多通道传感器信号也造成数据冗余，降低计算速度。“基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法”提出一种基于补偿距离评估的离心泵故障快速智能识别方法。通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力；通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。虽然减少了数据冗余，但是无法很好在对故障数据缺失情况下进行故障诊断。

发明内容