CN113297792A - 一种基于振动数据的离心泵能效评估方法 - Google Patents
一种基于振动数据的离心泵能效评估方法 Download PDFInfo
- Publication number
- CN113297792A CN113297792A CN202110575005.7A CN202110575005A CN113297792A CN 113297792 A CN113297792 A CN 113297792A CN 202110575005 A CN202110575005 A CN 202110575005A CN 113297792 A CN113297792 A CN 113297792A
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- energy efficiency
- vibration data
- matrix
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000001595 flow curve Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 230000009545 invasion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种基于振动数据的离心泵能效评估方法,包括:(1)使用振动传感器采集离心泵不同工况下的振动数据;(2)结合离心泵的性能曲线,划分离心泵的能效区域并对采集的振动数据进行类别划分;(3)基于PCA方法对所采集的振动数据进行特征提取;(4)以提取的特征数据作为输入,训练RNN网络,得到离心泵能效评估模型;(5)使用离心泵能效评估模型,进行离心泵能效评估。本发明采用非侵入式测量手段,不会对设备本身产生侵入影响,具有快速、便捷等优点;同时对采集的数据进行特征提取,大大减小模型训练与评估过程的计算量,能高效准确地评估离心泵运行过程是否偏工况运行,对判断离心泵是否需要实施节能改造有重大作用。
Description
技术领域
本发明属于离心泵能效评估领域,尤其是涉及一种基于振动数据的离心泵能效评估方法。
背景技术
离心泵作为一类典型的流体输送和能量转换设备,广泛应用于电力、化工、农业灌溉等领域。全球水泵电力消耗约占工业设备总消耗的25%,我国离心泵电力需求量高达水泵耗电的80%。因此,提高离心泵的运行效率、降低能耗势在必行。要开展节能改造工作,首先就要准确地评估水泵是否在高效区运行。目前,成熟的测试泵效的方法有两种:水力学法和热力学法。
例如,公开号为CN109322819A的中国专利文献公开了一种泵类***的在线能效测试和能耗分析***及方法,采用了水力学的方法通过测量压力、流量等性能参数,分析泵的能效。公开号为CN110425154A公开了一种水泵在线能效和状态监测及故障预测的方法及其装置,融合了水力学和热力学两种方法,进行水泵的能效监测。
虽然水力学和热力学方法可以做到定量测量,但是工序复杂,并且这两种方法都是侵入式的,在工业现场中,缺乏非侵入式的离心泵能效定性评估手段。
发明内容
本发明提供了一种基于振动数据的离心泵能效评估方法,使用非侵入式的测量手段获取离心泵运作中的振动数据,进一步从振动数据中特征提取,最终结合RNN方法完成了能效的分类与评估。
一种基于振动数据的离心泵能效评估方法,包括以下步骤:
(1)使用振动传感器采集离心泵不同工况下的振动数据;
(2)结合离心泵的性能曲线,划分离心泵的能效区域并对步骤(1) 所采集的振动数据进行类别划分;
(3)基于PCA方法对所采集的振动数据进行特征提取;
(4)以提取的特征数据作为输入,训练RNN网络,得到离心泵能效评估模型;
(5)使用离心泵能效评估模型,进行离心泵能效评估。
步骤(1)中,采集振动数据时,离心泵轴向与径向均有采集测点。
步骤(2)中,划分离心泵的能效区域具体过程为:
在离心泵效率-流量曲线中以最高效率点效率向下浮动5%为界限,依次划分出负载低效区、高效区和过载低效区。
步骤(3)的具体过程为:
(3-1)将所采集的N通道振动数据排列成N行矩阵形式X,得到数据矩阵,求取X的协方差矩阵U;即:
其中,N为振动数据采样的通道数,n为单通道振动数据的采样点数。
其中,xi=[xi1,xi2,…,xin],i=1,2,…,N。Cov为求取协方差的操作符,其定义如下:
(3-2)对协方差矩阵U求取特征值矩阵W与特征向量矩阵V,并根据特征值从大到小进行排序的原则获得新的特征值矩阵W'与对应排序后的特征向量矩阵V',即:
其中,λi,i=1,2,…,N为对应特征值。
其中,vi=[vi1 vi2 … viN],i=1,2,…,N为与特征向量对应的特征值。
所述的排序后的特征值矩阵与特征向量矩阵如下:
其中,λmax、λmin为最大和最小特征值。所述的对应排序后的特征向量矩阵V’为:
其中,vmax、vmin分别为最大、最小特征值对应的特征向量。
其中,λk为排序后第k个特征值。
其中,Vk为与Wk对应的特征向量。
(3-4)使用新的特征向量矩阵Vk与X相乘获得新的特征矩阵X',即:
步骤(4)中,提取的特征数据为特征矩阵X',所述的RNN网络具有两个隐藏层,训练时,学习率为0.001,损失函数为交叉熵损失,采用 Adam优化方法,最终得到三种分类的循环神经网络。
步骤(5)中,进行离心泵能效评估的具体过程为:
使用训练完成的三分类的循环神经网络,以离心泵待评估工况振动数据X0作为输入,计算模型输出的能效分类情况,得到最终该离心泵待评估工况的能效评估结果。
与现有技术相比,本发明具有以下有益效果:
本发明使用振动传感器采集离心泵运作中的振动数据,基于振动数据进行特征提取,进一步基于循环神经网络完成了离心泵的能效评估。相较于离心泵能效评估中传统的水力学和热力学方法,本发明采用了非侵入式的测量手段,更为快速和便捷,也不会对设备本身产生侵入影响,同时,通过特征提取手段,融合特征,大大减小了模型训练与评估过程的计算量。最终达到了快速,高效,准确评估离心泵能效的效果。
附图说明
图1为本发明一种基于振动数据的离心泵能效评估方法的流程图;
图2为本发明实施例中振动传感器第5通道数据的时域图;
图3为本发明实施例中依据离心泵性能曲线划分能效区域结果图;
图4为本发明实施例中特征值排序与选取示意图;
图5为本发明实施例中特征提取后第5通道的数据时域图;
图6为本发明实施例中RNN网络示意图;
图7为本发明实施例中模型训练过程的平均准确率变化曲线图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于振动数据的离心泵能效评估方法,包括:
S01,使用振动传感器对离心泵不同工况下的振动数据进行采集,振动传感器的测点数量可视情况而定,但必须保证离心泵轴向及径向的均有测点。本实施例中,试验测试过程中,使用9个测点对离心泵不同工况下振动数据采集,最终得到通道数N=9的振动数据。图2为测试组第5通道某工况下的振动原始数据时域图。
S02,结合离心泵的性能曲线,划分能效区域,并标注各工况振动数据所处工况。如图3所示,以最高效率点效率向下浮动5%为限,划分出负载低效区,高效区和过载低效区,由图可见14组振动数据中有5组为低效负载工况,7组为高效工况,2组为过载低效工况。
S03,基于PCA方法对振动数据进行特征提取。首先对9个通道的振动数据求取其协方差矩阵,如式(2),得到一个维度为9乘9的矩阵,接下来求取协方差矩阵的特征值矩阵,如式(3),得到一个对角矩阵。接下来对特征值按照数值大小进行排序,如图4所示,根据排序结果,计算得到因此,K=5,即只保留前五个特征值及其对应的特征向量Vk。最终使用Vk与X得到特征矩阵X'。图5为特征提取后第5通道的数据时域图。
S04,使用具有两个隐藏层RNN网络,学习率设置为0.001,选择交叉熵损失为损失函数,采用Adam优化方法,以特征矩阵X'为输入训练模型,图6为所述RNN网络的示意图。
RNN网络由输入层、隐藏层、输出层构成,每一个时间步都有输出,并且隐藏单元之间有循环连接。RNN将x值的输入序列映射到输出值o 的对应序列,定义损失L为每个o与相应的训练标签y之间的距离,因为 o是未归一化的对数概率,采用softmax函数输出,则损失L内部计算并与标签y比较。与x序列配对的y的总损失就是所有时间步的损失之和。例如,为给定的x1,x2,…,xt后yt的负对数似然,则:
RNN输入层到隐藏层由权重矩阵U连接,隐藏单元之间由权重矩阵 W循环连接,隐藏层到输出层由权重矩阵V连接。式(12)-(15)定义了RNN模型的前向传播:
at=b+Wst-1+Uxt (12)
st=tanh(at) (13)
ot=c+Vst (14)
其中,b、c为偏置向量,tanh、softmax函数为激活函数,激活函数的引入增加了神经网络模型的非线性。
图7为训练过程中的平均准确率,可以看到训练进行15轮后,模型的准确率已经达到了99.2%。
S05,使用训练好的模型,以待评估的离心泵振动数据作为输入,即可进行能效评估。
下表1给出了90组数据的评估结果,可以发现平均准确率达到了 96.7%。可见,本发明所公开的一种基于振动数据的离心泵能效评估方法,实现了非侵入式的高效、准确的离心泵能效评估。
表1
数据标签 | 负载低效工况 | 高效工况 | 过载低效工况 |
待评估数量 | 30 | 30 | 30 |
正确数量 | 29 | 30 | 28 |
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于振动数据的离心泵能效评估方法,其特征在于,包括以下步骤:
(1)使用振动传感器采集离心泵不同工况下的振动数据;
(2)结合离心泵的性能曲线,划分离心泵的能效区域并对步骤(1)所采集的振动数据进行类别划分;
(3)基于PCA方法对所采集的振动数据进行特征提取;
(4)以提取的特征数据作为输入,训练RNN网络,得到离心泵能效评估模型;
(5)使用离心泵能效评估模型,进行离心泵能效评估。
2.根据权利要求1所述的基于振动数据的离心泵能效评估方法,其特征在于,步骤(1)中,采集振动数据时,离心泵轴向与径向均有采集测点。
3.根据权利要求1所述的基于振动数据的离心泵能效评估方法,其特征在于,步骤(2)中,划分离心泵的能效区域具体过程为:
在离心泵效率-流量曲线中以最高效率点效率向下浮动5%为界限,依次划分出负载低效区、高效区和过载低效区。
9.根据权利要求1所述的基于振动数据的离心泵能效评估方法,其特征在于,步骤(4)中,提取的特征数据为特征矩阵X',所述的RNN网络具有两个隐藏层,训练时,学习率为0.001,损失函数为交叉熵损失,采用Adam优化方法,最终得到三种分类的循环神经网络。
10.根据权利要求9所述的基于振动数据的离心泵能效评估方法,其特征在于,步骤(5)中,进行离心泵能效评估的具体过程为:
使用训练完成的三分类的循环神经网络,以离心泵待评估工况振动数据X0作为输入,计算模型输出的能效分类情况,得到最终该离心泵待评估工况的能效评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575005.7A CN113297792A (zh) | 2021-05-26 | 2021-05-26 | 一种基于振动数据的离心泵能效评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575005.7A CN113297792A (zh) | 2021-05-26 | 2021-05-26 | 一种基于振动数据的离心泵能效评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297792A true CN113297792A (zh) | 2021-08-24 |
Family
ID=77324993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575005.7A Pending CN113297792A (zh) | 2021-05-26 | 2021-05-26 | 一种基于振动数据的离心泵能效评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297792A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039250A1 (en) * | 2013-07-31 | 2015-02-05 | General Electric Company | Vibration condition monitoring system and methods |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN111767521A (zh) * | 2020-06-22 | 2020-10-13 | 中国石油化工股份有限公司 | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
-
2021
- 2021-05-26 CN CN202110575005.7A patent/CN113297792A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039250A1 (en) * | 2013-07-31 | 2015-02-05 | General Electric Company | Vibration condition monitoring system and methods |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN111767521A (zh) * | 2020-06-22 | 2020-10-13 | 中国石油化工股份有限公司 | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600140B (zh) | 基于改进支持向量机的燃气管道故障预测预警***及方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
CN113607325B (zh) | 一种钢结构螺栓群松动定位智能监测方法及*** | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN114755745A (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
CN116204831A (zh) | 一种基于神经网络的道地性分析方法 | |
CN114974306A (zh) | 一种基于深度学习的变压器异常声纹检测识别方法和装置 | |
CN112183459B (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
CN113297792A (zh) | 一种基于振动数据的离心泵能效评估方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和*** | |
CN110930012A (zh) | 基于敏感性分析及改进阴性选择法的能耗异常定位方法 | |
CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
Bishwas et al. | Relative comparison of k-means clustering segmented rice leaves image based nitrogen, phosphorus, and potassium nutrient deficiency classification using convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |