CN115013298A - 污水泵的实时性能在线监测***及其监测方法 - Google Patents
污水泵的实时性能在线监测***及其监测方法 Download PDFInfo
- Publication number
- CN115013298A CN115013298A CN202210714226.2A CN202210714226A CN115013298A CN 115013298 A CN115013298 A CN 115013298A CN 202210714226 A CN202210714226 A CN 202210714226A CN 115013298 A CN115013298 A CN 115013298A
- Authority
- CN
- China
- Prior art keywords
- vibration
- matrix
- classification
- topological
- sewage pump
- 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.)
- Granted
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 170
- 238000012544 monitoring process Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 284
- 239000013598 vector Substances 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 102100033592 Calponin-3 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及污水泵的智能监测领域,其具体地公开了一种污水泵的实时性能在线监测***及其监测方法,其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息,以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测,这样,能够及时有效地对所述污水泵进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
Description
技术领域
本发明涉及污水泵的智能监测领域,且更为具体地,涉及一种污水泵的实时性能在线监测***及其监测方法。
背景技术
柱塞泵是污水泵的一种常见类型,为污水处理***提供动力,其性能好坏直接影响污水处理***的好坏,因此,需要对污水泵的实时性能进行监测以进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
传统有一些基于振动信号来进行性能分析和故障诊断的方案,但是由于柱塞泵的结构复杂,每一种故障分析需提取的特征不尽相同,需要依靠专家和技术人员丰富的专业知识积累。同时,针对同一柱塞泵的不同故障,需设计出不同的故障特征,人工设计故障特征的过程费时费力,因而造成其故障特征提取困难。因此,期望一种优化的污水泵的故障诊断和预警方案以对污水泵的实时性能进行在线监测,保证污水处理***的正常运转。
近年来,深度学***。
深度学习以及神经网络的发展为污水泵的实时性能监测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种污水泵的实时性能在线监测***及其监测方法,其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息,以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测,这样,能够及时有效地对所述污水泵进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
根据本申请的一个方面,提供了一种污水泵的实时性能在线监测***,其包括:振动数据采集模块,用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;振动数据采样模块,用于分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;振动离散数据编码模块,用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;振动数据关联编码模块,用于将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;拓扑数据采集模块,用于获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;拓扑数据编码模块,用于将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;特征分布融合模块,用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;特征分布校正模块,用于对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及性能监测结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
在上述污水泵的实时性能在线监测***中,所述振动离散数据编码模块,进一步用于使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量,其中,所述一维卷积神经网络的第一层的输入为所述振动输入向量。
在上述污水泵的实时性能在线监测***中,所述振动数据关联编码模块,进一步用于使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵。
在上述污水泵的实时性能在线监测***中,所述拓扑数据编码模块,进一步用于使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵。
在上述污水泵的实时性能在线监测***中,所述特征分布融合模块,进一步用于将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。
在上述污水泵的实时性能在线监测***中,所述特征分布校正模块,包括:指数运算单元,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值;结构化理解单元,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值;以及,概率化约束单元,用于计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。
在上述污水泵的实时性能在线监测***中,所述性能监测结果生成模块,进一步用于:所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
在上述污水泵的实时性能在线监测***中,所述振动传感器为加速度传感器,所述振动信号的样本点为单个时间点下的加速度值。
根据本申请的另一方面,一种污水泵的实时性能在线监测***的监测方法,其包括:获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
在上述污水泵的实时性能在线监测***的监测方法中,将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量,包括:使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量,其中,所述一维卷积神经网络的第一层的输入为所述振动输入向量。
在上述污水泵的实时性能在线监测***的监测方法中,将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵,包括:使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵。
在上述污水泵的实时性能在线监测***的监测方法中,将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵,包括:使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵。
在上述污水泵的实时性能在线监测***的监测方法中,融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵,包括:将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。
在上述污水泵的实时性能在线监测***的监测方法中,对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵,包括:计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值;计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值;以及,计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。
在上述污水泵的实时性能在线监测***的监测方法中,将所述校正后分类特征矩阵通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
在上述污水泵的实时性能在线监测***的监测方法中,所述振动传感器为加速度传感器,所述振动信号的样本点为单个时间点下的加速度值。
与现有技术相比,本申请提供的污水泵的实时性能在线监测***及其监测方法,其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息,以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测,这样,能够及时有效地对所述污水泵进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的污水泵的实时性能在线监测***的应用场景图。
图2为根据本申请实施例的污水泵的实时性能在线监测***的框图。
图3为根据本申请实施例的污水泵的实时性能在线监测***中特征分布校正模块的框图。
图4为根据本申请实施例的污水泵的实时性能在线监测***的监测方法的流程图。
图5为根据本申请实施例的污水泵的实时性能在线监测***的监测方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,柱塞泵是污水泵的一种常见类型,为污水处理***提供动力,其性能好坏直接影响污水处理***的好坏,因此,需要对污水泵的实时性能进行监测以进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
对污水泵的实时性能的监测,可基于对污水泵在工作时产生的振动信号的分析来进行。应可以理解,当污水泵的性能发生变化时,其振动信号会发生改变。传统有一些基于振动信号来进行性能分析和故障诊断的方案,但是由于柱塞泵的结构复杂,每一种故障分析需提取的特征不尽相同,需要依靠专家和技术人员丰富的专业知识积累。同时,针对同一柱塞泵的不同故障,需设计出不同的故障特征,人工设计故障特征的过程费时费力,因而造成其故障特征提取困难。因此,期望一种优化的污水泵的故障诊断和预警方案以对污水泵的实时性能进行在线监测,保证污水处理***的正常运转。
近年来,深度学***。
深度学习以及神经网络的发展为污水泵的实时性能监测提供了新的解决思路和方案。
相应地,本申请发明人考虑到当污水泵的性能发生变化时,其振动信号会发生改变,因此在对污水泵的实时性能的监测中,可以基于对污水泵在工作时产生的振动信号的分析来进行,并且为了简便故障的诊断过程且提高分析判断的准确性,以避免完全依靠于专家和技术人员的丰富专业知识,在本申请中,使用深度神经网络模型来对污水泵的多个振动信号进行高维关联的特征提取,以基于振动信号的变化类型来学习污水泵的性能变化特征,进而提高对于污水泵的故障类型判断的准确度。
具体地,在本申请的技术方案中,首先,通过以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集所述污水泵在预定时间段的多个振动信号,这里,所述振动传感器为加速度传感器。应可以理解,考虑到所述多个振动信号在时域上是连续的且无限拓展的,若想提取出聚焦于所述多个振动信号中的关于污水泵的性能特征信息,就需要分别将所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,所述振动信号的样本点为单个时间点下的加速度值。这样,在将所述多个振动信号转变为离散信号数据后,将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量,以整合每个所述振动信号的样本点在时间维度上的信息,进而便于后续进行振动信号全局性的关联特征提取。
然后,将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量。也就是,将在时间维度上的各个所述振动信号的预定数量的样本点数据,即加速度值通过在隐含关联特征提取方面具有优异表现的一维卷积神经网络模型中进行特征提取,以提取出所述多个振动信号中的每个振动信号的样本点数据在时间维度上的加速度隐含关联特征分布信息。
进一步地,将所述多个振动特征向量进行二维排列为特征矩阵,以整合所述各个振动信号的样本点隐含关联特征信息,继而再通过第一二维卷积神经网络来挖掘出更深层次的所述污水泵在预定时间段的各个振动信号间的高维隐含关联特征分布,以得到振动特征矩阵。
应可以理解,考虑到在通过对于所述污水泵上的多个振动传感器采集的所述振动信号来提取关联特征信息以进行分类时,会存在由于振动传感器部署的位置不同而造成的结果差异性,并且各个所述振动传感器获取的所述振动信号也与所述多个振动传感器的拓扑特征有关联。因此,在本申请的技术方案中,进一步需要利用以预设拓扑样式部署于待检测污水泵上的多个振动传感器的拓扑结构信息来对得到的振动信号特征信息进行映射。
具体地,获取所述多个振动传感器的拓扑矩阵,在本申请实施例中,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零。进一步将所述拓扑矩阵通过第二二维卷积神经网络以得到所述多个振动传感器的高维拓扑特征信息的拓扑特征矩阵。
进一步地,将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。但是,考虑到在将拓扑特征矩阵和振动特征矩阵进行矩阵相乘,以将振动特征映射到拓扑特征的特征空间内以获得分类特征时,由于拓扑特征本身对于分类问题的表达能力较弱,因此该分类矩阵作为相对于分类目标域的特征集合,会存在收敛性不够的问题,因此,还需要对分类矩阵进行基于类条件边界的约束,即:
其中mi,j为分类矩阵的每个位置的特征值。
该基于类条件边界的约束可以通过对特征值及其所属的类条件进行基于规则的结构化理解,来进行特征的边界约束合成,从而避免特征值集合由于集合的分布外特性而导致在分类目标域内的过度碎片化,以获得稳定的类边界,提高了分类矩阵的分类能力,进而提高了分类的准确性。
基于此,本申请提出了一种污水泵的实时性能在线监测***,其包括:振动数据采集模块,用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;振动数据采样模块,用于分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;振动离散数据编码模块,用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;振动数据关联编码模块,用于将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;拓扑数据采集模块,用于获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;拓扑数据编码模块,用于将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;特征分布融合模块,用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;特征分布校正模块,用于对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及,性能监测结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
图1图示了根据本申请实施例的污水泵的实时性能在线监测***的应用场景图。如图1所示,在该应用场景中,首先,通过预设拓扑矩阵在待检测污水泵(例如,如图1中所示意的P)上部署多个振动传感器(例如,如图1中所示意的T1-Tn),并通过所述多个振动传感器采集所述污水泵在预定时间段的多个振动信号。然后,将获取的所述拓扑矩阵和所述污水泵在预定时间段的多个振动信号输入至部署有污水泵的实时性能在线监测算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以污水泵的实时性能在线监测算法对所述拓扑矩阵和所述污水泵在预定时间段的多个振动信号进行处理,以生成用于表示所述污水泵的实时工作性能是否满足预设要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的污水泵的实时性能在线监测***的框图。如图2所示,根据本申请实施例的污水泵的实时性能在线监测***200,包括:振动数据采集模块210,用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;振动数据采样模块220,用于分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;振动离散数据编码模块230,用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;振动数据关联编码模块240,用于将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;拓扑数据采集模块250,用于获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;拓扑数据编码模块260,用于将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;特征分布融合模块270,用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;特征分布校正模块280,用于对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及,性能监测结果生成模块290,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
具体地,在本申请实施例中,所述振动数据采集模块210和所述振动数据采样模块220,用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号,并分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量。如前所述,应可以理解,考虑到当污水泵的性能发生变化时,其振动信号会发生改变,因此在对污水泵的实时性能的监测中,可以基于对所述污水泵在工作时产生的振动信号的分析来进行,并且为了简便故障的诊断过程且提高分析判断的准确性,以避免完全依靠于专家和技术人员的丰富专业知识,在本申请中,使用深度神经网络模型来对污水泵的多个振动信号进行高维关联的特征提取,以基于振动信号的变化类型来学习污水泵的性能变化特征,进而提高对于所述污水泵的故障类型判断的准确度。
也就是,具体地,在本申请的技术方案中,首先,通过以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集所述污水泵在预定时间段的多个振动信号,这里,所述振动传感器为加速度传感器。应可以理解,考虑到所述多个振动信号在时域上是连续的且无限拓展的,若想提取出聚焦于所述多个振动信号中的关于污水泵的性能特征信息,就需要分别将所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,所述振动信号的样本点为单个时间点下的加速度值。这样,在将所述多个振动信号转变为离散信号数据后,将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量,以整合每个所述振动信号的样本点在时间维度上的信息,进而便于后续进行振动信号全局性的关联特征提取。
具体地,在本申请实施例中,所述振动离散数据编码模块230和所述振动数据关联编码模块240,用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量,并将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵。也就是,在本申请的技术方案中,进一步将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量。也就是,将在时间维度上的各个所述振动信号的预定数量的样本点数据,即加速度值通过在隐含关联特征提取方面具有优异表现的一维卷积神经网络模型中进行特征提取,以提取出所述多个振动信号中的每个振动信号的样本点数据在时间维度上的加速度隐含关联特征分布信息。相应地,在一个具体示例中,使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量,其中,所述一维卷积神经网络的第一层的输入为所述振动输入向量。进一步地,将所述多个振动特征向量进行二维排列为特征矩阵,以整合所述各个振动信号的样本点隐含关联特征信息,继而再通过第一二维卷积神经网络来挖掘出更深层次的所述污水泵在预定时间段的各个振动信号间的高维隐含关联特征分布,以得到振动特征矩阵。
更具体地,在本申请实施例中,所述振动数据关联编码模块,进一步用于:使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵。
具体地,在本申请实施例中,所述拓扑数据采集模块250和所述拓扑数据编码模块260,用于获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零,并将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵。应可以理解,考虑到在通过对于所述污水泵上的多个振动传感器采集的所述振动信号来提取关联特征信息以进行分类时,会存在由于振动传感器部署的位置不同而造成的结果差异性,并且各个所述振动传感器获取的所述振动信号也与所述多个振动传感器的拓扑特征有关联。因此,在本申请的技术方案中,需要进一步利用以预设拓扑样式部署于待检测污水泵上的多个振动传感器的拓扑结构信息来对得到的振动信号特征信息进行映射。
具体地,在本申请的技术方案中,首先获取所述多个振动传感器的拓扑矩阵,这里,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零。进一步地,再将所述拓扑矩阵通过第二二维卷积神经网络以得到所述多个振动传感器的高维拓扑特征信息的拓扑特征矩阵。相应地,在一个具体示例中,使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵。
具体地,在本申请实施例中,所述特征分布融合模块270和所述特征分布校正模块280,用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵,并对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵。也就是,在本申请的技术方案中,进一步地,将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。但是,考虑到在将所述拓扑特征矩阵和所述振动特征矩阵进行矩阵相乘,以将所述振动特征映射到所述拓扑特征的特征空间内以获得分类特征矩阵时,由于拓扑特征本身对于分类问题的表达能力较弱,因此该所述分类特征矩阵作为相对于分类目标域的特征集合,会存在收敛性不够的问题,因此,在本申请的技术方案中,还需要对所述分类特征矩阵进行基于类条件边界的约束。
更具体地,在本申请实施例中,所述特征分布校正模块,包括:首先,计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值。接着,计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值。然后,计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。相应地,在一个具体示例中,以如下公式对所述分类特征矩阵进行基于数据流形的类条件边界的约束,其中,所述公式为:
其中mi,j为分类矩阵的每个位置的特征值。应可以理解,所述基于类条件边界的约束可以通过对特征值及其所属的类条件进行基于规则的结构化理解,来进行特征的边界约束合成,从而避免特征值集合由于集合的分布外特性而导致在分类目标域内的过度碎片化,以获得稳定的类边界,提高了分类特征矩阵的分类能力,进而提高了分类的准确性。
图3图示了根据本申请实施例的污水泵的实时性能在线监测***中特征分布校正模块的框图。如图3所示,所述特征分布校正模块280,包括:指数运算单元281,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值;结构化理解单元282,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值;以及,概率化约束单元283,用于计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。
具体地,在本申请实施例中,所述性能监测结果生成模块290,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。也就是,在一个具体示例中,所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述污水泵的实时性能在线监测***200被阐明,其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息,以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测,这样,能够及时有效地对所述污水泵进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
如上所述,根据本申请实施例的污水泵的实时性能在线监测***200可以实现在各种终端设备中,例如污水泵的实时性能在线监测算法的服务器等。在一个示例中,根据本申请实施例的污水泵的实时性能在线监测***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该污水泵的实时性能在线监测***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该污水泵的实时性能在线监测***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该污水泵的实时性能在线监测***200与该终端设备也可以是分立的设备,并且该污水泵的实时性能在线监测***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了污水泵的实时性能在线监测***的监测方法的流程图。如图4所示,根据本申请实施例的污水泵的实时性能在线监测***的监测方法,包括步骤:S110,获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;S120,分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;S130,将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;S140,将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;S150,获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;S160,将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;S170,融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;S180,对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及,S190,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
图5图示了根据本申请实施例的污水泵的实时性能在线监测***的监测方法的架构示意图。如图5所示,在所述污水泵的实时性能在线监测***的监测方法的网络架构中,首先,分别对获得的所述多个振动信号(例如,如图5中所示意的P1)中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点(例如,如图5中所示意的P2),并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量(例如,如图5中所示意的V);接着,将所述多个振动输入向量分别通过一维卷积神经网络(例如,如图5中所示意的CNN1)以得到多个振动特征向量(例如,如图5中所示意的VF1);然后,将所述多个振动特征向量进行二维排列为特征矩阵(例如,如图5中所示意的MF1)后通过第一二维卷积神经网络(例如,如图5中所示意的CNN2)以得到振动特征矩阵(例如,如图5中所示意的MF2);接着,将获得的所述拓扑矩阵(例如,如图5中所示意的M)通过第二二维卷积神经网络(例如,如图5中所示意的CNN3)以得到拓扑特征矩阵(例如,如图5中所示意的MF);然后,融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵(例如,如图5中所示意的M1);接着,对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵(例如,如图5中所示意的M2);以及,最后,将所述校正后分类特征矩阵通过分类器(例如,如图5中所示意的分类器)以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
更具体地,在步骤S110和步骤S120中,获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号,并分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量。应可以理解,考虑到当污水泵的性能发生变化时,其振动信号会发生改变,因此在对污水泵的实时性能的监测中,可以基于对所述污水泵在工作时产生的振动信号的分析来进行,并且为了简便故障的诊断过程且提高分析判断的准确性,以避免完全依靠于专家和技术人员的丰富专业知识,在本申请中,使用深度神经网络模型来对污水泵的多个振动信号进行高维关联的特征提取,以基于振动信号的变化类型来学习污水泵的性能变化特征,进而提高对于所述污水泵的故障类型判断的准确度。
也就是,具体地,在本申请的技术方案中,首先,通过以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集所述污水泵在预定时间段的多个振动信号,这里,所述振动传感器为加速度传感器。应可以理解,考虑到所述多个振动信号在时域上是连续的且无限拓展的,若想提取出聚焦于所述多个振动信号中的关于污水泵的性能特征信息,就需要分别将所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,所述振动信号的样本点为单个时间点下的加速度值。这样,在将所述多个振动信号转变为离散信号数据后,将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量,以整合每个所述振动信号的样本点在时间维度上的信息,进而便于后续进行振动信号全局性的关联特征提取。
更具体地,在步骤S130和步骤S140中,将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量,并将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵。也就是,在本申请的技术方案中,进一步将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量。也就是,将在时间维度上的各个所述振动信号的预定数量的样本点数据,即加速度值通过在隐含关联特征提取方面具有优异表现的一维卷积神经网络模型中进行特征提取,以提取出所述多个振动信号中的每个振动信号的样本点数据在时间维度上的加速度隐含关联特征分布信息。相应地,在一个具体示例中,使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量,其中,所述一维卷积神经网络的第一层的输入为所述振动输入向量。进一步地,将所述多个振动特征向量进行二维排列为特征矩阵,以整合所述各个振动信号的样本点隐含关联特征信息,继而再通过第一二维卷积神经网络来挖掘出更深层次的所述污水泵在预定时间段的各个振动信号间的高维隐含关联特征分布,以得到振动特征矩阵。
更具体地,在步骤S150和步骤S160中,获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零,并将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵。应可以理解,考虑到在通过对于所述污水泵上的多个振动传感器采集的所述振动信号来提取关联特征信息以进行分类时,会存在由于振动传感器部署的位置不同而造成的结果差异性,并且各个所述振动传感器获取的所述振动信号也与所述多个振动传感器的拓扑特征有关联。因此,在本申请的技术方案中,需要进一步利用以预设拓扑样式部署于待检测污水泵上的多个振动传感器的拓扑结构信息来对得到的振动信号特征信息进行映射。
具体地,在本申请的技术方案中,首先获取所述多个振动传感器的拓扑矩阵,这里,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零。进一步地,再将所述拓扑矩阵通过第二二维卷积神经网络以得到所述多个振动传感器的高维拓扑特征信息的拓扑特征矩阵。相应地,在一个具体示例中,使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵。
更具体地,在步骤S170和步骤S180中,融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵,并对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵。也就是,在本申请的技术方案中,进一步地,将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。但是,考虑到在将所述拓扑特征矩阵和所述振动特征矩阵进行矩阵相乘,以将所述振动特征映射到所述拓扑特征的特征空间内以获得分类特征矩阵时,由于拓扑特征本身对于分类问题的表达能力较弱,因此该所述分类特征矩阵作为相对于分类目标域的特征集合,会存在收敛性不够的问题,因此,在本申请的技术方案中,还需要对所述分类特征矩阵进行基于类条件边界的约束。应可以理解,所述基于类条件边界的约束可以通过对特征值及其所属的类条件进行基于规则的结构化理解,来进行特征的边界约束合成,从而避免特征值集合由于集合的分布外特性而导致在分类目标域内的过度碎片化,以获得稳定的类边界,提高了分类特征矩阵的分类能力,进而提高了分类的准确性。
更具体地,在步骤S190中,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。也就是,在一个具体示例中,所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述污水泵的实时性能在线监测***的监测方法被阐明,其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息,以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测,这样,能够及时有效地对所述污水泵进行故障诊断和故障预警,从而保持污水处理***的运转能维持振动。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种污水泵的实时性能在线监测***,其特征在于,包括:
振动数据采集模块,用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;
振动数据采样模块,用于分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;
振动离散数据编码模块,用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;
振动数据关联编码模块,用于将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;
拓扑数据采集模块,用于获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;
拓扑数据编码模块,用于将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;
特征分布融合模块,用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;
特征分布校正模块,用于对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及
性能监测结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
2.根据权利要求1所述的污水泵的实时性能在线监测***,其中,所述振动离散数据编码模块,进一步用于使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量,其中,所述一维卷积神经网络的第一层的输入为所述振动输入向量。
3.根据权利要求2所述的污水泵的实时性能在线监测***,其中,所述振动数据关联编码模块,进一步用于使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵。
4.根据权利要求3所述的污水泵的实时性能在线监测***,其中,所述拓扑数据编码模块,进一步用于使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵。
5.根据权利要求4所述的污水泵的实时性能在线监测***,其中,所述特征分布融合模块,进一步用于将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。
6.根据权利要求5所述的污水泵的实时性能在线监测***,其中,所述特征分布校正模块,包括:
指数运算单元,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值;
结构化理解单元,用于计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值;以及
概率化约束单元,用于计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。
7.根据权利要求6所述的污水泵的实时性能在线监测***,其中,所述性能监测结果生成模块,进一步用于:所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
8.根据权利要求7所述的污水泵的实时性能在线监测***,其中,所述振动传感器为加速度传感器,所述振动信号的样本点为单个时间点下的加速度值。
9.一种污水泵的实时性能在线监测***的监测方法,其特征在于,包括:
获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号;
分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点,并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量;
将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量;
将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵;
获取所述多个振动传感器的拓扑矩阵,所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离,所述拓扑矩阵中对角线位置上各个位置的特征值为零;
将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵;
融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵;
对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵;以及
将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求。
10.根据权利要求9所述的污水泵的实时性能在线监测***的监测方法,其中,对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵,包括:
计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值;
计算以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中该位置的特征值的倒数之间的差值再计算所述差值与一之间的差值的绝对值作为所述分类特征矩阵中该位置的结构化理解值;
以及
计算所述分类特征矩阵中各个位置的结构化理解值的对数函数值以得到所述校正后分类特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714226.2A CN115013298B (zh) | 2022-06-22 | 2022-06-22 | 污水泵的实时性能在线监测***及其监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714226.2A CN115013298B (zh) | 2022-06-22 | 2022-06-22 | 污水泵的实时性能在线监测***及其监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115013298A true CN115013298A (zh) | 2022-09-06 |
CN115013298B CN115013298B (zh) | 2023-03-31 |
Family
ID=83076635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714226.2A Active CN115013298B (zh) | 2022-06-22 | 2022-06-22 | 污水泵的实时性能在线监测***及其监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115013298B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
CN115410004A (zh) * | 2022-09-22 | 2022-11-29 | 安吉县科声磁性器材有限公司 | 铁粉智能筛分***及其方法 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其*** |
CN116647411A (zh) * | 2023-07-17 | 2023-08-25 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
CN117090989A (zh) * | 2022-12-22 | 2023-11-21 | 浙江德卡控制阀仪表有限公司 | 具有监测***的电动闸阀 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
CN114648496A (zh) * | 2022-03-02 | 2022-06-21 | 上海思歆康医疗技术有限公司 | 智慧医疗*** |
-
2022
- 2022-06-22 CN CN202210714226.2A patent/CN115013298B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
CN114648496A (zh) * | 2022-03-02 | 2022-06-21 | 上海思歆康医疗技术有限公司 | 智慧医疗*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410004A (zh) * | 2022-09-22 | 2022-11-29 | 安吉县科声磁性器材有限公司 | 铁粉智能筛分***及其方法 |
CN115410004B (zh) * | 2022-09-22 | 2023-06-16 | 安吉县科声磁性器材有限公司 | 铁粉智能筛分***及其方法 |
CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
CN117090989A (zh) * | 2022-12-22 | 2023-11-21 | 浙江德卡控制阀仪表有限公司 | 具有监测***的电动闸阀 |
CN117090989B (zh) * | 2022-12-22 | 2024-06-07 | 浙江德卡控制阀仪表有限公司 | 具有监测***的电动闸阀 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其*** |
CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其*** |
CN116647411A (zh) * | 2023-07-17 | 2023-08-25 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
CN116647411B (zh) * | 2023-07-17 | 2023-09-22 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115013298B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115013298B (zh) | 污水泵的实时性能在线监测***及其监测方法 | |
CN112233798B (zh) | 基于病理模式与注意力机制的可解释疾病风险分析*** | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN115235612A (zh) | 伺服电机的故障智能诊断***及其诊断方法 | |
CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其*** | |
CN117671396B (zh) | 施工进度的智能监控预警***及方法 | |
CN116557787B (zh) | 管网状态智能评估***及其方法 | |
CN115526202A (zh) | 基于数据驱动的海上风机故障诊断***及其诊断方法 | |
KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
CN117388893B (zh) | 一种基于gps的多设备定位*** | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其*** | |
CN116960954A (zh) | 短期风电功率预测方法、装置、存储介质及计算机设备 | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化***及其方法 | |
CN116634030A (zh) | 一种光伏电站功率预测的网关机及分布式电站拓扑结构 | |
CN114757391B (zh) | 一种面向服务质量预测的网络数据空间设计与应用方法 | |
CN115982573A (zh) | 多功能送料机及其控制方法 | |
CN115861664A (zh) | 基于局部特征融合与自注意力机制的特征匹配方法及*** | |
CN115295159A (zh) | 基于区域数据挖掘的区域人口健康信息管理*** | |
CN115864102A (zh) | 具有温漂自适应调整功能的光引擎及其工作方法 | |
WO2018142694A1 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
CN115480556A (zh) | 一种暖通机电设备的智能在线故障诊断*** | |
CN117079416B (zh) | 基于人工智能算法的多人5d雷达跌倒检测方法及*** | |
CN117496126B (zh) | 基于关键词的影像自动定位***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Real time performance online monitoring system and monitoring method for sewage pumps Granted publication date: 20230331 Pledgee: Agricultural Bank of China Limited by Share Ltd. Wenling branch Pledgor: Zhejiang Stone Pump Industry Technology Co.,Ltd. Registration number: Y2024330000038 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |