CN116910513A - 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 - Google Patents
一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 Download PDFInfo
- Publication number
- CN116910513A CN116910513A CN202310866119.6A CN202310866119A CN116910513A CN 116910513 A CN116910513 A CN 116910513A CN 202310866119 A CN202310866119 A CN 202310866119A CN 116910513 A CN116910513 A CN 116910513A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- cwgan
- model
- centrifugal 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000006073 displacement reaction Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 31
- 238000004088 simulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于CWGAN‑GP和双流CNN模型的离心泵转子故障诊断方法,首先采集振动位移信号,并经过重构后得到新的振动位移信号,组成CWGAN‑GP模型的训练集;将训练集与各类故障对应的标签信息输入CWGAN‑GP模型进行训练,再将各类故障对应的标签信息和随机噪声输入训练好的CWGAN‑GP模型,生成对应故障类型的数据,并将生成数据添加至转子不平衡故障、转子不对中故障的振动位移信号集中,得到均衡数据集;利用均衡数据集对双流CNN模型进行训练,再将振动位移信号与二维时频图像数据输入训练好的双流CNN模型中,实现离心泵转子不同类型故障的分类。本发明提高离心泵转子故障诊断的效率和准确性。
Description
技术领域
本发明属于旋转机械故障信号分析技术研究领域,具体涉及一种基于CWGAN-GP(条件梯度惩罚沃瑟斯坦生成对抗网络)和双流CNN(卷积神经网络)模型的离心泵转子故障诊断方法。
背景技术
不平衡与不对中是离心泵常见的转子故障类型,当发生转子不平衡与不对中故障时,整个机组的安全性都将受到严重威胁。因此,开展离心泵转子故障诊断技术的研究对于确保工业生产安全,降低能源消耗以及维修成本,提高生产效率具有至关重要的作用。目前,随着大数据、云计算、人工智能AI等技术的快速发展,离心泵转子的故障诊断已从传统的依赖专家经验逐渐转向基于深度学习的智能诊断。
目前基于深度学习的离心泵转子故障诊断方法还存在以下几个问题有待解决:(1)故障信号预处理。由于振动位移信号中常伴有大量的噪声成分,难以直接从中提取出明显的转子故障特征。因此,如何剔除原始信号中的噪声成分,提取出有用的故障特征信息已经成为离心泵转子故障诊断的研究难点之一。(2)故障识别。基于深度学习模型的故障识别是离心泵转子故障诊断的重要环节,深度学习模型通常具有较高的复杂度和参数量,需要进行有效的模型优化和调参,以提高模型的泛化能力和诊断准确度。(3)故障样本获取困难。由于离心泵长期处于健康状态,所采集的振动位移数据大多为健康状态样本,故障样本少,造成了数据集中不同类别的样本数量非均衡的问题。因此,如何获取足够多的故障样本成为了离心泵转子故障诊断的瓶颈之一。
发明内容
针对现有技术中存在不足,本发明提供了一种基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,从而提高离心泵转子故障诊断的效率和准确性。
本发明是通过以下技术手段实现上述技术目的的。
一种基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法:
采集离心泵转子正常状态、转子不平衡故障、转子不对中故障三种状态下的振动位移信号,并经过重构后得到新的振动位移信号,组成CWGAN-GP模型的训练集;
将所述训练集与各类故障对应的标签信息输入CWGAN-GP模型进行训练,得到训练好CWGAN-GP模型;再将各类故障对应的标签信息和随机噪声输入训练好的CWGAN-GP模型,生成对应故障类型的数据,并将生成数据添加至转子不平衡故障、转子不对中故障的振动位移信号集中,得到均衡数据集;
利用所述均衡数据集对双流CNN模型进行训练,再将振动位移信号与二维时频图像数据输入训练好的双流CNN模型中,实现离心泵转子不同类型故障的分类。
进一步地,所述CWGAN-GP模型是基于CGAN与WGAN-GP模型建立的:采用Wasserstein距离代替传统GAN中的交叉熵损失函数;利用GP对判别器进行惩罚,强制判别器满足Lipschitz连续条件;增加额外的数据标签信息。
更进一步地,CWAGN-GP模型中的鉴别器由12个卷积层、2个最大池化层、6个BN层以及1个全连接层构成;所述卷积层的卷积核大小均为5×1,各卷积层的卷积核的数量依次为8、8、16、16、32、32、64、64、128、128、256、256,卷积层1、卷积层3、卷积层5、卷积层7、卷积层9、卷积层11的卷积计算的步长为2,卷积层2、卷积层4、卷积层6、卷积层8、卷积层10、卷积层12的卷积计算的步长为1,所有卷积层均使用LeakyReLU激活函数;所述最大池化层设置在BN层2、BN层4之后,最大池化层1与最大池化层2的池化核大小均为5×1、步长为2;所述全连接层删除激活函数且不加入偏置计算;BN层设置在卷积层2、卷积层4、卷积层6、卷积层8、卷积层10和卷积层12之后。
更进一步地,CWAGN-GP模型中的生成器由1个全连接层、13个卷积层、3个上采样层和6个BN层构成;所述全连接层由256个神经元组成;卷积层1、卷积层2均由256个大小为5×1的卷积核组成,卷积层3、卷积层4均由128个大小为5×1的卷积核组成,卷积层5、卷积层6均由64个大小为5×1的卷积核组成,卷积层7、卷积层8均由32个大小为5×1的卷积核组成,卷积层9、卷积层10均由16个大小为5×1的卷积核组成,卷积层11、卷积层12均由8个大小为5×1的卷积核组成,卷积层13由1个大小为5×1的卷积核组成,所有卷积层的卷积步长为1,卷积层13之后采用Than激活函数,其余卷积层之后均采用ReLu激活函数;上采样层大小均设置为2;BN层设置在卷积层2、卷积层4、卷积层6、卷积层8、卷积层10和卷积层12之后。
进一步地,所述双流CNN模型由输入层、改进1D LeNet-5模型、改进2D LeNet-5模型、连接层、全连接层以及输出层构成。
更进一步地,所述改进1D LeNet-5模型,包括:
输入层的大小改为1024×1;
将3×3、5×5大小的二维卷积核改为3×1、5×1大小的一维卷积核,第一层卷积中采用64个卷积核,第二层卷积中采用128个卷积核。
更进一步地,所述改进2D LeNet-5模型,包括:
选择64×64大小的RGB图像,第一层卷积中采用64个卷积核、卷积核的大小为3×3,第二层卷积中采用128个卷积核、卷积核的大小为5×5;
删除第二个全连接层,并在全连接层之后增加Dropout操作,在每个激活层后增加BN操作;
采用ReLu激活函数代替传统LeNet-5中Sigmoid激活函数。
进一步地,对振动位移信号进行重构的具体过程为:
1)通过IPSO算法对VMD分解振动位移信号时的参数K与a进行寻优,获得最佳参数组合;
2)采用优化后的VMD分解原始振动位移信号,得到K个IMF分量;
3)计算各个IMF分量的KLD值,并将KLD值进行升序排序;
4)筛选出KLD值最小的IMF分量作为有效IMF分量用于重构新的振动位移信号。
更进一步地,所述IPSO算法是对PSO算法中的Tent混沌映射进行改进、对惯性权重与学习因子进行调整后的算法。
更进一步地:
Tent混沌映射采用如下迭代公式进行改进:
其中,Xi表示为第i个粒子,α、β为[0,0.1]间的随机数;
对惯性权重与学习因子进行调整:
其中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,δ1、δ2、δ3为常数,ε为指定迭代次数,k为当前迭代次数,nmax为最大迭代次数,c1up、c1low为粒子个体学习因子的上下界,c2up、c2low为粒子群体学习因子的上下界,ρ为[0,1]之间的随机数。
本发明的有益效果为:
(1)本发明基于IPSO-VMD-KLD从原始振动位移信号中提取离心泵转子故障特征,实现了对离心泵转子故障信号的有效重构,提高了转子故障特征提取的准确性。
(2)本发明将各类故障对应的标签信息和随机噪声输入训练好的CWGAN-GP模型,生成对应故障类型的数据,并将生成数据添加至转子不平衡故障、转子不对中故障的振动位移信号集中,得到均衡数据集;解决了离心泵转子故障数据样本有限、获取困难,导致数据集中正常状态样本与故障状态样本数量之间非均衡的问题。
(3本发明利用均衡数据集对双流CNN模型进行训练,再将振动位移信号与二维时频图像数据输入训练好的双流CNN模型中,实现离心泵转子不同类型故障的分类;解决了传统故障诊断方法费时费力以及现有深度学习模型只能从单一维度提取特征的问题。
附图说明
图1为本发明所述CWAGN-GP模型的结构示意图;
图2为本发明所述鉴别器结构示意图;
图3为本发明所述生成器结构示意图;
图4为本发明所述基于CWGAN-GP的离心泵转子故障数据生成流程图;
图5为本发明所述双流CNN故障诊断模型结构示意图;
图6为本发明所述基于CWGAN-GP与双流CNN的离心泵转子故障诊断验证方案流程图;
图7为本发明所述数据集扩充后双流CNN模型故障诊断结果图;
图8为本发明所述双流CNN模型对扩充后达到平衡的数据集故障诊断结果图;
图中:图中:1-1D输入层,2、5-1D卷积层,3、6-1D BN层,4、7-1D最大池化层,8、17-Flatten层,9、18、20-全连接层,10-2D输入层,11、14-2D卷积层,12、15-2D BN层,13、16-2D最大池化层,19-连接层,21-输出层。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明一种基于CWGAN-GP与双流CNN模型的离心泵转子故障诊断方法,具体包括如下步骤:
步骤一、基于IPSO-VMD-KLD从原始振动位移信号中提取离心泵转子故障特征
(1)为了提高PSO算法的收敛速度与收敛精度,一方面对PSO算法中的Tent混沌映射进行改进,另一方面对PSO算法中的惯性权重与学习因子进行调整,通过上述改进和调整后的算法,称为IPSO算法,具体地:
Tent混沌映射采用如下迭代公式进行改进:
其中,Xi表示为第i个粒子,α、β为[0,0.1]间的随机数,当Xi+1>1时,返回值等于1,当Xi+1<0时,返回值等于0。由此提高PSO算法种群中粒子初始化后的质量。
对惯性权重与学习因子进行调整,具体采用(2)-(4)所示:
其中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,δ1、δ2、δ3为常数,ε为指定迭代次数,k为当前迭代次数,nmax为最大迭代次数,c1up、c1low为粒子个体学习因子的上下界,c2up、c2low为粒子群体学习因子的上下界,ρ为[0,1]之间的随机数。
IPSO算法流程,具体包括:
1)设置IPSO算法中粒子群的规模、最大迭代次数、指定迭代次数、学习因子,并基于改进的Tent混沌映射初始化粒子群中粒子的速度和位置;
2)根据式(2)~(4)计算粒子的惯性权重、个体学习因子和群体学习因子;
3)根据待求解的适应度函数计算粒子群中每个粒子的适应度值;
4)更新每个粒子的历史最优位置和群体最优值;
5)判断IPSO算法是否达到了终止迭代条件,如果满足,则停止迭代计算,并且返回最优值,如果不满足,则返回2)继续迭代,直至满足终止条件为止。
(2)采用IPSO算法对VMD(变分模态分解)的参数进行自动寻优,实现振动位移信号的自适应分解,具体流程包括:
1)初始化IPSO算法的参数值与VMD参数K、a的取值范围,生成初始粒子种群,并将排列熵作为IPSO算法的适应度函数;
2)对原始振动位移信号进行VMD分解,得到K个IMF分量;
3)计算K个IMF分量的排列熵,将计算所得到的排列熵进行排序,得到该粒子种群下的最小排列熵,并获取到最小排列熵所处的粒子的位置;
4)更新粒子种群中粒子的位置和速度,以及粒子的历史最优位置和群体最优位置;
5)重复步骤2)至步骤4),直至达到迭代终止条件;
6)迭代完成后,输出最佳的粒子位置,即为最佳参数组合(K,a)。
(3)基于KLD(相对熵)建立有效IMF分量筛选准则,通过IPSO-VMD-KLD实现对振动位移信号中转子故障特征的提取
有效IMF分量筛选准则具体为:挑选出KLD值最小即与原始振动位移信号最相近且包含故障特征丰富的IMF分量作为重构新的振动位移信号的有效IMF分量,KLD的计算公式如式(5)所示:
其中,p(x)为目标分布,q(x)为近似分布,M是分布的长度,Xk为时域序列,i=1,2,3,…,n,n为序列大小。
利用IPSO-VMD-KLD实现对振动位移信号中转子故障特征的提取,具体包括:
1)通过IPSO算法对VMD分解振动位移信号时的参数K与a进行寻优,获得最佳参数组合;
2)采用优化后的VMD分解原始振动位移信号,得到K个IMF分量;
3)计算各个IMF分量的KLD值,并将KLD值进行升序排序;
4)筛选出KLD值最小的IMF分量作为有效IMF分量用于重构新的振动位移信号,最终完成对转子故障特征的提取目的。
步骤二、建立CWGAN-GP模型,改善故障特征数据与非故障数据之间的非均衡问题
(1)结合CGAN(条件生成对抗网络)与WGAN-GP模型,建立条件梯度惩罚沃瑟斯坦生成对抗网络(CWGAN-GP)
首先,采用Wasserstein距离代替传统GAN(生成对抗网络)中的交叉熵损失函数,以优化生成器和判别器的训练;
然后,利用GP对判别器进行惩罚,强制判别器满足Lipschitz连续条件,使判别器更好地区分真实数据(原始振动位移信号)和生成数据(经CWGAN-GP模型生产的数据),减少模式塌陷问题;
最后,增加额外的数据标签信息,使CWGAN-GP更好地控制与指导生成器生成的数据,CWAGN-GP模型的结构示意图如图1所示,目标函数为:
其中,D为鉴别器,G为生成器,V(D,G)为目标函数,x为真实数据,为真实数据x与生成数据G(z)的线性插值,pr为真实数据分布,pg为生成数据分布,z表示随机噪声,λ为梯度惩罚系数,y为数据标签(例如正常为0,不平衡数据为1),E[]表示数学期望,/>为梯度算子。
CWAGN-GP模型中的鉴别器的输入层为1024维真实数据或生成数据与各故障类型标签信息融合构成的1024维数据,输出为对真实数据和生成数据的判别结果,鉴别器的结构如图2所示。具体地,鉴别器由12个卷积层、2个最大池化层、6个BN层以及1个全连接层构成。为了从输入数据中获得更多的局部信息,卷积层的卷积核大小均为5×1,各卷积层的卷积核的数量依次为8、8、16、16、32、32、64、64、128、128、256、256,卷积层1、卷积层3、卷积层5、卷积层7、卷积层9、卷积层11的卷积计算的步长为2,卷积层2、卷积层4、卷积层6、卷积层8、卷积层10、卷积层12的卷积计算的步长为1,所有卷积层均使用LeakyReLU激活函数。在BN层2、BN层4后采用最大池化层对特征进行降维以降低鉴别器的训练难度,其中最大池化层1与最大池化层2的池化核大小均为5×1、步长为2。最后一层全连接层去除激活函数且不加入偏置计算。为了加快生成器模型的训练速度,卷积层2、卷积层4、卷积层6、卷积层8、卷积层10以及卷积层12后加入了BN层。
生成器中输入层为140维均匀分布随机噪声与各故障类型标签融合组成的140维数据,最终的输出为1024维生成数据,生成器的结构如图3。具体地,全连接层由256个神经元组成,将随机噪声数据扩展至256维。卷积层1由256个大小为5×1的卷积核组成,卷积层2由256个大小为5×1的卷积核组成,卷积层3由128个大小为5×1的卷积核组成,卷积层4由128个大小为5×1的卷积核组成,卷积层5由64个大小为5×1的卷积核组成,卷积层6由64个大小为5×1的卷积核组成,卷积层7由32个大小为5×1的卷积核组成,卷积层8由32个大小为5×1的卷积核组成,卷积层9由16个大小为5×1的卷积核组成,卷积层10由16个大小为5×1的卷积核组成,卷积层11由8个大小为5×1的卷积核组成,卷积层12由8个大小为5×1的卷积核组成,卷积层13由1个大小为5×1的卷积核组成。所有卷积层的卷积步长为1,在卷积层13之后采用Than激活函数,其余卷积层之后均采用ReLu激活函数。上采样层1、上采样层2、上采样层3大小均设置为2。与鉴别器相同,卷积层2、卷积层4、卷积层6、卷积层8、卷积层10以及卷积层12后增加了BN层。
(2)将训练集与各类故障对应的标签信息输入CWGAN-GP模型进行训练,将输入标签信息和随机噪声输入生成器,生成对应故障类型的数据,完成数据生成任务。
将不同故障类型的原始振动位移信号进行信号重构后得到新的振动位移信号,利用新的振动位移信号构建CWGAN-GP模型训练集。
将训练集与各类故障对应的标签信息输入CWGAN-GP模型进行训练。在训练过程中,采用RMSprop优化器进行参数优化,生成器的初始学习率设置为0.0005,鉴别器的初始学习率设置为0.0001,模型梯度惩罚项的系数λ为10。采用生成器和鉴别器分开训练的策略。首先设置生成器为不可训练状态,对鉴别器进行训练实现参数更新,随后固定鉴别器,训练生成器。每次迭代过程中鉴别器训练8次,生成器训练2次。通过不断地迭代训练,最终鉴别器与生成器达到纳什均衡,得到训练好CWGAN-GP模型。
将标签信息和随机噪声输入生成器,生成对应故障类型的数据,完成数据生成任务。基于CWGAN-GP模型的离心泵转子数据生成流程如图4。
步骤三、建立双流CNN模型
(1)改进2D LeNet-5模型和1D LeNet-5模型
1)改进2D LeNet-5模型,包括:
首先,更改输入层大小,增加卷积核的数量。具体地,选择64×64大小的RGB图像。第一层卷积中采用64个卷积核,卷积核的大小为3×3,第二层卷积中采用128个卷积核,卷积核的大小为5×5。
然后,减少全连接层层数,具体地,删除第二个全连接层,并在全连接层之后增加Dropout操作,在每个激活层后增加批量归一化(Batch Normalization,BN)操作。
最后,采用ReLu激活函数代替传统LeNet-5中Sigmoid激活函数。
2)改进1D LeNet-5模型,包括:
首先,更改输入层尺寸大小,具体地,将输入层的大小改为1024×1;
然后,更改卷积核的尺寸,具体地,将3×3、5×5大小的二维卷积核改为3×1、5×1大小的一维卷积核,且各卷积层的卷积核数量与改进2D LeNet-5模型相同。
(2)采用双流架构建立双流CNN故障诊断模型
基于改进1D LeNet-5模型与改进2D LeNet-5模型,采用了双流架构建立双流CNN故障诊断模型,结构示意图如图5,详细结构如表1所示。双流CNN模型主要由输入层、改进1DLeNet-5模型、改进2D LeNet-5模型、连接层、全连接层以及输出层构成。其中输入层的数据分别为一维振动位移数据(原始振动位移信号)与二维时频图像数据。连接层由全连接层构成,用于融合改进1D LeNet-5模型与改进2D LeNet-5模型提取到的深度不变特征,通过连接层将不同维度的特征进行双流融合,兼顾了不同维度的数据,能够提取到数据中更多的特征信息,提高模型的故障诊断精度。输出层采用Softmax分类器对不同类型的故障进行分类,最终实现故障诊断任务。
表1双流CNN模型结构参数
(3)对优化器、学习率、训练批量以及Dropout值等超参数进行设置
具体的,优化器为Adam,学习率为0.0001,训练批量为8,Dropout值为0.4。
步骤四、将CWGAN-GP模型与双流CNN模型相结合,实现数据非均衡状态下离心泵转子的故障诊断
通过训练好的CWGAN-GP模型对原始非均衡数据集(原始振动位移信号)进行扩充,使得各类故障数据与正常状态数据达到数量间的平衡;
采用不同的非均衡数据集与扩充后达到平衡的数据集对双流CNN模型进行模型训练,并运用训练后的模型对离心泵转子故障进行诊断。
基于CWGAN-GP与双流CNN的离心泵转子故障诊断效果验证实例,具体流程图如图6所示:
(1)采用非均衡数据集中的故障训练集对CWGAN-GP模型进行训练,通过不断地迭代训练使得模型达到纳什均衡状态;
(2)通过训练好的CWGAN-GP模型生成指定类型的故障数据,并将其添加至原始非均衡数据集中,对原始非均衡数据集进行扩充,使得各类故障数据与正常状态数据达到数量间的平衡;
(3)搭建双流CNN模型,并选择最佳超参数组合初始化双流CNN模型;
(4)采用不同的非均衡数据集与扩充后达到均衡的数据集对双流CNN模型进行训练;
(5)通过验证集(表3)对训练好的双流CNN模型进行验证,得到不同的非均衡数据集与扩充后达到平衡的数据集的故障诊断准确率,并进行对比分析。
离心泵转子故障模拟试验,具体如下:
在离心泵转子故障模拟实验过程中,离心泵按照其额定转速(2900r/min)进行运转,将离心泵的运行流量分别调节为7.42m3/h、9.01m3/h、10.6m3/h、12.72m3/h。每种运行流量下,使用信号采集***分别采集正常状态、转子不平衡故障、转子不对中故障三种状态下的振动位移信号。在数据采集时,为了符合奈奎斯特定律,即采样频率要大于分析频率的2倍,本实验的采样频率设置为25600Hz,采样时间设置为1s。转子不平衡故障与转子不对中故障的模拟实验方案如下,每种故障类型下采集的数据量如表2所示。
(1)转子不平衡故障模拟方案
转子不平衡故障模拟实验是通过在弹性联轴器的联结螺栓处增加垫片来模拟转子不平衡故障,其中垫片的重量分别为2.5g、6.5g、9g;加入垫片后,拧紧弹性联轴器螺栓,模拟离心泵在运行过程中产生转子不平衡故障。
(2)转子不对中故障模拟方案
转子不对中故障模拟实验是通过移动电机端的位置来模拟转子平行不对中故障,并采用千分表对转子平行不对中量进行测量,造成离心泵运行过程中的转子平行不对中故障,其中平行不对中量分别为30丝、40丝、50丝。
表2离心泵转子故障模拟实验数据采集数量表
构建非均衡数据集:
按照30:1、12:1、6:1、3:1、2:1的非均衡数据比例设置A、B、C、D、E共五个数据集(采集原始振动位移信号并重构)来模拟不同程度的数据非均衡情况,构建不同非均衡数据比例数据集,如表3所示。
表3非均衡数据集
基于CWGAN-GP与双流CNN和故障诊断结果验证:
在实验过程中,采用双流CNN模型对非均衡数据集和CWGAN-GP模型扩充后的数据集分别进行10次独立重复训练与验证。双流CNN模型在非均衡数据集上的10次实验结果如图7所示。将采用CWGAN-GP模型扩充后的数据集分别记为A'、B'、C'、D'、E',在CWGAN-GP模型扩充后的数据集上的10次实验结果如图8所示。
根据图7和图8可以得出,采用生成数据对非均衡数据集进行扩充之后,双流CNN模型的验证准确率有了明显的提升,且波动范围显著缩小。对比非均衡数据集,数据集扩充后,模型的最高验证准确率分别提高了16%、17.33%、8.66%、4.33%、1.33%。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于:
采集离心泵转子正常状态、转子不平衡故障、转子不对中故障三种状态下的振动位移信号,并经过重构后得到新的振动位移信号,组成CWGAN-GP模型的训练集;
将所述训练集与各类故障对应的标签信息输入CWGAN-GP模型进行训练,得到训练好CWGAN-GP模型;再将各类故障对应的标签信息和随机噪声输入训练好的CWGAN-GP模型,生成对应故障类型的数据,并将生成数据添加至转子不平衡故障、转子不对中故障的振动位移信号集中,得到均衡数据集;
利用所述均衡数据集对双流CNN模型进行训练,再将振动位移信号与二维时频图像数据输入训练好的双流CNN模型中,实现离心泵转子不同类型故障的分类。
2.根据权利要求1所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,所述CWGAN-GP模型是基于CGAN与WGAN-GP模型建立的:采用Wasserstein距离代替传统GAN中的交叉熵损失函数;利用GP对判别器进行惩罚,强制判别器满足Lipschitz连续条件;增加额外的数据标签信息。
3.根据权利要求2所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,CWAGN-GP模型中的鉴别器由12个卷积层、2个最大池化层、6个BN层以及1个全连接层构成;所述卷积层的卷积核大小均为5×1,各卷积层的卷积核的数量依次为8、8、16、16、32、32、64、64、128、128、256、256,卷积层1、卷积层3、卷积层5、卷积层7、卷积层9、卷积层11的卷积计算的步长为2,卷积层2、卷积层4、卷积层6、卷积层8、卷积层10、卷积层12的卷积计算的步长为1,所有卷积层均使用LeakyReLU激活函数;所述最大池化层设置在BN层2、BN层4之后,最大池化层1与最大池化层2的池化核大小均为5×1、步长为2;所述全连接层删除激活函数且不加入偏置计算;BN层设置在卷积层2、卷积层4、卷积层6、卷积层8、卷积层10和卷积层12之后。
4.根据权利要求2所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,CWAGN-GP模型中的生成器由1个全连接层、13个卷积层、3个上采样层和6个BN层构成;所述全连接层由256个神经元组成;卷积层1、卷积层2均由256个大小为5×1的卷积核组成,卷积层3、卷积层4均由128个大小为5×1的卷积核组成,卷积层5、卷积层6均由64个大小为5×1的卷积核组成,卷积层7、卷积层8均由32个大小为5×1的卷积核组成,卷积层9、卷积层10均由16个大小为5×1的卷积核组成,卷积层11、卷积层12均由8个大小为5×1的卷积核组成,卷积层13由1个大小为5×1的卷积核组成,所有卷积层的卷积步长为1,卷积层13之后采用Than激活函数,其余卷积层之后均采用ReLu激活函数;上采样层大小均设置为2;BN层设置在卷积层2、卷积层4、卷积层6、卷积层8、卷积层10和卷积层12之后。
5.根据权利要求1所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,所述双流CNN模型由输入层、改进1D LeNet-5模型、改进2D LeNet-5模型、连接层、全连接层以及输出层构成。
6.根据权利要求5所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,所述改进1D LeNet-5模型,包括:
输入层的大小改为1024×1;
将3×3、5×5大小的二维卷积核改为3×1、5×1大小的一维卷积核,第一层卷积中采用64个卷积核,第二层卷积中采用128个卷积核。
7.根据权利要求5所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,所述改进2D LeNet-5模型,包括:
选择64×64大小的RGB图像,第一层卷积中采用64个卷积核、卷积核的大小为3×3,第二层卷积中采用128个卷积核、卷积核的大小为5×5;
删除第二个全连接层,并在全连接层之后增加Dropout操作,在每个激活层后增加BN操作;
采用ReLu激活函数代替传统LeNet-5中Sigmoid激活函数。
8.根据权利要求1所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,对振动位移信号进行重构的具体过程为:
1)通过IPSO算法对VMD分解振动位移信号时的参数K与a进行寻优,获得最佳参数组合;
2)采用优化后的VMD分解原始振动位移信号,得到K个IMF分量;
3)计算各个IMF分量的KLD值,并将KLD值进行升序排序;
4)筛选出KLD值最小的IMF分量作为有效IMF分量用于重构新的振动位移信号。
9.根据权利要求8所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于,所述IPSO算法是对PSO算法中的Tent混沌映射进行改进、对惯性权重与学习因子进行调整后的算法。
10.根据权利要求8所述的基于CWGAN-GP和双流CNN模型的离心泵转子故障诊断方法,其特征在于:
Tent混沌映射采用如下迭代公式进行改进:
其中,Xi表示为第i个粒子,α、β为[0,0.1]间的随机数;
对惯性权重与学习因子进行调整:
其中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,δ1、δ2、δ3为常数,ε为指定迭代次数,k为当前迭代次数,nmax为最大迭代次数,c1up、c1low为粒子个体学习因子的上下界,c2up、c2low为粒子群体学习因子的上下界,ρ为[0,1]之间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866119.6A CN116910513A (zh) | 2023-07-14 | 2023-07-14 | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866119.6A CN116910513A (zh) | 2023-07-14 | 2023-07-14 | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910513A true CN116910513A (zh) | 2023-10-20 |
Family
ID=88354355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866119.6A Pending CN116910513A (zh) | 2023-07-14 | 2023-07-14 | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574114A (zh) * | 2024-01-15 | 2024-02-20 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
-
2023
- 2023-07-14 CN CN202310866119.6A patent/CN116910513A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574114A (zh) * | 2024-01-15 | 2024-02-20 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
CN117574114B (zh) * | 2024-01-15 | 2024-04-19 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与*** | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN108375474B (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及*** | |
CN113177357B (zh) | 一种电力***暂态稳定评估方法 | |
CN112231305A (zh) | 一种基于数字孪生的数字电网***及方法 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
CN110289987B (zh) | 基于表征学习的多智能体***网络抗攻击能力评估方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力***状态估计方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及*** |
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 |