[發(fā)明專利]泵閥故障檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111507167.3
• 申請(qǐng)日: 2021-12-10
• 公開(kāi)（公告）號(hào): CN114417699A
• 公開(kāi)（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 王新夢(mèng);王宗文;李濤;孫明華
• 申請(qǐng)（專利權(quán)）人: 煙臺(tái)杰瑞石油服務(wù)集團(tuán)股份有限公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;F04B51/00;G06F119/10
• 代理公司: 北京信慧永光知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11290
• 代理人: 房嶺梅;曹正建

本發(fā)明提供一種泵閥故障檢測(cè)方法，該方法包括：構(gòu)建反映泵閥狀態(tài)的振動(dòng)信號(hào)的特征的泵閥故障指標(biāo)體系；利用LSTM深度模型并依據(jù)自編碼器原理建立LSTM?AE模型，并且設(shè)定故障判別閾值；基于泵閥故障指標(biāo)體系將訓(xùn)練數(shù)據(jù)輸入LSTM?AE模型，以對(duì)LSTM?AE模型進(jìn)行訓(xùn)練；以及基于泵閥故障指標(biāo)體系將待檢測(cè)的泵閥的檢測(cè)數(shù)據(jù)輸入到訓(xùn)練好的LSTM?AE模型中，并將LSTM?AE模型獲得的輸出值與設(shè)定故障判別閾值進(jìn)行比較，從而判斷被檢測(cè)的泵閥是否出現(xiàn)故障，并輸出第一判斷結(jié)果。根據(jù)本申請(qǐng)的方法，提高了模型實(shí)際應(yīng)用的普適性和準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及故障檢測(cè)領(lǐng)域，更具體地說(shuō)，涉及一種泵閥故障檢測(cè)方法。

背景技術(shù)

柱塞泵等往復(fù)式泵往往結(jié)構(gòu)復(fù)雜，振動(dòng)信號(hào)源頭較多，檢測(cè)和維護(hù)相對(duì)困難。而其中的吸入閥和排出閥通常又是泵設(shè)備中最需要維護(hù)的部件。閥故障被認(rèn)為是導(dǎo)致泵設(shè)備意外停機(jī)的主要原因。目前已有一些對(duì)于泵閥故障檢測(cè)的相關(guān)技術(shù)研究，涉及通過(guò)壓力信號(hào)、溫度信號(hào)、振動(dòng)信號(hào)等構(gòu)建算法模型進(jìn)行檢測(cè)。由于泵體內(nèi)部高壓環(huán)境等影響因素，缸內(nèi)傳感器安裝較為困難。缸外傳感器通常通過(guò)振動(dòng)信號(hào)進(jìn)行信號(hào)捕捉，創(chuàng)建算法模型進(jìn)行故障檢測(cè)，因而相對(duì)來(lái)說(shuō)準(zhǔn)確性更高。已有技術(shù)研究中，通過(guò)振動(dòng)信號(hào)進(jìn)行故障檢測(cè)的模型主要包括：基于振動(dòng)傳感器采集的信號(hào)設(shè)置閾值進(jìn)行故障檢測(cè)、借助樸素貝葉斯分類、BP、CNN、自編碼器、LSTM等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行故障檢測(cè)等。相關(guān)研究大多基于實(shí)驗(yàn)室環(huán)境，并未應(yīng)用于實(shí)際生產(chǎn)作業(yè)中。相關(guān)研究構(gòu)建算法模型指標(biāo)體系考慮相對(duì)不全面，且預(yù)測(cè)方法單一，導(dǎo)致預(yù)測(cè)精度不高等問(wèn)題存在。

發(fā)明內(nèi)容

要解決的技術(shù)問(wèn)題

然而，在如上所述的柱塞泵等泵閥的故障檢測(cè)的現(xiàn)有技術(shù)中，存在以下問(wèn)題：

1.基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建的檢測(cè)方法，在模型輸入指標(biāo)體系構(gòu)建時(shí)大多沒(méi)有同時(shí)從時(shí)域特征和頻域特征兩方面考慮，指標(biāo)體系構(gòu)建相對(duì)不夠全面。

2.大多檢測(cè)中未考慮信號(hào)故障化過(guò)程中的特征指標(biāo)時(shí)序波動(dòng)變化，并未將其加入到信號(hào)特征指標(biāo)體系中。

3.所用神經(jīng)網(wǎng)絡(luò)模型只是單一的某一網(wǎng)絡(luò)結(jié)構(gòu)，并未考慮多網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合，提高預(yù)測(cè)精度。

4.很多研究基于實(shí)驗(yàn)室環(huán)境，缺乏現(xiàn)場(chǎng)真實(shí)環(huán)境的設(shè)備作業(yè)數(shù)據(jù)，導(dǎo)致影響因素考慮不全面，模型預(yù)測(cè)結(jié)果無(wú)法應(yīng)用于實(shí)際工業(yè)生產(chǎn)作業(yè)中。

5.缺乏真實(shí)設(shè)備現(xiàn)場(chǎng)作業(yè)相關(guān)泵閥更換日志、技術(shù)骨干專家經(jīng)驗(yàn)總結(jié)等實(shí)戰(zhàn)專家經(jīng)驗(yàn)輔助判斷。

為了解決上述問(wèn)題，本發(fā)明提供一種泵閥故障檢測(cè)方法，該方法能夠建立起更加完善和準(zhǔn)確的信號(hào)特征指標(biāo)體系，提高模型的預(yù)測(cè)精度，并且該檢測(cè)方法考慮信號(hào)特征時(shí)序波動(dòng)趨勢(shì)因素，并結(jié)合LSTM與自編碼器兩種網(wǎng)絡(luò)結(jié)構(gòu)，能夠提高模型實(shí)際應(yīng)用的普適性和準(zhǔn)確性。

技術(shù)方案

為了實(shí)現(xiàn)上述目的，提供一種泵閥故障檢測(cè)方法，該方法包括：構(gòu)建反映泵閥狀態(tài)的振動(dòng)信號(hào)的特征的泵閥故障指標(biāo)體系；利用LSTM深度模型并依據(jù)自編碼器原理建立LSTM-AE模型，并且設(shè)定故障判別閾值；基于泵閥故障指標(biāo)體系將訓(xùn)練數(shù)據(jù)輸入LSTM-AE模型，以對(duì)LSTM-AE模型進(jìn)行訓(xùn)練；以及基于泵閥故障指標(biāo)體系將待檢測(cè)的泵閥的檢測(cè)數(shù)據(jù)輸入到訓(xùn)練好的LSTM-AE模型中，并將LSTM-AE模型獲得的輸出值與設(shè)定故障判別閾值進(jìn)行比較，從而判斷被檢測(cè)的泵閥是否出現(xiàn)故障，并輸出第一判斷結(jié)果。

進(jìn)一步地，構(gòu)建反映泵閥狀態(tài)的振動(dòng)信號(hào)的特征的泵閥故障指標(biāo)體系包括：基于振動(dòng)信號(hào)構(gòu)建體現(xiàn)振動(dòng)信號(hào)的時(shí)域特征的時(shí)域統(tǒng)計(jì)指標(biāo)；基于振動(dòng)信號(hào)構(gòu)建反映振動(dòng)信號(hào)的頻譜差異特征的頻域指標(biāo)。