申请/专利权人：湘潭大学

申请日：2022-06-13

公开（公告）日：2024-03-26

公开（公告）号：CN114992138B

主分类号：F04D15/00

分类号：F04D15/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2022.09.23#实质审查的生效;2022.09.02#公开

摘要：本发明提供一种工业循环水系统供水泵故障诊断方法，包括以下步骤：首先，利用三轴加速度传感器采集与供水泵状态强相关的驱动端振动信号，将振动信号进行信号‑图像转换，实现一维振动时序信号的三通道二维图化；采用生成对抗网络对原始样本进行数据增强，扩充供水泵故障图像数据集；在此基础上，采用卷积‑双向长短时记忆神经网络模型提取故障特征；融合注意力机制方法对故障深度特征进行加权，获得关键深度特征；最后将关键深度特征进行聚类，确定所述故障类型，建立供水泵故障诊断模型。本发明针对工业循环水系统供水泵故障诊断问题，基于供水泵驱动端振动信号，提出一种高效的供水泵故障诊断方法，提高供水泵故障诊断效率。

主权项：1.一种工业循环水系统供水泵故障诊断方法，其特征在于，所述方法包括：S1：利用安装在供水泵机械外壳的三轴加速度传感器采集供水泵驱动端运行时产生的振动信号，将收集的与供水泵状态强相关的驱动端振动信号进行预处理，得到标准振动信号数据；S2：将S1中获得的标准一维时序振动信号经过信号-图像转换，将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像；S3：对S2中获得的三通道二维图像，采用生成对抗网络GAN对原始样本进行数据增强，获得更多的供水泵故障图像数据，构建供水泵故障图像数据集；S4：采用S3中的供水泵故障图像数据集训练卷积-双向长短时记忆神经网络CNN-BiLSTM，卷积神经网络与双向长短时记忆神经网络能够分别从空间与时间两个维度提取不同尺度的故障特征，增强了故障信号的信息表达能力；S5：采用注意力机制方法中局部注意力机制和全局注意力机制两个模块来区分故障特征之间的差异，加强不同故障特征之间的差异，使模型能够更好地对故障特征进行聚类；S6：根据所提取的故障特征，建立供水泵故障诊断模型；所述卷积-双向长短时记忆神经网络模型分为3个部分：上通道为卷积神经网络通道，包含两个卷积层、两个池化层、一个平铺层和一个隐含层；下通道为双向长短时记忆神经网络通道，包含前向长短时记忆神经网络和反向长短时记忆神经网络，该通道将输入的供水泵故障图像数据集划分为若干个时间步切片进行遍历；故障诊断层包含特征融合层和Softmax分类层，对两个通道所提取的故障特征进行融合与分类；上下通道的输入均为供水泵故障图像数据集，上通道卷积网络通过逐层的卷积挖掘故障图像在空间维度上的故障特征，下通道双向长短时记忆神经网络通过不断更新前向长短时记忆神经网络和反向长短时记忆神经网络的共享权重挖掘故障图像在时间维度上的故障特征；采用融合卷积神经网络和双向长短时记忆神经网络能够同时从空间维度与时间维度提取不同尺度的故障特征，将所述故障特征进行融合，进行故障诊断；其中引入注意力机制对不同故障特征进行加权，增加不同故障特征之间的差异，所述方法包括：在所述卷积-双向长短时记忆神经网络中嵌入局部注意力机制和全局注意力机制两个模块，能够对通道间及所有通道中的故障特征进行加权处理，进一步增加了不同故障特征之间的差异性，获得关键深度特征，增大了所述方法对于供水泵故障特征的聚类效率。

全文数据：

权利要求：

百度查询： 湘潭大学 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD