[发明专利]泵阀故障诊断方法和装置

说明书

本申请提出一种泵阀故障诊断方法和装置，获取泵阀的整周期信号样本及其对应的泵阀状态标签，并将整周期信号样本对应的信号频谱输入到条件变分自编码器，得到信号频谱对应的特征分布和预测状态标签，根据泵阀状态标签与预测状态标签的差异性和特征分布与预设数据分布的差异性对条件变分自编码器进行训练，确定条件变分自编码器的模型参数，以构建的解码器模型作为泵阀的故障诊断模型，将泵阀的实时整周期信号样本对应的实时信号频谱和特征分布合并后输入到故障诊断模型，得到泵阀的实时状态预测标签，确定泵阀是否故障，由此，基于信号频谱的特征分布构建故障诊断模型，实现对泵阀状态的精准诊断，并提高故障诊断模型的泛化性能。

技术领域

本申请涉及故障诊断技术领域，尤其涉及一种泵阀故障诊断方法和装置。

背景技术

井下煤炭开采环境恶劣，工况复杂多变，长时间连续工作的往复柱塞泵故障频发，吸排液阀故障就是往复柱塞泵典型故障之一，不但影响煤炭开采效率，还可能造成严重经济损失和安全隐患。因此，对泵阀进行状态监测和故障诊断对设备安全稳定运行具有重要意义。

相关技术中，通过在矿用往复柱塞泵泵阀上安装传感器采集设备状态信息，进而通过数据分析实现设备异常预警与故障诊断，防止恶性故障的发生，减少经济损失，还基于泵阀的大量且数据量接近的不同状态数据，结合信号处理、机器学习或深度学习等数据驱动技术建立泵阀故障诊断模型，实现对泵阀故障的诊断，但相关技术的往复柱塞泵的吸排液阀的状态监测数据服从长尾分布，正常状态下的样本量非常大，而故障的样本量非常少，形成工程上不得不关注的数据类别不平衡问题，相关的泵阀故障诊断方法是在数据平衡的假设下提出的，从而导致上述泵阀故障诊断方法不具有泛化能力。

发明内容

本申请提出一种泵阀故障诊断方法和装置。

本申请第一方面实施例提出了一种泵阀故障诊断方法，所述方法包括：获取所述泵阀的整周期信号样本以及所述整周期信号样本对应的泵阀状态标签，并对所述整周期信号样本进行信号变换，以得到所述整周期信号样本对应的信号频谱；将所述信号频谱输入到条件变分自编码器，以得到所述信号频谱对应的特征分布和预测状态标签；根据所述泵阀状态标签与所述预测状态标签的差异性以及所述特征分布与预设数据分布的差异性，对所述条件变分自编码器进行训练，确定所述条件变分自编码器的模型参数；基于所述条件变分自编码器中解码器的模型参数，构建所述解码器模型，并将所述解码器模型作为所述泵阀的故障诊断模型；将所述泵阀的实时整周期信号样本对应的实时信号频谱以及所述特征分布合并后输入到所述故障诊断模型，以得到所述泵阀的实时状态预测标签；根据所述泵阀的实时状态预测标签，确定所述泵阀是否故障。

在本申请的一个实施例中，所述获取所述泵阀的整周期信号样本以及所述整周期信号样本对应的泵阀状态标签，并对所述整周期信号样本进行快速傅里叶变换，以得到所述整周期信号样本对应的信号频谱，包括：获取所述泵阀对应的振动信号，以及所述泵阀对应曲轴的键相信号；对所述振动信号和所述键相信号进行加窗处理，以得到泵阀的整周期信号样本；对所述整周期信号样本对应的泵阀状态进行状态标注，以得到泵阀的泵阀状态标签；对所述整周期信号样本进行快速傅里叶变换，以得到所述整周期信号样本对应的初始信号频谱；对所述初始信号频谱进行归一化处理，以得到归一化的信号频谱。

在本申请的一个实施例中，所述条件变分自编码器包括编码器、潜在特征空间表示层和解码器，将所述信号频谱输入到条件变分自编码器，以得到所述信号频谱对应的特征分布和预测状态标签，包括：将所述信号频谱输入到所述编码器中，以得到所述信号频谱对应的特征向量；将所述特征向量输入到所述潜在特征空间表示层，以采样出所述特征向量对应的特征分布；将所述特征分布和所述信号频谱输入所述解码器中，以得到所述信号频谱对应的预测状态标签。

在本申请的一个实施例中，所述将所述特征向量输入到所述潜在特征空间表示层，以采样所述特征向量对应的特征分布，包括：将所述特征向量输入到所述潜在特征空间表示层，以得到所述特征向量的均值以及方差；对所述均值以及方差进行随机分布采样，以得到所述特征向量对应的特征分布。