一种基于人工智能的离心泵故障诊断系统的制作方法

本发明属于离心泵故障诊断，特别是涉及一种基于人工智能的离心泵故障诊断系统。

背景技术：

1、在工业领域中，离心泵作为重要的机械设备，广泛应用于化工、石油、冶金以及电力等行业。离心泵的故障会直接影响到生产过程的稳定性和安全性，因此，对离心泵故障的实时监测与诊断具有重要意义。传统的离心泵故障诊断方法主要依赖于人工经验和简单的统计分析。这些方法存在以下局限性：人工经验依赖于操作人员的经验和知识水平，不同操作人员的判断可能存在较大差异，难以保证诊断的一致性和可靠性。随着工业系统的复杂化，单靠人工经验难以全面、准确地诊断离心泵的故障。传统的统计分析方法如时域分析或频域分析等，虽然能够对部分故障特征进行提取和分析，但在处理高维多变量的数据时显得力不从心。上述方法通常只能处理单一或少量特征，无法全面反映设备的运行状态。此外，这些方法在处理数据噪声和不一致性方面能力有限，容易受到外界干扰，导致故障诊断结果不准确。传统的故障诊断方法往往无法实现实时监测和诊断，并且在离心泵运行过程中难以实时、准确地检测和诊断故障。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的离心泵故障诊断系统，以解决上述背景技术所提出的问题。

2、本发明的一种基于人工智能的离心泵故障诊断系统，包括离心泵和故障诊断，所述故障诊断包括数据获取模块、数据预处理模块、特征提取与选择模块、深度学习诊断模型、多故障类型识别模块和自学习与模型更新模块；

3、所述数据获取模块，用于采集离心泵的运行数据，并将运行数据发送至数据预处理模块；所述数据预处理模块，对原始运行数据进行预处理，得到预处理后的数据，并将预处理后的数据发送至特征提取与选择模块；所述特征提取与选择模块，对预处理后的数据进行特征提取，并对提取的特征进行筛选，得到关键特征数据，并将关键特征数据发送至深度学习诊断模型；所述深度学习诊断模型，用于优化的深度学习故障诊断模型，得到初步诊断结果，并将初步诊断结果发送至多故障类型识别模块；所述多故障类型识别模块，用于准确识别具体的故障类型和对应的故障严重程度，得到最终诊断结果；所述自学习与模型更新模块，对深度学习故障诊断模型的模型参数进行更新，以适应新的运行条件和故障类型。

4、进一步地，所述故障诊断步骤如下：

5、s1.通过传感器采集离心泵的运行数据，得到原始运行数据，对原始运行数据进行清洗、去噪、平滑和标准化的预处理，得到预处理后的数据；对预处理后的数据使用多层次交叉特征提取与优化选择算法进行特征提取和筛选，得到关键特征；s2.通过离心泵历史运行数据训练深度学习故障诊断模型，同时对深度学习故障诊断模型的模型参数进行更新，得到优化的深度学习故障诊断模型，通过优化的深度学习故障诊断模型对关键特征数据进行故障诊断，得到初步诊断结果，基于初步诊断结果，细化故障类型，得到最终诊断结果。

6、进一步地，所述多层次交叉特征提取与优化选择算法通过多个层次的交叉处理，从预处理后的离心泵运行数据中提取关键特征，并对关键特征进行筛选，得到最具代表性的特征数据；具体实施过程如下，

7、对预处理后的数据矩阵进行统计分析法和特征工程技术进行初步特征提取，得到初步特征数据集，对初步特征数据集采用非线性变换方法进行第一层特征提取；非线性变换通过复杂的数学变换，提取数据的非线性特征，公式如下：

8、

9、其中，表示第个样本的第个非线性变换特征值；所述样本为预处理后的离心泵运行数据进行初步特征提取后得到的初步特征数据集；表示样本的数量；表示第个样本的第个初步特征的第个特征值；表示加权系数，反映不同初步特征对特征提取的贡献度；表示第个初步特征的标准差，反映数据的离散程度；表示第个初步特征的均值，表示数据的中心趋势；表示通过对方差的负指数变换调节和抑制高方差特征的影响，平衡不同特征的贡献降低噪声干扰，并增强特征提取过程的非线性表达能力；表示第个初步特征的方差，表示数据的波动性；为一个小的正数，防止分母为零；

10、对初步特征数据集采用加权多项式方法进行第二层特征提取，加权多项式特征提取旨在通过多项式变换和加权处理，提取数据的多项式特征公式如下，

11、

12、其中，表示第个样本的第个加权多项式特征值；加权多项式特征提取通过多项式变换，捕捉数据中的多项式关系，增强特征的表达能力；表示加权系数，反映不同初步特征对特征提取的贡献度，用于调整各特征在加权多项式特征提取过程中的重要性，表示第个初步特征的均值，表示数据的中心趋势，

13、通过交叉特征处理方法将第一层和第二层提取的特征进行交叉处理公式如下，

14、

15、其中，表示第个样本的第个交叉特征值；为调节参数，控制不同层次特征的平衡；交叉特征处理的技术是通过结合不同层次的特征进而增强特征的综合表达能力。

16、进一步地，基于交叉特征进行特征重要性度量筛选，采用以下公式进行特征选择的重要性度量，

17、

18、其中，表示第个特征的重要性；筛选关键特征是通过计算特征的重要性，选择最具代表性的特征；是防止分母为零的小常数；是调节参数，用于控制特征值对重要性的影响；是特征的阈值，用于控制特征筛选的严格程度；

19、根据特征的重要性，对特征进行排序，选择前个最重要的特征作为关键特征；关键特征数据输出，构成最终的关键特征的数据矩阵，为后续的深度学习诊断模型提供高质量的数据输入。

20、进一步地，收集离心泵历史运行数据和故障标签数据，选择现有的深度学习模型进行深度学习故障诊断模型的构建，并使用历史运行数据和故障标签数据对深度学习故障诊断模型进行训练，训练目标是最小化损失函数，如交叉熵损失和均方误差损失；对深度学习故障诊断模型进行训练；

21、为获得优化的深度学习故障诊断模型，采用多维混合动力优化算法对模型参数进行更新；多维混合动力优化算法通过多层次的复杂计算和独特的调节机制，对模型参数进行更新和优化，确保模型的高效优化和稳定收敛；具体实现过程如下，

22、初始化模型参数，设定学习率、动量因子、非线性调节因子、混合调节因子和稳定常数。模型参数随机初始化，以打破对称性；学习率控制参数更新的步长，影响训练速度和稳定性；动量因子控制动量梯度的平滑程度，帮助加速收敛并减小振荡；非线性调节因子用于控制非线性调节的程度，混合调节因子控制混合调节的权重，稳定常数防止除零操作，确保计算的稳定性；

23、在每一轮模型参数更新迭代中，为了知道参数更新的方向和幅度计算损失函数相对于模型参数的梯度 ，梯度的计算公式如下，

24、

25、其中，是损失函数相对于模型参数的梯度，在第轮迭代时的梯度值；梯度越大，参数需要调整的幅度就越大；

26、计算动量梯度；通过引入历史梯度信息，来平滑当前梯度的波动，从而加速收敛；动量梯度的计算公式如下，

27、

28、这里的是上一轮迭代的动量梯度，是当前的梯度。

29、进一步地，所述非线性调节因子的引入，对动量梯度进行非线性调节，计算非线性调节梯度；非线性调节是通过非线性变换，调整梯度的幅度和方向，使得参数更新更加灵活；非线性调节梯度的计算公式如下，

30、

31、其中，是指数函数，是双曲正切函数，是非线性调节因子；部分是通过指数函数和非线性调节因子对动量梯度进行非线性调节，部分是通过双曲正切函数对当前梯度进行非线性调节。

32、进一步地，所述非线性调节梯度后进行混合调节计算混合梯度；混合调节是综合动量梯度和当前梯度的信息，使得梯度更新更加稳健；混合梯度的计算公式如下，

33、

34、其中，是对数函数，是混合调节因子；部分是对非线性调节梯度进行对数变换和加权，部分是对当前梯度 进行动量修正和加权；

35、为了对混合梯度进行修正，计算修正后的梯度；修正是通过结合动量和非线性调节，使得梯度更加平滑和稳健；修正梯度的计算公式如下，

36、

37、其中，是稳定常数，避免分母为零；将混合梯度进行平方均值修正，使得梯度更新更加平滑和稳健；平方均值估计的计算公式如下，

38、

39、通过动量因子对当前梯度的平方进行平滑估计，得到平方均值。

40、进一步地，根据修正后的梯度更新模型参数；参数更新的目的是通过调整参数，使得损失函数最小化；参数更新的计算公式如下，

41、

42、上述公式通过学习率和修正后的梯度对当前参数进行更新，得到下一轮迭代的参数；

43、当到达预设阈值或预设迭代次数时，结束迭代；

44、同时，深度学习故障诊断模型在训练过程中，使用交叉验证的方法进行模型验证，最终得到训练并验证好的优化的深度学习故障诊断模型。

45、本发明的有益效果是：

46、通过多层次交叉特征提取与优化选择算法，能够更全面地从预处理后的数据中提取特征，并进行科学筛选；算法结合了非线性变换、加权多项式和交叉处理等多维度处理，确保了特征的代表性和重要性，为后续的深度学习诊断模型提供了高质量的数据来源；

47、通过收集历史运行数据和故障标签数据，利用深度学习模型进行故障诊断模型的构建和训练；多维混合动力优化算法对模型参数进行多层次的复杂计算和独特的更新机制，确保了模型的高效优化和稳定收敛；该优化算法通过引入历史梯度信息、非线性调节和混合调节，使得模型参数更新更加稳健和高效，显著提升了模型的诊断准确性和收敛速度；进而整体上提高了基于人工智能的离心泵故障诊断系统在诊断过程中的准确性。