离心泵故障检测方法、装置、电子设备及存储介质

本发明涉及故障检测，具体而言，涉及一种离心泵故障检测方法、装置、电子设备及存储介质。

背景技术：

1、随着科学技术的飞速发展，工业中采用了许多大型机械设备，为了能够保证生产的稳定性和安全性，必须保证机械设备的故障能够在第一时间被检测出来。如果机械设备出现故障未被及时发现，轻则给工厂带来经济损失，重则会造成人员的伤亡。所以为了减少机械设备的故障带来的负面影响，做好机械设备的故障诊断是保障机械设备安全作业的必要前提。

2、这些年来，离心泵因其可以满足大流量、长期连续运转等生产要求而在我国的石化等行业中普遍应用。但在离心泵运行过程中，叶轮会与搅拌物充分接触，容易会出现叶轮被腐蚀的现象，导致不同程度的叶轮损坏，如果不能及时检测出叶轮故障，会造成巨大损失。因此，准确识别离心泵的故障并及时采取相应措施进行故障处理显得尤为重要。

3、在现有技术中，离心泵叶轮的故障识别通常有两种方式，一是基于叶轮的震动数据进行仿真分析，二是通过xgboost(extreme gradient boosting，极限梯度提升)算法树模型识别叶轮的震动数据，得到叶轮故障类型的识别结果。但现有技术中的仿真分析方式存在效率低，以及因人力介入过多导致主观因素强、不够灵活的问题，模型识别的方式存在因模型超参的随机性和对数据集的依赖，造成识别结果不准确、精度不够的问题。

技术实现思路

1、有鉴于此，本技术实施例的目的在于提供一种离心泵故障检测方法、装置、电子设备及存储介质，能够改善传统叶轮故障识别方式存在效率低、不够准确的问题。

2、为实现上述技术目的，本技术采用的技术方案如下：

3、第一方面，本技术实施例提供了一种离心泵故障检测方法，所述方法包括：

4、获取待测离心泵的叶轮在不同状态下，所述待测离心泵的原始振动信号；

5、对所述原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的特征参数；

6、通过所述特征参数对初始树模型进行训练，得到训练后的树模型；

7、从预设超参范围中，选择不同的超参数对所述训练后的树模型进行五折交叉验证处理，得到五次交叉验证过程中所述训练后的树模型的平均准确率，并确定所述平均准确率最大时，对应的所述超参数作为目标超参数；

8、根据所述训练后的树模型和所述目标超参数，构建离心泵故障分类模型；

9、通过所述离心泵故障分类模型，确定所述待测离心泵的故障类型。

10、结合第一方面，再做一些可选的实施方式中，所述方法还包括：

11、对所述原始振动信号进行小波包变换处理，得到降噪后的原始振动信号；

12、则对所述原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的特征参数，包括：

13、对所述降噪后的原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的所述特征参数。

14、结合第一方面，再做一些可选的实施方式中，对所述原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的特征参数，包括：

15、对所述原始振动信号进行样本划分，得到多组待处理样本；

16、对于每组待处理样本，对所述待处理样本进行角切频变换，得到一次降维后的样本：

17、y(i,τ)＝x(i)x(i+τ1)x(i+ω2)＝x(i)x(i+τ)x(i+τ)

18、式中，ω1、ω2表示频率自变量，ω1＝ω2＝τ，i＝1,2……n1，τ＝1,2……n2，n2表示滞后时间，n1+n2＝n，n表示所述待处理样本的采样点数；

19、对所述一次降维后的样本进行峰值频率切频变换，得到二次降维后的样本：

20、

21、式中，表示二次降维后的样本，α表示对待处理样本进行傅里叶变换后得到的频谱图的峰值处的频率值，j表示满足j2＝-1的虚数单位；

22、对所述二次降维后的样本进行傅里叶变换，得到频谱图：

23、

24、式中，f表示频谱图中的频率，表示频谱图中的幅值；

25、确定所述频谱图中，所述幅值从大到小的前三项峰值对应的所述频率为所述特征参数。

26、结合第一方面，再做一些可选的实施方式中，通过所述特征参数对初始树模型进行训练，得到训练后的树模型，包括：

27、为所述特征参数标记对应的标签；

28、将所述特征参数以及所述特征参数对应的所述标签作为数据集；

29、初始化所述初始树模型的超参数，所述超参数包括迭代次数、树的深度和学习率；

30、通过所述数据集对所述初始树模型进行训练，得到所述训练后的树模型。

31、结合第一方面，再做一些可选的实施方式中，从预设超参范围中，选择不同的超参数对所述训练后的树模型进行五折交叉验证处理，得到五次交叉验证过程中所述训练后的树模型的平均准确率，并确定所述平均准确率最大时，对应的所述超参数作为目标超参数，包括：

32、初始化相关参数，所述相关参数包括第i个粒子的初始位置第i个所述粒子的初始速度初始惯性权重ω、初始个体最优位置初始全局最优位置最大迭代次数tmax；

33、通过下式更新所述粒子的速度和位置：

34、

35、

36、式中，表示第i个粒子在第t+1时刻的速度，表示第i个粒子在第t+1时刻的位置，ω表示惯性权重，u1、u2为学习因子，v1、v2为相互独立且均匀分布在[0,1]区间内的随机数，表示第i个粒子在第t时刻的最优位置，表示粒子在第t时刻的全局最优位置；

37、根据所述粒子在第t+1时刻的位置时，所述粒子对应的所述超参数中的迭代次数、树的深度和学习率的数值，通过五折交叉验证确定所述粒子在第t+1时刻的位置时，所述训练后的树模型对应的所述平均准确率；

38、根据所述平均准确率，通过下式确定所述粒子在第t+1时刻的位置时，所述粒子对应的所述超参数的适应度：

39、fit＝1-r

40、式中，fit表示适应度，r表示平均准确率；

41、重复上述步骤，直至迭代次数大于等于所述最大迭代次数；

42、确定上述步骤迭代的过程中，数值最小的所述适应度对应的所述超参数作为所述目标超参数。

43、结合第一方面，再做一些可选的实施方式中，所述故障类型包括叶轮无故障、叶轮叶片损伤、叶轮边缘损坏或叶轮穿孔。

44、第二方面，本技术实施例还提供一种，故障检测装置，所述装置包括：

45、获取单元，用于获取待测离心泵的叶轮在不同状态下，所述待测离心泵的原始振动信号；

46、频谱分析单元，用于对所述原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的特征参数；

47、训练单元，用于通过所述特征参数对初始树模型进行训练，得到训练后的树模型；

48、第一确定单元，用于从预设超参范围中，选择不同的超参数对所述训练后的树模型进行五折交叉验证处理，得到五次交叉验证过程中所述训练后的树模型的平均准确率，并确定所述平均准确率最大时，对应的所述超参数作为目标超参数；

49、构建单元，用于根据所述训练后的树模型和所述目标超参数，构建离心泵故障分类模型；

50、第二确定单元，用于通过所述离心泵故障分类模型，确定所述待测离心泵的故障类型。

51、结合第二方面，在一些可选的实施方式中，所述装置还包括：

52、预处理单元，用于对所述原始振动信号进行小波包变换处理，得到降噪后的原始振动信号；

53、则所述频谱分析单元还用于：

54、对所述降噪后的原始振动信号进行频谱分析，得到表征所述待测离心泵在不同工况下的振动状态的所述特征参数。

55、第三方面，本技术实施例还提供一种电子设备，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的方法。

56、第四方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。

57、采用上述技术方案的发明，具有如下优点：

58、在本技术提供的技术方案中，首先获取待测离心泵的叶轮在不同状态下，待测离心泵的原始振动信号，并对原始振动信号进行频谱分析，得到表征待测离心泵在不同工况下的振动状态的特征参数。然后通过特征参数对初始树模型进行训练，得到训练后的树模型。然后从预设超参范围中，选择不同的超参数对训练后的树模型进行五折交叉验证处理，得到五次交叉验证过程中训练后的树模型的平均准确率，并确定平均准确率最大时，对应的超参数作为目标超参数。最后根据训练后的树模型和目标超参数，构建离心泵故障分类模型，并通过离心泵故障分类模型，确定待测离心泵的故障类型。如此，可以改善传统叶轮故障识别方式存在效率低、不够准确的问题。