[发明专利]污水泵的实时性能在线监测系统及其监测方法

权利要求书

1.一种污水泵的实时性能在线监测系统，其特征在于，包括：

振动数据采集模块，用于获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号；

振动数据采样模块，用于分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点，并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量；

振动离散数据编码模块，用于将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量；

振动数据关联编码模块，用于将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵；

拓扑数据采集模块，用于获取所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；

拓扑数据编码模块，用于将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵；

特征分布融合模块，用于融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵；

特征分布校正模块，用于对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵；以及

性能监测结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求；

其中，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到所述校正后分类特征矩阵，其中，所述公式为：

其中m_i,j为所述分类特征矩阵的每个位置的特征值，log表示以2为底的对数函数值，m'_i,j为所述校正后分类特征矩阵的每个位置的特征值；

其中，所述振动离散数据编码模块，进一步用于使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量，其中，所述一维卷积神经网络的第一层的输入为所述振动输入向量；

其中，所述振动数据关联编码模块，进一步用于使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵；

其中，所述拓扑数据编码模块，进一步用于使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵；

其中，所述特征分布融合模块，进一步用于将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。

2.根据权利要求1所述的污水泵的实时性能在线监测系统，其中，所述性能监测结果生成模块，进一步用于：所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述校正后分类特征矩阵投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。

3.根据权利要求2所述的污水泵的实时性能在线监测系统，其中，所述振动传感器为加速度传感器，所述振动信号的样本点为单个时间点下的加速度值。

4.一种污水泵的实时性能在线监测系统的监测方法，其特征在于，包括：

获取由以预设拓扑样式部署于待检测污水泵上的多个振动传感器采集的所述污水泵在预定时间段的多个振动信号；

分别对所述多个振动信号中各个振动信号进行采样以从各个所述振动信号提取预定数量的样本点，并将各个所述振动信号的预定数量的样本点按照时间维度排列为向量以得到多个振动输入向量；

将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量；

将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵；

获取所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；

将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵；

融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵；

对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵；以及

将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述污水泵的实时工作性能是否满足预设要求；

其中，对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到校正后分类特征矩阵，包括：以如下公式对所述分类特征矩阵进行基于数据流形的类条件边界的约束以得到所述校正后分类特征矩阵，其中，所述公式为：

其中m_i,j为所述分类特征矩阵的每个位置的特征值，log表示以2为底的对数函数值，m'_i,j为所述校正后分类特征矩阵的每个位置的特征值；

其中，将所述多个振动输入向量分别通过一维卷积神经网络以得到多个振动特征向量，包括：使用所述一维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络的最后一层输出所述振动特征向量，其中，所述一维卷积神经网络的第一层的输入为所述振动输入向量；

其中，将所述多个振动特征向量进行二维排列为特征矩阵后通过第一二维卷积神经网络以得到振动特征矩阵，包括：用于使用所述第一二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第一二维卷积神经网络的最后一层输出所述振动特征矩阵；

其中，将所述拓扑矩阵通过第二二维卷积神经网络以得到拓扑特征矩阵，包括：使用所述第二二维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二二维卷积神经网络的最后一层输出所述拓扑特征矩阵；

其中，融合所述拓扑特征矩阵和所述振动特征矩阵以得到分类特征矩阵，包括：将所述振动特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑特征映射到所述振动特征矩阵的高维特征空间中以得到所述分类特征矩阵。