[发明专利]污水泵的实时性能在线监测系统及其监测方法

说明书

本申请涉及污水泵的智能监测领域，其具体地公开了一种污水泵的实时性能在线监测系统及其监测方法，其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息，以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测，这样，能够及时有效地对所述污水泵进行故障诊断和故障预警，从而保持污水处理系统的运转能维持振动。

技术领域

本发明涉及污水泵的智能监测领域，且更为具体地，涉及一种污水泵的实时性能在线监测系统及其监测方法。

背景技术

柱塞泵是污水泵的一种常见类型，为污水处理系统提供动力，其性能好坏直接影响污水处理系统的好坏，因此，需要对污水泵的实时性能进行监测以进行故障诊断和故障预警，从而保持污水处理系统的运转能维持振动。

传统有一些基于振动信号来进行性能分析和故障诊断的方案，但是由于柱塞泵的结构复杂，每一种故障分析需提取的特征不尽相同，需要依靠专家和技术人员丰富的专业知识积累。同时，针对同一柱塞泵的不同故障，需设计出不同的故障特征，人工设计故障特征的过程费时费力，因而造成其故障特征提取困难。因此，期望一种优化的污水泵的故障诊断和预警方案以对污水泵的实时性能进行在线监测，保证污水处理系统的正常运转。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为污水泵的实时性能监测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种污水泵的实时性能在线监测系统及其监测方法，其通过采用基于深度学习的神经神经网络模型来从污水泵的多个振动信号中挖掘出在时序维度上的动态隐含关联特征信息，以基于对所述污水泵在工作时产生的振动信号的分析来对所述污水泵的实时性能进行智能监测，这样，能够及时有效地对所述污水泵进行故障诊断和故障预警，从而保持污水处理系统的运转能维持振动。

根据本申请的一个方面，提供了一种污水泵的实时性能在线监测系统，其包括：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。

在上述污水泵的实时性能在线监测系统中，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。