[发明专利]一种基于经验耦合函数的水泵故障预测方法及系统

权利要求书

1.一种基于经验耦合函数的水泵故障预测方法，其特征在于，包括：

获取水泵的历史的多维运行特征序列集，其中，所述多维运行特征序列集包括多种运行特征序列；

基于所述历史的多维运行特征序列预测未来的多维运行特征序列集；

利用无监督的异常检测算法基于所述未来的多维运行特征序列集及所述历史的多维运行特征序列集确定所述水泵的运行状态；

所述基于所述历史的多维运行特征序列预测未来的多维运行特征序列集，包括：

基于历史的进水速率序列、历史的排水速率序列、历史的三相电压平均值序列、历史的三相电流平均值序列、历史的三相电流方差序列、历史的出口压力平均值序列和历史的三相电压方差序列预测未来的进水速率序列、未来的排水速率序列、未来的三相电压平均值序列、未来的三相电流平均值序列、未来的三相电流方差序列、未来的出口压力平均值序列和未来的三相电压方差序列；

所述利用无监督的异常检测算法基于所述未来的多维运行特征序列集及所述历史的多维运行特征序列集确定所述水泵的运行状态，包括：

对于每一种运行特征，将所述运行特征对应的历史的多维运行特征序列和未来的多维运行特征序列按照时间先后顺序进行组合，生成所述运行特征对应的总运行特征序列；

对于每一种所述运行特征，基于边缘分布的经验耦合函数根据所述运行特征对应的总运行特征序列，确定每种所述运行特征对应的故障分数；

基于每种所述运行特征与所述水泵的运行的相关性，确定每种所述运行特征对应的故障分数的权重；

基于每种所述运行特征对应的故障分数及权重，确定所述水泵的运行状态；

所述对于每一种所述运行特征，基于边缘分布的经验耦合函数根据所述运行特征对应的总运行特征序列，确定每种所述运行特征对应的故障分数，包括：

对于所述运行特征对应的总运行特征序列中的每一个数据，基于经验累积分布函数确定所述数据的左尾概率及右尾概率，取所述数据的左尾概率和右尾概率中的最大值作为候选故障分数；

取所述运行特征对应的总运行特征序列包括的所有数据对应的候选故障分数中的最大值作为所述总运行特征序列对应的故障分数。

2.根据权利要求1所述的一种基于经验耦合函数的水泵故障预测方法，其特征在于，所述基于每种所述运行特征与所述水泵的运行的相关性，确定每种所述运行特征对应的故障分数的权重，包括：

基于Pearson相关系数计算每种所述运行特征与水泵的运行的相关性。

3.根据权利要求2所述的一种基于经验耦合函数的水泵故障预测方法，其特征在于，所述基于Pearson相关系数计算每种所述运行特征与水泵的运行的相关性具体包括：

预先获取多个样本时间点的运行特征及每个样本时间点对应的水泵运行分数，并基于以下公式计算每种运行特征与水泵的运行的相关性：

；

其中，为第i种运行特征与水泵的运行的相关性，为第k个样本时间点的运行特征，为m个样本时间点的运行特征的均值，为第k个样本时间点的水泵运行分数，为m个样本时间点的水泵运行分数的均值；

运行特征与水泵的运行的相关性即为该运行特征对应的总运行特征序列与水泵的运行的相关性；将运行特征与水泵的运行的相关性的绝对值作为该总运行特征序列对应的故障分数的权重。

4.根据权利要求1-3任意一项所述的一种基于经验耦合函数的水泵故障预测方法，其特征在于，所述基于所述历史的多维运行特征序列集预测未来的多维运行特征序列集，包括：

通过Transformer 模型基于所述历史的多维运行特征序列集预测未来的多维运行特征序列集。

5.根据权利要求4所述的一种基于经验耦合函数的水泵故障预测方法，其特征在于，通过数据预测模型预测未来的多维运行特征序列集，其中，所述数据预测模型为卷积神经网络和深度神经网络组合形成的模型。