基于多模型融合的水泵工况劣化检测方法、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115062553A(43)申请公布日2022.09.16(21)申请号202210983804.2(22)申请日2022.08.17(71)申请人浪潮通用软件有限公司地址250101山东省济南市高新区浪潮路1036号浪潮科技园(72)发明人王腾江陈兆瑞(74)专利代理机构北京君慧知识产权代理事务所(普通合伙)11716专利代理师肖鹏(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2022.01)G06N3/04(2006.01)F04B51/00(2006.01)权利要求书3页说明书9页附图4页(54)发明名称基于多模型融合的水泵工况劣化检测方法、设备及介质(57)摘要本申请公开了一种基于多模型融合的水泵工况劣化检测方法、设备及介质，涉及基于特定计算模型的计算机系统领域，方法包括：采集水泵分析所需的检测数据，检测数据包括水泵的工况数据和振动数据，工况数据和振动数据具有不同的时间粒度；工况检测模型是基于多个子模型融合训练得到的，不同的子模型用于处理不同时间粒度的输入数据；将检测数据在不对工况数据和振动数据进行时间粒度统一的基础上，输出得到水泵的劣化状态。减少对检测数据的预处理，规避统一时间粒度时造成的数据信息损失或冗余，使数据得以保留更多有用信息。神经网络层的融合，得到一个统一的神经网络来训练和预测，适应不同时间粒度的输入，提高结果准确性。CN115062553ACN115062553A权利要求书1/3页1.一种基于多模型融合的水泵工况劣化检测方法，其特征在于，包括：采集水泵分析所需的检测数据，所述检测数据包括所述水泵的工况数据和振动数据，所述工况数据和所述振动数据具有不同的时间粒度；确定预先构建的工况检测模型，所述工况检测模型是基于多个子模型融合训练得到的，不同的子模型用于处理不同时间粒度的输入数据；将所述检测数据直接输入所述工况检测模型，以在不对所述工况数据和所述振动数据进行时间粒度统一的基础上，输出得到所述水泵的劣化状态。2.根据权利要求1所述的基于多模型融合的水泵工况劣化检测方法，其特征在于，确定预先构建的工况检测模型之前，所述方法还包括：针对不同的检测数据，分别搭建相应的子模型，所述子模型至少包括基于一维卷积神经网络架构搭建的针对工况数据的第一子模型、基于二维卷积神经网络架构搭建的针对振动数据的第二子模型，且每个所述子模型的输入数据的尺寸，与该子模型的各卷积层的卷积核尺寸均不相同；通过预设的模型融合框架，对多个所述子模型进行融合，并使用二维卷积层和Softmax层进行判决输出，以构建得到工况检测模型；对各子模型的训练样本集进行标注，并根据所述模型融合框架中concatenate层的连接顺序，确定所述各子模型的训练样本集的输入顺序。3.根据权利要求2所述的基于多模型融合的水泵工况劣化检测方法，其特征在于，所述工况检测模型的训练过程包括：在前向传播过程中，通过所述模型融合框架中的融合层拼接所述第一子模型和所述第二子模型的输出特征矩阵，并通过所述融合层之后的层对拼接后的输出特征矩阵进行特征再提取，以便于输出层进行决策；在后向传播过程中，将训练过程中计算的损失传递至每个神经网络层中，并通过所述融合层更新全连接层系数以及分割损失为所述神经网络层适配的矩阵，所述神经网络层包括所述第一子模型、所述第二子模型中的层。4.根据权利要求2所述的基于多模型融合的水泵工况劣化检测方法，其特征在于，所述工况数据为一维数据1*n，所述n基于所述工况数据中所需的维度确定，所述振动数据为多维数据p*q，所述p代表不同方向上的振动数据，所述q根据工况数据采集间隔与振动数据采集频率得到；所述第一子模型和所述第二子模型的输出均为一维数据1*m，所述m小于所述n。5.根据权利要求4所述的基于多模型融合的水泵工况劣化检测方法，其特征在于，所述n对应的维度包括：电流、电压、流量、主轴功率、前轴温度、后轴温度中的至少多种；将所述检测数据直接输入所述工况检测模型，以在不对所述工况数据和所述振动数据进行时间粒度统一的基础上，输出得到所述水泵的劣化状态，具体包括：获取所述水泵所在的环境数据，根据所述环境数据对所述工况数据进行初步分析，以在所述维度中选择若干个指定维度，所述指定维度对应出现劣化状态的概率高于预设概率，所述若干个不超过所述n，且高于所述m；将所述指定维度作为第一子集合，并在除了所述指定维度的剩余维度中，多次进行选择，并将每次选择得到的部分维度，作为一个第二子集合；2CN115062553A权利要求书2/3页将所述第一子集合与每个所述第二子集合分别组合，得到多个组合维度；针对每个组合维度，将该组合维度对应的工况数据作为检测数据中的输入数据，输入至所述工况检测模型，以在