一种施工现场消防泵故障检测方法、介质及系统与流程

本发明属于施工现场消防泵故障检测，具体而言，涉及一种施工现场消防泵故障检测方法、介质及系统。

背景技术：

1、消防设备的可靠运行对应急救援至关重要。在实际应用中,消防泵作为重要的消防设备,其故障直接影响消防系统的整体运行状态。因此,对消防泵进行实时监测和故障诊断,可以及时发现隐藏的故障隐患,为设备维护和应急响应提供有力支撑。

2、目前,已有多种消防泵监测与故障诊断的技术方案被应用于实际工程中。其中,最常见的方法是基于传统的单一监测量,如电流、振动或温度等,通过设置固定的告警阈值,当监测量超过阈值时触发故障预警。该方法简单易行,但存在一定局限性:首先,单一监测量很难全面反映设备的运行状态,容易产生漏报或误报；其次,固定阈值无法适应设备随使用时间而不可避免的性能退化,容易造成误判。为了克服上述问题,一些研究者提出了基于多源监测数据融合的故障诊断方法。这类方法通过采集电流、振动、温度等多种监测量,并采用机器学习或深度学习算法进行故障模式识别,可以更准确地诊断设备故障。但是,随着监测数据量的不断增加,这些基于cpu的算法在大数据处理和实时性方面仍存在一定局限。

3、另一类基于信号处理的故障诊断方法,则通过对监测数据进行频域分析,从而提取出与故障相关的特征信息。这种方法能够更好地捕捉设备的动态运行特征,在一定程度上克服了基于单一监测量的局限性。但是,传统的cpu计算无法满足对大量监测数据进行频域特征提取和时间域分析的需求,往往需要离线进行数据处理和模型训练,难以实现实时诊断。

4、综上所述,现有的消防泵故障诊断技术普遍存在以下问题:1)难以全面反映设备的运行状态,容易产生误报；2)无法适应设备性能随时间变化而动态调整诊断阈值；3)基于cpu的算法难以满足大数据实时处理的需求,无法实现在线故障预警。因此,急需开发一种能够充分利用多源监测数据、智能诊断故障、实时预警的新型故障检测方法,以提高消防设备的可靠性和应急响应能力。

技术实现思路

1、有鉴于此，本发明提供一种施工现场消防泵故障检测方法、介质及系统，能够解决在施工现场消防泵故障检测时候，随着消防泵持续工作，监测数据越来越多，现有的计算方式将实时产生的监测数据流进行分段处理,无法充分反映数据之间的时间关联性和动态变化特征，导致无法全面检测潜在故障风险的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种施工现场消防泵故障检测方法，其中，包括以下步骤：

4、s10、获取待检测消防泵电机的多项监测数据；

5、s20、使用cuda流，将所述监测数据采用流的方式进行读取，并分割为多个预定时间长度的数据片段，将每个数据片段通过cuda内存分配函数存储在gpu内存中；

6、s30、将每个数据片段进行cufft特征提取，得到频域特征；

7、s40、对所述频域特征进行聚类得到多个聚类中心，根据聚类结果，将所述数据片段进行分组，得到多个数据片段分组存储地址表；

8、s50、利用cuda线程块和网格，按照所述聚类结果预划分并行线程块，用于在每个并行线程块内采用cuda原子操作计算每个聚类的时间函数，所述时间函数表示属于同一聚类的频域特征在时间轴上出现的概率；

9、s60、根据所述时间函数，分析每个聚类的动态变化特征，识别出存在故障风险的聚类；

10、s70、汇聚全部的存在故障风险的聚类的动态变化特征，生成聚类中心的cuda流，并通过cuda流的时间同步机制，得到一个表示连续获取的监测数据的频域特征流；

11、s80、将所述频域特征流输入预先训练好的故障分析模型，得到故障检测结果，并输出给施工现场运维人员。

12、其中，所述监测数据包括基于电流传感器获取的电流数据、基于振动传感器获取的振动数据、以及基于漏磁传感器获取的漏磁数据。

13、其中，所述监测数据采集的布置如下：

14、基于电流传感器获取待检测消防泵电机的电流数据,电流传感器配置在待检测消防泵电机驱动端的三相供电电缆处；

15、基于振动传感器获取待检测消防泵电机的振动数据,振动传感器配置在待检测消防泵电机的旋转轴的径向和轴向位置,或者配置在待检测消防泵电机的机壳的径向和轴向位置,或者配置在待检测消防泵电机的基座和轴承座；

16、基于漏磁传感器获取待检测消防泵电机的漏磁数据,漏磁传感器配置在待检测消防泵电机的外围机壳的径向和轴向位置,或者配置在待检测消防泵电机的非驱动端的径向和轴向位置；

17、将电流数据、振动数据和漏磁数据联合作为多项监测数据。

18、其中，所述步骤s20具体包括:

19、步骤1、使用cuda流,以流的方式读取所述多项监测数据；

20、步骤2、将所述多项监测数据分割为多个预定时间长度的数据片段；

21、步骤3、利用cuda内存分配函数,将每个数据片段存储在gpu内存中。

22、所述步骤s30具体是：将存储在gpu内存中的每个数据片段,通过cufft(cuda fastfourier transform)算法进行特征提取,得到频域特征。

23、其中，所述步骤s40具体包括:

24、步骤1、对所述频域特征进行聚类分析,得到多个聚类中心；

25、步骤2、根据聚类结果,将数据片段进行分组,生成数据片段分组存储地址表。

26、其中，所述步骤s50具体包括:

27、步骤1、利用cuda线程块和网格,按照所述聚类结果预先划分并行线程块；

28、步骤2、在每个并行线程块内,采用cuda原子操作计算每个聚类的时间函数,表示属于同一聚类的频域特征在时间轴上出现的概率分布。

29、其中，所述步骤s60具体包括:

30、步骤1、分析每个聚类的时间函数,识别出存在故障风险的聚类；

31、步骤2、通过观察时间函数的幅值、峰值数量、峰值频率指标的动态变化趋势,判断该聚类是否存在故障风险。

32、所述步骤s70具体包括:

33、步骤1、汇聚全部存在故障风险的聚类的动态变化特征,生成一个cuda流；

34、步骤2、利用cuda流的时间同步机制,将这些聚类中心的特征信息组合成一个连续的频域特征流。

35、其中，所述故障分析模型的训练方法包括:

36、步骤1、收集多组正常和故障状态下的消防泵电机监测数据,作为训练样本；

37、步骤2、对训练样本进行预处理,包括数据清洗、特征工程等；

38、步骤3、将预处理后的训练样本输入到深度学习或机器学习算法中进行模型训练，得到故障分析模型。

39、所述正常和故障状态下的消防泵电机监测数据的组数均为至少100组。

40、所述步骤s80具体包括:

41、步骤1、将所述频域特征流输入预先训练好的故障分析模型,该模型采用深度学习或机器学习算法,如卷积神经网络(cnn)、循环神经网络(rnn)、支持向量机(svm)等；

42、步骤2、利用大量正常和故障状态下的监测数据作为训练集,通过监督学习训练出故障诊断模型；

43、步骤3、将故障检测结果输出给现场运维人员,为设备状态监测和故障预警提供依据。

44、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种施工现场消防泵故障检测方法。

45、本发明的第三方面提供一种施工现场消防泵故障检测系统，其中，包含上述的计算机可读存储介质。

46、与现有技术相比较，本发明提供的一种施工现场消防泵故障检测方法、介质及系统的有益效果是：

47、1.充分利用多源监测数据,全面反映设备运行状态。本方法采集消防泵电机的电流、振动和漏磁数据,综合分析这些监测量的动态变化特征,可以更准确地诊断设备故障,避免漏报和误报。

48、2.采用自适应的故障诊断机制,动态调整诊断阈值。本方法通过分析监测数据的时间函数特征,能够动态识别设备性能退化或故障隐患,有效应对设备在使用过程中性能的不可避免变化。

49、3.基于gpu加速的大数据实时处理,实现在线故障预警。本方法充分利用gpu的并行计算能力,采用cuda流、cufft等技术手段,能够高效地完成对大量监测数据的特征提取、时间域分析等,满足在线故障诊断的实时性要求。

50、4.结合深度学习的故障分析模型,提高诊断准确性。本方法将频域特征输入预先训练好的故障分析模型,如卷积神经网络、循环神经网络等,能够准确识别设备的故障模式,为故障预警提供可靠依据。

51、综上所述,本发明的方案解决了在施工现场消防泵故障检测时候，随着消防泵持续工作，监测数据越来越多，现有的计算方式将实时产生的监测数据流进行分段处理,无法充分反映数据之间的时间关联性和动态变化特征，导致无法全面检测潜在故障风险的技术问题。