基于多信息融合的旋转机械空化状态识别方法

本发明属于流体机械空化故障诊断领域，尤其涉及一种基于多信息融合的旋转机械空化状态识别方法。

背景技术：

1、离心泵是一种广泛应用于工业、农业和建筑的流体输送设备，占全球电机能耗的16%左右。在复杂多变的工况下，离心泵流场中经常出现局部压力低于液体饱和蒸汽压的情况，导致空化的发生。空化会严重影响离心泵的水力效率和能量转换特性，并造成空蚀破坏，缩短机组的使用寿命。因此，通过发掘外部信号的特征来准确掌握泵内的空化状态，对于机组的长期安全运行具有重要意义。

2、目前离心泵空化状态监测有通过测量振动、噪声、扭矩以及进出口压力等识别方法，但传统的针对于一种信号进行特征提取来识别空化状态的方法，存在着准确性不高，单一信号易受干扰等问题，并且难以提供准确的空化状态。因此，上述方法的局限性是目前亟待解决的技术问题。

技术实现思路

1、为了解决现有空化识别方法中单一信号源易受环境等多种因素影响，且识别准确率不高、无法准确表征空化状态等问题，以及视觉transformer训练成本高等问题，本发明提供了一种基于多信息融合的旋转机械空化状态识别方法。

2、为了实现上述发明目的，本发明具体采用如下技术方案：

3、一种基于多信息融合的旋转机械空化状态识别方法，包括以下步骤：

4、s1、获取目标旋转机械的原始空化数据集，所述原始空化数据集中包含原始输入数据和标签，所述原始输入数据由原始振动信号、原始扭矩信号以及原始电流信号组成，所述标签为不同空化条件下原始输入数据对应的空化图像；

5、s2、对原始振动信号、原始扭矩信号以及原始电流信号分别进行数据预处理，得到处理后的振动信号、处理后的扭矩信号以及处理后的电流信号；对处理后的振动信号通过短时傅里叶变换进行特征提取，得到振动时频图，对处理后的扭矩信号通过短时傅里叶变换进行特征提取，得到扭矩时频图，对处理后的电流信号通过短时傅里叶变换进行特征提取，得到电流时频图；将属于同一时刻的电流时频图、扭矩时频图、振动时频图和空化图像作为一个训练数据对并构建训练数据集；

6、s3、在所述训练数据集上训练空化状态识别模型，得到训练好的空化状态识别模型；在空化状态识别模型中，电流时频图、扭矩时频图以及振动时频图各自由一个处理分支进行空化状态识别，每个处理分支得到一个空化状态的初步识别结果，再由决策融合模块对初步识别结果进行决策层融合，得到空化状态的最终识别结果；其中，每个处理分支包含残差块和mobilevit模块，决策融合模块基于dampster-shalfer证据理论构建；

7、s4、将需要进行空化状态识别的多源信息二维时频图输入到训练好的空化状态识别模型中，得到空化强度识别结果；其中，所述多源信息二维时频图为需要进行空化状态识别的振动时频图、扭矩时频图以及电流时频图。

8、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。

9、作为优选，步骤s1中，所述原始振动信号、所述原始扭矩信号以及所述原始电流信号分别由布置在目标旋转机械上的振动传感器、扭矩传感器以及电流传感器测量空化工况获取，所述原始振动信号、所述原始扭矩信号以及所述原始电流信号均为一维时间序列信号；

10、作为优选，步骤s1中，获取所述原始振动信号、所述原始扭矩信号以及所述原始电流信号的具体方法为：在不同工况条件下对目标旋转机械进行空化试验，在空化试验过程中，待目标旋转机械的流量稳定后，通过改变目标旋转机械的入口压力产生空化现象，待空化工况稳定后，得到原始振动信号、原始扭矩信号以及所述原始电流信号。

11、作为优选，当目标旋转机械为测试离心泵时，通过调节测试系统的真空泵，改变储水罐负压程度，用于改变测试离心泵的入口压力。

12、作为优选，步骤s1中，所述空化图像为目标旋转机械内的流场图像，所述流场图像由成像设备拍摄得到。

13、作为优选，步骤s2中，所述数据预处理的具体过程如下：

14、s21、首先根据预先设定的滑移窗口和步长分别将原始振动信号、原始扭矩信号以及原始电流信号进行切分，每种信号源的原始信号对应得到一系列等长的序列切片，每个序列切片的时间长度至少目标旋转机械的一个旋转周期；其中，每种信号源的原始信号为原始振动信号、原始扭矩信号或者原始电流信号；

15、s22、再对每个序列切片进行归一化处理，得到归一化序列切片；其中，将与原始振动信号对应的归一化序列切片作为处理后的振动信号，将与扭矩振动信号对应的归一化序列切片作为处理后的扭矩信号，将与电流振动信号对应的归一化序列切片作为处理后的电流信号，用于进行特征提取。

16、作为优选，在步骤s3的每个处理分支中，具体处理流程如下：将每个处理分支输入的时频图经过一层第一卷积层进行下采样，得到第一特征图，将第一特征图依次经过第一残差块、第一mobilevit模块、第二残差块、第二mobilevit模块、第三残差块、第三mobilevit模块处理后，得到第二特征图，将第二特征图经过一层第二卷积层后，得到第三特征图，将第三特征图依次经过全局池化层以及线性层后，得到初步决策结果；其中，所述第一卷积层的卷积核大小为3×3，所述第二卷积层的卷积核大小为1×1。

17、作为优选，在步骤s3的残差块中，具体处理流程如下：输入到残差块的特征图首先经过一层第三卷积层后，得到第四特征图，将第四特征图经过一层第四卷积层后，得到第五特征图，将第四特征图依次经过一层第五卷积层、relu激活函数、一层第六卷积层、relu激活函数、一层第七卷积层以及relu激活函数后，得到第六特征图，将第六特征图与第五特征图相加作为残差块输出的特征图；其中，所述第三卷积层的卷积核大小为7×7，所述第四卷积层的卷积核大小为1×1，所述第五卷积层的卷积核大小为3×3，所述第六卷积层的卷积核大小为1×1，所述第七卷积层的卷积核大小为3×3。

18、作为优选，在步骤s3的mobilevit模块中，具体处理流程如下：输入到mobilevit模块的特征图首先经过第八卷积层，得到第七特征图，将第七特征图经过一层第九卷积层后，得到第八特征图，对第八特征图进行形状重塑后，得到第九特征图，将第九特征图经过l个依次级联的transformer block后，得到第十特征图，对第十特征图进行形状重塑后，得到第十一特征图，将第十一特征图依次经过一层第十卷积层和一层第十一卷积层后，得到mobilevit模块输出的特征图；其中，l表示transformer block的数量；所述第八卷积层的卷积核大小为3×3，所述第九卷积层的卷积核大小为1×1，所述第十卷积层的卷积核大小为1×1，所述第十一卷积层的卷积核大小为3×3。

19、作为优选，在步骤s3的决策融合模块中，将属于同一个空化状态的初步识别结果进行融合计算，得到每个空化状态的最终识别结果。

20、本发明相对于现有技术而言，具有以下有益效果：

21、本发明通过融合振动信号、扭矩信号及电流信号等多源信息特征，充分挖掘信号中隐藏的空化状态特征，实现对于旋转机械空化状态高准确率、高抗干扰性的识别与监测目的。

22、本发明通过时频变换，将一维时间序列信号转变为二维时频图片信息，通过空化状态识别模型，轻量级化地将多维信息决策融合，有效利用多个信号源进行空化状态识别。

23、本发明通过高速摄像机等设备采集泵内部空化状态图像，可视化空化的具体特征与发展。