一种循环泵的运行状态监测诊断方法及系统与流程

本技术涉及循环泵监测，具体涉及一种循环泵的运行状态监测诊断方法及系统。

背景技术：

1、水泵作为一种重要的流体输送设备，在废水处理、航空、石化和家用等众多领域中都发挥着重要的作用。在供热系统中，循环水泵是通过利用电力能量推动热水不断循环流动，从而实现供热，是供热系统中的关键设备。循环水泵作为供热领域的一种重要设备，对其进行合理的、科学的监测与健康状态诊断，可以及时发现潜在问题并进行维护，有效避免出现停机等大型故障，是确保供热系统稳定、安全、高效运行的基础。

2、传统的循环泵诊断方法主要依赖于对单一运行参数的分析，未能综合考虑循环泵内部结构的复杂性及其在故障时对多参数的影响。例如当叶轮发生故障时，不是只有振动数据会进行突然增大，而是会导致多种运行数据同时出现异常。传统诊断方式缺乏对循环泵运行状态的综合评价，没有将诊断方法与循环泵运行时的数据特征相结合，导致对循环泵进行运行状态诊断时，容易出现误监测现象。

技术实现思路

1、为了解决上述技术问题，本技术的目的在于提供一种循环泵的运行状态监测诊断方法及系统，所采用的技术方案具体如下：

2、第一方面，本技术实施例提供了一种循环泵的运行状态监测诊断方法，该方法包括以下步骤：

3、采集循环泵的轴功率数据序列、扬程数据序列、音量数据序列、振动数据序列、频率数据序列，对于频率数据序列进行聚类获取各第一聚类簇，基于第一聚类簇中元素在频率数据序列内的位序构建各监测数据序列；

4、基于监测数据序列中的极值、变化幅度以及离散程度，获取各监测数据序列的序列波动系数；

5、基于监测数据序列中元素之间的相似特征，获取各第二聚类簇的增长趋势；基于增长趋势获取簇内振动子序列与其对应轴功率子序列之间的对应趋势差异；

6、基于序列波动系数和对应趋势差异，获取各监测振动数据序列的叶轮故障程度；

7、基于各监测数据序列中相同位序的元素之间的关系，获取各第三聚类簇的数据波动指数；

8、基于数据波动指数和叶轮故障程度获取整体波动系数；基于整体波动系数对循环泵的运行状态进行监测。

9、进一步的，所述监测数据序列的获取方法为：

10、对于各第一聚类簇，获取第一聚类簇中的各元素在频率数据序列中的位序，获取在轴功率数据序列中相同位序下对应的数据，组成监测轴功率数据序列；

11、采用与监测轴功率数据序列相同的获取方法，获取监测扬程数据序列、监测音量数据序列和监测振动数据序列；

12、将监测轴功率数据序列、监测扬程数据序列、监测音量数据序列和监测振动数据序列统称为监测数据序列。

13、进一步的，所述序列波动系数的获取方法为：

14、获取各监测数据序列中所有的峰值与谷值，分别根据峰值与谷值在监测数据序列中的顺序，构建峰值数据序列、谷值数据序列；

15、将峰值数据序列与谷值数据序列分别进行直线拟合，得到峰值数据拟合直线和谷值数据拟合直线，计算峰值数据拟合直线的斜率与谷值数据拟合直线的斜率之间的差异作为第一斜率差异；

16、分析各监测数据序列中所有元素的极差与变异系数的乘积，记为各监测数据序列的第一波动值；

17、对于各监测数据序列的峰值数据序列，计算峰值数据序列中所有元素的一阶差分，将所有一阶差分的求和结果作为各监测数据序列的第二波动值；

18、根据第一斜率差异、第一波动值和第二波动值，获取各监测数据序列的序列波动系数，所述序列波动系数分别与第一斜率差异、第一波动值、第二波动值为正相关关系。

19、进一步的，所述增长趋势的获取方法为：

20、使用可变长度子串聚类算法对各监测振动数据序列进行处理，获取各第二聚类簇和第二聚类簇中的各子序列；

21、对于各第二聚类簇，获取各子序列中元素的最大值，计算所有子序列的最大值的均值作为最值平均数；获取各子序列的拟合直线，将所有子序列的拟合直线的斜率的均值作为子序列平均斜率；基于最值平均数和子序列平均斜率获取各第二聚类簇的增长趋势，所述增长趋势分别与最值平均数、子序列平均斜率成正相关关系。

22、进一步的，所述对应趋势差异的获取方法为：

23、采用与监测振动数据序列的子序列相同的方法获取监测轴功率数据序列中的子序列；

24、获取所有第二聚类簇的增长趋势，获取增长趋势的值最大的第二聚类簇作为最增聚类簇，将最增聚类簇中的子序列作为簇内振动子序列，获取各簇内振动子序列在监测振动数据序列中排列的序号，获取相同序号在监测轴功率数据序列中的子序列，作为各簇内振动子序列的对应轴功率子序列；

25、对于各簇内振动子序列，计算簇内振动子序列的一阶差分序列，使用符号函数对簇内振动子序列的一阶差分序列中的各元素进行处理获取第一符号序列，计算第一符号序列中所有元素的和值作为第一符号和值，计算第一符号和值与簇内振动子序列的一阶差分序列的长度的差值绝对值作为各簇内振动子序列的单调趋势值；

26、对于各簇内振动子序列的对应轴功率子序列，采用与各簇内振动子序列相同的方法获取各对应轴功率子序列的单调趋势值；对于各簇内振动子序列，计算单调趋势值和簇内振动子序列的对应轴功率子序列的单调趋势值之间的差值绝对值，作为簇内振动子序列与其对应轴功率子序列之间的对应趋势差异。

27、进一步的，所述叶轮故障程度的获取方法为：

28、对于各第二聚类簇，计算第二聚类簇的所有簇内振动子序列与其对应轴功率子序列之间的对应趋势差异的均值作为第一趋势均值；

29、计算监测振动数据序列的序列波动系数与监测轴功率数据序列的波动系数之间的差值绝对值作为第一波动差值绝对值，根据所述第一波动差值绝对值、第一趋势均值，获取监测振动数据序列与监测轴功率数据序列之间的对应系数，所述对应系数与第一波动差值绝对值成正相关关系，与第一趋势均值成负相关关系；

30、对于监测振动数据序列与监测扬程数据序列之间、监测振动数据序列与监测音量数据序列之间的对应系数，采用与监测振动数据序列与监测轴功率数据序列之间的对应系数相同的方法获取；

31、计算监测振动数据序列与监测扬程数据序列、监测振动数据序列与监测音量数据序列、监测振动数据序列与监测轴功率数据序列之间的对应系数的均值作为监测振动数据序列的叶轮故障程度。

32、进一步的，所述数据波动指数，包括：

33、对于各监测数据序列，选取在各监测数据序列中位序相同的所有元素，并按照振动数据、轴功率数据、扬程数据、音量数据的顺序进行排列构建向量，作为各同序元素向量；

34、将所有同序元素向量作为聚类算法的输入，获取各第三聚类簇、以及各同序元素向量与各第三聚类簇之间的隶属度；

35、计算各聚类簇中的各同序元素向量中所有元素的和值作为各同序元素向量的标量值；

36、对于各第三聚类簇，计算第三聚类簇的中心的同序元素向量与其他各第三聚类簇的中心的同序元素向量之间的距离作为各第三聚类簇的第一距离，将所有第三聚类簇的第一距离的均值作为第一聚类均值；

37、计算各第三聚类簇内所有同序元素向量与其所属第三聚类簇之间的隶属度的标准差作为第一隶属标准差；

38、对于各第三聚类簇，计算第三聚类簇内所有同序元素向量的标量值的标准差作为第一标准差；计算所有第三聚类簇的中心的同序元素向量的标准差作为第二标准差，将第二标准差与第一标准差的比值作为第一标量比值；

39、所述数据波动指数的公式为：；其中，为各第三聚类簇的数据波动指数；l为第三聚类簇的个数；m为第一聚类均值；n为第一隶属标准差；o为第一标量比值。

40、进一步的，所述整体波动系数的获取方法为：

41、将所有第三聚类簇的数据波动指数的均值作为平均波动均值；

42、将平均波动均值与各监测振动数据序列的叶轮故障程度的求和结果记为各监测振动数据序列的内部波动系数，将所有内部波动系数的均值记为整体波动系数。

43、进一步的，所述基于整体波动系数对循环泵的运行状态进行监测，包括：

44、获取预设标准整体波动系数；

45、将整体波动系数与标准整体波动系数的差值绝对值的归一化值作为诊断因子；

46、当诊断因子大于等于预设阈值时，循环泵出现了故障；反之，循环泵并未出现故障。

47、第二方面，本技术实施例还提供了一种循环泵的运行状态监测诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

48、本技术至少具有如下有益效果：

49、本技术根据良好循环泵运行数据平稳的特征，构建波动系数，对振动数据的波动程度进行了精准计算，实现了对循环泵的初步诊断；考虑到当叶轮发生故障时，会引起多维数据之间的同步变化，构建对应趋势差异以实现对不同数据之间同步变化程度的评估；之后结合波动系数，构建叶轮故障程度，实现了对多维数据之间波动变化、同步变化的评估，进一步对循环泵进行了诊断；然后构建对应向量并进行聚类，区分数据之间的波动程度，对循环泵的运行状态进行了判断；最后构建整体波动，实现对循环泵的运行状态诊断。

50、有益效果在于：不止对单一维度数据波动进行了精准计算，同时对多维数据之间的同步变化程度、差异程度进行了计算，解决了以往只通过单一数据进行评估时容易产生的误监测问题，结合循环泵运行时的数据特征，实现了对循环泵运行状态的全面、精准监测，提高了状态诊断精度。