【技术实现步骤摘要】
本专利技术涉及计算机集成制造，具体涉及一种基于数字孪生的离心泵故障诊断方法、系统、电子设备和存储设备。
技术介绍
1、离心泵是机械工业中的共性关键装备，被广泛应用于大型核电能源、供排水、船舶动力等复杂产品系统。离心泵的高效可靠运行是复杂产品系统安全稳定的重要保障。因此，对离心泵的故障诊断方法进行研究，对保障复杂产品系统的安全高效运行具有非常重要的意义，有广泛的工程应用前景。
2、随着深度学习技术的普及，基于深度学习的诊断模型在离心泵的故障诊断中得到了应用。然而现有离心泵故障诊断方法具有一定的局限性，这是因为现有大部分的诊断模型普遍为有监督学习，需要依赖足够的标记数据进行迭代训练，若故障样本分布存在偏差或数量不足，将会导致有监督学习无法具备足够的泛化性与诊断性能，难以满足真实生产环境下的离心泵运行过程中异常类型诊断需求。
3、因此，需要提出一种基于数字孪生的离心泵故障诊断方法、系统及设备，能够解决离心泵在故障诊断过程中面临的故障数据缺乏、严重依赖专家经验，导致诊断模型性能低下的问题。
技术实现思路
1、本专利技术提供一种基于数字孪生的离心泵故障诊断方法、系统及设备，用以解决现有的基于有监督学习模型的离心泵故障诊断方法由于缺少故障数据，导致诊断模型的泛化性与诊断性能不足，难以满足真实生产环境下的离心泵异常类型诊断的技术问题。
2、为了解决上述问题，本专利技术提供一种基于数字孪生的离心泵故障诊断方法，包括：
3、获取离心泵的历史运行数据，得
4、采用基于多目标优化的特征选择方法，确定所述原始样本数据的特征参数；
5、根据所述特征参数建立所述离心泵的数字孪生模型，生成与所述原始样本数据相似的第一新样本数据；
6、利用带梯度惩罚的wgan模型，根据所述原始样本数据和第一新样本数据，生成逼近纳什均衡的第二新样本数据；
7、基于卷积神经网络对由所述原始样本数据、第一新样本数据和第二新样本数据构成的混合样本数据进行特征提取，得到智能故障诊断模型；
8、实时获取离心泵的运行数据并输入所述智能故障诊断模型中，对所述离心泵进行实时故障诊断。
9、进一步的，采用基于多目标优化的特征选择方法，确定所述原始样本数据的特征参数，包括：
10、以最小化特征参数数量和最大化故障关联准确率为多目标函数，生成所述多目标函数的初始解集；
11、计算所述初始解集中每个个体对应的多目标函数值，根据所述多目标函数值选择候选个体，对所述候选个体执行交叉和变异操作，生成新的后代个体；
12、对所述新的后代个体迭代执行选择、交叉和变异操作，直到执行至预设迭代次数，得到最佳解集；
13、评估所述最佳解集中个体之间的支配关系，根据所述支配关系提取趋于pareto前沿的非支配解集，所述非支配解集为所述原始样本数据的特征参数。
14、进一步的，根据所述特征参数建立所述离心泵的数字孪生模型，生成与所述原始样本数据相似的第一新样本数据，包括：
15、根据所述离心泵的物理结构确定静态信息，从所述特征参数中选择离心泵实际运行环境的动态信息；
16、基于所述静态信息和动态信息建立离心泵数字孪生模型，利用有限元分析工具求解出所述离心泵数字孪生模型的响应数据，得到与原始样本数据相似的第一新样本数据。
17、进一步的，基于所述静态信息和动态信息建立离心泵数字孪生模型，利用有限元分析工具求解出所述离心泵数字孪生模型的响应数据，包括：
18、在预设建模软件中创建离心泵的三维模型并导入到有限元分析工具中，得到几何模型，为所述几何模型的每个部分进行属性定义；
19、利用所述有限元分析工具将所述几何模型分割成多个基础单元；
20、根据所述离心泵的实际运行工况，为已定义属性并分割后的所述几何模型施加边界条件和载荷，以确保与离心泵的实际运行情况相符；
21、根据所述边界条件和载荷对模型的响应数据进行求解，得到第一新样本数据。
22、进一步的，利用带梯度惩罚的wgan模型，根据所述原始样本数据和第一新样本数据，生成逼近纳什均衡的第二新样本数据，包括：
23、将随机噪声输入带梯度惩罚的wgan模型的生成网络，得到生成数据；
24、对所述原始样本数据和第一新样本数据进行随机采样，得到真实数据；
25、将所述生成数据和真实数据输入所述wgan模型的判别网络中，得到所述判别网络的分类误差；
26、根据所述分类误差更新判别网络的参数，并基于更新后的判别网络对生成网络进行优化；
27、当所述判别网络和生成网络的损失函数均收敛时，得到训练完成的wgan模型，并基于所述训练完成的wgan模型生成逼近纳什均衡的第二新样本数据。
28、进一步的，所述生成网络的损失函数表示为：
29、
30、其中，d(g(z(t)))表示判别网络输出的判断概率，epg(z)表示对真实数据分布pg(z)的期望值。
31、进一步的，所述判别网络的损失函数表示为：
32、
33、其中，x表示原始样本，z表示输入随机噪声，lgp和λ分别表示梯度惩罚项及其权重，epg(z)表示判别网络在生成数据g(z)上的期望值。
34、本专利技术还提供一种基于数字孪生的离心泵故障诊断系统，包括：
35、数据获取模块，用于获取离心泵的历史运行数据，得到原始样本数据；
36、特征提取模块，用于采用基于多目标优化的特征选择方法，确定所述原始样本数据的特征参数；
37、第一生成模块，用于根据所述特征参数建立有限元模型，生成与所述原始样本数据相似的第一新样本数据；
38、第二生成模块，用于利用带梯度惩罚的wgan模型，根据所述原始样本数据和新样本数据，生成逼近纳什均衡的第二新样本数据；
39、诊断模型建立模块，用于基于卷积神经网络对由所述原始样本数据、第一新样本数据和第二新样本数据构成的混合样本数据进行特征提取，得到智能故障诊断模型；
40、分析模块，用于实时获取离心泵的运行数据并输入所述智能故障诊断模型中，对所述离心泵进行故障智能诊断。
41、本专利技术还提供一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述技术方案任一所述的基于数字孪生的离心泵故障诊断方法。
42、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述技术方案任一所述的基于数字孪生的离心泵故障诊断方法。
43、与现有技术相比，本专利技术的有益效果包括：本专利技术充分考虑了实际工程应用中离心泵大多处于正常状态，缺乏设备故障样本数据的实际情况，通过数字孪生技术生成与原始样本数据相本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的离心泵故障诊断方法，其特征在于，包括；
2.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，采用基于多目标优化的特征选择方法，确定所述原始样本数据的特征参数，包括：
3.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，根据所述特征参数建立所述离心泵的数字孪生模型，生成与所述原始样本数据相似的第一新样本数据，包括：
4.根据权利要求3所述的基于数字孪生的离心泵故障诊断方法，其特征在于，基于所述静态信息和动态信息建立离心泵数字孪生模型，利用有限元分析工具求解出所述离心泵数字孪生模型的响应数据，包括：
5.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，利用带梯度惩罚的WGAN模型，根据所述原始样本数据和第一新样本数据，生成逼近纳什均衡的第二新样本数据，包括：
6.根据权利要求5所述的基于数字孪生的离心泵故障诊断方法，其特征在于，所述生成网络的损失函数表示为：
7.根据权利要求5所述的基于数字孪生的离心泵故障诊断方法，其特征在于，所述判别网
8.一种基于数字孪生的离心泵故障诊断系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的基于数字孪生的离心泵故障诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的基于数字孪生的离心泵故障诊断方法。
...【技术特征摘要】
1.一种基于数字孪生的离心泵故障诊断方法，其特征在于，包括；
2.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，采用基于多目标优化的特征选择方法，确定所述原始样本数据的特征参数，包括：
3.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，根据所述特征参数建立所述离心泵的数字孪生模型，生成与所述原始样本数据相似的第一新样本数据，包括：
4.根据权利要求3所述的基于数字孪生的离心泵故障诊断方法，其特征在于，基于所述静态信息和动态信息建立离心泵数字孪生模型，利用有限元分析工具求解出所述离心泵数字孪生模型的响应数据，包括：
5.根据权利要求1所述的基于数字孪生的离心泵故障诊断方法，其特征在于，利用带梯度惩罚的wgan模型，根据所述原始样本数据和第一新样...
【专利技术属性】
技术研发人员：周圣文，罗瑞平，陶晶，骆志涛，陈英航，
申请(专利权)人：湖北理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。