(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111416120.6 (22)申请日 2021.11.25 (71)申请人 上海叠腾网络科技有限公司 地址 200233 上海市徐汇区宜山路70 0号C3 幢1楼102单 元 (72)发明人 刘念　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 代理人 陈少凌 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于神经网络的水泵故障诊断方法及系统 (57)摘要 本发明提供了一种基于神经网络的水泵故 障诊断方法及系统， 包括如下步骤： 数据采集步 骤： 采集水泵 运行数据； 识别模型步骤： 将水泵 运 行数据输入到水泵故障识别模型， 得到水泵故障 识别模型输出的第一诊断结果； 故障判断步骤： 根据水泵故障识别模型的第一诊断结果， 判断水 泵是否出现故障。 本发明能够实时监测水泵的运 行状态并对 可能出现故障的水泵进行判断提示， 大大提高了水泵在使用过程中的安全性 以及改 善了对水泵 进行故障排 查难等问题。 权利要求书2页 说明书9页 附图5页 CN 114297909 A 2022.04.08 CN 114297909 A 1.一种基于神经网络的水泵故障诊断方法， 其特 征在于， 包括如下步骤： 数据采集 步骤： 采集水泵运行 数据； 识别模型步骤： 将水泵运行数据输入到水泵故障识别模型， 得到水泵故障识别模型输 出的第一诊断结果； 故障判断步骤： 根据水泵故障识别模型的第一诊断结果， 判断水泵是否出现故障。 2.根据权利要求1所述的基于神经网络的水泵故障诊断方法， 其特征在于， 在数据采集 步骤中， 通过部署在水泵管路上游和下游的压力传感器采集不同时刻的管路内部压力数 据， 并根据所述压力数据计算得到水泵的扬程H(t)； 通过部署在水泵上的流 量计采集 流量数据Q(t)； 通过部署在水泵上的电量表采集功率数据P(t)； 通过部署在水泵上的变频器采集频率数据f(t)； 其中， t表示采集时刻。 3.根据权利要求1所述的基于神经网络的水泵故障诊断方法， 其特征在于， 该方法还包 括状态模型步骤； 所述状态模型步骤： 将水泵运行数据输入到水泵运行状态模型中， 得到水泵运行状态 模型的预测结果； 根据所述预测结果确定第二诊断结果， 所述第二诊断结果用于表示水泵 运行状态是否异常； 所述故障判断步骤： 根据所述第一诊断结果和所述第二诊断结果判断， 水泵运行是否 出现故障。 4.根据权利要求3所述的基于神经网络的水泵故障诊断方法， 其特征在于， 在所述状态 模型步骤中， 将水泵运行数据输入水泵运行状态模型， 分别得到设定的时间段内的水泵频 率预测值和水泵功 率预测值， 并根据水泵频率预测值和水泵功 率预测值计算所述时间段内 的方差决定系 数和平均误差百分比， 并作为第二诊断结果； 若方差决定系 数和平均误差百 分比均低于各自的阈值， 认定为水泵异常。 5.根据权利要求3所述的基于神经网络的水泵故障诊断方法， 其特征在于， 在所述故障 判断步骤中， 若根据第一诊断结果和第二诊断结果均确定出水泵异常， 则认为水泵出现故 障； 否则， 认为水泵处在正常运行状态。 6.根据权利要求3所述的基于神经网络的水泵故障诊断方法， 其特征在于， 所述水泵运 行状态模型的建立包括如下步骤： 样本获取步骤： 获取水泵正常运行数据， 得到水泵正常运行样本集； 水泵正常运行样本 集包括基本输入参数和与基本输入参数对应的基本输出参数； 基本输入参数包括水泵正常 运行样本集中的水泵扬程和水泵流量， 基本输出参数包括水泵正常运行样本集中的水泵功 率和水泵频率； 状态模型训练步骤： 建立BP神经网络， 其中， 基本输入参数作为BP神经网络的输入数 据， 基本输出参数作为对应的基本输入参数的标注数据， BP神经网络的输出数据为预测输 出参数； 基于预测输出参数和该预测输出参数对应的基本输出参数， 调整BP神经网络的网 络参数， 并将训练完成的BP神经网络确定为水泵运行状态模型。 7.根据权利要求6所述的基于神经网络的水泵故障诊断方法， 其特征在于， 所述方法还 包括：权　利　要　求　书 1/2 页 2 CN 114297909 A 2对于至少一个基本输入参数， 使用多项式组合对该基本输入参数进行特征扩充， 得到 该基本输入参数特征扩充后的参数， 并将该基本输入参数及其特征扩充后的参数均作为BP 神经网络的输入数据； 比较基本输出参数和该BP神经网络的输入数据之间的相关性； 保留 基本输出参数与该BP神经网络的输入数据之间为预定相关性的BP神经网络的输入数据。 8.根据权利要求1所述的基于神经网络的水泵故障诊断方法， 其特征在于， 所述水泵故 障识别模型的建立包括如下步骤： 数据集构建步骤： 构建数据集， 所述数据集包括正常样本和故障样本， 所述正常样本为 水泵正常运行时的数据， 所述故障样本为水泵故障时的数据； 识别模型训练步骤： 建立卷积神经网络， 数据集作为卷积神经网络的输入数据， 状态标 签作为输入数据的标注数据， 状态标签包括标识水泵正常运行的第一状态标签和标识水泵 故障的第二状态标签； 卷积神经网络的输出数据为预测状态， 预测状态包括标识水泵正常 运行的正常状态和标识水泵故障的故障状态； 基于预测状态和状态标签对 卷积神经网络进 行优化， 并将训练完成的卷积神经网络确定为水泵故障识别模型。 9.根据权利要求8所述的基于神经网络的水泵故障诊断方法， 其特征在于， 在数据集构 建步骤中， 获取水泵运行数据； 以设定时间间隔对 水泵运行数据进 行划分， 将水泵运行数据 组织为如下形式： 其中， tkl+l表示第kl+l个时刻； 表示tkl+l时刻的扬程； 表示tkl+l时刻的流量； 表示tkl+l时刻的水泵功 率； 表示tkl+l时刻的水泵 频率； k表 示第k个时刻； l表 示时间 间隔的长度， n表示水泵运行 数据参数的样本； 构建出数据集， 水泵故障识别模型输入数据为数据集中设定的时间段的时间序列矩 阵。 10.根据权利要求8所述的基于神经网络的水泵故障诊断方法， 其特征在于， 卷积神经 网络结构包括： 至少一个卷积层、 压平层、 遗 忘层和全连接层。 11.一种基于神经网络的水泵故障诊断系统， 其特征在于， 包括数据采集硬件、 上位机 和计算机， 所述数据采集硬件和上位机连接， 上位机和计算机连接； 所述数据采集硬件 采集水泵运行 数据， 并将水泵运行 数据发送给 上位机； 所述上位机 接收储存水泵运行 数据， 并将水泵运行 数据发送给计算机； 所述计算机对水泵运行 数据进行处 理。权　利　要　求　书 2/2 页 3 CN 114297909 A 3