一种基于MCNN的隔膜泵单向阀寿命预测方法与系统

技术领域

本发明属于隔膜泵单向阀寿命预测领域，具体涉及一种基于MCNN的隔膜泵单向阀寿命预测方法与系统。

背景技术

隔膜泵是一种常用于输送各种液体的泵浦设备，它通过隔膜的上下往复运动来推动液体的流动。因此，隔膜泵以其优良的耐腐蚀性以及流量可控性被广泛的应用于工业生产中，尤其是流程工业当中。在隔膜泵中，单向阀是一个关键的组成部分，用于控制流向并防止液体倒流。随着设备的使用，因其恶劣的工作环境，单向阀的性能会逐渐退化，可能导致泵浦的性能下降，甚至故障，造成经济财产的损失。因此，对隔膜泵单向阀的寿命进行准确的预测变得尤为重要。通过隔膜泵寿命的预测可以更好地帮助维护人员及时的做好维修或者更换设备的准备。降低对生产的影响。

在现有的对隔膜泵的寿命预测的研究中存在以下几个问题：

在当前的寿命预测方法中普遍存在的限制是，大多数方法倚赖于整个设备运行周期内的特征数据提取，结合学习算法以完成寿命预测。然而，这一方法对大规模设备生命周期数据量的要求较高，而在实际应用中获取足够的完整生命周期数据样本是具有一定的困难。而由于数据获取的困难，这种限制可能会导致误判，降低了寿命预测结果的的可靠性和准确性。

特别是对于隔膜泵单向阀而言，不同特征数据所呈现的生命周期特征数据之间存在显著差异。为了有效解决这一挑战，需要找到一种能够利用这些更为显著特征数据的方法，以提高隔膜泵单向阀寿命预测的效果。

发明内容

针对背景技术中存在的问题。本发明提供了一种基于MCNN （Multiple-inputConvolutional Neural Networks）的隔膜泵单向阀寿命预测方法与系统。本发明实现了对隔膜泵单向阀的寿命预测，解决了工程实际中，特征样本少且监测信号种类单一，难以精确进行寿命预测的问题，详见下文描述：

S1、对隔膜泵单向阀整个生命周期的数据进行采集并构建数据集，所述数据集包括噪声信号、振动信号和对应的隔膜泵单向阀使用时间；

S2、将采集到的隔膜泵单向阀数据集进行预处理后，对数据进行随机划分得到训练集和测试集；

S3、将划分得到的训练集输入到MCNN模型进行训练，得到用于生成隔膜泵单向阀的寿命预测值的MCNN模型；

S4、将划分得到的训练集输入到基于Wasserstein二乘距离的对抗神经网络中进行训练，学习原始噪声和振动信号的数据分布，并产生在统计特性和时间序列特征上与原始数据相似的填充值，将所述填充值按照时间序列无缝嵌入到测试集中，实现测试集的扩充；

S5、将扩充后的隔膜泵单向阀数据测试集进行标准化，保证不同特征数值范围一致；

S6、根据扩充后噪声信号和振动信号的测试集分别输入到训练好的MCNN模型，得到两组寿命预测值，将两组寿命预测值根据Wasserstein二乘距离和卡尔曼增益公式得到融合后的隔膜泵单向阀寿命预测值。

进一步地，所述构建数据集中，使用隔膜泵单向阀使用时间辅助构建两种不同信号对应的生命周期数据集。

进一步地，所述预处理包括对传感器数据和工作负荷数据进行缺失值处理、异常值检测与处理，时间序列处理和数据归一化处理。

进一步地，所述生成隔膜泵单向阀的寿命预测值的MCNN模型包括卷积层、池化层和全连接层；将训练集中的数据通过卷积和池化操作，进入全连接层输出隔膜泵单向阀的寿命预测值。

进一步地，所述基于Wasserstein二乘距离的对抗神经网络具体为：将LSTM网络作为对抗神经网络的生成器，用于生成具有时间序列的同分布模拟数据。

进一步地，所述训练过程基于最小最大成本函数完成，所述基于Wasserstein二乘距离的对抗神经网络的训练过程包括：引入了Wasserstein二乘距离作为损失函数来代替JS 和 KL 发散，当鉴别器判断生成器生成的虚假数据为假时，将损失函数利用梯度下降法来实现对LSTM生成器内输入数据的权重参数进行调整，使得鉴别器内损失函数向减小的方向不断进行变化。

进一步地，所述Wasserstein二乘距离具体为：

表示/>

进一步地，噪声信号和振动信号的融合具体为：

将噪声信号和振动信号分别得到的不同数值大小的寿命预测值根据Wasserstein二乘距离大小的不同，选择数值小的作为t1，数值大的作为t2，根据公式：

得出权重e，并根据调整之后的卡尔曼增益公式：

Pt即为模型最后预测的寿命结果，输出。

根据说明书的第三方面，公开了一种用于实现所述方法的系统，该系统包括：数据采集模块，数据预处理模块、对抗生成模块、预测模块和融合模块；

所述数据采集模块用于对隔膜泵单向阀整个生命周期的数据进行采集并构建数据集，所述数据集包括噪声信号、振动信号和对应的隔膜泵单向阀使用时间；

所述数据预处理模块用于将采集到的隔膜泵单向阀数据进行预处理后，对数据进行随机划分得到训练集和测试集；

所述对抗生成模块用于将划分得到的训练集输入到基于Wasserstein二乘距离的对抗神经网络中进行训练，学习原始噪声和振动信号的数据分布，并产生在统计特性和时间序列特征上与原始数据相似的填充值，将所述填充值按照时间序列无缝嵌入到测试集中，实现测试集的扩充；

所述预测模块用于将划分得到的训练集输入到MCNN模型进行训练，得到用于生成隔膜泵单向阀的寿命预测值的MCNN模型；根据扩充后噪声信号和振动信号的测试集分别输入到训练好的MCNN模型，得到两组寿命预测值，

所述融合模块用于将两组寿命预测值根据Wasserstein二乘距离和卡尔曼增益公式得到融合后的隔膜泵单向阀寿命预测值。

根据说明书的第三方面，公开了一种基于MCNN的隔膜泵单向阀寿命预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种基于MCNN的隔膜泵单向阀寿命预测方法。

本发明的有益效果：

本方法采用基于对抗神经网络的MCNN模型，有效解决了数据稀缺性对预测模型的挑战。通过生成与原始数据分布相似的填充数据，填补了样本数据中的空缺，为模型提供了更多用于训练的信息。

本方法能够精准预测不同质信号，并通过预测值的巧妙融合，提高了模型的预测精度。捕捉数据中的潜在模式和关联性，从而在预测任务中取得更准确和可靠的结果。

总之，该方法通过填充数据和预测值融合的手段，显著增强了模型的准确性，并且能够在数据稀缺情况下提供更可靠的预测，为实际应用中的预测模型提供了可行性和稳定性。

附图说明

图1为本发明实施例提供的对抗生成LSTM模型流程图；

图2为本发明实施例提供的对抗神经网络框架图；

图3为本发明实施例提供的隔膜泵单向阀寿命预测系统图；

图4为本发明实施例提供的基于对抗生成LSTM模型的隔膜泵单向阀寿命预测装置图。

具体实施方式

以下结合附图对本发明具体实施方式作进一步详细说明。

以振动和噪声特征作为输入，本申请提出了种基于MCNN的隔膜泵单向阀寿命预测方法及系统。我们引入了Wasserstein二乘距离，取代了JS（Jensen-Shannon）和KL（Kullback-Leibler）发散，以构建对抗神经网络。生成器被设计用于生成与特征数据分布相一致的数据，而鉴别器则通过对生成器数据进行优化，以获得与原始数据集相匹配的分布，并将其作为输入送入深度CNN模型中进行预测。同时，振动和噪声特征同步传入寿命预测模型。通过比较两者Wasserstein二乘距离的差异，我们为两种信号结果赋予不同的权重，实现了这两个信号结果的有效融合。这一方法不仅能够有效预测隔膜泵单向阀的寿命，而且在融合振动和噪声特征的过程中提高了预测模型的鲁棒性和准确性。本发明公开了一种基于MCNN的隔膜泵单向阀寿命预测方法与系统，如图1所示包括以下步骤：

S01，信号采集：收集隔膜泵单向阀整个生命周期的多维传感器数据，包括振动、噪声信号。

通过振动信号传感器，噪声信号传感器分别测量隔膜泵单向阀整个生命周期内振动和噪声信号，并分析振动、噪声信号的变化。

振动传感器记录隔膜泵单向阀在操作时的振动模式，噪声信号传感器捕捉与运行状态相关的声音特性，通过记录对应的隔膜泵单向阀使用时间，将这些数据用于构建一个全面的生命周期数据集。

S02：数据预处理：将采集到的传感器生命周期数据集进行清理和处理，缺失值处理、异常值检测与处理，时间序列处理，数据归一化处理，并按照数据划分策略，将处理后的数据划分为带有时间序列的训练集和测试集。

将采集到的传感器数据，进行归一化处理，将处理后的数据划分为训练和测试集。

Min-max归一化的转化式：

其中max为样本数据的最大值，min为样本数据的最小值。采用min-max归一化可以在数值比较集中的情况。把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。经过归一化后，将有量纲的数据集变成纯量。

将数据随机划分为训练集和测试集，划分比例为0.8，0.2。

S03，将划分好的训练集输入到MCNN模型中，输入到MCNN模型中的训练集在模型中经历卷积池化等操作，完成对训练集的训练，CNN 通常包括卷积层、池化层和全连接层。卷积操作通过滑动一个小的窗口(卷积核)在输入数据上，执行元素乘积和求和的操作，生成输出特征图。卷积操作原理：

S(i, j) 是卷积结果的输出。

通过池化操作，在保留重要信息的同时减少特征图的尺寸，从而降低模型的计算复杂度。具体步骤为：

Y(i, j)表示最大池化的输出，max表示最大化操作，(i imes S)和(j imesS)是池化窗口的起始位置，(S)是步幅（stride），控制池化窗口的滑动步长。

池化之后通过全连接层，全连接层将卷积和池化层的输出连接到最终输出。全连接操作表示为：

Z是输出的隔膜泵单向阀的寿命预测值，W是权重矩阵，

S04，如图2所示，将划分好的训练集输入到GAN网络中的生成器中，将生成器所输出的虚假数据输入到鉴别器当中进行比较，通过鉴别器输出的真假来判别是否需要进行反馈调节生成器模型；

其中所述生成器为LSTM模型，具体原理为：

LSTM网络拓扑中的每个LSTM神经元都有三个门函数：遗忘门、输入门和输出门，LSTM 神经元中的门控单元可以储存和删除信息，确保 LSTM 神经元学习和处理时序数据之间的依赖性。输入门负责选择性地解析输入神经元状态的信息，遗忘门决定在神经元状态中丢弃哪些信息，而输出门则决定从神经元状态中输出哪些信息。其原理为：

其中

如图3所示，根据GAN 网络的基本框架，以使用噪声训练为例：随机噪声z被输入生成器G，生成器G学习从生成器LSTM模型中生成

为最小化生成器G的损失和最大化鉴别器D的损失， E表示为数据的数学期望，下标X~P

使用上述损失函数，在对抗网络鉴别器的训练效果达到最好时，生成器会出现严重的梯度消失问题，同时存在网络训练不稳定的情况。

为了解决上述问题，本实施例引入了Wasserstein二乘距离（WS距离）作为损失函数来代替JS 和 KL 发散，定义为：

表示 />

当鉴别器判断生成器生成的虚假数据为假时，将损失函数利用梯度下降法来实现对LSTM生成器内输入数据的权重参数

S05，MCNN模型接收到来自原始数据的测试集和来自LSTM生成器的生成的虚假数据后，按照各自的时间序列一一对应后，保证不同特征数值范围一致，在测试集中完成融合，实现数据填充。

S06，将不同质传感器数据的测试集分别输入到训练好的MCNN模型中，根据各自测试集得到寿命预测值。上述量不同数值大小的预测值根据Wasserstein二乘距离大小的不同，选择数值小的作为t1，数值大的作为t2，根据公式：

得出权重e，并根据调整之后的卡尔曼增益公式：

Pt即为模型最后预测的寿命结果，输出。

该方法创新性地克服了在缺乏充足可用训练数据的情况下的困境。通过引入同分布数据填充技术，我们在样本数据上进行了精心设计的填充，以更好地满足预测模型对于样本数据数量的严格要求。这一步骤不仅为模型提供了更多的学习机会，而且在缺乏真实样本的情况下，成功地模拟了样本的分布，为模型的训练提供了更为丰富的信息。

采用了对不同质信号的预测值进行融合的方法，通过对多个信号源的综合分析，我们能够更理解系统寿命演变的动态过程，从而提高了预测结果的准确性和鲁棒性。这种融合策略在提高模型性能方面展现出显著的优势。

根据本发明实施例的另一方面，还公开了一种基于MCNN的隔膜泵单向阀寿命预测系统，如图3所示，该系统包括：数据采集模块，数据预处理模块、对抗生成模块、预测模块和融合模块；

所述数据采集模块用于对隔膜泵单向阀整个生命周期的数据进行采集并构建数据集，所述数据集包括噪声信号、振动信号和对应的隔膜泵单向阀使用时间；

所述数据预处理模块用于将采集到的隔膜泵单向阀数据进行预处理后，对数据进行随机划分得到训练集和测试集；

所述对抗生成模块用于将划分得到的训练集输入到基于Wasserstein二乘距离的对抗神经网络中进行训练，学习原始噪声和振动信号的数据分布，并产生在统计特性和时间序列特征上与原始数据相似的填充值，将所述填充值按照时间序列无缝嵌入到测试集中，实现测试集的扩充；

所述预测模块用于将划分得到的训练集输入到MCNN模型进行训练，得到用于生成隔膜泵单向阀的寿命预测值的MCNN模型；根据扩充后噪声信号和振动信号的测试集分别输入到训练好的MCNN模型，得到两组寿命预测值，

所述融合模块用于将两组寿命预测值根据Wasserstein二乘距离和卡尔曼增益公式得到融合后的隔膜泵单向阀寿命预测值。

与前述一种基于MCNN的隔膜泵单向阀寿命预测方法的实施例相对应，本发明还提供了一种基于MCNN的隔膜泵单向阀寿命预测装置的实施例。

参见图4，本发明实施例提供的一种基于MCNN的隔膜泵单向阀寿命预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的一种基于MCNN的隔膜泵单向阀寿命预测方法。

本发明提供的一种基于MCNN的隔膜泵单向阀寿命预测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明提供的一种基于MCNN的隔膜泵单向阀寿命预测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于MCNN的隔膜泵单向阀寿命预测方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。