本發(fā)明屬于化工泵組故障預警，特別涉及基于大數據的化工泵組故障預警方法、系統(tǒng)及裝置。

背景技術：

1、化工泵組在高溫、高壓及腐蝕性介質環(huán)境下長期運行，機械部件易因交變載荷與流體沖擊產生隱性損傷，其早期故障信號微弱且與噪聲高度混雜，難以通過常規(guī)手段有效辨識。

2、化工泵組傳統(tǒng)維護依賴定期檢修與閾值報警，難以捕捉軸系偏移與壓力主頻相位偏移的協(xié)同演化，導致跨模態(tài)特征交叉缺失，漸進性故障的關鍵信號被忽略，從而故障預警滯后，故障引發(fā)連鎖反應容易導致效率驟降、突發(fā)停機及介質泄漏事故，造成重大經濟損失與安全風險。

技術實現(xiàn)思路

1、本技術通過提供一種基于大數據分析的銷售預測與策略優(yōu)化方法及其相關設備，有效解決了現(xiàn)有技術中化工泵組傳統(tǒng)維護依賴定期檢修與閾值報警，難以捕捉軸系偏移與壓力主頻相位偏移的協(xié)同演化，導致跨模態(tài)特征交叉缺失，漸進性故障的關鍵信號被忽略，從而故障預警滯后的問題，能夠減少誤判風險，結合動態(tài)建模實現(xiàn)精準預警，避免突發(fā)停機與泄漏事故，提升設備安全性與生產連續(xù)性。

2、為了實現(xiàn)上述目的，本發(fā)明采用以下技術方案：

3、第一方面，本技術提供了一種基于大數據的化工泵組故障預警方法，包括：獲取化工泵組的軸向振動波形、進出口壓力差；對軸向振動波形按轉速周期分割，計算每段信號的峰值比和零偏指數；采用指定窗口寬度計算軸向振動波形的波形斜率累積值；根據峰值比、零偏指數和波形斜率累積值，生成包含軸系失衡度和密封失效概率的二維狀態(tài)向量；將二維狀態(tài)向量與進出口壓力差進行對齊處理，生成主頻幅值比和相位差分布的聯(lián)合特征；采用雙流隨機森林模型處理進出口壓力差和二維狀態(tài)向量，雙流隨機森林模型通過提取進出口壓力差的每小時壓力波動率和將二維狀態(tài)向量與聯(lián)合特征進行特征交叉，得到相關特征后導入至隨機森林分類器處理，輸出預警結果。

4、進一步地，獲取化工泵組的軸向振動波形、進出口壓力差，包括：獲取軸向安裝的振動傳感器采集的原始振動波形，以及轉速傳感器輸出的轉速脈沖信號；根據轉速脈沖信號的間隔時間標準差，篩選出連續(xù)第一指定時間周期內轉速波動小于指定百分比的軸向振動波形段，標記為第一波形段；獲取監(jiān)測的進出口壓力差，當進出口壓力差瞬時值超過去第一指定時間段平均壓力差的指定倍數時，對前后第二指定時間段的軸向振動波形段進行保留，標記為第二波形段；取第一波形段與第二波形段的交集，生成軸向振動波形，以及與軸向振動波形相同時間序列的進出口壓力差。

5、進一步地，對軸向振動波形按轉速周期分割，包括：根據轉速脈沖信號，計算每個完整旋轉周期的起始時間點和結束時間點；將旋轉周期的起始時間點與軸向振動波形的起始時間點相對齊，生成帶相位標記的振動波形段；根據相位標記檢查軸向振動波形段是否包含不完整的旋轉周期，若是，則對不完整的旋轉周期進行延伸或截斷，以得到完整旋轉周期的軸向振動波形段，以及與軸向振動波形相同時間序列的進出口壓力差。

6、進一步地，計算每段信號的峰值比和零偏指數，包括：確定軸向振動波形段每段的最大振幅值和最小振幅值；提取化工泵組靜止狀態(tài)下采集的軸向振動波形段，計算其信號均值得出基準零點；將最大振幅值除以最小振幅值，生成每段的峰值比；計算每段軸向振動波形段的信號均值與基準零點的絕對差值，將絕對差值乘以一百得到零偏指數。

7、進一步地，采用指定窗口寬度計算軸向振動波形的波形斜率累積值，包括：根據軸向振動波形段的零偏指數數值，確定窗口寬度；在窗口寬度內計算軸向振動波形段各采樣點的一階導數絕對值，生成局部斜率序列；對局部斜率序列的數值進行累加求和，生成波形斜率累積值。

8、進一步地，根據軸向振動波形段的零偏指數數值，確定窗口寬度包括：設定第一數值和第二數值，且第一數值和第二數值均為正數；零偏指數每增加第一數值，則窗口寬度縮短第二數值。

9、進一步地，根據峰值比、零偏指數和波形斜率累積值，生成包含軸系失衡度和密封失效概率的二維狀態(tài)向量，包括：將峰值比、零偏指數和波形斜率累積值按時間戳對齊，形成三通道輸入數據組；采用壓力耦合卷積網絡處理三通道輸入數據組，壓力耦合卷積網絡以神經網絡模型為基礎架構，根據當前進出口壓力差與前第三指定時間段平均壓力差的差值確定卷積核間隔單位數，根據峰值比確定池化粒度，通過sigmoid激活函數將池化后的特征映射為軸系失衡度與密封失效概率，生成包含軸系失衡度和密封失效概率的二維狀態(tài)向量。

10、進一步地，將二維狀態(tài)向量與進出口壓力差進行對齊處理，生成主頻幅值比和相位差分布的聯(lián)合特征，包括：將二維狀態(tài)向量與進出口壓力差按統(tǒng)一時間戳對齊；對進出口壓力差進行短時傅里葉變換，提取壓力波形主頻成分幅值；將壓力主頻幅值與過去第四指定時間段同工況下歷史平均幅值比較，計算主頻幅值比；計算二維狀態(tài)向量的軸系失衡度變化曲線與壓力主頻成分波形的相位差分布；將主頻幅值比與相位差分布合并為聯(lián)合特征。

11、第二方面，本技術提供了一種基于大數據的化工泵組故障預警系統(tǒng)，其包括：

12、數據采集模塊：獲取化工泵組的軸向振動波形、進出口壓力差。

13、振動信號分析模塊：對軸向振動波形按轉速周期分割，計算每段信號的峰值比和零偏指數；采用指定窗口寬度計算軸向振動波形的波形斜率累積值。

14、狀態(tài)向量生成模塊：根據峰值比、零偏指數和波形斜率累積值，生成包含軸系失衡度和密封失效概率的二維狀態(tài)向量。

15、聯(lián)合特征生成模塊：將二維狀態(tài)向量與進出口壓力差進行對齊處理，生成主頻幅值比和相位差分布的聯(lián)合特征。

16、預警分析模塊：采用雙流隨機森林模型處理進出口壓力差和二維狀態(tài)向量，雙流隨機森林模型通過提取進出口壓力差的每小時壓力波動率和將二維狀態(tài)向量與聯(lián)合特征進行特征交叉，得到相關特征后導入至隨機森林分類器處理，輸出預警結果。

17、第三方面，本技術提供了一種基于大數據的化工泵組故障預警裝置，其包括存儲器和處理器；存儲器用于存儲計算機程序；處理器用于執(zhí)行第一方面所述的基于大數據的化工泵組故障預警方法的步驟。

18、第四方面，本技術提供了一種可讀存儲介質，可讀存儲介質中存儲有計算機程序指令，計算機程序指令被一處理器讀取并運行時，執(zhí)行第一方面所述的基于大數據的化工泵組故障預警方法的步驟。

19、本發(fā)明的有益效果：

20、本技術融合機械振動與流體壓力信號，提取動態(tài)特征并量化跨模態(tài)關聯(lián)規(guī)律，通過分路處理與特征交叉增強隱性故障識別，有效解決了現(xiàn)有技術中化工泵組傳統(tǒng)維護依賴定期檢修與閾值報警，難以捕捉軸系偏移與壓力主頻相位偏移的協(xié)同演化，導致跨模態(tài)特征交叉缺失，漸進性故障的關鍵信號被忽略，從而故障預警滯后的問題，能夠減少誤判風險，結合動態(tài)建模實現(xiàn)精準預警，避免突發(fā)停機與泄漏事故，提升設備安全性與生產連續(xù)性。

21、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在說明書以及附圖中所指出的結構來實現(xiàn)和獲得。