本發明涉及機泵振動檢測，具體涉及一種高危泵軸承振動智能檢測裝置及方法。
背景技術：
1、高危泵故障檢測對于保證高危泵生產中的安全使用至關重要，其有效性可以預防和避免因軸承損壞而造成的災害。高危泵振動檢測作為一種重要的檢測方法，可以檢測到高危泵的內部缺陷，并對可能存在的故障進行診斷，便于及時采取有效的措施，防止在役狀態的高危泵損壞。長期的高危泵負荷運載，轉動部件磨損或嚴重變形，可能會造成高危泵的結構性能發生變化，并且長期處于高溫環境下運載，也會損壞高危泵的表面，影響高危泵的安全性。
2、現有的高危泵振動檢測方法主要包括：
3、一、人工檢測方法：人工檢測方法根據高危泵出現機器異響、振動幅度大的明顯異常或是在停機保養過程中，依靠熟練的工人進行故障判斷。
4、二、信號分析法：信號分析法通過傳感器獲取設備在運行狀態下的振動信號，利用數學變換、濾波、統計分析等處理獲取信號特征，再結合設備應用工業及工藝要求，設置信號特征閾值判斷設備運行狀況，從而實現對系統狀態、故障和異常情況的診斷。
5、三、物理模型法：物理模型法利用數學理論知識建立表示系統狀態的非線性數學、物理模型，通過將系統的真實行為與基于模型的預期行為進行對比計算出兩者差異，確定高危泵是否出現故障。
6、綜上所述，現有方法需要依靠專業人員在場進行判斷，并且考慮到實際場景中設備運行狀況復雜、環境噪聲嚴重等問題，不易發現微弱故障信號特征。現階段所采用的一些基于卷積神經網絡診斷軸承的方法中，存在技術計算機大，準確率相對較低的情況，例如resnet18、vgg16等。
7、因此，亟需提出一種高危泵軸承振動智能檢測裝置及方法，利用人工智能方法，實時自動檢測當前高危泵軸承振動信號，減少對專家經驗的依賴，實現對高危泵運行狀態的智能檢測。
技術實現思路
1、針對現階段高危泵軸承振動檢測方法過分依賴現場人工經驗且運行環境復雜難以準確判斷的問題，本發明提出了一種高危泵軸承振動智能檢測裝置及方法，基于多尺度wdcnn-attention模型構建高危泵軸承故障診斷模型根據高危泵的振動信號，準確確定高危泵軸承的故障類型，實現了對高危泵運行情況的實時檢測，且無需依賴現場工作人員，有效避免了高危泵的損壞，為保障高危泵的正常運行提供技術支持。
2、本發明具體采用如下技術方案：
3、一種高危泵軸承振動智能檢測裝置，包括加速度傳感器、信號采集板和控制器；
4、所述加速度傳感器與高危泵相接觸，用于采集高危泵的振動信號；
5、所述信號采集板用于增強高危泵的振動信號；
6、所述信號采集板的一端與加速度傳感器相連接，用于接收高危泵的振動信號并對高危泵的振動信號進行增益放大，信號采集板的另一端與控制器相連接，用于將高危泵增強后的振動信號輸入至控制器中；
7、所述控制器內預先封裝有高危泵軸承故障診斷模型，用于根據高危泵增強后的振動信號判斷高壓泵的工作狀態，確定并輸出高壓泵軸承故障的故障類型。
8、優選地，所述高危泵軸承振動智能檢測裝置還設置有溫度傳感器；
9、所述溫度傳感器與高危泵相接觸，用于采集高危泵的溫度信號，溫度傳感器與信號采集板相連接，經信號采集板將高危泵的溫度信號輸入至控制器中。
10、優選地，所述控制器為工控機。
11、一種高危泵軸承振動智能檢測方法，采用如上所述的高危泵軸承振動智能檢測裝置，包括以下步驟：
12、步驟1，根據高危泵的工作環境，選擇高危泵軸承振動智能檢測裝置中的傳感器；
13、步驟2，利用高危泵軸承振動智能檢測裝置采集不同工況下高危泵的振動信號，獲取多類高危泵軸承故障所對應的高危泵軸承故障數據，將高危泵軸承故障數據轉換為數字信號并進行預處理后，采用one-hot編碼的方式進行標注，形成多個高危泵軸承故障數據樣本，構建包括訓練集、驗證集和測試集的樣本數據庫；
14、步驟3，基于多尺度wdcnn-attention模型構建高危泵軸承故障診斷模型；
15、步驟4，利用訓練集對高危泵軸承故障診斷模型進行訓練，得到訓練后的高危泵軸承故障診斷模型；
16、步驟5，利用驗證集驗證訓練后高危泵軸承故障診斷模型對于高危泵軸承故障類型判斷的準確性，若訓練后的高危泵軸承故障診斷模型已達到預設的精度要求，得到驗證后的高危泵軸承故障診斷模型并則進入步驟5，否則，則返回步驟3中，繼續利用訓練集對高危泵軸承故障診斷模型進行訓練；
17、步驟6，利用測試集對驗證后的高危泵軸承故障診斷模型進行測試，若驗證后的高危泵軸承故障診斷模型通過測試，則進入步驟7，否則，則返回步驟4中，繼續利用訓練集對高危泵軸承故障診斷模型進行訓練；
18、步驟7，將經通過測試集測試的高危泵軸承故障診斷模型封裝于高危泵軸承振動智能檢測裝置的控制器中，利用高危泵軸承振動智能檢測裝置實時根據高危泵的振動信號進行高危泵軸承故障診斷。
19、優選地，所述步驟2中，利用a/d轉換器將采集到的高危泵軸承故障數據轉換為控制器可識別的數字信號，對轉換后的數字信號進行預處理；所述預處理包括濾波、降噪和剔除缺失值。
20、優選地，所述高危泵軸承故障數據包括高危泵的振動信號，根據高危泵軸承故障數據中高危泵的振動信號，確定高危泵軸承的故障類型并對高危泵軸承故障數據進行標注，設置高危泵軸承故障數據的標簽，形成高危泵軸承故障數據樣本。
21、優選地，所述標簽中包括高危泵軸承的故障類型編號、故障類型、故障位置和故障直徑；
22、所述故障類型編號為0時，對應故障類型為normal，表示高危泵軸承正常運行未發生故障，無故障位置且無故障直徑；
23、所述故障類型編號為1時，對應故障類型為ir007，表示高危泵軸承的故障位置為內圈，故障直徑為0.007in；
24、所述故障類型編號為2時，對應故障類型為ir014，表示高危泵軸承的故障位置為內圈，故障直徑為0.014in；
25、所述故障類型編號為3時，對應故障類型為ir021，表示高危泵軸承的故障位置為內圈，故障直徑為0.021in；
26、所述故障類型編號為4時，對應故障類型為or007，表示高危泵軸承的故障位置為外圈，故障直徑為0.007in；
27、所述故障類型編號為5時，對應故障類型為or014，表示高危泵軸承的故障位置為外圈，故障直徑為0.014in；
28、所述故障類型編號為6時，對應故障類型為or021，表示高危泵軸承的故障位置為外圈，故障直徑為0.021in；
29、所述故障類型編號為7時，對應故障類型為bo007，表示高危泵軸承的故障位置為外圈，故障直徑為0.007in；
30、所述故障類型編號為8時，對應故障類型為bo014，表示高危泵軸承的故障位置為外圈，故障直徑為0.014in；
31、所述故障類型編號為9時，對應故障類型為bo021，表示高危泵軸承的故障位置為外圈，故障直徑為0.021in。
32、優選地，所述樣本數據庫包括訓練集、驗證集和測試集，將高危泵軸承故障數據樣本隨機分配至訓練集、驗證集和測試集中。
33、優選地，所述訓練集、驗證集和測試集中高危泵軸承故障數據樣本的數量比為7:2:1。
34、優選地，所述高危泵軸承故障診斷模型包括輸入層、相并聯的多個不同尺度的診斷模型、特征融合模塊、senet模塊、全連接層、softmax層和輸出層；
35、其中，
36、所述輸入層用于輸入高危泵的溫度信號和振動信號；
37、所述不同尺度的診斷模型分別為第一診斷模型、第二診斷模型、第三診斷模型和第四診斷模型，用于在不同維度下提取高危泵振動信號的特征向量；
38、所述特征融合模塊用于對第一診斷模型、第二診斷模型、第三診斷模型和第四診斷模型所提取不同維度的特征向量進行特征融合；
39、所述senet模塊用于根據融合后的特征向量提取關鍵特征信息；
40、所述全連接層用于建立關鍵特征信息與高危泵軸承故障類型之間的映射；
41、所述softmax層用于判斷高危泵軸承故障類型并傳輸至輸出層；
42、所述輸出層用于輸出高危泵軸承故障類型，包括高危泵軸承故障類型的故障類型編號、故障位置和故障直徑。
43、優選地，所述第一診斷模型基于wdcnn-attention模型構建，包括第一卷積模塊、四個結構相同的第二卷積模塊、flatten層和全連接層，第一卷積模塊、四個結構相同的第二卷積模塊、flatten層和全連接層依次連接；
44、其中，
45、所述第一診斷模型的第一卷積模塊內依次設置有卷積核大小為64×1的第一卷積層、senet注意力機制模塊、relu層、批量歸一化層和最大池化層，第一診斷模型的第二卷積模塊內依次設置有卷積核大小為3×1的第一卷積層、senet模塊、relu層、批量歸一化層和最大池化層；
46、所述第二診斷模型基于卷積神經網絡構建，包括五個結構相同的3×1卷積模塊、flatten層和全連接層，五個結構相同的3×1卷積模塊、flatten層和全連接層依次連接；
47、其中，
48、所述第二診斷模型的3×1卷積模塊內依次設置有卷積核大小為3×1的卷積層、relu層、批量歸一化層和最大池化層；
49、所述第三診斷模型基于卷積神經網絡模型，包括五個結構相同的5×1卷積模塊、flatten層和全連接層，五個結構相同的5×1卷積模塊、flatten層和全連接層依次連接；
50、其中，
51、所述第三診斷模型的5×1卷積模塊內依次設置有卷積核大小為5×1的卷積層、relu層、批量歸一化層和最大池化層；
52、所述第四診斷模型基于卷積神經網絡模型，包括五個結構相同的7×1卷積模塊、flatten層和全連接層，五個結構相同的7×1卷積模塊、flatten層和全連接層依次連接；
53、其中，
54、所述第四診斷模型的7×1卷積模塊內依次設置有卷積核大小為7×1的卷積層、relu層、批量歸一化層和最大池化層。
55、優選地，所述高危泵軸承故障診斷模型的損失函數設置為交叉熵損失函數。
56、優選地，所述步驟4中，包括以下子步驟：
57、步驟4.1，設置最大訓練次數、高危泵軸承故障診斷模型的模型超參數和精度值；
58、步驟4.2，將訓練集中的高危泵軸承故障數據樣本輸入至步驟3中所構建的高危泵軸承故障診斷模型中，利用高危泵軸承故障診斷模型根據高危泵軸承故障數據樣本中高危泵的振動信號識別故障類型，確定高危泵軸承故障類型的編號，得到高危泵軸承故障類型識別結果；
59、步驟4.3，將高危泵軸承故障診斷模型所識別故障類型編號與高危泵軸承故障數據樣本內的標簽進行對比，計算高危泵軸承故障診斷模型對于高危泵軸承故障數據樣本識別的準確率，并與預設的精度值進行對比，若準確率小于預設的精度值，則進入步驟4.4；否則，則進入步驟4.5中；
60、步驟4.4，更新高危泵軸承故障診斷模型的模型超參數，得到更新后的高危泵軸承故障診斷模型，繼續利用訓練集中的高危泵軸承故障數據樣本訓練更新后的高危泵軸承故障診斷模型，利用更新后的高危泵軸承故障診斷模型根據高危泵軸承故障數據樣本中高危泵的振動信號識別故障類型，確定高危泵軸承故障類型的編號，得到高危泵軸承故障類型識別結果后，返回步驟4.3；
61、步驟4.5，完成對高危泵軸承故障診斷模型的訓練，得到訓練后的高危泵軸承故障診斷模型。
62、優選地，所述模型超參數包括學習率、卷積核尺寸和步長。
63、優選地，所述步驟5中，包括以下子步驟：
64、步驟5.1，設置最大驗證次數；
65、步驟5.2，將驗證集中的高危泵軸承故障數據樣本輸入至步驟4訓練后的高危泵軸承故障診斷模型中，利用訓練后的高危泵軸承故障診斷模型根據高危泵軸承故障數據樣本中高危泵的振動信號識別故障類型，確定高危泵軸承故障類型的編號，得到高危泵軸承故障類型識別結果；
66、步驟5.3，將高危泵軸承故障診斷模型所識別故障類型編號與高危泵軸承故障數據樣本內的標簽進行對比，計算高危泵軸承故障診斷模型對于高危泵軸承故障數據樣本識別的準確率，并與預設的精度值進行對比，若準確率小于預設的精度值，則返回步驟3中，繼續利用訓練集對高危泵軸承故障診斷模型進行訓練；否則，則進入步驟5.4中；
67、步驟5.4，完成對高危泵軸承故障診斷模型的驗證，得到驗證后的高危泵軸承故障診斷模型。
68、優選地，所述步驟6中，包括以下子步驟：
69、步驟6.1，將測試集中的高危泵軸承故障數據樣本輸入至步驟5驗證后的高危泵軸承故障診斷模型中，利用驗證后的高危泵軸承故障診斷模型根據高危泵軸承故障數據樣本中高危泵的振動信號識別故障類型，確定高危泵軸承故障類型的編號，得到高危泵軸承故障類型識別結果；
70、步驟6.2，將高危泵軸承故障診斷模型所識別故障類型編號與高危泵軸承故障數據樣本內的標簽進行對比，計算高危泵軸承故障診斷模型對于高危泵軸承故障數據樣本識別的準確率，并與預設的精度值進行對比，若準確率小于預設的精度值，則返回步驟3中，繼續利用訓練集對高危泵軸承故障診斷模型進行訓練；否則，則進入步驟6.3中；
71、步驟6.3，驗證后的高危泵軸承故障診斷模型測試合格，完成對高危泵軸承故障診斷模型的測試。
72、一種用于高危泵軸承故障診斷的可讀存儲介質，包括用于執行如上所述的高危泵軸承振動智能檢測方法的指令。
73、本發明具有的有益效果為：
74、本專利提出了一種高危泵軸承振動智能檢測裝置及方法，解決了現有高危泵故障檢測方法中高度依賴專業人員經驗、檢測時間過長以及檢測環境要求苛刻的問題，實現了對高危泵軸承故障類型的實時檢測，有利于快速識別高危泵的軸承故障類型，快速準確地定位高危泵故障軸承，指導高危泵的維修。
75、同時，本發明方法基于多尺度wdcnn-attention模型構建高危泵軸承故障診斷模型，提高了高危泵軸承故障類型判斷的準確性、可靠性和輕量化，從數據分析角度為石油化工企業的安全生產提供了技術支持，有利于泵行業的數字化轉型，提升了高危泵軸承故障的智能化檢測水平，為保障石化企業設備的安全運行提供了依據。