一种污水污物潜水电泵运行状态监测方法及系统 |
|||||||
| 申请号 | CN202410308793.7 | 申请日 | 2024-03-19 | 公开(公告)号 | CN117909621A | 公开(公告)日 | 2024-04-19 |
| 申请人 | 青蛙泵业股份有限公司; | 发明人 | 聂国军; 罗小伍; 陈金强; 郭亚平; | ||||
| 摘要 | 本 发明 涉及非电容式 泵 技术领域，具体涉及一种污 水 污物潜 水电 泵运行状态监测方法及系统，包括：采集潜水电泵运行过程中各时间段的 电流 数据并得到各PR分量；根据各PR分量内数据变化构建潜水电泵抽送阻塞度；结合距离当前多个时间段的电流数据、潜水电泵抽送阻塞度构建当前时间段的潜水泵内污水粘稠干扰凌乱指数；对当前时刻多个时间段的潜水泵内污水粘稠干扰凌乱指数采用神经网络，得到当前时间段的污水污物潜水电泵运行状态评估系数，完成对潜水电泵运行状态的实时监测。本发明能及时发现潜在 风 险，降低异常灵敏度的 缺陷 。 | ||||||
| 权利要求 | 1.一种污水污物潜水电泵运行状态监测方法，其特征在于，该方法包括以下步骤： |
||||||
| 说明书全文 | 一种污水污物潜水电泵运行状态监测方法及系统技术领域[0001] 本申请涉及非电容式泵技术领域，具体涉及一种污水污物潜水电泵运行状态监测方法及系统。 背景技术[0002] 污水污物潜水电泵是一种用于处理含有污水、废水或其他脏物质的潜水泵。这类泵通常设计用于在潜水状态下运行，能够将污水或废水从较低位置抽送到较高位置，以便有效处理和排放。产品广泛应用于市政污水工程、地下建筑物排水、工业、养殖业排污、家庭废、污水泵送等环境中，能够在恶劣的条件下运行，处理含有固体颗粒、悬浮物和其他污染物的液体。这类电泵在运行过程中可能面临固体颗粒导致泵的叶轮或泵体堵塞、零部件的磨损和老化影响泵的性能等问题。对污水污物潜水电泵进行实时检测具有重要意义。 [0003] 现有潜水电泵监测方法是通过检测运行状态下叶轮的转速及电压电流数据构建实时函数，将实时函数与正常运行状态的初始值函数进行比较，若二者不匹配则控制平台报警。由于潜水电泵的叶轮型号不同，其性能存在一定差异，以及电泵在不同的污水污物条件中运行状态也不一样，存在只是简单与初始值函数进行比较，导致系统对异常灵敏度过高的缺陷，易出现误检或漏检。发明内容 [0004] 为了解决上述技术问题，本发明提供一种污水污物潜水电泵运行状态监测方法及系统，所采用的技术方案具体如下：第一方面，本发明实施例提供了一种污水污物潜水电泵运行状态监测方法，该方法包括以下步骤： 采集潜水电泵运行过程中各时间段的电流数据；采用ITD算法对电流数据进行分解得到各PR分量； 根据除最后一个PR分量的各PR分量内数据的差异变化获取电流数据稳定系数；根据最后一个PR分量内数据的趋势变化获取电流数据趋势系数；根据电流数据稳定系数以及电流数据趋势系数构建潜水电泵抽送阻塞度；获取各时间段内的前两个PR分量的频率幅度谱，并得到合成谱；根据当前时间段以及前M个时间段的所述合成谱内的数据差异得到电流数据突变度；结合电流数据突变度、当前时间段以及前M个时间段内的潜水电泵抽送阻塞度构建当前时间段的泵内污水粘稠干扰系数；根据当前时间段以及前M个时间段的泵内污水粘稠干扰系数构建当前时间段的潜水泵内污水粘稠干扰凌乱指数； 对当前时刻的前m分钟内的各时间段的潜水泵内污水粘稠干扰凌乱指数采用神经网络，得到当前时间段的污水污物潜水电泵运行状态评估系数，当污水污物潜水电泵运行状态评估系数的归一化值大于预设评估系数阈值时，则表示潜水电泵的运行状态异常；反之，则表示正常。 [0005] 优选的，所述根据除最后一个PR分量的各PR分量内数据的差异变化获取电流数据稳定系数，包括：对于除最后一个PR分量的各PR分量，获取PR分量所有数据的均值； 计算PR分量内各数据值与所述均值的差值绝对值，将除最后一个PR分量的所有PR分量内所有数据的所述差值绝对值的均值作为电流数据稳定系数。 [0006] 优选的，所述根据最后一个PR分量内数据的趋势变化获取电流数据趋势系数，包括：获取最后一个PR分量内数据的最大值、最小值以及对应的最大值索引值、最小值索引值； 计算所述最大值与所述最小值的差值，计算所述最大值索引值与所述最小值索引值的差值绝对值，将所述差值与所述差值绝对值的比值作为电流数据趋势系数。 [0007] 优选的，所述根据电流数据稳定系数以及电流数据趋势系数构建潜水电泵抽送阻塞度，包括：获取电流数据的标准差；计算所述电流数据稳定系数与所述电流数据趋势系数的和值，将所述和值与所述标准差的乘积作为潜水电泵抽送阻塞度。 [0008] 优选的，所述获取各时间段内的前两个PR分量的频率幅度谱，并得到合成谱，包括：对于各时间段的前两个PR分量，将前两个PR分量进行曲线拟合得到两条曲线；对所述两条曲线分别采用包络谱分析得到两个频率幅度谱； 将两个频率幅度谱对应各频率的幅值计算均值，将所有频率的所述均值按照频率从小到大排序组成合成谱。 [0009] 优选的，所述根据当前时间段以及前M个时间段的所述合成谱内的数据差异得到电流数据突变度，包括：将当前时间段以及前M个时间段的所述合成谱按照时间顺序组成局部时间段； 获取所述局部时间段数据的平均值；计算所述局部时间段内各数据与所述平均值的差值绝对值，将所述局部时间段内所有数据的所述差值绝对值的和值作为电流数据突变度。 [0010] 优选的，所述结合电流数据突变度、当前时间段以及前M个时间段内的潜水电泵抽送阻塞度构建当前时间段的泵内污水粘稠干扰系数，包括：分别计算当前时间段与前M个时间段的潜水电泵抽送阻塞度之间的差值绝对值，将前M个时间段所有的所述差值绝对值的均值与所述电流数据突变度的乘积作为泵内污水粘稠干扰系数。 [0011] 优选的，所述根据当前时间段以及前M个时间段的泵内污水粘稠干扰系数构建当前时间段的潜水泵内污水粘稠干扰凌乱指数，包括：对于当前时间段以及前M个时间段的各泵内污水粘稠干扰系数，获取各泵内污水粘稠干扰系数的概率统计值，将所述概率统计值作为以自然常数为底数的对数函数的真数，计算所述真数与所述概率统计值的乘积，计算当前时间段以及前M个时间段的所有所述乘积的和值的相反数； 获取当前时间段的电流数据均值；将所述电流数据均值与所述相反数的比值作为当前时间段的潜水泵内污水粘稠干扰凌乱指数。 [0012] 优选的，所述对当前时刻的前m分钟内的各时间段的潜水泵内污水粘稠干扰凌乱指数采用神经网络，得到当前时间段的污水污物潜水电泵运行状态评估系数，包括：对于当前时刻的前m分钟内的各时间段，将各时间段的潜水泵内污水粘稠干扰凌乱指数、电流数据作为神经网络的输入，输出得到当前时间段的污水污物潜水电泵运行状态评估系数。 [0013] 第二方面，本发明实施例还提供了一种污水污物潜水电泵运行状态监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。 [0014] 本发明至少具有如下有益效果：本发明通过对潜水电泵的电流数据进行分析，由于在高粘稠度的污水中的叶轮需要克服更大阻力，根据电流数据的变化构建了潜水电泵抽送阻塞度和泵内污水粘稠干扰系数，具有发现潜在风险的有益效果。结合LSTM神经网络对电流数据和潜水泵内污水粘稠干扰凌乱指数判断电泵运行状态，弥补了现有检测方法只是简单与初始值函数进行比较而存在对异常灵敏度过高的缺陷。 附图说明 [0015] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。 [0016] 图1为本发明提供的一种污水污物潜水电泵运行状态监测方法的流程图；图2为潜水电泵的运行状态指标构建示意图。 具体实施方式[0017] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种污水污物潜水电泵运行状态监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。 [0018] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。 [0019] 下面结合附图具体的说明本发明所提供的一种污水污物潜水电泵运行状态监测方法及系统的具体方案。 [0020] 本发明一个实施例提供的一种污水污物潜水电泵运行状态监测方法及系统。 [0022] 本实施例以双流道潜水排污泵为例，该潜水排污泵采用双流道叶轮，在排污水性能方面表现优异，允许抽送出口管径2倍长度的软纤维物质。由于污水污物中包含大量纤维物和颗粒，水质的粘稠度增高，在管道中更不易流动，潜水电泵的叶轮旋转需要克服助力。 [0023] 粘稠度越大，需要克服的助力的越大，电路中的需要的电流也越大。因此，对电流的监测可以提供关于电泵运行状态的实时信息。通过分析电流的变化，可以及时了解电泵的工作状况，从而做出合适的操作和调整。另外，检测电流变化能够提供过载保护。 [0024] 本实施例在潜水电泵的供电端一侧安装分流电阻电流传感器，传感器每隔50ms采集一次电流值，得到一组时间序列数据，即电流数据。采集过程可能受到仪器以及外部各种因素的影响。为了应对这些潜在影响，我们对数据进行了预处理。使用优先队列算法对采集的数据进行清洗，旨在减少对后续计算的干扰。将预处理得到的电流数据记为 。 [0025] 步骤S002，对检测的电流数据进行分析，构建各时间段的潜水泵内污水粘稠干扰凌乱指数，用于判断电泵的运行状态。 [0026] 由于传感器采集的数据是连续的时序数据，形成了一个持续不断的数据流，数据量一旦过大，计算复杂度就会显著增加。因此，我们选择了一个特定的时间段来分析其中的数据异常情况。在本实施例中，我们选取时间段的长度为1秒的电流数据来进行分析和评估。接下来，本实施例以第x个时间段的电流数据进行分析，其他时间段的电流数据的分析过程与以下分析方法一致。 [0027] 首先，当潜水电泵在处理污水污物时，可能会面临堵塞问题。在城市家庭废、污水泵送环境中，导致堵塞的原因之一可能是污水中含有的固体颗粒，如纤维、悬浮物、沙土这个物质在潜水电泵的吸入口或泵体内部堆积，导致通道狭窄，最终形成堵塞。另一个重要的原因是家庭污水中可能含有大量布料、塑料袋等长杂物，这些长杂物容易缠绕在泵的叶轮、泵体或传送部件上，形成纠缠阻碍泵的正常运转。 [0030] ITD的输入为上述步骤预处理得到的电流数据 ，输出为代表了不同频率的PR分量。本实施例设置PR分量的层数为5，将前4层记为PR1、PR2、PR3和PR4，将最后一层记为PSE，实施者可根据实际情况自行设定。因为最后一层为原始信号的最低频信息，表示了原始信号的趋势。结合各PR分量，构建潜水电泵抽送阻塞度：式中， 表示第x个时间段内的潜水电泵抽送阻塞度， 表示第x个时间段内 的电流数据稳定系数， 表示第x个时间段内的电流数据趋势系数， 表示第x个时间段内的电流数据标准差值。 表示ITD算法的分解层数， 表示每一层PR分量在第x个时间段内的数据个数。 表示第x个时间段内第p层分量的第i个数据值， 表示第x个时间段内第p层分量的均值， 表示第x个时间段内的最后一层PR分量数据，和 分别表示取数据的最大和最小值时对应的索引值。为调节参数，为 了分母计算为0，取经验值为1。 [0031] 在潜水电泵正常运行状态中，电流数据会趋于平稳，若ITD分解得到的不同PR分量在时间段内的均值接近各时间点的数据，计算的 值偏小，得到的电流数据稳定系数 越小，表明在该时间段内电流数据在高频部分表现稳定。而PSE分量中的最大值与最小值差越小，同时对应下标值越接近， 越低，表示时间段内电流数据没有明显的变化趋势。 的值从频域角度分析了电泵的运行状态， 从时域角度分析 电泵的运行状态。当计算的潜水电泵抽送阻塞度 越大，电流数据出现剧烈跳动，表明潜水电泵抽送过程中可能发生了堵塞。 [0032] 潜水电泵抽送污水发生堵塞时，叶轮直接停止转动。然而在大多数情况下，叶轮的转速直接受污水粘稠度的影响，家庭废、污水的粘稠度在抽送中不断变化。污水粘稠度越高，其转速越慢，在电流数据中表现为相较于前M个时间段的电流值，其变动状态越不规律。 [0033] 通过电流数据的频率突变幅值，分析潜水泵的工作状态。ITD分解得到的PR分量，其中PR1和PR2含有明显的突变成分，对PR1和PR2进行Hilbert包络谱分析，由于Hilbert包络谱分析需要在连续数据上进行，先对PR1和PR2进行最小二乘曲线拟合，然后经过得到Hilbert包络谱分析结果记为lop1和lop2，其中lop1和lop2为频率幅度谱。并将lop1和lop2的频率幅度谱对应各频率的幅值计算均值，将各频率的均值按照频率从小到大的顺序排序组成合成谱，记为lopM。其中， Hilbert包络谱分析技术与最小二乘曲线拟合均为公知技术，本实施例不再赘述。 [0034] 结合潜水电泵抽送阻塞度 及前M个时间段内的电流数据状态，构建泵内污水粘稠干扰系数。 [0035]式中， 表示第x个时间段内的泵内污水粘稠干扰系数， 表示第x个时间段的前 个时间段， 和 分别表示第x个时间段和第j个时间段内的潜水电泵抽送阻塞度， 表示第x个时间段下的电流数据突变度， 表示合成谱中的数据个数， 表示第x及其前 个时间段的合成谱组成的局部时间段中的第k个数据值， 表示第x及其前 个时间段的合成谱组成的局部时间段的平均值，其中，局部时间段为按照第x及其前 个时间段的时间顺序将所有的合成谱依次排序组成。 [0036] 在第x个时间段下的前M个时间段中，各个时间段的污水内固体颗粒、纤维含量是不均匀的，污水粘稠度不一样，电泵的抽送阻塞度也不一样。而大量固体颗粒、纤维的出现比较随机，若第x个时间段内出现的堵塞物偏多，而前M个时间段的堵塞物整体偏少，则计算的 的绝对值变大，表明电泵正抽送粘稠度偏大的污水。同时，为了增加对高粘稠污水的抽送能力，会增大电流，导致第x及其前M个时间段内的电流突变较大，的值变大，计算的 值也变大。最后泵内污水粘稠干扰系数越高，说明当前电泵抽送污水需要更高的电流及功率，污水的粘稠度对电泵造成的负荷越大。 [0037] 电泵工作时，污水中的固体颗粒、纤维的含量在不同时刻是不均匀的。若电泵长时间在高粘稠度的污水中运行，容易导致叶轮出现损坏，以及线路安全问题也会出现，其潜在风险也越高。由此，为了判断潜水电泵可长期工作的状态，构建潜水泵内污水粘稠干扰凌乱指数：式中， 表示第x个时间段下的潜水泵内污水粘稠干扰凌乱指数， 表示 第x个时间段内的电流均值， 表示第x个时间段的前 个时间段， 表示第x及其前个时间段内 值的概率统计值， 表示以自然常数2为底数的对数函数。 [0038] 若在第x及其前 个时间段内潜水电泵一直处于抽送高粘稠污水的大负载状态中，则对应各时间段的泵内污水粘稠干扰系数的概率变大， 值变大说明电泵在高负载运行，计算的潜水泵内污水粘稠干扰凌乱指数 越大，表明电泵处于长时间的高负载工作状态，对电泵的损耗变大，可能需要提供过载保护。 [0039] 步骤S003，根据各时间段的潜水泵内污水粘稠干扰凌乱指数，结合神经网络算法，对潜水电泵的运行状态进行实时监测。 [0040] 本实施例采用LSTM神经网络，将以往采集的电流数据作为训练数据，训练时优化器设置为Adam，采用交叉熵作为损失函数。算法的输入为当前时刻前m分钟内每个时间段的潜水泵内污水粘稠干扰凌乱指数、电流数据，输出为当前时间段的污水污物潜水电泵运行状态评估系数R。其中，LSTM神经网络为公知技术，本实施例不再赘述。 [0041] 当当前时间段的污水污物潜水电泵运行状态评估系数R的归一化值高于预设评估系数阈值时，则表示潜水电泵的运行状态异常，同时将异常运行状态发送至工作人员；反之则表示潜水电泵的运行状态正常。其中，本实施例设置评估系数阈值为经验值0.5，实施者可根据实际情况自行设定。潜水电泵的运行状态指标构建示意图如图2所示。 [0042] 至此，本实施例完成。 [0043] 基于与上述方法相同的发明构思，本发明实施例还提供了一种污水污物潜水电泵运行状态监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种污水污物潜水电泵运行状态监测方法中任意一项所述方法的步骤。 [0044] 综上所述，本发明实施例通过对潜水电泵的电流数据进行分析，由于在高粘稠度的污水中的叶轮需要克服更大阻力，根据电流数据的变化构建了潜水电泵抽送阻塞度和泵内污水粘稠干扰系数，具有发现潜在风险的有益效果。结合LSTM神经网络对电流数据和潜水泵内污水粘稠干扰凌乱指数判断电泵运行状态，弥补了现有检测方法只是简单与初始值函数进行比较而存在对异常灵敏度过高的缺陷。 [0045] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。 [0046] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。 [0047] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。 |
||||||
