(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210892583.8 (22)申请日 2022.07.27 (65)同一申请的已公布的文献号 申请公布号 CN 114997246 A (43)申请公布日 2022.09.02 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 童哲铭　刘浩　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 傅朝栋　张法高 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01)G06V 10/26(2022.01) G06V 10/44(2022.01) F04D 15/00(2006.01) (56)对比文件 CN 114548272 A,202 2.05.27 CN 114263621 A,202 2.04.01 CN 111401136 A,2020.07.10 US 2011241888 A1,201 1.10.06 曹玉良等.基 于深度学习的离心泵空化状态 识别. 《西安交通大 学学报》 .2017,(第1 1期), 吴侃.离心泵空化状态识别方法研究与实 现. 《中国优秀硕士学位 论文全文数据库》 .2019, Ahmet Kose等.System identificati on models and usi ng neural netw orks for Ground Source Heat Pump w ith Ground Temperature Model ing. 《IEEE》 .2016, 审查员 路璐 (54)发明名称 一种流体机械振动数据驱动的空化状态识 别方法 (57)摘要 本发明公开了一种流体机械振动数据驱动 的空化状态识别方法， 属于大数据学习模型领 域。 本发明利用空化数据集训练自适应神经网络 形成空化状态识别模型， 从而可以通过布置于目 标离心泵上不同位置的所有振动传感器在线采 集振动信号序列， 并将采集的振动信号序列输入 训练得到的空化状态识别模型中， 在线预测得到 目标离心泵当前的实时空化强度。 而且本发明所 预测的空化强度可以采用更加细致的量化标签， 从而实现了对空化发展程度的细粒度预测。 权利要求书2页 说明书11页 附图2页 CN 114997246 B 2022.12.13 CN 114997246 B 1.一种流体机 械振动数据驱动的空化状态 识别方法， 其特 征在于， 包括： S1： 获取针对目标离心泵构建的空化数据集； 所述空化数据集中的每个训练样本包括 输入数据和标签， 所述输入数据为布置于离心泵 上不同位置的所有振动传感器在一个空化 条件下采集的振动信号序列， 所述标签为离心泵在输入数据对应的空化条件下的空化强 度； 且所述空化 强度是在壳体透明的离心泵运行过程中利用外部成像设备拍摄泵内叶轮区 域图像， 并进一 步通过计算从图像中识别的空化区域和叶轮流道的面积之比而得到的； S2： 利用所述空化数据集训练自适应神经网络， 得到空化状态识别模型； 所述自适应神 经网络以布置于离心泵上不同位置的所有振动传感器采集的振动信号序列为输入， 通过对 输入的振动信号序列进行高维特征提取， 最终通过分类和 回归输出对应的空化强度预测 值； S3、 通过布置于目标离心泵上不同位置的所有振动传感器在线采集振动信号序列， 并 将采集的振动信号序列输入训练得到的空化状态识别模型中， 在线预测得到目标离心泵当 前的实时空化强度。 2.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 当目 标离心泵得到多组在线预测结果后， 将其中置信度高于阈值的振动信号序列和对应的空化 强度构建为新的训练样本， 并扩充至所述空化数据集中， 重新训练自适应神经网络， 更新空 化状态识别模型， 使模型定期进行自主学习。 3.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 空化数据集通过将测试泵安装于测试系统中进 行多工况试验得到， 且所述测试泵的壳体采 用透明材质， 内部结构与目标离心泵完全相同。 4.如权利要求3所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 多工况试验的具体方法为： 在目标离心泵的流量调节范围内， 采样不同的流量条件， 并在每一种流量条件下对测 试泵进行空化试验； 在每一次空化试验过程中， 先保证测试泵内的流量稳定在当前流量条 件下， 然后按照预设的压力控制点逐步降低测试泵入口压力使得测试泵内逐渐产生空化， 且在每一个压力控制点处维持一段稳态时间并在该段稳态时间中利用布置于测试泵上不 同位置的振动传感器分别采集的振动信号序列， 同时同步利用布置于测试泵外部的成像设 备透过透明壳体拍摄泵内叶轮区域图像； 针对拍摄得到的泵内叶轮区域图像进行 空化区域 和叶轮流道的识别， 并用空化区域的像素数量与叶轮流道的像素数量之比作为对应的流量 条件和压力控制点下的空化强度。 5.如权利要求4所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 测试泵进行空化试验， 测试泵连接于供水 的储罐上， 通过调节储罐内部的负压程度来改变 测试泵入口压力。 6.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 自适应神经网络采用自适应一 维卷积神经网络模型， 模型由输入层、 多层卷积池化模块、 全 连接层和输出层级联而成； 所述输入层中， 首先对输入的振动信号序列进行归一化， 然后将每个传感器的振动信 号序列按照固定时间窗口滑移切分为一系列序列切片， 每个序列切片的长度至少覆盖离心 泵叶轮的一个转动周期；权　利　要　求　书 1/2 页 2 CN 114997246 B 2每层所述卷积池化模块均由一层卷积层之后级联一层最大池化层组成， 其中卷积层的 输入为上一层 网络层的输出， 卷积层的激活函数输出作为最大池化层的输入， 最大池化层 输出作为下一网络层的输入； 且最后一层卷积池化模块中的最大池化层对 卷积核大小进行 自适应调整， 使其输出的特 征向量适应于所述输出层的输入维度； 所述全连接层中， 对最后一层卷积池化模块输出的特 征向量进行全连接操作； 所述输出层中， 通过对全连接层输出的特征向量进行分类回归， 得到空化强度的预测 标签。 7.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 自适应神经网络中， 分别对每一个振动传感器采集的振动信号序列输出对应的空化 强度标 签概率分布， 然后将所有振动传感器对应的空化强度标签概率分布进行平均， 从平均概率 分布中选择概 率最大的空化强度标签作为 最终输出的空化强度预测值。 8.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 S2中训练自适应神经网络时， 先将所有空化强度标签进行分组， 再以空化强度标签为依据 对空化数据集进行划分， 每一组空化强度标签得到一个子数据集， 利用每个子数据集分别 训练一个 自适应神经网络并形成对应的空化状态识别模型； 所述S3中进行在线预测时， 将 在线采集的振动信号序列分别输入各个空化状态识别模型中， 分别 在线预测得到目标离心 泵当前的空化强度标签以及其置信度， 选择置信度最高的空化强度标签作为最终的实时空 化强度。 9.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所述 成像设备采用高速摄 像机。 10.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法， 其特征在于， 所 述目标离心泵上的振动传感器分别布置 于泵入口、 泵出口以及出入口之间的壳体上。权　利　要　求　书 2/2 页 3 CN 114997246 B 3