一种离心泵汽蚀状态监测方法、装置、设备和存储介质与流程

1.本技术涉及离心泵故障监测技术领域，尤其是涉及一种离心泵汽蚀状态监测方法、装置、设备和存储介质。


背景技术：

2.离心泵进水口处的绝对压力减小到当时水温下的汽蚀压力时，水会发生汽化，液态的水将在离心泵入水口形成气体，从而形成许多小气泡。这些小气泡随水流进高压区时，气泡迅速破裂，破裂产生巨大的水力冲击以每秒钟数万次的频率反复作用在离心泵的叶轮上，时间一长，就会使叶轮的叶片逐渐因疲劳损伤而剥落，这种现象称为汽蚀。
3.汽蚀初生时，对水泵外特性并无明显影响，汽蚀发展到一定程度后，水泵的功率、效率、流量和扬程等数据会突然下降。当汽蚀充分发展后，水流的有效过流面积会减小很多，以致引起水流中断，而不能工作，叶片剥蚀和腐蚀严重时，会产生叶片断裂或穿孔等重大事故。
4.因此，需要监测离心泵是否出现汽蚀，并予以消除。相关技术中，通常会监测水泵运行时发出的机械振动、噪声、超声波以及液体压力、温度等数据，再对数据进行分析以判断离心泵的汽蚀状况。但在上述中的相关技术中，比如通过泵入口压力传感器、泵出口压力传感器、泵体振动传感器、声音传感器、泵驱动机功率传感器以及收集前述信息的信号收集器，得到泵扬程值、泵体振动值、泵驱动功率值等数据，将得到的数据与预存储数据实时比对，判断汽蚀状态，存在需要在离心泵内部或管道内部安装大量传感器的问题，通常一种数据就要搭配一种专用的传感器，如果传感器受损，更换时还需要让离心泵停机，甚至拆开离心泵进行维护。
5.因此，另一种方式是通过监测管道液体中气泡的大小、密度等状态，判断离心泵汽蚀的严重程度，如采用电容法和光电法监测离心泵管道内气泡的状态。但是，通过光电法和电容法监测气泡来判断汽蚀情况，比如在管道两侧各放一个电容极板测量两个极板之间的电容变化，推算管道内液体介质的变化情况，则存在难以获得汽蚀关键数据获取的数据量少、数据的种类少以至于无法采用人工智能自动监测的问题，监测离心泵汽蚀状态的识别度较低。


技术实现要素：

6.为了解决上述问题，本技术提供了一种离心泵汽蚀状态监测方法、装置、设备和存储介质，能够实现通过超声波探测液体介质内的气泡，得到用于判断离心泵汽蚀状态的数据液体介质的实时状态数据，准确地判断离心泵是否属于危险汽蚀。
7.第一方面，本技术提供一种离心泵汽蚀状态监测方法，采用如下的技术方案：采集来自离心泵出口管道中液体介质的超声波信号信息；对所述超声波信号信息进行预处理，得到超声波信号信息数据，其中，所述超声波信号信息数据包括波形信号、计数信号和时差信号；
将超声波信号信息数据输入预训练的神经网络模型中，计算液体介质的实时状态数据，将实时状态数据与预设状态数据进行比较，以及，进行逻辑运算，判断离心泵汽蚀状态，得到超声波信号信息的处理结果；输出超声波信号信息的处理结果。
8.通过采用上述技术方案，能够以采集到的超声波信号信息数据计算液体介质的实时状态数据，避免了在离心泵和管道内设置传感器；超声波携带的信息量足够大，能够为神经网络模型提供足够的训练数据；神经网络模型经过训练达到满意的检测精度后，就能够实现对离心泵汽蚀状态进行实时监测。
9.可选的，所述预处理步骤包括：采集超声波信号信息中的电压信号；对电压信号进行模数转换；将模数转换后电压信号与参考信号进行对比，得到所述波形信号、计数信号和时差信号。
10.通过采用上述技术方案，将采集到的超声波信号信息转化为计算机可识别的数字信号，继而神经网络模型能够计算出液体介质的实时状态数据并判断离心泵汽蚀状态。
11.可选的，所述实时状态数据包括液体介质中气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、液体介质的脉动压力和液体介质的温度；其中，通过神经网络模型计算所述波形信号、计数信号和时差信号，得到气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度。
12.通过采用上述技术方案，统计波形信号的连续性能够得到气泡出现的时间点；统计波形信号幅值的平均值和标准差能够得到气泡的密度，通过比较幅值的标准差，还能识别出空气气泡和液体蒸气气泡，得到更为准确的气泡出现的时间点；对信号中的异常时基脉冲计数，可以计算出气泡的大小；对信号中的异常采样次数计时，可以计算气泡的持续时长；根据超声波的时差，能够计算液体介质的流速和静液声速，根据液体介质的流速能够进一步计算液体介质的脉动压力，统计一段时间内液体介质脉动压力的变化能够得到液体介质的压力脉动，汽蚀是因液体蒸汽气泡在高压区破裂而产生的，因此，液体介质的压力脉动在汽蚀监测中是非常关键的状态数据，根据静液声速能够进一步计算液体介质的温度。
13.可选的，所述预设状态数据包括出现危险汽蚀时和出现非危险汽蚀时气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度；获取所述预设状态数据的步骤包括：预设多个时间段和多种液体介质流速，将一个预设时间段内处于一种预设液体介质流速下的离心泵工况作为一种预设工况；采集每一种预设工况下来自离心泵出口管道中液体介质的超声波信号信息；判断每一种预设工况下离心泵的汽蚀状态并根据对应的超声波信号信息计算液体介质的状态数据；存储所有预设工况下的离心泵汽蚀状态和对应的液体介质的状态数据作为预设状态数据。
14.通过采用上述技术方案，得到待监测离心泵的预设状态数据，不仅能够用于训练神经网络模型，也能在实际监测时，作为预设状态数据与实时状态数据进行对比；设置多个
工况能够获得更为准确的预设状态数据，提高模型的检测精度。
15.可选的，所述神经网络模型为前馈神经网络模型，包括输入层、隐函数层和输出层；其中，所述输入层用于将波形信号、计数信号和时差信号传递到隐函数层中；所述隐函数层用于计算实时状态数据、比较实时状态数据与预设状态数据和进行逻辑运算；所述输出层用于向前馈神经网络模型外输出运算结果；得到所述运算结果的步骤包括：计算实时状态数据；将计算得到的实时状态数据与预设工况下的预设状态数据进行比较，对比较结果进行逻辑运算，得到危险汽蚀/非危险汽蚀的运算结果；所述计算实时状态数据的步骤包括：根据所述波形信号计算液体介质中气泡出现的时间点和气泡的密度；根据计数信号计算液体介质中气泡的大小和气泡持续的时长；根据时差信号计算液体介质的脉动压力和液体介质的温度。
16.通过采用上述技术方案，前馈神经网络模型能够根据实时状态数据，自动判断离心泵的汽蚀状态。
17.可选的，在所述输入层接收波形信号、计数信号和时差信号之前，还包括：所述前馈神经网络模型对自身的权重矩阵随机初始化并选择非线性最优化算法作为优化算法；在所述输出层输出运算结果后，还包括：所述前馈神经网络模型计算损失函数并使用反向传播法调试权重矩阵，前馈神经网络模型迭代至预设次数时终止迭代。
18.通过采用上述技术方案，前馈神经网络的权重矩阵能够得到优化，更适合待测试的离心泵，前馈神经网络的检测精度得到提高。
19.第二方面，本技术提供一种离心泵汽蚀状态监测装置，采用如下的技术方案：采集模块，用于采集来自离心泵出口管道中液体介质的超声波信号信息；数据预处理模块，用于对所述超声波信号信息进行预处理，得到超声波信号信息数据，所述超声波信号信息数据包括波形信号、计数信号和时差信号；计算模块，用于将超声波信号信息数据输入神经网络模型中，所述神经网络模型用于计算液体介质的实时状态数据；比较模块，用于将实时状态数据与预设状态数据进行比较，得到离心泵汽蚀状态的监测结果。
20.第三方面，本技术提供一种计算机设备，采用如下的技术方案：一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任一项所述的离心泵汽蚀状态监测方法。
21.第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一项所述的离心泵汽蚀状态监测方法的计算机程序。
22.综上所述，本技术包括以下至少一种有益技术效果：能够以采集到的超声波信号信息数据计算液体介质的实时状态数据，避免了在离
心泵和管道内设置传感器；超声波携带的信息量足够大，能够为神经网络模型提供足够的训练数据；神经网络模型经过训练达到满意的检测精度后，就能够实现对离心泵汽蚀状态进行实时监测。
附图说明
23.图1是本技术其中一种实施方式的离心泵汽蚀状态监测方法的第一流程示意图。
24.图2是本技术其中一种实施方式的离心泵汽蚀状态监测方法的第二流程示意图。
25.图3是本技术其中一种实施方式的离心泵汽蚀状态监测方法的第三流程示意图。
26.图4是本技术中前馈神经网络模型的流程示意图。
27.图5是本技术中前馈神经网络训练步骤的流程示意图。
28.图6是本技术中一种实施例的流程示意图。
29.图7是本技术其中一个实施例的离心泵汽蚀状态监测装置的结构框图。
具体实施方式
30.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图1-,7及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
31.本技术提供一种离心泵汽蚀状态监测方法。
32.如图1所示，包括以下步骤：步骤s101、获取预设状态数据，参照图2，具体步骤为：s1011、预设多个时间段和多种液体介质流速，将一个预设时间段内处于一种预设液体介质流速下的离心泵工况作为一种预设工况；s1012、采集每一种预设工况下来自离心泵出口管道中液体介质的超声波信号信息；s1013、判断每一种预设工况下离心泵的汽蚀状态并根据对应的超声波信号信息计算液体介质的状态数据；s1014、存储所有预设工况下的离心泵汽蚀状态和对应的液体介质的状态数据作为预设状态数据；在本实施方式中，为了能够取得更全面的数据，预设包括早间、午间和晚间三个时间段内，液体流速分别为高流速、中流速和低流速时离心泵的九种工况，获取各个预设工况下的液体介质状态信息和离心泵的汽蚀状态，考虑到不同时间段的大气压、温度等外部因素不同，液体介质的状态会受到不同程度的影响，将6时至11时划分为早间，设置液体的流速为高流速、中流速和低流速三种，将11时至19时划分为午间，设置液体的流速为高流速、中流速和低流速三种，将19时至6时划分为晚间，设置液体的流速为高流速、中流速和低流速三种，当然，可以根据实际情况，调整时段划分和流速设置，如，将每个小时划分为一个时段，每个时段设置液体的流速为高流速和低流速两种；在本实施方式中，分别在预设的九种工况下，以斜束角度向离心泵出口管道中的液体介质发射超声波，采集来自离心泵出口管道中液体介质的超声波信号信息，获取各个预设工况下的液体介质状态信息，离心泵的汽蚀状态包括危险汽蚀和非危险汽蚀两种，当
然，也可以根据离心泵的实际情况对离心泵的汽蚀状态进行划分，如，将离心泵的汽蚀状态划分为非危险汽蚀、一级危险汽蚀、二级危险汽蚀和三级危险汽蚀，离心泵的汽蚀状态在本实施方式中由人工进行判断，获取的预设工况下的液体介质状态信息和离心泵的汽蚀状态将作为前馈神经网络模型的训练数据；当然，还可以获取对应工况下，离心泵的作业时间、振动频率、流动压力、扬程、电压、流量、功率等信息，与后续前馈神经网络模型得到的计算结果相结合，进一步判断离心泵的汽蚀状态；采用斜束角度发射超声波属于透射监测，相比垂直发射超声波进行反射监测，透射监测具有更强的精度和抗干扰能力，斜束角度可以是30
°
、45
°
或60
°
等角度，可以使用超声波换能器、超声波探头等装置发射超声波，超声波发生装置安装在管道外壁就能达到探测效果，实现非接触监测；在本实施方式中，由于汽蚀是由液体蒸气气泡破裂产生的，而离心泵由于自身工作原理，进口管道中有可能含有大量的空气气泡，过多的空气气泡会造成干扰，因此选择探测出口管道中液体介质的气泡状态；在本实施方式中，能从超声波中获取六种用于判断汽蚀状态的信息，包括气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、液体介质的脉动压力和液体介质的温度，而通过光电法和电容法得到的信息较为片面，数据量少、数据的种类少，难以获取液体压力脉动等关键数据，不足以训练前馈神经网络模型达到自动判断汽蚀状态的目的。
33.步骤s102、对超声波信号信息进行预处理，得到超声波信号信息数据，所述超声波信号信息数据包括波形信号、计数信号和时差信号；本实施方式中，如图3所示，步骤s102中具体的预处理步骤包括：步骤s1021、对超声波信号信息进行数字滤波；步骤s1022、采集超声波信号信息中的电压信号；步骤s1023、对电压信号进行模数转换，将模数转换后电压信号与参考信号进行对比，得到波形信号、计数信号和时差信号；本实施方式中，将采集到的超声波信号信息转化为计算机可识别的数字信号，继而后续前馈神经网络模型能够计算液体介质的状态数据并判断离心泵的汽蚀状态；数字滤波技术能够消除异常值和很弱的信号，增加可用数据的数量，可用数据越多，前馈神经网络模型的训练效果就越好。
34.步骤s103、建立并训练前馈神经网络模型；本实施方式中，向前馈神经网络模型输入数据之前，随机初始化对前馈神经网络模型的权重矩阵并选择非线性最优化算法作为优化算法；本实施方式中，如图4所示，前馈神经网络模型包括输入层、第一隐函数层、第二隐函数层和输出层，输入层用于将波形信号、计数信号和时差信号传递到第一隐函数层中，第一隐函数层用于计算液体介质的状态数据，第二隐函数层用于将计算得到的液体介质状态数据与预设工况下的状态数据进行比较，对比较结果进行逻辑运算，得到危险汽蚀/非危险汽蚀的运算结果；本实施方式中，如图5所示，步骤s103中训练前馈神经网络模型的步骤具体为：s1031、前馈神经网络模型的输入层接收超声波信号信息数据，并完成波形信号、
计数信号和时差信号分类传递；s1032、前馈神经网络模型的第一隐函数层根据输入的波形信号、计数信号和时差信号，计算液体介质的状态数据；s1033、前馈神经网络模型的第二隐函数层将液体介质的状态数据与预设工况下的状态数据进行逻辑运算，得到汽蚀状态的逻辑结果；s1034、前馈神经网络模型的输出层输出该网络判断的最终结果，并以声光形式传递到人机界面层，前馈神经网络模型计算损失函数并使用反向传播法调试权重矩阵，前馈神经网络模型迭代至预设次数时终止迭代；s1035、前馈神经网络模型迭代至预设次数，完成训练；本实施方式中，前馈神经网络模型的第一隐函数层根据输入的波形信号、计数信号和时差信号，计算液体介质的状态数据，该状态数据为间接状态数据，具体为：统计波形信号的连续性，得到气泡出现的时间点；统计波形信号幅值的平均值和标准差，得到气泡的密度，另外，由于，空气气泡幅值的标准差与液体蒸气气泡的幅值不同，比如空气气泡幅值的标准差大于水蒸气气泡幅值的标准差，通过比较幅值的标准差，还能识别出气泡类型，得到更为准确的液体气泡出现的时间点；对信号中的异常时基脉冲计数，计算出气泡的大小；对信号中的异常采样次数计时，计算出气泡的持续时长；根据超声波发射和接收的时差，计算出液体的流速和静液声速，根据液体的流速能够进一步计算液体的脉动压力，根据静液声速能够进一步计算液体的温度，本技术中液体流速v可用表示，静液声速c可用其中θ是超声波斜束发射的角度，td是超声波顺流传播的时间，tu是超声波逆流传播的时间，l是超声波发生装置发射端和接收端之间的距离，得到静液声速c后，比如，液体介质为水时，根据静水声速-水温关系表可以得到水体温度。
35.步骤s104、采集来自离心泵出口管道中液体介质的超声波信号信息并进行预处理；本实施方式中，采集到的是离心泵出口管道中液体介质的实时状态信息。
36.步骤s105、将超声波信号信息输入预训练前馈神经网络模型计算得到离心泵的汽蚀状态。
37.本实施方式中，预训练的前馈神经网络模型能实时计算离心泵的汽蚀状态是危险汽蚀或非危险汽蚀，工作人员能够根据计算得到的汽蚀状态结果，结合离心泵的作业时间、振动频率、流动压力、扬程、电压、流量、功率等信息，进一步判断离心泵的工作状态。
38.下边结合实施例对本技术做进一步说明。
39.本技术一实施例提供一种离心泵汽蚀状态监测方法，如图6所示，由装置执行，装置连接超声波换能器，超声波换能器安装在离心水泵出水口管道的外壁上，以斜束45
°
角向离心水泵出水口管道中的水流发射超声波信号，该方法包括：步骤s201、采集来自离心水泵出水口管道中水流的超声波信号信息；对于本实施例，监测的离心泵为离心水泵，离心水泵是最常见的离心泵，由于离心水泵自身的工作原理，进水口管道中的空气气泡较多，而监测的对象为引起汽蚀的水蒸气
气泡，因此，采集来自离心水泵出水口管道中水流的超声波信号信息。如对输油管道的离心油泵进行监测，则需对离心油泵设定工况进行测试，获取数据作为神经网络模型的训练数据。
40.步骤s202、对超声波信号信息进行预处理，得到超声波信号信息数据，超声波信号信息数据包括波形信号、计数信号和时差信号；对于本实施例，还使用数字滤波技术处理采集到的超声波信号信息，消除异常值和较弱的信号，提高监测的精度。
41.步骤s203、将超声波信号信息数据输入神经网络模型中，神经网络模型用于计算水流的实时状态数据，将实时状态数据与预设状态数据进行比较，以及，进行逻辑运算，判断离心泵汽蚀状态；对于本实施例，实时状态数据包括液体介质中气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、液体介质的脉动压力和液体介质的温度，预设工况为晚间高流速、中流速和低流速三种工况下水流的状态信息和对应的汽蚀状态，在晚间更难以观察离心水泵的运行状况，相比早间和午间，夜间的气压和水温也有较大的变化，更需要使用神经网络模型辅助工作人员进行监测。
42.步骤s204、得到超声波信号信息的处理结果。
43.对于本实施例，神经网络模型为前馈神经网络模型，前馈神经网络模型是预先训练好的，训练前随机初始化了前馈神经网络模型的权重矩阵，训练时采用了反向传播法调整了前馈神经网络模型的权重矩阵，迭代至预设次数，最终检测精度达到了期望值，前馈神经网络模型的输入层有三个神经元，第一隐函数层有六个神经元，第二隐函数层有三个神经元，输出层有两个神经元，第一隐函数层计算得到气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、水流的脉动压力和水流的温度，第二隐函数层经过比较得到监测结果，输出层将监测结果输出至前馈神经网络模型外，超声波信号信息的处理结果为危险汽蚀或非危险汽蚀。
44.采用本技术的离心泵汽蚀状态监测方法的实施例，发射超声波探测离心水泵出水口管道中水流的水蒸气气泡，采集超声波信息并由前馈神经网络模型进行计算，得到离心水泵处于危险汽蚀或非危险汽蚀的监测结果，供工作人员参考，工作人员结合离心泵的作业时间、振动频率、流动压力、扬程、电压、流量、功率等信息后，能对离心水泵的工作状态作出更为准确的评判，当然，还可以在得到离心水泵处于危险汽蚀的监测结果后，通过声光报警、与工作人员终端建立通讯等方式，及时通知工作人员对危险汽蚀进行处理。
45.本技术还提供一种离心泵汽蚀状态监测装置。
46.如图7所示，一种离心泵汽蚀状态监测装置，包括：采集模块，模块用于采集来自离心水泵出水口管道中水流的超声波信号信息；数据预处理模块，数据预处理模块用于对超声波信号信息进行预处理，得到超声波信号信息数据，超声波信号信息数据包括波形信号、计数信号和时差信号；计算模块，计算模块用于将超声波信号信息数据输入前馈神经网络模型中，前馈神经网络模型用于计算水流的实时状态数据；比较模块，比较模块用于将实时状态数据与预设状态数据进行比较，得到离心水泵汽蚀状态的监测结果。
47.在本技术所提供的实施例中，应该理解到，所提供的方法和装置，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的；例如，某个模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
48.本技术实施例的离心泵汽蚀状态监测装置能够实现上述离心泵汽蚀状态监测方法的任一种方法，且离心泵汽蚀状态监测装置中各个模块的具体工作过程可参考上述方法实施例中的对应过程。
49.本技术实施例还公开一种计算机设备。
50.计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的离心泵汽蚀状态监测方法。
51.本技术实施例还公开一种计算机可读存储介质。
52.计算机可读存储介质，存储有能够被处理器加载并执行如上述的离心泵汽蚀状态监测方法中任一种方法的计算机程序。
53.其中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用；计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
54.需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
55.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

技术特征：
1.一种离心泵汽蚀状态监测方法，其特征在于，所述监测方法包括：采集来自离心泵出口管道中液体介质的超声波信号信息；对所述超声波信号信息进行预处理，得到超声波信号信息数据，其中，所述超声波信号信息数据包括波形信号、计数信号和时差信号；将超声波信号信息数据输入预训练的神经网络模型中，计算液体介质的实时状态数据，将实时状态数据与预设状态数据进行比较，以及，进行逻辑运算，判断离心泵汽蚀状态，得到超声波信号信息的处理结果；输出超声波信号信息的处理结果。2.根据权利要求1所述的一种离心泵汽蚀状态监测方法，其特征在于，所述预处理步骤包括：采集超声波信号信息中的电压信号；对电压信号进行模数转换；将模数转换后电压信号与参考信号进行对比，得到所述波形信号、计数信号和时差信号。3.根据权利要求1所述的一种离心泵汽蚀状态监测方法，其特征在于：所述实时状态数据包括液体介质中气泡出现的时间点、气泡的密度、气泡的大小、气泡持续的时长、液体介质的脉动压力和液体介质的温度；其中，通过神经网络模型计算所述波形信号、计数信号和时差信号，得到气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度。4.根据权利要求3所述的一种离心泵汽蚀状态监测方法，其特征在于，所述预设状态数据包括出现危险汽蚀时和出现非危险汽蚀时气泡出现的时间点、气泡的密度、气泡的大小、气泡的持续时长、液体介质的脉动压力和液体介质的温度；获取所述预设状态数据的步骤包括：预设多个时间段和多种液体介质流速，将一个预设时间段内处于一种预设液体介质流速下的离心泵工况作为一种预设工况；采集每一种预设工况下来自离心泵出口管道中液体介质的超声波信号信息；判断每一种预设工况下离心泵的汽蚀状态并根据对应的超声波信号信息计算液体介质的状态数据；存储所有预设工况下的离心泵汽蚀状态和对应的液体介质的状态数据作为预设状态数据。5.根据权利要求3所述的一种离心泵汽蚀状态监测方法，其特征在于：所述神经网络模型为前馈神经网络模型，包括输入层、隐函数层和输出层；其中，所述输入层用于将波形信号、计数信号和时差信号传递到隐函数层中；所述隐函数层用于计算实时状态数据、比较实时状态数据与预设状态数据和进行逻辑运算；所述输出层用于向前馈神经网络模型外输出运算结果；得到所述运算结果的步骤包括：计算实时状态数据；将计算得到的实时状态数据与预设工况下的预设状态数据进行比较，对比较结果进行逻辑运算，得到危险汽蚀/非危险汽蚀的运算结果；
所述计算实时状态数据的步骤包括：根据所述波形信号计算液体介质中气泡出现的时间点和气泡的密度；根据计数信号计算液体介质中气泡的大小和气泡持续的时长；根据时差信号计算液体介质的脉动压力和液体介质的温度。6.根据权利要求5所述的一种离心泵汽蚀状态监测方法，其特征在于，在所述输入层接收波形信号、计数信号和时差信号之前，还包括：所述前馈神经网络模型对自身的权重矩阵随机初始化并选择非线性最优化算法作为优化算法；在所述输出层输出运算结果后，还包括：所述前馈神经网络模型计算损失函数并使用反向传播法调试权重矩阵，前馈神经网络模型迭代至预设次数时终止迭代。7.一种离心泵汽蚀状态监测装置，其特征在于，所述监测装置包括：采集模块，用于采集来自离心泵出口管道中液体介质的超声波信号信息；数据预处理模块，用于对所述超声波信号信息进行预处理，得到超声波信号信息数据，所述超声波信号信息数据包括波形信号、计数信号和时差信号；计算模块，用于将超声波信号信息数据输入神经网络模型中，所述神经网络模型用于计算液体介质的实时状态数据；比较模块，用于将实时状态数据与预设状态数据进行比较，得到离心泵汽蚀状态的监测结果。8.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的离心泵汽蚀状态监测方法。9.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-6中任一项所述的离心泵汽蚀状态监测方法的计算机程序。

技术总结
本发明涉及一种离心泵汽蚀状态监测方法、装置、设备和存储介质，属于离心泵故障监测技术领域，监测方法包括：采集来自离心泵出口管道中液体介质的超声波信号信息；对所述超声波信号信息进行预处理，得到超声波信号信息数据，所述超声波信号信息数据包括波形信号、计数信号和时差信号；将超声波信号信息数据输入预训练的神经网络模型中，计算液体介质的实时状态数据，将实时状态数据与预设状态数据进行比较，以及，进行逻辑运算，判断离心泵汽蚀状态，得到超声波信号信息的处理结果。本发明通过使用神经网络模型计算液体中的多种态信息，实现非接触检测离心泵的汽蚀状态，无需在离心泵内和管道内安装传感器，使用简单，维护方便，识别度高。识别度高。识别度高。


技术研发人员：冷吉强
受保护的技术使用者：青岛清万水技术有限公司
技术研发日：2023.07.24
技术公布日：2023/10/5