1.本技术涉及柱塞泵技术领域，尤其涉及一种柱塞泵的故障检测方法、装置及电子设备。
背景技术：2.矿用往复柱塞泵是采煤工作面供液系统中的核心设备，既能为液压支架动作提供液压动力，也能用于采煤机喷雾降尘和设备动力传动系统的冷却等，其安全稳定运行对煤炭高效开采具有重要作用。
3.通过在矿用往复柱塞泵上安装传感器采集设备状态信息，进而通过数据分析实现故障检测，防止恶性故障的发生，减少经济损失。
4.相关技术中，对于柱塞泵的故障检测，主要依托油温、油压、液位等缓变状态数据，结合阈值报警方法实现。然而该类检测方法仅能够对一些性能下降类故障进行初步判断，对于故障发生时难以及时触发油温、油压、液位等参数变化的故障而言，无法及时检测。
技术实现要素：5.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本技术的第一个目的在于提出一种柱塞泵的故障检测方法，用于解决相关技术中对难以及时触发油温、油压、液位等参数变化的故障的检测问题。
7.为了实现上述目的，本技术第一方面实施例提供了一种柱塞泵的故障检测方法，该方法包括：获取所述柱塞泵的运行状态数据，所述运行状态数据包括振动状态数据和转动状态数据；基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征；根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警；响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成所述异常预警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。
8.另外，根据本技术上述实施例的一种柱塞泵的故障检测方法，还可以具有如下附加的技术特征：
9.根据本技术的一个实施例，所述振动状态数据包括所述柱塞泵的泵阀振动信号和所述柱塞泵的曲轴箱振动信号，所述转动状态数据包括所述柱塞泵的曲轴键相信号。
10.根据本技术的一个实施例，所述基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征，包括：根据所述曲轴键相信号，分别对所述泵阀振动信号和所述曲轴箱振动信号进行整周期信号截取，得到整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号；基于阶比跟踪算法，分别对整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号进行重采样，得到对应的候选振动信号；对所述候选振动信号进行特征提取得到所述状态特征。
11.根据本技术的一个实施例，所述状态特征至少包括以下一种：时域特征、频域特
征、角域特征和时频域特征。
12.根据本技术的一个实施例，所述根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警，包括：对基于所述运行状态数据得到的所述候选振动信号，进行信号重构，得到信号重构误差，将所述信号重构误差作为所述异常判断指标；和/或对所述状态特征进行特征选择和降维融合处理，得到异常特征，将所述异常特征的值作为所述异常判断指标；将所述异常判断指标与所述异常判断指标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成所述异常预警。
13.根据本技术的一个实施例，所述异常预警阈值为初始阈值或自适应更新阈值。
14.根据本技术的一个实施例，所述响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果，包括：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的故障特征；根据所述故障特征和所述故障检测模型，生成所述故障检测结果，所述故障检测模型为分类模型。
15.根据本技术的一个实施例，所述响应于未生成所述异常预警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果，包括：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的健康融合特征；根据所述健康融合特征、所述性能退化模型和所述历史健康状态数据，生成健康状态检测结果。
16.为了实现上述目的，本技术第二方面实施例提供了一种柱塞泵的故障检测装置，该装置包括：数据采集模块，用于获取所述柱塞泵的运行状态数据，所述运行状态数据包括振动状态数据和转动状态数据；预处理模块，用于基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征；异常预警模块，用于根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警；故障检测模块，用于响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果；健康状态检测模块，用于响应于未生成所述异常预警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。
17.另外，根据本技术上述实施例的一种柱塞泵的故障检测装置，还可以具有如下附加的技术特征：
18.根据本技术的一个实施例，所述振动状态数据包括所述柱塞泵的泵阀振动信号和所述柱塞泵的曲轴箱振动信号，所述转动状态数据包括所述柱塞泵的曲轴键相信号。
19.根据本技术的一个实施例，所述预处理模块，进一步用于根据所述曲轴键相信号，分别对所述泵阀振动信号和所述曲轴箱振动信号进行整周期信号截取，得到整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号；基于阶比跟踪算法，分别对整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号进行重采样，得到对应的候选振动信号；对所述候选振动信号进行特征提取得到所述状态特征。
20.根据本技术的一个实施例，所述状态特征至少包括以下一种：时域特征、频域特征、角域特征和时频域特征。
21.根据本技术的一个实施例，所述异常预警模块，进一步用于：对基于所述运行状态数据得到的所述候选振动信号，进行信号重构，得到信号重构误差，将所述信号重构误差作为所述异常判断指标；和/或对所述状态特征进行特征选择和降维融合处理，得到异常特征，将所述异常特征的值作为所述异常判断指标；将所述异常判断指标与所述异常判断指
标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成所述异常预警。
22.根据本技术的一个实施例，所述异常预警阈值为初始阈值或自适应更新阈值。
23.根据本技术的一个实施例，所述故障检测模块，进一步用于：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的故障特征；根据所述故障特征和所述故障检测模型，生成所述故障检测结果，所述故障检测模型为分类模型。
24.根据本技术的一个实施例，所述健康状态检测模块，进一步用于：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的健康融合特征；根据所述健康融合特征、所述性能退化模型和所述历史健康状态数据，生成健康状态检测结果。
25.为了实现上述目的，本技术第三方面实施例提供了一种电子设备，包括：存储器、处理器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，实现如本技术第一方面实施例中任一项所述的柱塞泵的故障检测方法。
26.本技术实施例提供的一种柱塞泵的故障检测方法，获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据；基于运行状态数据，进行特征提取，得到柱塞泵的状态特征；根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警；响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。本公开实施例基于柱塞泵的振动状态数据和转动状态数据，预先对柱塞泵进行异常预警，根据异常预警结果进一步进行故障检测或健康状态检测，以对柱塞泵的零部件的工作状态进行分析，从而实现对难以及时触发油温、油压、液位等参数变化的故障的及时检测。
附图说明
27.图1是本技术一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
28.图2为本技术另一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
29.图3为本技术另一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
30.图4为本技术另一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
31.图5为本技术另一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
32.图6为本技术一个实施例公开的一种柱塞泵的故障检测方法的应用系统框图。
33.图7为本技术一个实施例公开的一种柱塞泵的故障检测方法的整体流程示意图。
34.图8为本技术一个实施例公开的一种柱塞泵的故障检测装置的结构示意图。
35.图9为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
36.为了更好的理解上述技术方案，下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本技术的范围完整的传达给本领域的技术人员。
37.下面参考附图描述本技术实施例的一种柱塞泵的故障检测方法、装置及电子设备。
38.图1是本技术一个实施例公开的一种柱塞泵的故障检测方法的流程示意图。
39.如图1所示，本技术实施例提出的柱塞泵的故障检测方法，具体包括以下步骤：
40.s101，获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据。
41.本技术实施例的柱塞泵的故障检测方法的执行主体可为本技术实施例提供的柱塞泵的故障检测装置，该柱塞泵的故障检测装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。
42.在本技术实施例中，柱塞泵的运行状态数据可以包括振动状态数据和转动状态数据，其中振动状态数据可以为柱塞泵的泵阀振动信号和所述柱塞泵的曲轴箱振动信号，转动状态数据可以为所述柱塞泵的曲轴键相信号。
43.在一些实施例中，可以通过安装在柱塞泵排液腔封堵板的振动传感器，来监测泵阀的垂向振动加速度以得到泵阀振动信号；通过安装在曲轴上的3个信号感应器和安装在曲轴箱端盖上的转速传感器，来监测曲轴键相信号，其中信号感应器用于获取曲轴的转角以增加曲轴键相信号的信号精细程度，此外信号感应器还可以由齿盘代替；以及通过安装在曲轴箱箱体上表面和侧表面的振动传感器，来检测曲轴箱的上表面和侧表面振动加速度得到曲轴箱振动信号；此外还可以通过安装在柱塞泵列车上的数据采集器，来采集上述泵阀振动信号、曲轴键相信号和曲轴箱键相信号，将这些信号作为柱塞泵的运行状态数据发送至数据库进行存储，以便在进行故障检测时获取所需数据。
44.s102，基于运行状态数据，进行特征提取，得到柱塞泵的状态特征。
45.在本技术实施例中，对柱塞泵的运行状态数据进行特征提取，得到柱塞泵的状态特征，具体可包括柱塞泵中零器件的状态特征。
46.s103，根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警。
47.在本技术实施例中，可以根据柱塞泵的运行状态数据构建柱塞泵对应的异常判断指标，也可以根据柱塞泵的状态特征构建柱塞泵对应的异常判断指标。根据这些异常判断指标对柱塞泵进行异常预警判断，确定是否生成异常预警。
48.s104，响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果。
49.在生成异常预警的情况下，根据柱塞泵的状态特征和预先训练好的故障检测模型对柱塞泵进行故障检测，模型输出故障检测结果。
50.s105，响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。
51.在未生成异常预警的情况下，可以进一步根据柱塞泵的状态特征和预先训练好的性能退化模型以及柱塞泵在不同健康状态下的历史健康状态数据，得到健康状态检测结果，其中健康状态检测结果中可以包括健康状态等级。
52.综上，本技术实施例的柱塞泵的故障检测方法，获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据；基于运行状态数据，进行特征提取，得到柱塞泵的状态特征；根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警；响应于生成异常预警，根据状态特征和预先训练好的故障检测
模型，生成故障检测结果；响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。本技术实施例基于柱塞泵的振动状态数据和转动状态数据，预先对柱塞泵进行异常预警，根据是否生成异常预警进一步进行故障检测或健康状态检测，以对柱塞泵的零部件的工作状态进行分析，从而实现对难以及时触发油温、油压、液位等参数变化的故障进行及时检测。
53.在上述实施例的基础上，如图2所示，上述步骤s102中“基于运行状态数据，进行特征提取，得到柱塞泵的状态特征”可以包括以下步骤：
54.s201，根据曲轴键相信号，分别对泵阀振动信号和曲轴箱振动信号进行整周期信号截取，得到整周期的泵阀振动信号和整周期的曲轴箱振动信号。
55.在一些实施例中，基于连续同步采集的柱塞泵各测点振动信号(如泵阀振动信号和曲轴箱振动信号)和曲轴键相信号，进行周期信号截取：根据键相信号的周期性脉冲信号的上升沿截取曲轴旋转360度或360度的倍数对应的各测点振动信号，以此得到各测点对应的整周期的振动信号(如整周期的泵阀振动信号和整周期的曲轴箱振动信号)。
56.s202，基于阶比跟踪算法，分别对整周期的泵阀振动信号和整周期的曲轴箱振动信号进行重采样，得到对应的候选振动信号。
57.在一些实施例中，基于阶比跟踪算法进行振动信号的角域重采样，用恒定角度间隔采样替代恒定时间间隔采样，实现振动信号的采样频率能与曲轴转速同步变化，自适应调整振动信号的整周期样本长度。
58.其中对于曲轴累积转角，可以描述为如下公式：
59.θ(t)＝a0+a1t+a2t260.根据键相信号监测时的三个信号感应器，能够得到曲轴在3个时刻对应的转角，如下列方程组：
[0061][0062]
式中，δφ为根据曲轴键相信号得到的曲轴转角变化值。根据该方程组，可以计算系数a0、a1和a2，得到任意角度θ与时间t的表达式即将时间表示为累积转角的函数，如下列公式所示：
[0063][0064]
s203，对候选振动信号进行特征提取得到状态特征。
[0065]
在本技术实施例中，对重采样后得到的整周期的泵阀振动信号和整周期的曲轴箱振动信号(即上述候选振动信号)进行特征提取。例如对这些整周期振动信号进行时域、频域、角域和时频域特征提取得到包括时域特征、频域特征、角域特征和时频域特征的状态特征。当然，可以根据需要对时域特征、频域特征、角域特征和时频域特征中的一种或多种进行提取，本技术不做限制。
[0066]
在上述实施例的基础上，如图3所示，上述步骤s103中“根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警”，包括以下步骤：
[0067]
s301，对基于运行状态数据得到的候选振动信号，进行信号重构，得到信号重构误差，将信号重构误差作为异常判断指标。
[0068]
在本技术实施例中，基于重采样后得到的整周期的泵阀振动信号和整周期的曲轴箱振动信号的信号重构误差来构建表征柱塞泵中零器件的异常判断指标。
[0069]
s302，对状态特征进行特征选择和降维融合处理，得到异常特征，将异常特征的值作为异常判断指标。
[0070]
在一些实施例中，还可以根据得到的状态特征，结合特征选择和降维处理技术，构建表征柱塞泵中零器件的异常判断指标。
[0071]
s303，将异常判断指标与异常判断指标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成异常预警。
[0072]
在本技术实施例中，通过实时计算的各零部件的异常判断指标和该指标当前对应的异常预警阈值进行对比，根据对比结果则生成异常预警。
[0073]
其中，异常预警阈值为初始阈值或自适应更新阈值，其中初始阈值可以为异常预警模型结合柱塞泵出厂测试状态数据计算得到的异常评估状态指标的平均值，而自适应更新阈值则可以为异常预警模型结合6天前的一整天运行状态数据计算得到的异常评估状态指标的平均值。
[0074]
在上述实施例的基础上，如图4所示，上述步骤s104中“响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果”，可以包括以下步骤：
[0075]
s401，对状态特征进行特征选择和降维融合处理，得到柱塞泵的故障特征。
[0076]
在本技术实施例中，在发生异常预警之后启动故障检测，基于状态特征，结合特征选择和特征的降维融合技术，构建表征柱塞泵中零部件的故障特征。
[0077]
s402，根据故障特征和故障检测模型，生成故障检测结果，故障检测模型为分类模型。
[0078]
在上述实施例的基础上，基于预先训练好的各零部件故障检测模型，将实时计算的故障特征作为模型输入，根据模型的输出判断柱塞泵零部件是否发生故障，以及发生的故障为何种类型。若发生故障，则发出故障报警，若未发生故障，则保持柱塞泵的当前运行状态。
[0079]
在上述实施例的基础上，如图5所示，上述步骤s105中“响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果”包括以下步骤：
[0080]
s501，对状态特征进行特征选择和降维融合处理，得到柱塞泵的健康融合特征。
[0081]
在未发生异常预警的情况下启动健康状态检测，基于状态特征，结合特征选择和特征降维融合技术，构建表征柱塞泵中零部件的健康融合特征。
[0082]
s502，根据健康融合特征、性能退化模型和历史健康状态数据，生成健康状态检测结果。
[0083]
在一些实施例中，利用健康融合特征，结合零部件的性能退化模型和故障征兆趋势变化规律，对柱塞泵的健康状态进行检测，并进一步结合层次分析法得到柱塞泵的健康状态等级。其中故障征兆趋势变化规律可以基于柱塞泵不同健康状态下的历史数据(即历史健康状态数据)得到。
[0084]
在一些实施例中，还可以在显示设备中对柱塞泵运行状态、运行状态数据、状态特征、健康检测结果、故障预警与故障检测结果等进行界面展示，方便相关人员进行柱塞泵运行管理和维修决策。当柱塞泵发生故障时，进一步输出故障相关的信息，包括故障位置、故障类型和故障排除方法。
[0085]
在一些实施例中，还可以在故障检测前预先进行参数配置，其中需要配置的参数可以为柱塞泵的技术参数(包括流量、压力、电机转速、减速箱齿速比、柱塞进行吸排液过程的运动顺序等)、状态监测参数(包括传感器布置信息、采样频率、采样点数等)以及故障预警模型与故障检测模型的参数(包括模型编号、模型的方法原理、模型的结构、模型训练所使用的数据、模型使用的框架等)。
[0086]
在一些实施例中，还可以将在线获取的运行状态数据、提取的状态特征以及数据分析结果(如故障预警、故障检测和健康检测结果)在数据库中存储，例如：对于实时获取的振动信号和键相信号等数据，采用数据定时密集存储，同时设定数据覆盖时间间隔为7天；对于状态特征和数据分析结果，可以每0.1s存储一次，且不设定数据覆盖策略。
[0087]
综上，本技术实施例的柱塞泵的故障检测方法，获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据；基于运行状态数据，进行特征提取，得到柱塞泵的状态特征；根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警；响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。本技术实施例通过增加多个传感器测点，获得更加全面的柱塞泵状态信息，基于柱塞泵的振动状态数据和转动状态数据，预先对柱塞泵进行异常预警，根据是否生成异常预警进一步进行故障检测或健康状态检测，以对柱塞泵的零部件的工作状态进行分析，本技术可应用于对泵阀阀芯或阀座磨损、弹簧断裂等故障进行异常预警和故障检测，能够对曲轴箱内的零部件故障进行检测，同时能够对正常工作状态的零部件进行健康状态分析，实现对难以及时触发油温、油压、液位等参数变化的故障进行及时检测。
[0088]
为清楚的描述本技术实施例的柱塞泵的故障检测方法，现结合图6和图7进行详细描述，本技术实施例的柱塞泵的故障检测方法可应用于图6所示的故障检测系统中，如图6所示，故障检测系统包括状态监测设备、系统参数设置模块、数据存储模块、数据预处理模块、异常预警模块、健康检测模块、故障检测模块和界面展示模块，实施中将振动传感器、键相感应器(或者信号感应器)和键相传感器这些状态监测设备安装在柱塞泵的各个零器件中，如将振动传感器安装在柱塞泵液力端的排液腔封堵版上以获取泵阀振动信号，将键相感应器安装在柱塞泵动力端的曲轴上以获取曲轴的转角，结合安装在曲轴箱箱体上的键相传感器得到精度较高的曲轴键相信号，以及在曲轴箱箱体的表面安装振动传感器，以获取曲轴箱振动信号，数据采集器将采集到的曲轴箱振动信号、泵阀振动信号和曲轴键相信号这些运行状态数据存储至数据存储模块，数据预处理模块从数据存储模块获取运行状态数据，并根据这些运行状态数据提取状态特征，异常预警模块根据状态特征确定是否生成异常预警，若生成异常预警则启动故障检测模块，故障检测模块根据数据预处理模块得到的状态特征生成故障检测结果，若未生成异常预警则启动健康检测模块，健康检测模块根据数据预处理模块得到的状态特征生成健康状态检测结果。过程中可以将状态特征、异常预
警、故障检测结果和健康状态检测结果在界面显示模块显示，此外，可以根据系统参数设置模块对界面显示模块和数据采集器进行相关参数设置，以及对图6中未显示与系统参数设置模块之间的连接关系的其他模块进行相关参数设置。
[0089]
图7为本技术一个实施例公开的一种柱塞泵的故障检测方法的整体流程示意图，可包括以下步骤：
[0090]
s701，获取曲轴箱振动信号、曲轴键相信号和泵阀振动信号。
[0091]
s702，根据曲轴键相信号，分别对泵阀振动信号和曲轴箱振动信号进行整周期信号截取，得到整周期的泵阀振动信号和整周期的曲轴箱振动信号。
[0092]
s703，基于阶比跟踪算法，分别对整周期的泵阀振动信号和整周期的曲轴箱振动信号进行重采样，得到对应的候选振动信号。
[0093]
s704，对候选振动信号进行特征提取得到状态特征。
[0094]
s705，对基于运行状态数据得到的候选振动信号，进行信号重构，得到信号重构误差，将信号重构误差作为所述异常判断指标；和/或对状态特征进行特征选择和降维融合处理，得到异常特征，将异常特征的值作为异常判断指标。
[0095]
s706，将异常判断指标与异常判断指标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成所述异常预警。若是，则执行步骤s707和步骤s708；若否，则行步骤s712。
[0096]
s707，显示异常预警。
[0097]
s708，响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果。
[0098]
s709，根据故障检测结果判断是否发生故障。若是，则执行步骤s710；若否，则执行步骤s711。
[0099]
s710，发出故障报警。
[0100]
s711，保持柱塞泵的当前运行状态。
[0101]
s712，响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。
[0102]
s713，显示健康状态检测结果。
[0103]
图8是本技术一个实施例公开的一种柱塞泵的故障检测装置的结构示意图。
[0104]
如图8所示，该柱塞泵的故障检测装置800，包括：数据采集模块801、预处理模块802、异常预警模块803、故障检测模块804和健康状态检测模块805。其中，
[0105]
数据采集模块801，用于获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据。
[0106]
预处理模块802，用于基于运行状态数据，进行特征提取，得到柱塞泵的状态特征。
[0107]
异常预警模块803，用于根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警。
[0108]
故障检测模块804，用于响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果。
[0109]
健康状态检测模块805，用于响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。
[0110]
根据本技术的一个实施例，振动状态数据包括柱塞泵的泵阀振动信号和柱塞泵的曲轴箱振动信号，转动状态数据包括柱塞泵的曲轴键相信号。
[0111]
根据本技术的一个实施例，预处理模块802，进一步用于根据曲轴键相信号，分别对泵阀振动信号和曲轴箱振动信号进行整周期信号截取，得到整周期的泵阀振动信号和整周期的曲轴箱振动信号；基于阶比跟踪算法，分别对整周期的泵阀振动信号和整周期的曲轴箱振动信号进行重采样，得到对应的候选振动信号；对候选振动信号进行特征提取得到状态特征。
[0112]
根据本技术的一个实施例，状态特征至少包括以下一种：时域特征、频域特征、角域特征和时频域特征。
[0113]
根据本技术的一个实施例，异常预警模块803，进一步用于：对基于运行状态数据得到的候选振动信号，进行信号重构，得到信号重构误差，将信号重构误差作为异常判断指标；和/或对状态特征进行特征选择和降维融合处理，得到异常特征，将异常特征的值作为异常判断指标；将异常判断指标与异常判断指标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成异常预警。
[0114]
根据本技术的一个实施例，异常预警阈值为初始阈值或自适应更新阈值。
[0115]
根据本技术的一个实施例，故障检测模块804，进一步用于：对状态特征进行特征选择和降维融合处理，得到柱塞泵的故障特征；根据故障特征和故障检测模型，生成故障检测结果，故障检测模型为分类模型。
[0116]
根据本技术的一个实施例，健康状态检测模块805，进一步用于：对状态特征进行特征选择和降维融合处理，得到柱塞泵的健康融合特征；根据健康融合特征、性能退化模型和历史健康状态数据，生成健康状态检测结果。
[0117]
需要说明的是，上述对柱塞泵的故障检测方法实施例的解释说明也适用于该实施例的柱塞泵的故障检测装置，此处不再赘述。
[0118]
综上，根据本技术实施例提供的一种柱塞泵的故障检测装置，获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据；基于运行状态数据，进行特征提取，得到柱塞泵的状态特征；根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警；响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。本技术实施例通过增加多个传感器测点，获得更加全面的柱塞泵状态信息，基于柱塞泵的振动状态数据和转动状态数据，预先对柱塞泵进行异常预警，根据是否生成异常预警进一步进行故障检测或健康状态检测，以对柱塞泵的零部件的工作状态进行分析，本技术可应用于对泵阀阀芯或阀座磨损、弹簧断裂等故障进行异常预警和故障检测，能够对曲轴箱内的零部件故障进行检测，同时能够对正常工作状态的零部件进行健康状态分析，实现对难以及时触发油温、油压、液位等参数变化的故障的及时检测。
[0119]
为了实现上述实施例，本技术还提出了一种电子设备900，如图9所示，包括存储器901、处理器902及存储在存储器903上并可在处理器903上运行的计算机程序，处理器执行程序时，实现前述的柱塞泵的故障检测方法。
[0120]
在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0121]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0122]
在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0123]
在本技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0124]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0125]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：1.一种柱塞泵的故障检测方法，其特征在于，包括：获取所述柱塞泵的运行状态数据，所述运行状态数据包括振动状态数据和转动状态数据；基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征；根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警；响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成所述异常预警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。2.根据权利要求1所述的故障检测方法，其特征在于，所述振动状态数据包括所述柱塞泵的泵阀振动信号和所述柱塞泵的曲轴箱振动信号，所述转动状态数据包括所述柱塞泵的曲轴键相信号。3.根据权利要求2所述的故障检测方法，其特征在于，所述基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征，包括：根据所述曲轴键相信号，分别对所述泵阀振动信号和所述曲轴箱振动信号进行整周期信号截取，得到整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号；基于阶比跟踪算法，分别对整周期的所述泵阀振动信号和整周期的所述曲轴箱振动信号进行重采样，得到对应的候选振动信号；对所述候选振动信号进行特征提取得到所述状态特征。4.根据权利要求3所述的故障检测方法，其特征在于，所述状态特征至少包括以下一种：时域特征、频域特征、角域特征和时频域特征。5.根据权利要求3所述的故障检测方法，其特征在于，所述根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警，包括：对基于所述运行状态数据得到的所述候选振动信号，进行信号重构，得到信号重构误差，将所述信号重构误差作为所述异常判断指标；和/或对所述状态特征进行特征选择和降维融合处理，得到异常特征，将所述异常特征的值作为所述异常判断指标；将所述异常判断指标与所述异常判断指标当前对应的异常预警阈值进行对比，根据对比结果确定是否生成所述异常预警。6.根据权利要求5所述的故障检测方法，其特征在于，所述异常预警阈值为初始阈值或自适应更新阈值。7.根据权利要求1所述的故障检测方法，其特征在于，所述响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果，包括：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的故障特征；根据所述故障特征和所述故障检测模型，生成所述故障检测结果，所述故障检测模型为分类模型。8.根据权利要求1所述的故障检测方法，其特征在于，所述响应于未生成所述异常预
警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果，包括：对所述状态特征进行特征选择和降维融合处理，得到所述柱塞泵的健康融合特征；根据所述健康融合特征、所述性能退化模型和所述历史健康状态数据，生成健康状态检测结果。9.一种柱塞泵的故障检测装置，其特征在于，包括：数据采集模块，用于获取所述柱塞泵的运行状态数据，所述运行状态数据包括振动状态数据和转动状态数据；预处理模块，用于基于所述运行状态数据，进行特征提取，得到所述柱塞泵的状态特征；异常预警模块，用于根据所述运行状态数据和/或所述状态特征，构建异常判断指标，并根据所述异常判断指标确定是否生成异常预警；故障检测模块，用于响应于生成所述异常预警，根据所述状态特征和预先训练好的故障检测模型，生成故障检测结果；健康状态检测模块，用于响应于未生成所述异常预警，根据所述状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。10.一种电子设备，其特征在于，包括：存储器、处理器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1-8中任一项所述的柱塞泵的故障检测方法。
技术总结本申请公开了一种柱塞泵的故障检测方法、装置及电子设备，该方法包括：获取柱塞泵的运行状态数据，运行状态数据包括振动状态数据和转动状态数据；基于运行状态数据，进行特征提取，得到柱塞泵的状态特征；根据运行状态数据和/或状态特征，构建异常判断指标，并根据异常判断指标确定是否生成异常预警；响应于生成异常预警，根据状态特征和预先训练好的故障检测模型，生成故障检测结果；响应于未生成异常预警，根据状态特征、预先训练好的性能退化模型和历史健康状态数据，生成健康状态检测结果。基于柱塞泵的运行状态数据，预先进行异常预警，进一步进行故障检测或健康状态检测，实现对难以及时触发油温、油压、液位等参数变化的故障的检测。故障的检测。故障的检测。
技术研发人员：赖岳华 李然 冯银辉 刘波 李俊士 陈荣明 刘明亮 西成峰
受保护的技术使用者：北京煤科天玛自动化科技有限公司
技术研发日：2022.07.20
技术公布日：2022/11/1
