Fysikstyrd sammanslagen bildinlärning med förbättrad squeeze-excitation för felanalys av flerstegscentrifugalpumpar

Varför smartare pumpövervakning spelar roll

Bakom många fabriker, kraftverk och vattensystem finns flerstegscentrifugalpumpar som tyst håller vätskor i rörelse. När dessa pumpar får dolda skador kan företag förlora tusentals timmar till reparationer och miljoner dollar till driftstopp och olyckor. Denna studie visar hur kombinationen av fysikaliska kunskaper med modern bildbaserad artificiell intelligens kan upptäcka subtila problem inuti pumpar tidigt, även när signalerna är brusiga och driftförhållandena förändras.

Pumpars dolda liv

Flerstegscentrifugalpumpar använder flera roterande impellrar i serie för att bygga upp tryck och pressa fluid genom rör. I verkliga anläggningar har fel i dessa pumpar lett till tusentals timmars underhåll och förluster som uppgår till tiotals miljoner dollar. De mest besvärliga problemen börjar ofta som ”mjuka” fel: små hål eller repor i mekaniska tätningar och tidig korrosion på impellrarna. Dessa defekter stoppar inte pumpen omedelbart utan eroderar långsamt prestanda och säkerhet. Eftersom pumparna körs under olika tryck och omges av annan vibrerande utrustning ligger de tidiga tecknen på problem dolda i komplex, brusig vibrationsdata.

Att förvandla vibrationer till informativa bilder

Författarna byggde en testställning baserad på en industripump och introducerade medvetet tre realistiska mjuka fel: ett borrat hål i en tätning, en repa på en tätning och materialförlust på en impeller, tillsammans med ett normalt tillstånd. Vibrationssensorer monterades på pumpkåpan, nära tätningarna och nära impellern. Istället för att behandla hela vibrationsregistreringen som lika användbar delade teamet först upp varje signal i många korta tidsfönster. De poängsatte sedan dessa fönster med tre fysikaliskt meningsfulla mått: total energi, impulsivitet och hur mycket av energin som låg i ett frekvensband känt från pumpfysiken som felkänsligt. Endast de fönster med högst poäng, mest sannolikt att innehålla användbar felinformation, behölls för vidare analys.

Att slå ihop tre vyer av samma signal

Från varje utvalt fönster skapade forskarna en särskild ”sammanslagen” bild utformad för att fånga olika aspekter av pumpens beteende. En kanal är en fysikstyrd version av en Mel-spektrogram, som framhäver hur vibrationsenergin fördelas över tid och frekvens, med extra fokus på det frekvensområde där fel typiskt visar sig. En andra kanal, kallad Gramian Angular Difference Field, omvandlar tidsignalen till en mönstrad bild som avslöjar hur punkter i signalen förhåller sig till varandra över tid, vilket gör oregelbundna stötar och olinjära förändringar mer framträdande. En tredje kanal, Cross Interaction Map, förstärker områden där båda de andra vyerna är överens och försvagar de som sannolikt orsakas av brus. Genom att stapla dessa tre kanaler skapas en kompakt bild som kodar tid, frekvens och temporal struktur tillsammans.

Att vägleda artificiell intelligens med fysik

Dessa sammanslagna bilder matas sedan in i ett kompakt konvolutionellt neuralt nätverk som lär sig känna igen mönster kopplade till specifika pumpförhållanden. En nyckelinnovation är en ”förbättrad squeeze-excitation”-uppmärksamhetsmekanism. Enkelt uttryckt tittar nätverket inte bara på de bildegenskaper det lärt sig, det får också en liten sidovektor med klassiska vibrationsindikatorer härledda från fysiken, såsom root mean square-nivå, impulsivitet, crestfaktor och andelen energi i det felkänsliga bandet. Uppmärksamhetsmodulen använder denna sidoinformation för att avgöra vilka interna funktionskanaler som ska betonas eller tonas ner, och styr därigenom nätverket att fokusera på mönster som stämmer överens med verkligt mekaniskt beteende snarare än slumpmässiga korrelationer i datan.

Hur bra fungerar metoden?

Ramen testades på verklig vibrationsdata från pumpställningen som kördes vid tre tryck representativa för industriell användning: 3 bar, 3,5 bar och 4 bar. För varje tryck måste modellen skilja normal drift från de tre feltyperna. Över alla tryck uppnådde den klassificeringsnoggrannhet över 99 procent, med ett makro-F1-värde (en balans mellan precision och recall) också över 0,99, och den nådde perfekta poäng vid det högsta trycket. Författarna jämförde sin metod med flera avancerade alternativ, inklusive transferinlärning från standardbildnätverk, entropibaserad feature-extraktion och andra fysikinspirerade djupa modeller. I samtliga fall matchade eller överträffade den fysikstyrda sammanslagna bild- plus uppmärksamhetsramen dessa konkurrenter, särskilt när driftförhållandena varierade.

Vad detta betyder för underhåll i praktiken

För ingenjörer och drifttekniker illustrerar detta arbete ett praktiskt sätt att kombinera deras förståelse av pumpfysik med djupinlärningens mönsterigenkänning. Genom att noggrant välja de mest informativa delarna av vibrationssignalerna, omvandla dem till rika men kompakta bilder och styra nätverket med enkla fysikaliska indikatorer kan metoden pålitligt flagga tidiga skador på tätningar och impellrar långt innan katastrofala fel. På sikt kan sådana fysikmedvetna AI-verktyg hjälpa till att förflytta pumpunderhåll från reaktiva reparationer efter haverier till planerade insatser baserade på trovärdiga tidiga varningar.

Citering: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Nyckelord: fel på centrifugalpumpar, vibrationsövervakning, fysikstyrd djupinlärning, skifta till konditionsbaserat underhåll, industriell diagnostik