一种自学习振动故障诊断方法技术

本发明专利技术涉及一种自学习振动故障诊断方法，包括：（1）实时采集振动信号；（2）对信号进行AD转换；（3）对信号进行傅里叶变换；（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中的第二输入值，将第一输入值、第二输入值输入模型中，将计算得到的输出阈值范围替换自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，建立诊断模型；（5）保持诊断模型不再改变，通过实时采集的振动信号作为输入信号并输入该诊断模型中，由此经判断得出振动幅度是否正常。

A Self-learning Method for Vibration Fault Diagnosis

【技术实现步骤摘要】
一种自学习振动故障诊断方法
本专利技术涉及振动故障诊断的
，具体涉及一种自学习振动故障诊断方法。
技术介绍
振动是机械设备和电气设备运行过程中引起的物理现象，直观的表现为物体的往复运动和振动噪声两部分。对于指定的设备在标准的工况下，振动波形没有明确数学模型，且波形相对固定，当出现某些故障时，振动波形会发生变化，通过自学习过程建立模型的方法，利用建立的模型可以对于判断振动波形是否在正常工作范围内。
技术实现思路
为了克服现有技术中存在的不足和缺陷，本专利技术提供了一种自学习振动故障诊断方法。本专利技术解决其技术问题所采用的技术方案是：一种自学习振动故障诊断方法，其特征在于，包括以下步骤：（1）实时采集振动信号；（2）将振动信号通过AD转换后采集进自学习振动故障诊断模型中；（3）将通过AD转换后的振动信号通过傅里叶变换实现时域向频域的转换，获取振动信号在不同频率上相应的振动幅值；（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中本文档来自技高网...

【技术保护点】
1.一种自学习振动故障诊断方法，其特征在于，包括以下步骤：（1）实时采集振动信号；（2）将振动信号通过AD转换后采集进自学习振动故障诊断模型中；（3）将通过AD转换后的振动信号通过傅里叶变换实现时域向频域的转换，获取振动信号在不同频率上相应的振动幅值；（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中的第二输入值，将第一输入值、第二输入值输入模型中，将计算得到的输出阈值范围替换自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，建...

【技术特征摘要】
1.一种自学习振动故障诊断方法，其特征在于，包括以下步骤：（1）实时采集振动信号；（2）将振动信号通过AD转换后采集进自学习振动故障诊断模型中；（3）将通过AD转换后的振动信号通过傅里叶变换实现时域向频域的转换，获取振动信号在不同频率上相应的振动幅值；（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中的第二输入值，将第一输入值、第二输入值输入模型中，将计算得到的输出阈值范围替换自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，建立诊断模型；（5）保持诊断模型不再改变，通过实时采集的振动信号作为输入信号并输入该诊断模型中，由此经判断得出振动幅度是否正常。2.根据权利要求1所述的一种自学习振动故障诊断方...

【专利技术属性】
技术研发人员：朱清，华文博，
申请(专利权)人：江苏弘冉智能科技有限公司，
类型：发明
国别省市：江苏,32