旋转机械设备的故障检测方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种旋转机械设备的故障检测方法、装置、设备及存储介质。该方法包括：获取旋转机械设备的至少两组振动信号，至少两组振动信号分别采用等时间间隔采样；提取两组振动信号的时域特征参数；将振动信号转换为采用等角度间隔采样的目标振动信号；提取目标振动信号的谐波特征参数；至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。

Fault detection method, device, equipment and storage medium of rotating mechanical equipment

【技术实现步骤摘要】
旋转机械设备的故障检测方法、装置、设备及存储介质
本申请实施例涉及人工智能
，尤其涉及一种旋转机械设备的故障检测方法、装置、设备及存储介质。
技术介绍
高速旋转机械广泛应用于汽轮机、发电机、燃气轮机、水轮机、航空发电机、离心压缩机、泵以及各种齿轮、增速装置等机械设备，这些机械设备是生产过程中的重要设备，一旦因故障停机，损失巨大。因此对企业关键设备进行故障检测具有重要的意义。利用振动信号对机械设备进行诊断，是机械设备故障检测最有效和最常用的方法之一。传统的旋转机械故障检测方法一种是基于匀转速假设，而旋转机械设备大多数情况下是变转速的，另一种是是针对转子某截面上单通道信号进行分析处理，即使检测了互相垂直两振动方向的振动也只是在轴心轨迹图层面进行融合，损失了许多信息，不能全面提取转子的故障在不同方面的特征，最终造成误诊或漏诊，导致旋转机械故障检测的准确性不高。
技术实现思路
本申请实施例提供一种旋转机械设备的故障检测方法、装置、设备及存储介质，以提高旋转机械故障检测的准确度。第一方面，本申请实施例提供一种旋转机械设备的故障检测方法，包括：获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；提取所述两组振动信号的时域特征参数；将所述振动信号转换为采用等角度间隔采样的目标振动信号；提取所述目标振动信号的谐波特征参数；至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。可选的，所述将所述振动信号转换为采用等角度间隔采样的目标振动信号，包括：基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；基于获取的所述转速信号，确定待建立的第二时间序列的重采样时刻；基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样。可选的，所述方法还包括：获取所述旋转机械设备的温度参数；所述至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，包括：至少将所述温度参数、所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。可选的，所述两组振动信号是通过安装在所述旋转机械设备上的两组振动传感器分别采集得到的，所述两组振动传感器的振动方向相互垂直，且所述两组振动传感器的振动方向分别与所述旋转机械设备的轴向垂直；所述旋转机械设备的转速信号是通过安装在所述旋转机械设备上的转速传感器采集得到的；所述温度参数是通过安装在所述旋转机械设备上的温度传感器采集得到的。可选的，所述预设的故障检测模型是对神经网络训练得到的；对所述神经网络的训练包括如下步骤：获取所述旋转机械设备的至少两组振动信号样本；提取所述两组振动信号样本的时域特征样本参数；将所述时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本；提取所述目标振动信号的谐波特征样本参数；至少基于所述时域特征样本参数、所述谐波特征样本参数和对所述旋转机械设备是否故障的标注信息对所述神经网络进行训练；基于所述神经网络模型的输出结果和所述标注信息之间的差异，调整所述神经网络的网络参数。可选的，所述基于所述转速信号，确定待建立的第二时间序列的重采样时刻，包括：确定转速信号的脉冲到达时刻；确定各个脉冲到达时刻的角速度；根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，其中，通过所述预设角度对所述振动信号进行等角度间隔采样。可选的，所述根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，包括：确定当前脉冲到达时刻与前一脉冲到达时刻之间的时间间隔；确定当前脉冲到达时刻的角速度与前一脉冲到达时刻的角速度的差值；根据当前脉冲到达时刻与前一脉冲到达时刻的角速度差值，以及时间间隔，计算得到当前脉冲到达时刻到前一脉冲到达时刻的角加速度。可选的，所述谐波特征参数包括以下至少一项：所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位；所述提取所述目标振动信号的谐波特征参数，包括：将所述第二时间序列进行离散傅里叶变换，得到傅里叶变换结果；基于所述傅里叶变换结果提取所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位中的至少一项。第二方面，本申请实施例提供一种旋转机械设备的故障检测装置，包括：获取模块，用于获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；第一提取模块，用于提取所述两组振动信号的时域特征参数；转换模块，用于将所述振动信号转换为采用等角度间隔采样的目标振动信号；第二提取模块，用于提取所述目标振动信号的谐波特征参数；识别模块，用于至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。第三方面，本申请实施例提供一种旋转机械设备的故障检测设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；温度传感器，用于采集所述旋转机械设备的温度；振动传感器，用于采集所述旋转机械设备的振动信号；转速传感器，用于采集所述旋转机械设备的转速信号；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。本申请实施例提供的旋转机械设备的故障检测方法、装置、设备及存储介质，通过获取旋转机械设备的至少两组振动信号，至少两组振动信号分别采用等时间间隔采样；提取两组振动信号的时域特征参数；将振动信号转换为采用等角度间隔采样的目标振动信号；提取目标振动信号的谐波特征参数；至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。由于将时域振动信号转换为采用等角度间隔采样的目标振动信号，因此，能够适应变转速的情况下的特征提取。另外，通过提取目标振动信号的多个谐波的特征参数，每个谐波的特征参数采用多个特征变量来表达，因此，能够提取多个通道的信号。此外，由于采用的预设的故障诊断模型是基于历史时域特征参数和历史谐波特征参数训练得到，因此，能够减小误诊率或者漏诊率。附图说明图1为本申请实施例提供的旋转机械设备的故障检测方法流程图；图2为本申请另一实施例提供的旋转机械设备的故障检测方法流程图；图本文档来自技高网...

【技术保护点】
1.一种旋转机械设备的故障检测方法，其特征在于，包括：/n获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；/n提取所述两组振动信号的时域特征参数；/n将所述振动信号转换为采用等角度间隔采样的目标振动信号；/n提取所述目标振动信号的谐波特征参数；/n至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。/n

【技术特征摘要】
1.一种旋转机械设备的故障检测方法，其特征在于，包括：
获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；
提取所述两组振动信号的时域特征参数；
将所述振动信号转换为采用等角度间隔采样的目标振动信号；
提取所述目标振动信号的谐波特征参数；
至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。


2.根据权利要求1所述的方法，其特征在于，所述将所述振动信号转换为采用等角度间隔采样的目标振动信号，包括：
基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；
基于获取的转速信号，确定待建立的第二时间序列的重采样时刻；
基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样。


3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述旋转机械设备的温度参数；
所述至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，包括：
至少将所述温度参数、所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。


4.根据权利要求3所述的方法，其特征在于，所述两组振动信号是通过安装在所述旋转机械设备上的两组振动传感器分别采集得到的，所述两组振动传感器的振动方向相互垂直，且所述两组振动传感器的振动方向分别与所述旋转机械设备的轴向垂直；
所述旋转机械设备的转速信号是通过安装在所述旋转机械设备上的转速传感器采集得到的；
所述温度参数是通过安装在所述旋转机械设备上的温度传感器采集得到的。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述预设的故障检测模型是对神经网络训练得到的；
对所述神经网络的训练包括如下步骤：
获取所述旋转机械设备的至少两组振动信号样本；
提取所述两组振动信号样本的时域特征样本参数；
将所述时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本；
提取所述目标振动信号的谐波特征样本参数；
至少基于所述时域特征样本参数、所述谐波特征样本参数和对所述旋转机械设备是否故障的标注信息对所述神经网络进行训练；
基于所述神经网络模型的输出结果和所述标注信息之间的差异，调整所述神经...

【专利技术属性】
技术研发人员：李鲲鹏，李祎璞，陈飞，
申请(专利权)人：北京昊鹏智能技术有限公司，
类型：发明
国别省市：北京;11