【技术实现步骤摘要】
一种设备状态检测方法
[0001]本专利技术属于机械系统振动状态监测
,具体涉及一种设备状态检测方法。
技术介绍
[0002]随着机械设备自动化和智能水平的提高以及生产规模的扩大,传感器监测机械设备运行状态的数据量呈爆炸性增长,工业大数据环境下的设备状态实时监测已经成为必然要求。
[0003]在此背景下,深度学习作为机械设备能诊断领域的一个新的突破,它能够从原始信号中自适应的提取有价值的特征,在很大程度上摆脱人为特征提取和选择的依赖,实现模型的自学习。
[0004]目前,深度学习在设备振动状态实时检测领域应用面临一些主要的挑战:1)设备多工况影响:设备运行常常处于多种工况之下如机器转速的变化、负载的变化或者设备运行环境如温度的变化等等,因此设备监测的振动数据也处于不同的水平;2)数据严重不平衡:从状态监测的实际场景中获取的数据以正常的数据为主,基本上故障数据缺乏,或者是稀少;3)异常多样性:设备现场出现振动监测状态异常是多种多样的,例如:转子轴系故障如轴系的不对中、滚动轴承故障、齿轮箱故障等。这些故障状态下振动的时域、频域等均会出现不同的特征。
[0005]基于以上设备工况多、数据不平衡、以及异常多样性的原则以及目前大多仅利用时域或者频域数据作为检测数据,导致现有技术中异常检测准确度低。
技术实现思路
[0006]本专利技术的目的在于提供一种设备状态检测方法,用以解决现有技术中异常检测准确度低的问题。
[0007]为解决上述技术问题,本专利技术所提供的技术方案以及 ...
【技术保护点】
【技术特征摘要】
1.一种设备状态检测方法,其特征在于:包括以下步骤:1)获取设备的时域振动信号,并进行时频转换从而得到频域振动信号;2)将时域振动信号进行自相关处理,得到自相关振动信号;3)将获取的时域振动信号、自相关振动信号和频域振动信号输入至设备状态检测模型中进行异常检测,以得到设备状态运行结果,所述设备运行状态结果包括正常和异常。2.根据权利要求1所述的设备状态检测方法,其特征在于:将获取的时域振动信号、自相关振动信号和频域振动信号输入至设备状态检测模型前,还需要进行如下数据处理:对时域振动信号进行截取,以使截取后的时域振动信号长度和频域振动信号长度、自相关振动信号长度均相等,进而将截取后的时域振动信号、频域振动信号和自相关振动信号作为三个通道的输入,以组成初始输入数据;将所述初始输入数据转换为二维图像格式的数据以作为设备状态检测模型的最终输入数据。3.根据权利要求1或2所述的设备状态检测方法,其特征在于:在训练所述设备状态检测模型时,所使用的训练样本为正常工况下的振动信号数据。4.根据权利要求2所述的设备状态检测方法,其特征在于:截取时域振动信号时,截取的时域振动信号为连续的时域振动信号。5.根据权利要求1所述的设备状态检测方法,其特征在于:所述设备状态检测模型使用损失函数中的潜在损失作为异常分数s进行评价振动信号对应的设备状态;具体评价方法如下:s<T
b
则s≥T
b
则其中,T
b
为异常监测阈值,y_pred
i
=0表示设备正常,y_pred
i
=1表示设备异常。6.根据权利要求5所述的设备状态检测方法,其特征在于:异常监测阈值T
b
依据以下方法计算得到:S1.将已标注正常样本和异常样本的数据集,输入训练好的设备状态检测模型中进行测试,以计算每个样本的异常分数S
i
,在所有样本对应的异常分数中求取最小值和最大值,并分别记为s
min
和s
max
;S2.将s
min
≤s≤s
max
中的每个s作为异常监测阈值,分别计算精确度precesion(s)、召回率recall(s)和F1分数F1_score(s),计算公式如下:率recall(s)和F1分数F1_score(s),计算公式如下:率recall(s)和F1分数F1_score(s),计算公式如下:其中,TP为模型正确预测正例的结果;FP为模型错误预测正例的结果;TN为模型正确预测反例的结果;FN为模型错误预测反例的...
【专利技术属性】
技术研发人员:雷文平,胡鑫,李永耀,张君浩,张培,王宏超,陈磊,陈宏,李凌均,王丽雅,韩捷,
申请(专利权)人:郑州恩普特科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。