一种旋转设备故障诊断方法及装置制造方法及图纸

本发明专利技术实施例公开了一种旋转设备故障诊断方法及装置，首先，获取旋转设备处于不同运行状态时的历史振动信号。然后，提取每个历史振动信号的时域特征、频域特征和小波包能量特征并进行融合，得到融合特征。根据每个历史振动信号的融合特征和对应的运行状态建立卷积神经网络模型。最终，获得旋转设备当前振动信号时域特征、频域特征和小波包能量特征的融合特征，并代入卷积神经网络模型，从而确定旋转设备当前所处的运行状态。本发明专利技术采用旋转设备振动信号的多种特征，增加了不同运行状态下振动信号特征的丰富度。同时，利用卷积神经网络对振动信号的多种特征和运行状态进行建模，提高了设备故障诊断的准确率，进而有效节省旋转设备的维护成本。设备的维护成本。设备的维护成本。

【技术实现步骤摘要】
一种旋转设备故障诊断方法及装置


[0001]本专利技术属于旋转设备
，具体涉及一种旋转设备故障诊断方法及装置。

技术介绍

[0002]旋转机械广泛应用在航空航天、轨道交通、石油化工、汽车制造和风力发电等国计民生的重要工程领域，在国民经济生产中具有举足轻重的作用。为满足实际生产需求，机械设备通常工作在重载、高温、腐蚀以及高作业率的复杂恶劣环境。一旦出现故障，会带来巨大的经济损失。
[0003]加强对这类设备的监测诊断，对于提高设备的安全性和可靠性，降低运行维护成本具有重要意义。因此用于工业设备的预测和健康管理(PHM)变得越来越重要，从而导致用于工业设备的智能维护系统越来越多。智能故障诊断正成为机器PHM技术的重要分支，旋转机械故障诊断方法大体分为基于物理模型的方法和基于信号处理的方法。
[0004]基于物理模型的方法主要是获取设备上的数据信号，并用最初建立的模型对数据处理结果进行分析，从而得到机组的故障诊断情况。该方法的主要难点在于需要深入了解机器的工作机理，难以建立起现代复杂机械设备的精确物理系统，特别是在动态、噪音大的工作环境下。
[0005]基于信号处理的方法通过信号处理实现信号降噪，旨在探索先进的信号去噪和滤波技术，突出故障特征信息。该方法特征频率的计算往往需要相关的设备知识和数学基础，并且需要依赖专家进行诊断，可移植性较弱。

技术实现思路

[0006]本专利技术实施例中提供了一种旋转设备故障诊断方法及装置，以解决现有技术中难以建立复杂机械设备的精确物理系统，且依赖专家诊断，可移植性较弱的问题。
[0007]为了解决上述技术问题，本专利技术实施例公开了如下技术方案：
[0008]第一方面，本申请一些实施例提供一种旋转设备故障诊断方法，包括：
[0009]分别获取旋转设备处于不同运行状态时的历史振动信号，所述运行状态包括正常状态以及多种故障状态；
[0010]提取每个历史振动信号的时域特征、频域特征和小波包能量特征；
[0011]针对每个历史振动信号，均将所述历史振动信号的时域特征、频域特征和小波包能量特征进行融合，获得每个历史振动信号的融合特征；
[0012]建立卷积神经网络模型，其中，所述卷积神经网络模型的输入变量为历史振动信号的融合特征，输出变量为旋转设备的运行状态；
[0013]获取旋转设备当前的振动信号；
[0014]提取当前振动信号的时域特征、频域特征和小波包能量特征；
[0015]对所述当前振动信号的时域特征、频域特征和小波包能量特征进行融合，获得当前振动信号的融合特征；
[0016]将当前振动信号的融合特征代入卷积神经网络模型，根据卷积神经网络模型的输出结果确定旋转设备当前的运行状态。
[0017]第二方面，本申请一些实施例提供一种旋转设备故障诊断装置，包括：
[0018]历史振动信号获取单元，用于分别获取旋转设备处于不同运行状态时的历史振动信号，所述运行状态包括正常状态以及多种故障状态；
[0019]特征提取单元，用于提取每个历史振动信号的时域特征、频域特征和小波包能量特征；
[0020]特征融合单元，用于针对每个历史振动信号，均将所述历史振动信号的时域特征、频域特征和小波包能量特征进行融合，获得每个历史振动信号的融合特征；
[0021]模型建立单元，用于建立卷积神经网络模型，其中，所述卷积神经网络模型的输入变量为历史振动信号的融合特征，输出变量为旋转设备的运行状态；
[0022]当前振动信号获取单元，用于获取旋转设备当前的振动信号；
[0023]所述特征提取单元，还用于提取当前振动信号的时域特征、频域特征和小波包能量特征；
[0024]所述特征融合单元，还用于对所述当前振动信号的时域特征、频域特征和小波包能量特征进行融合，获得当前振动信号的融合特征；
[0025]运行状态确定单元，用于将当前振动信号的融合特征代入卷积神经网络模型，根据卷积神经网络模型的输出结果确定旋转设备当前的运行状态。
[0026]由以上技术方案可知，本申请实施例提供了一种旋转设备故障诊断方法及装置，首先，获取旋转设备处于不同运行状态时的历史振动信号。然后，提取每个历史振动信号的时域特征、频域特征和小波包能量特征并进行融合，得到融合特征。根据每个历史振动信号的融合特征和对应的运行状态建立卷积神经网络模型。最终，获得旋转设备当前振动信号时域特征、频域特征和小波包能量特征的融合特征，并代入卷积神经网络模型，从而确定旋转设备当前所处的运行状态。
[0027]本申请的技术方案中，采用旋转设备振动信号的多种特征，增加了不同运行状态下振动信号特征的丰富度。同时，利用卷积神经网络对振动信号的多种特征和运行状态进行建模，提高了设备故障诊断的准确率，进而有效节省旋转设备的维护成本。
附图说明
[0028]图1为本专利技术实施例提供的一种旋转设备故障诊断方法的流程示意图；
[0029]图2为本专利技术实施例提供的一种旋转设备振动信号的示意图；
[0030]图3为本专利技术实施例提供的一种图1中步骤S102的流程示意图；
[0031]图4为本专利技术实施例提供的一种卷积神经网络模型的示意图；
[0032]图5为一种旋转设备故障诊断装置的结构示意图。
具体实施方式
[0033]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。
[0034]图1为本专利技术公开实施例提供的一种旋转设备故障诊断方法的流程示意图，如图1
所示，该方法包括以下步骤：
[0035]步骤S101：分别获取旋转设备处于不同运行状态时的历史振动信号。
[0036]旋转设备的运行状态包括设备正常运转时的正常状态，以及发生不同种类故障时的故障状态。获取旋转设备处于正常状态时的振动信号，以及，旋转设备处于不同种类故障状态时的振动信号，将这些振动信号均作为历史振动信号。
[0037]如图2所示，振动信号是能够反映振动幅值大小的信号振动序列，旋转设备处于不同运行状态时，振动信号反映出的细节不同。因此，本专利技术实施例目的在于：以不同运行状态振动信号之间的差异为基础，精准判定旋转设备所处的运行状态。
[0038]在本专利技术公开的一个具体实施例中，获取旋转设备上齿轮箱和轴承这两种主要构件处于不同运行状态时的历史振动信号。其中，齿轮箱的运行状态包括轮齿磨损状态、断齿状态、根部故障状态、表面故障状态和正常状态；轴承的运行状态包括滚动体故障状态、内圈故障状态、外圈故障状态、内外圈故障状态和正常状态。
[0039]采集上述每种运行状态的振动信号，每种运行状态的振动信号的长度需要足够长，以便于后续对振动信号进行分割。在本专利技术公开的一个具体实施例中，针对每种运行状态，均获取长度为1048000的振动序列作为历史振动信号，即，振动序列具有1048000个振动值。
[0040]步骤S102：提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转设备故障诊断方法，其特征在于，包括：分别获取旋转设备处于不同运行状态时的历史振动信号，所述运行状态包括正常状态以及多种故障状态；提取每个历史振动信号的时域特征、频域特征和小波包能量特征；针对每个历史振动信号，均将所述历史振动信号的时域特征、频域特征和小波包能量特征进行融合，获得每个历史振动信号的融合特征；建立卷积神经网络模型，其中，所述卷积神经网络模型的输入变量为历史振动信号的融合特征，输出变量为旋转设备的运行状态；获取旋转设备当前的振动信号；提取当前振动信号的时域特征、频域特征和小波包能量特征；对当前振动信号的时域特征、频域特征和小波包能量特征进行融合，获得当前振动信号的融合特征；将当前振动信号的融合特征代入卷积神经网络模型，根据卷积神经网络模型的输出结果确定旋转设备当前的运行状态。2.根据权利要求1所述的旋转设备故障诊断方法，其特征在于，所述提取每个历史振动信号的时域特征、频域特征和小波包能量特征，包括：针对每种运行状态的历史振动信号，均在所述历史振动信号中截取预设数量个子信号，其中，每个子信号均为预设长度的振动序列；分别提取每个子信号的时域特征、频域特征和小波包能量特征。3.根据权利要求2所述的旋转设备故障诊断方法，其特征在于，所述分别提取每个子信号的时域特征、频域特征和小波包能量特征，包括：针对每一个子信号，均按照以下方法提取所述子信号的时域特征：最大值：x
max
＝max(x
n
)最小值：x
min
＝min(x
n
)峰峰值：x
pp
＝x
max
‑
x
min
均值：绝对平均值：均方根值：方差：标准差：偏度：峰度：
波形指标：脉冲指标：峰值指标：裕度指标：其中：x
n
为所述子信号中第n个振动值，N为所述子信号振动序列的长度，所述子信号振动序列中包含N个振动值。4.根据权利要求2所述的旋转设备故障诊断方法，其特征在于，所述分别提取每个子信号的时域特征、频域特征和小波包能量特征，包括：针对每一个子信号，均按照以下方法提取所述子信号的频域特征：重心频率：均方频率：频率方差：其中：A
k
为所述子信号幅值谱第k条谱线对应的幅值，f
k
为第k条谱线对应的频率，A
f
是所有谱线对应幅值的均值。5.根据权利要求2所述的旋转设备故障诊断方法，其特征在于，所述分别提取每个子信号的时域特征、频域特征和小波包能量特征，包括：对每个子信号进行H层小波包分解，并提取2
H
个小波包能量特征。6.根据权利要求2所述的旋转设备故障诊断方法，其特征在于，所述针对每个历史振动信号，均将所述历史振动信号的时域特征、频域特征和小波包能量特征进行融合，获得每个历史振动信号的融合特征，包括：分别将每个子信号的所有时域特征、频域特征和小波包能量特征进行拼接融合，得到每个子信号的融合特征。7.根据权利要求6所述的旋转设备故障诊断方法，其特征在于，在执行所述建立卷积神经网络模型的步骤之前，还包括：按照以下计算方法，采用鲁棒归一化方式分别对每个子信号的融合特征进行预处理：其中：f为子信号原始的融合特征，f
′
Robust
为子信号预处理后的融合特征，f
median

【专利技术属性】
技术研发人员：张儒，孙自飞，甘雨，金云峰，郭震，
申请(专利权)人：南京天洑软件有限公司，
类型：发明
国别省市：