一种回转机械设备故障检测方法以及装置制造方法及图纸

本申请提供一种应用于机械领域的回转机械设备故障检测方法以及装置，用于通过对采集到的振动信息进行分解分析，使用更细粒度的模式分量更准确地对机械设备的故障进行故障情况诊断。包括：获取振动信息，该振动信息中可以包括采集到的至少一个机械设备产生的振动的信息，具体可以是通过传感器采集，如振动传感器或者光纤分布式声学传感器等传感器来采集；对振动信息进行解调，得到多种模式分量，该多种模式分量可以用于表示至少一个机械设备的至少一种工作模式的信息，通常机械设备的工作模式可以包括正常工作模式或者故障模式等；随后根据多种模式分量确定至少一个机械设备的故障信息，该故障信息可以用于表示至少一个机械设备是否产生故障。械设备是否产生故障。械设备是否产生故障。

【技术实现步骤摘要】
一种回转机械设备故障检测方法以及装置


[0001]本申请涉及机械领域，尤其涉及一种回转机械设备故障检测方法以及装置。

技术介绍

[0002]对于一些运输装置，如皮带机或者运输机等，托辊是重要机械组件。例如，皮带机是煤矿输送原煤的主要机械，托辊作为皮带机的核心部件，其正常运转直接关系到皮带机物料的运送功能。托辊故障容易造成局部升温，是威胁煤矿采煤安全的重要因素，托辊故障频发极大提高了皮带机运维强度和成本。
[0003]在一些场景中，针对托辊的故障检测，可以通过光纤拾取振动信息，对光纤信号进行相位解调，绘制光纤解调后的相位信号的瀑布图，根据相位瀑布图来定位托辊故障点。然而，在拾取振动信息时，皮带机自身的振动对于故障点的振动的干扰较强，将导致故障识别的准确地降低。

技术实现思路

[0004]本申请提供一种回转机械设备故障检测方法以及装置，用于通过对采集到的振动信息进行分解分析，使用更细粒度的模式分量更准确地对机械设备的故障进行故障情况诊断。
[0005]有鉴于此，本申请第一方面提供一种回转机械设备故障检测方法，包括：首先，获取振动信息，该振动信息中可以包括采集到的至少一个机械设备产生的振动的信息，具体可以是通过振动传感器采集，如电感式振动传感器或者光纤分布式声学传感器(optical fiber distributed acoustic sensing，DAS)等传感器来采集；随后，对振动信息进行解调，得到多种模式分量，该多种模式分量可以用于表示至少一个机械设备的至少一种工作模式的信息，通常机械设备的工作模式可以包括正常工作模式或者故障模式等；随后根据多种模式分量确定至少一个机械设备的故障信息，该故障信息可以用于表示至少一个机械设备是否产生故障。
[0006]本申请实施方式中，在采集到振动信息后，可以对振动信息进行解调，从而得到多种模式分量。可以对多种模式分量分别进行分析，当确定一个或多个模式分量表示的工作模式为故障模式时，即可确定托辊故障。因此，可以对采集到的振动信息进行分解，得到可以用于表示托辊的工作模式的多个分量，从而通过表示信息更详细的分量来识别机械设备是否故障，即可以从模式分量的维度对托辊是否故障进行分析，从而可以准确地判断托辊是否故障。
[0007]在一种可能的实施方式中，前述的根据多种模式分量确定至少一个机械设备的故障信息，可以包括：获取多种模式分量中每种模式分量的多个指标值，该多个指标包括从多个维度对每种分量进行评价得到的评价值，该多个维度可以包括多种模式分量的信号冲击性、周期冲击性或信噪比中的至少一种；随后，根据每种模式分量的多个指标值识别对应的机械设备的工作模式是否为故障模式；若多种模式分量中包括至少一种故障模式分量，则
生成表示至少一个机械设备是否产生故障的故障信息，至少一种故障模式分量表示机械设备的工作表示为故障模式的模式分量。
[0008]因此，本申请实施方式中，可以对采集到的振动信息进行分解得到多种分量，并对每种分量从信号冲击性、周期冲击性或信噪比等维度进行衡量，判断各个模式的指标是否在正常工作模式的范围内，若存在一个或者多个模式的指标不在正常工作模式的范围内，则表示机械设备产生了故障，从而准确识别出机械设备是否产生故障。
[0009]在一种可能的实施方式中，前述的根据每种模式分量的多个指标值识别对应的机械设备的工作模式是否为故障模式，可以包括：若第一模式分量对应的多个指标值不在预设边界内，则确定第一模式分量的多个指标值识别对应的机械设备的工作模式为故障模式，预设边界为机械设备的工作模式处于非故障模式时对应的多个指标值的分布范围，第一模式分量为多种模式分量中的任意一个。本申请实施方式中，当各个模式分量的指标离群时，即表示机械设备产生了异响或者异常振动，此时即可识别出机械设备产生了故障。
[0010]在一种可能的实施方式中，每种模式分量的多个指标包括以下至少一种：峭度、相关峭度、包括谐噪比、负熵、Gini指数、方差或者标准差。因此，本申请实施方式中，可以通过峭度、相关峭度、包括谐噪比、负熵、Gini指数、方差或者标准差等指标来衡量每种分量所表示的工作模式是否异常，从而准确识别出故障模式分量。
[0011]在一种可能的实施方式中，本申请提供的方法还可以包括：根据至少一种故障模式分量对应的多个指标值，确定至少一种故障模式分量中每种故障模式分量对应的故障类型。通常，不同故障类型可能对应不同的指标范围，因此本申请实施方式中，还可以通过分量的指标来进一步识别机械设备的故障类型，从而以便于用户根据故障类型准确地进行机械设备的维修或者更换等操作。
[0012]在一种可能的实施方式中，前述的根据至少一种故障模式分量对应的多个指标值，确定至少一种故障模式分量中每种故障模式分量对应的故障类型，可以包括：将至少一种故障模式分量对应的多个指标值作为故障类型识别模型的输入，输出至少一种故障模式分量中每种故障模式分量对应的故障类型，故障类型识别模型为使用第一训练集进行训练得到，第一训练集中包括至少一个机械设备的历史数据，历史数据包括至少一个机械设备的在非故障模式工作时产生的数据以及至少一个机械设备在故障模式工作时获取的故障类型；或者，将至少一种故障模式分量对应的多个指标值与对应的阈值进行比较，确定至少一种故障模式分量中每种故障模式分量对应的故障类型。
[0013]通常，在历史数据充足的情况下，可以使用历史数据对模型进行训练后得到训练后的模型，从而可以高效准确地识别出故障类型。而当历史数据不足的情况下，则可以通过历史数据来计算阈值，从而也可以识别出故障类型。可以适应更多的场景，在多种场景下均能准确地识别出故障类型。
[0014]在一种可能的实施方式中，本申请提供的方法还可以包括：使用第一训练集对故障类型识别模型进行训练，得到训练后的故障类型识别模型，其中，在训练故障类型识别模型的过程中，将第一训练集中的样本作为故障类型识别模型的输入，故障类型识别模型用于对多种类型的故障对应的样本进行故障分类，并计算每种故障分类的分类中心；
[0015]前述的将至少一种故障模式分量对应的多个指标值作为故障类型识别模型的输入，输出至少一种故障模式分量中每种故障模式分量对应的故障类型，具体可以包括：通过
故障类型识别模型从至少一种故障模式分量对应的多个指标值提取特征；通过故障类型识别模型获取每种故障模式分量对应的特征与每种故障分类的分类中心之间的距离；根据每种故障模式分量对应的特征与每种故障分类的分类中心之间的距离，确定每种故障模式分量对应的故障类型。
[0016]本申请实施方式中，可以通过历史数据来训练故障类别识别模型，可以根据每个故障模式分量与历史数据中各种类型的故障之间的距离，来识别出与故障模式分量更近的故障类型，从而可以基于历史数据更准确地识别出故障模式分量对应的故障类型。
[0017]在一种可能的实施方式中，本申请提供的方法还可以包括：根据至少一种故障模式分量对应的多个指标值，确定至少一种故障模式分量中每种故障模式分量对应的故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种回转机械设备故障检测方法，其特征在于，包括：获取振动信息，所述振动信息包括采集到的至少一个机械设备产生的振动的信息；对所述振动信息进行解调，得到多种模式分量，所述多种模式分量用于表示所述至少一个机械设备的至少一种工作模式的信息；根据所述多种模式分量确定所述至少一个机械设备的故障信息，所述故障信息用于表示所述至少一个机械设备是否产生故障。2.根据权利要求1所述的方法，其特征在于，所述根据所述多种模式分量确定所述至少一个机械设备的故障信息，包括：获取所述多种模式分量中每种模式分量的多个指标值，所述多个指标值包括从多个维度对所述每种模式分量进行评价得到的评价值，所述多个维度包括所述多种模式分量的信号冲击性、周期冲击性或信噪比中的至少一种；根据所述每种模式分量的所述多个指标值识别对应的机械设备的工作模式是否为故障模式；若所述多种模式分量中包括至少一种故障模式分量，则生成表示所述至少一个机械设备是否产生故障的所述故障信息，所述至少一种故障模式分量表示机械设备的工作表示为故障模式的模式分量。3.根据权利要求2所述的方法，其特征在于，所述根据所述每种模式分量的所述多个指标值识别对应的机械设备的工作模式是否为故障模式，包括：若第一模式分量对应的多个指标值不在预设边界内，则确定所述第一模式分量的所述多个指标值识别对应的机械设备的工作模式为故障模式，所述预设边界为机械设备的工作模式处于非故障模式时对应的多个指标值的分布范围，所述第一模式分量为所述多种模式分量中的任意一个。4.根据权利要求2或3所述的方法，其特征在于，所述每种模式分量的多个指标包括以下至少一种：峭度、相关峭度、包括谐噪比、负熵、Gini指数、方差或者标准差。5.根据权利要求2
‑
4中任一项所述的方法，其特征在于，所述方法还包括：根据所述至少一种故障模式分量对应的多个指标值，确定所述至少一种故障模式分量中每种故障模式分量对应的故障类型。6.根据权利要求5所述的方法，其特征在于，所述根据所述至少一种故障模式分量对应的多个指标值，确定所述至少一种故障模式分量中每种故障模式分量对应的故障类型，包括：将所述至少一种故障模式分量对应的多个指标值作为故障类型识别模型的输入，输出所述至少一种故障模式分量中每种故障模式分量对应的故障类型，所述故障类型识别模型为使用第一训练集进行训练得到，所述第一训练集中包括所述至少一个机械设备的历史数据，所述历史数据包括所述至少一个机械设备的在非故障模式工作时产生的数据以及所述至少一个机械设备在故障模式工作时获取的故障类型；或者，将所述至少一种故障模式分量对应的多个指标值与对应的阈值进行比较，确定所述至少一种故障模式分量中每种故障模式分量对应的故障类型。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：使用所述第一训练集对所述故障类型识别模型进行训练，得到训练后的所述故障类型
识别模型，其中，在训练所述故障类型识别模型的过程中，将所述第一训练集中的样本作为所述故障类型识别模型的输入，所述故障类型识别模型用于对多种类型的故障对应的样本进行故障分类，并计算每种故障分类的分类中心；所述将所述至少一种故障模式分量对应的多个指标值作为故障类型识别模型的输入，输出所述至少一种故障模式分量中每种故障模式分量对应的故障类型，包括：通过所述故障类型识别模型从所述至少一种故障模式分量对应的多个指标值提取特征；通过所述故障类型识别模型获取所述每种故障模式分量对应的特征与所述每种故障分类的分类中心之间的距离；根据所述每种故障模式分量对应的特征与所述每种故障分类的分类中心之间的距离，确定所述每种故障模式分量对应的故障类型。8.根据权利要求2
‑
7中任一项所述的方法，其特征在于，所述方法还包括：根据所述至少一种故障模式分量对应的多个指标值，确定所述至少一种故障模式分量中每种故障模式分量对应的故障量级，所述故障量级表示所述至少一种故障模式分量中每种故障模式分量对应的机械设备的故障程度。9.根据权利要求8所述的方法，其特征在于，所述根据所述至少一种故障模式分量对应的多个指标值，确定所述至少一种故障模式分量中每种故障模式分量对应的故障量级，包括：将所述至少一种故障模式分量对应的多个指标值作为故障量级识别模型的输入，输出所述至少一种故障模式分量中每种故障模式分量对应的故障量...

【专利技术属性】
技术研发人员：闫畅，王振刚，李锋，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：