本发明专利技术公开一种故障智能诊断方法，包括：采集待测设备的振动信号，并采用数据处理算法提取振动信号的振动特征信息；利用预先训练好的机器学习分类模型对振动特征信息进行处理，判断转子轴系是否发生故障；若是则输出转子轴系故障原因；若否则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；若是则输出轴承故障原因；若否则故障诊断结果为无故障。本发明专利技术不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。对计算机资源要求低。对计算机资源要求低。
【技术实现步骤摘要】
故障智能诊断方法、装置、设备及存储介质
[0001]本专利技术涉及旋转机械故障诊断
，具体涉及一种故障智能诊断方法、装置、设备及存储介质。
技术介绍
[0002]随着时代的发展，现代机械设备的复杂性急剧增加，基于专家经验的故障诊断的难度也随之不断攀升；而随着机器学习的兴起，故障智能诊断的方法应运而生，故障智能诊断能够识别到依靠专家经验不能够识别到故障特征，能够有效提高复杂故障的诊断成功率。
[0003]相关技术中，公布号为CN111950377A的中国专利技术专利文献记载了一种基于模糊软形态学图形识别的旋转机械故障智能诊断方法，该方法能够将振动信号转换为三维图像进行处理，实现智能诊断，但是需要大量的故障样本数据进行训练，并且对计算资源要求较高。
[0004]公布号为CN114818825A的中国专利技术专利文献记载了一种基于卷积核多层分布残差网络的旋转机械故障诊断方法，该方法可以解决变工况下特征提取的问题，但该方法主要针对于轴承相关的故障，对于转子轴系故障难以适用。
[0005]由于现有的故障智能诊断算法大多是基于公开数据集进行训练的，且大多集中在轴承故障诊断，但是对于转子轴系故障适应性并不好，特别是由于特定行业的一些专用设备故障数据并不多，难以用深度学习算法来进行针对性的模型训练，这会导致故障智能诊断成功率大幅下降。
[0006]公布号为CN109102005A的中国专利技术专利文献记载了一种基于浅层模型知识迁移的小样本深度学习方法，该方法首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
[0007]但该方案主要是对转子相关故障进行识别诊断，故障诊断适应性不高，且采用多个深度学习算法同时计算，对计算机要求较高。
技术实现思路
[0008]本专利技术所要解决的技术问题在于如何实现提供一种即适用于轴承故障诊断也适用于转子轴系故障诊断的方案。
[0009]本专利技术通过以下技术手段实现解决上述技术问题的：
[0010]本专利技术提出了一种故障智能诊断方法，所述方法包括以下步骤：
[0011]采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；
[0012]利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；
[0013]若是，则输出转子轴系故障原因；
[0014]若否，则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；
[0015]若是，则输出轴承故障原因；
[0016]若否，则故障诊断结果为无故障。
[0017]本专利技术通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进行诊断，如有故障，则说明设备转子轴系出现问题，输出故障相关信息，如无故障则跳转至深度学习分类模型；深度学习分类模型利用实时振动信号进行诊断，如有故障，则说明轴承出现问题，则输出故障原因，无故障则输出无故障。本专利技术不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。
[0018]进一步地，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。
[0019]进一步地，所述采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，包括：
[0020]采用数据处理算法对所述振动信号进行处理，得到所述振动信号的时域及频域信息；
[0021]从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。
[0022]进一步地，所述机器学习分类模型采用决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型。
[0023]进一步地，所述深度学习分类模型采用前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型。
[0024]进一步地，所述机器学习分类模型的预先训练过程包括：
[0025]采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；
[0026]提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；
[0027]采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；
[0028]利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。
[0029]进一步地，所述深度学习分类模型的预先训练过程包括：
[0030]利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型
进行学习训练，得到所述预先训练好的深度学习分类模型。
[0031]此外，本专利技术还提出了一种故障智能诊断装置，所述装置包括：
[0032]采集模块，用于采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；
[0033]第一判断模块，用于利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；
[0034]故障结果输出模块，用于在所述第一判断模块输出结果为是时，输出转子轴系故障原因；
[0035]第二判断模块，用于在所述第一判断模块输出结果为否时，利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；
[0036]所述故障结果输出模块，用于在所述第二判断模块输出结果为是时，输出轴承故障原因；以及用于在所述第二判断模块输出结果为否时，输出故障诊断结果为无故障。
[0037]此外，本专利技术还提出了一种故障智能诊断设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的方法。
[0038]此外，本专利技术还提出了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时，实现如上所述的方法。
[0039]本专利技术的优点在于：
[0040](1)通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种故障智能诊断方法，其特征在于，所述方法包括以下步骤：采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；若是，则输出转子轴系故障原因；若否，则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；若是，则输出轴承故障原因；若否，则故障诊断结果为无故障。2.如权利要求1所述的故障智能诊断方法，其特征在于，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。3.如权利要求1所述的故障智能诊断方法，其特征在于，所述采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，包括：对所述振动信号进行快速傅里叶变换及小波分析，得到所述振动信号的时域及频域信息；从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。4.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型采用决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型。5.如权利要求1所述的故障智能诊断方法，其特征在于，所述深度学习分类模型采用前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型。6.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型的预先训练过程包括：采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；采用...
【专利技术属性】
技术研发人员：司翔宇，陈悦，张剑，袁昊，匡磊，吕长虹，庞靖，李敬豪，邢海波，
申请(专利权)人：中国大唐集团科学技术研究总院有限公司广东大唐国际雷州发电有限责任公司大唐锅炉压力容器检验中心有限公司，
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。