故障智能诊断方法、装置、设备及存储介质制造方法及图纸

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：