旋转机械故障检测方法及装置、设备、存储介质制造方法及图纸

本发明专利技术属于故障检测技术领域，公开了一种旋转机械故障检测方法及装置、设备、存储介质，通过样本数据提取出预设振动特征，基于孤立森林算法训练获得异常检测模型，不需先验标签数据，能够准确高效地完成无监督故障检测；在利用异常检测模型对旋转机械的振动数据进行预测获得预测结果之后，确定相关的多个第一振动特征，从中筛选出多个第二振动特征，通过计算每个第二振动特征的重要程度，可以解读识别故障所使用的每个振动特征对预测结果所起的作用，由此支持执行根因分析获得故障成因，具备预测结果的可解释性，且通过调整故障检测所选用的不同预设振动特征组合，还能够应用于不同设备和不同类型的故障检测场景，拓宽应用范围。围。围。

【技术实现步骤摘要】
旋转机械故障检测方法及装置、设备、存储介质


[0001]本专利技术属于故障检测
，具体涉及一种旋转机械故障检测方法及装置、设备、存储介质。

技术介绍

[0002]在工业4.0的背景下，旋转机械已成为现代工业的关键设备。齿轮和轴承是旋转机械中的核心部件，齿轮或轴承中的任何故障均会导致机械故障，引发安全事故、产量下降和财务损失。因此，必须通过有效方法尽早发现故障。
[0003]机械故障诊断主要涉及到3个任务：首先，故障检测以确定设备是否正常工作；其次，分析早期故障类型及故障成因；最后，预测故障发展趋势。显然，故障检测是后续任务的基础。目前，人工智能(Artificial Intelligence，AI)技术在旋转机械监测中的应用得到了科研和工业人员的广泛研究。越来越多的工厂采纳了复杂的检测技术，以提高机器的可靠性和可用性，促进生产企业在全球市场的竞争力。例如，采用基于深度残差网络和迁移学习的机车轴承故障检测方法、基于卷积长短时记忆网络的旋转机械故障检测方法等方法，结合了快速傅立叶变换、连续小波变换和统计特征以实现准确的故障识别和分类。上述故障分类模型采用监督式学习需要在标注数据上进行训练。而大部分工业环境下的数据是无标签的，从机器设备中采集并标注数据的成本很高，无法得到所有条件下的故障样本。
[0004]现有技术中采用的故障检测AI模型，例如基于支持向量机(supportvector machine，SVM)和堆叠自编码器(StackedAuto Encoder，SAE)的轴承故障诊断方法，简称FD
‑
SAE，利用SVM区分正常数据和故障数据，其后利用基于特征距离的SAE进行故障分类。又例如，基于决策树算法的风电机故障检测方案，其中在大规模环境监测数据集上训练集成决策树(Decision Tree，DT)分类器，以自动提取振动信号中的异常并分析故障可能成因。但是，这些故障检测AI模型均不能够向用户提供可解读的结果，极大地限制AI模型在现实生产中的应用。可见现有故障检测模型需要先验标签数据，无法得到所有条件下的故障样本，而且不具备预测结果的可解释性，导致在旋转机械检测领域的实施规模受到限制。

技术实现思路

[0005]本专利技术的目的在于提供一种旋转机械故障检测方法及装置、设备、存储介质，不需要先验标签数据，能够准确高效地完成无监督故障检测，且具备预测结果的可解释性。
[0006]本专利技术第一方面公开一种旋转机械故障检测方法，包括：
[0007]获取与旋转机械的元件类型对应的若干样本数据；
[0008]根据若干样本数据，提取出多个预设振动特征；
[0009]根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型；
[0010]利用异常检测模型对旋转机械的振动数据进行预测获得预测结果；
[0011]若所述预测结果指示所述振动数据为异常数据，从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征；
[0012]从多个第一振动特征中筛选出多个第二振动特征；其中，多个第二振动特征为多个第一振动特征的子集；
[0013]根据所述预测结果以及每个第二振动特征的特征值，计算每个第二振动特征的特征值的分解因子值，所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度；
[0014]判断多个第二振动特征是否匹配到多种部件故障类型；
[0015]若匹配到多种故障类型，对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
[0016]本专利技术第二方面公开一种旋转机械故障检测装置，包括：
[0017]获取单元，用于获取与旋转机械的元件类型对应的若干样本数据；
[0018]提取单元，用于根据若干样本数据，提取出多个预设振动特征；
[0019]训练单元，用于根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型；
[0020]检测单元，用于利用异常检测模型对旋转机械的振动数据进行预测获得预测结果；
[0021]确定单元，用于在所述预测结果指示所述振动数据为异常数据时，从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征；
[0022]选择单元，用于从多个第一振动特征中筛选出多个第二振动特征；其中，多个第二振动特征为多个第一振动特征的子集；
[0023]计算单元，用于根据所述预测结果以及每个第二振动特征的特征值，计算每个第二振动特征的特征值的分解因子值，所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度；
[0024]判断单元，用于判断多个第二振动特征是否匹配到多种部件故障类型；
[0025]分析单元，用于在所述判断单元的判断结果为是时，对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
[0026]本专利技术第三方面公开一种电子设备，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行第一方面公开的旋转机械故障检测方法。
[0027]本专利技术第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行第一方面公开的旋转机械故障检测方法。
[0028]本专利技术的有益效果在于，所提供的旋转机械故障检测方法及装置、设备、存储介质，通过获取与旋转机械的元件类型对应的若干样本数据，提取出多个预设振动特征，然后根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型，用于后续的无监督故障检测，从而不需要先验标签数据，能够准确高效地完成无监督故障检测；以及在利用异常检测模型对旋转机械的振动数据进行预测获得预测结果之后，若预测结果指示振动数据为异常数据，从多个预设振动特征中确定与预测结果相关的多个第一振动特征，并从多个第一振动特征中筛选出多个第二振动特征，然后计算每个第二振动特征的特征值对预测结果的重要程度，若多个第二振动特征匹配到多种部件故障类型，对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因，可见本专利技术中通过计算每个相关的振动特
征的重要程度，可以解读识别故障所使用的每个振动特征对预测结果所起的作用，由此支持执行根因分析，具备预测结果的可解释性，而且通过调整故障检测所选用的不同预设振动特征组合，还能够应用于不同设备和不同类型的故障检测场景，进而可以拓宽应用范围。
附图说明
[0029]此处的附图，示出了本专利技术所述技术方案的具体实例，并与具体实施方式构成说明书的一部分，用于解释本专利技术的技术方案、原理及效果。
[0030]除非特别说明或另有定义，不同附图中，相同的附图标记代表相同或相似的技术特征，对于相同或相似的技术特征，也可能会采用不同的附图标记进行表示。
[0031]图1是一种旋转机械故障检测方法的流程图；
[0032]图2是输入向量和相应预测结果之间的作用关系示意图；
[0033]图3是本专利技术实施例与现有方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.旋转机械故障检测方法，其特征在于，包括：获取与旋转机械的元件类型对应的若干样本数据；根据若干样本数据，提取出多个预设振动特征；根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型；利用异常检测模型对旋转机械的振动数据进行预测获得预测结果；若所述预测结果指示所述振动数据为异常数据，从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征；从多个第一振动特征中筛选出多个第二振动特征；其中，多个第二振动特征为多个第一振动特征的子集；根据所述预测结果以及每个第二振动特征的特征值，计算每个第二振动特征的特征值的分解因子值，所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度；判断多个第二振动特征是否匹配到多种部件故障类型；若匹配到多种故障类型，对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。2.如权利要求1所述的旋转机械故障检测方法，其特征在于，判断多个第二振动特征是否匹配到多种部件故障类型之后，所述方法还包括：若未匹配到多种故障类型，对分解因子值最大的第二振动特征的特征值进行无监督分类，获得目标故障类型。3.如权利要求1所述的旋转机械故障检测方法，其特征在于，从多个第一振动特征中筛选出多个第二振动特征，包括：获取每个第一振动特征的标签信息，所述标签信息包括通用类或专属类；将属于所述专属类的第一振动特征确定为第二振动特征，以获得多个第二振动特征。4.如权利要求1至3任一项所述的旋转机械故障检测方法，其特征在于，利用异常检测模型对旋转机械的振动数据进行预测获得预测结果，包括：利用异常检测模型，计算旋转机械的振动数据的目标异常分；判断所述目标异常分是否大于或等于指定分数阈值；若所述目标异常分大于或等于指定分数阈值，确定所述旋转机械的振动数据为异常数据；若所述目标异常分小于指定分数阈值，确定所述旋转机械的振动数据为正常数据。5.旋转机械故障检测装置，其特征在于，包括：获取单元，用于获取与旋转机械的元件类型对应的若干样本数据；提取单元，用于根据若干样本数据，提取出多个预设振动特征；训练单元，用于根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型；检测单元，用于利...

【专利技术属性】
技术研发人员：沈阳，陈洁，吴伟文，
申请(专利权)人：广州工程技术职业学院，
类型：发明
国别省市：