一种设备故障诊断方法、系统、电子设备及存储介质技术方案

本发明专利技术提供的一种设备故障诊断方法、系统、电子设备及存储介质，方法包括：基于设备模型、设备历史状态信号和静态信息构建样本知识库；基于上述样本知识库构建决策树分类和多维特征向量；基于上述决策树分类和上述多维特征向量构建GRA模型；将获取到的待识别信号基于上述决策树分类进行归类，并将归类结果输入值上述GRA模型中，获得上述待识别信号的诊断结果。本发明专利技术通过基于样本知识库构建决策分类和多维特征向量，并基于上述决策分类和多维特征向量构建GRA模型，从而构建了一个可以迭代自更替的故障匹配模型，从而实现对设备的故障进行诊断和预判，大大的提高了设备诊断的准确性和实用性。和实用性。和实用性。

【技术实现步骤摘要】
一种设备故障诊断方法、系统、电子设备及存储介质


[0001]本专利技术涉及设备故障检测
，更具体地，涉及一种设备故障诊断方法、系统、电子设备及存储介质。

技术介绍

[0002]特征提取广泛应用于各领域过程中，信号的多变性、随机性和信号特征的模糊性共同决定了个体特征提取的复杂度，这使得对特征提取的方法和研究需要根据被研究个体的应用领域进行细分。汽轮机设备作为大型设备，轴承故障作为设备故障的一类，有效的对轴承故障进行识别和诊断可以减少在故障处理过程中的处理时间，有效降低故障影响，提升生产效率。随着未来的进一步拓展，达成预诊断，可以更好的实现对设备的保养，降低设备故障发生率。
[0003]传统的设备报警取决于单一参数或者多个参数的阈值进行判定，其本身对于设备工况和运行环境的要求存在一定的假设性，同时针对对于设备运行情况的其他非量化参数也存在缺失的问题(例如设备老化、保养、非量化指标、非量化测量参数)，因此在定位故障和识别故障上存在一定的缺失。因此，如何进一步提高设备故障诊断的准确性是亟待解决的问题。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种设备故障诊断方法、系统、电子设备及存储介质，用以解决如何进一步提高设备故障诊断的准确性的问题。
[0005]根据本专利技术的第一方面，提供了一种设备故障诊断方法，包括：
[0006]基于设备模型、设备历史状态信号和静态信息构建样本知识库；
[0007]基于所述样本知识库构建决策树分类和多维特征向量；<br/>[0008]基于所述决策树分类和所述多维特征向量构建GRA模型；
[0009]将获取到的待识别信号基于所述决策树分类进行归类，并将归类结果输入值所述GRA模型中，获得所述待识别信号的诊断结果。
[0010]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0011]优选的，所述设备模型的模型参数为：设备型号、设备安装方式、设备运行状态、设备运行转速、设备运行载荷、设备轴向震动参数、设备转向、设备有效运行周期。
[0012]优选的，所述基于所述样本知识库构建决策树分类的步骤，包括：
[0013]基于所述样本知识库中的故障样本，计算其对应的信息熵和条件熵；
[0014]基于所述信息熵和所述条件熵，计算所述故障样本对应每个特征的信息增益或信息增益比；
[0015]基于所述信息增益或信息增益比构建决策树分类。
[0016]优选的，所述基于所述样本知识库构建多维特征向量的步骤，包括：
[0017]基于所述样本知识库的决策树分类对所述样本知识库中的关键轴承震动信号进
行分类，得到多个类型的故障样本；
[0018]基于Holder系数模型将所述多个类型的故障样本，转换成多维特征向量。
[0019]优选的，所述基于所述决策树分类和所述多维特征向量构建GRA模型的步骤，包括：
[0020]基于所述样本知识库中的故障样本构建参考数列，并将所述参考数列中的参数进行量纲转换，构建目标参数数列；
[0021]计算所述多维特征向量和所述目标参数数列的关联度；
[0022]基于所述关联度，得到所述决策树分类中各故障类型发生的故障概率，基于所述故障概率构建GRA模型。
[0023]优选的，所述故障概率为：
[0024]P＝1
‑
|r
‑
r
n
|/|r
max
‑
r
min
|；
[0025]其中，r为所述多维特征向量和所述目标参数数列的关联度，在所述故障样本中随机抽取5％样本抽选3次计算得到平均关联度r
n
、最大关联度r
max
、最小关联度r
min
。
[0026]根据本专利技术的第二方面，提供一种设备故障诊断系统，包括：
[0027]知识库构建模块，用于基于设备模型、设备历史状态信号和静态信息构建样本知识库；
[0028]向量构建模块，用于基于所述样本知识库构建决策树分类和多维特征向量；
[0029]模型构建模块，用于基于所述决策树分类和所述多维特征向量构建GRA模型；
[0030]结果诊断模块，用于将获取到的待识别信号基于所述决策树分类进行归类，并将归类结果输入值所述GRA模型中，获得所述待识别信号的诊断结果。
[0031]根据本专利技术的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一设备故障诊断方法的步骤。
[0032]根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第一方面中任一设备故障诊断方法的步骤。
[0033]本专利技术提供的一种设备故障诊断方法、系统、电子设备及存储介质，方法包括：基于设备模型、设备历史状态信号和静态信息构建样本知识库；基于上述样本知识库构建决策树分类和多维特征向量；基于上述决策树分类和上述多维特征向量构建GRA模型；将获取到的待识别信号基于上述决策树分类进行归类，并将归类结果输入值上述GRA模型中，获得上述待识别信号的诊断结果。本专利技术通过基于样本知识库构建决策分类和多维特征向量，并基于上述决策分类和多维特征向量构建GRA模型，从而构建了一个可以迭代自更替的故障匹配模型，从而实现对设备的故障进行诊断和预判，并且使用熵值特征、Holder系数特征，根据轴承诊断信号特征的内聚级度以及类间分离度的特性，在决策树模型下实现对故障的预分类，再配合多特征提取匹配，实现对故障的预匹配和模糊识别，大大的提高了设备诊断的准确性和实用性。
附图说明
[0034]图1为本专利技术提供的一种设备故障诊断方法流程图；
[0035]图2为本专利技术提供的一种设备故障类型分类定义的示意图；
[0036]图3为本专利技术提供的一种可能的设备故障诊断应用场景的示意图；
[0037]图4为本专利技术提供的一种设备故障诊断系统结构示意图；
[0038]图5为本专利技术提供的一种可能的电子设备的硬件结构示意图；
[0039]图6为本专利技术提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
[0040]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0041]图1为本专利技术提供的一种设备故障诊断方法流程图，如图1所示，方法包括：
[0042]步骤S100：基于设备模型、设备历史状态信号和静态信息构建样本知识库；
[0043]需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备故障诊断方法，其特征在于，所述方法包括：基于设备模型、设备历史状态信号和静态信息构建样本知识库；基于所述样本知识库构建决策树分类和多维特征向量；基于所述决策树分类和所述多维特征向量构建GRA模型；将获取到的待识别信号基于所述决策树分类进行归类，并将归类结果输入值所述GRA模型中，获得所述待识别信号的诊断结果。2.根据权利要求1所述的设备故障诊断方法，其特征在于，所述设备模型的模型参数为：设备型号、设备安装方式、设备运行状态、设备运行转速、设备运行载荷、设备轴向震动参数、设备转向、设备有效运行周期。3.根据权利要求1所述的设备故障诊断方法，其特征在于，所述基于所述样本知识库构建决策树分类的步骤，包括：基于所述样本知识库中的故障样本，计算其对应的信息熵和条件熵；基于所述信息熵和所述条件熵，计算所述故障样本对应每个特征的信息增益或信息增益比；基于所述信息增益或信息增益比构建决策树分类。4.根据权利要求1所述的设备故障诊断方法，其特征在于，所述基于所述样本知识库构建多维特征向量的步骤，包括：基于所述样本知识库的决策树分类对所述样本知识库中的关键轴承震动信号进行分类，得到多个类型的故障样本；基于Holder系数模型将所述多个类型的故障样本，转换成多维特征向量。5.根据权利要求1所述的设备故障诊断方法，其特征在于，所述基于所述决策树分类和所述多维特征向量构建GRA模型的步骤，包括：基于所述样本知识库中的故障样本构建参考数列，并将所述参考数列中的参数进行量纲转换，构建目标参数数列；计算所述多维特征向量和所述目标参数数列的关联度；基于所述关联度，得到...

【专利技术属性】
技术研发人员：孙文虎，胡继香，丁露林，李宏鑫，王聪，万睿颖，吕梦成，李畅，杨昆，廖亦峰，
申请(专利权)人：中国长江动力集团有限公司，
类型：发明
国别省市：