一种风机传动链的设备故障诊断方法及系统技术方案

本发明专利技术公开了一种风机传动链的设备故障诊断方法及系统，该方法包括如下步骤：

【技术实现步骤摘要】
一种风机传动链的设备故障诊断方法及系统


[0001]本专利技术涉及风机状态监测
，尤其涉及一种风机传动链的设备故障诊断方法及系统
。

技术介绍

[0002]水泥企业风机设备的智慧运维可以提高企业生产的安全性，经济性和产品质量的稳定性，从而提高在行业内竞争实力
。
其需求体现如下：
1、
减少企业人员工作量，提升工作效率，释放人力资源
。
[0003]2、
提升产品产量和品质，减少企业重大事故发生，有效延长设备使用寿命，提高设备利用率
。
[0004]3、
减少备品备件的浪费，降低库存和资金占用降低设备运维成本
。
[0005]4、
解决设备数据利用和智能诊断实现难的问题，亟需通过深度学习
、
迁移学习等新型数据处理和智能诊断方法实现对设备故障的有效诊断
。
[0006]风机的正常运行对于水泥厂的运作非常重要
。
因此，如何准确检测和诊断风机故障是确保风机可靠性和运行效率的关键
。

技术实现思路

[0007]本专利技术的目的是提供一种风机传动链的设备故障诊断方法及系统，以解决如何准确检测和诊断风机故障的技术问题
。
[0008]本专利技术是采用以下技术方案实现的：一种风机传动链的设备故障诊断方法，包括如下步骤：
S1
：数据输入，调用待分析的数据，并对数据进行预处理，以提高风机振动信号质量；
S2
：将步骤
S1
获得一维振动信号分解成在时间和频率上都具有局部性质的二维信号；
S3
：诊断模型执行，利用图卷积神经网络训练诊断模型，自动识别并分类不同的故障模式；
S4
：模型输出，输出故障状态
、
故障大类
、
故障小类以及故障程度
。
[0009]进一步的，还包括如下步骤：
S5
：定量化检测，根据风机传动链的设备故障程度，检测结果，并按照制定的标准，得出不同的解决方案
。
[0010]进一步的，步骤
S1
具体为：从风机传动链平台系统调用待分析的振动波形数据
、
数据采集参数
、
工况参数以及设备信息，并对获取的一维信号进行去噪
、
滤波和数据归一化处理，以提高信号的质量，并减少对后续分析的干扰
。
[0011]进一步的，所述数据采集参数包括测点信息和采样频率；所述工况参数包括风机转速；所述设备信息包括风机轴承和齿轮信息
。
[0012]进一步的，步骤
S2
具体为：通过短时傅里叶变换将步骤
S1
取得的时频域信息由一维信号转化为二维信号
。
[0013]进一步的，步骤
S3
包括如下步骤：
S31
：利用图卷积神经网络
GCN
对诊断模型进行训练；
S32
：将待分析的振动波形数据输入到经过训练的诊断模型中，以实现智能识别和对故障的定量化检测
。
[0014]进一步的，所述故障状态包括：发生故障和未发生故障；所述故障大类包括：轴承故障
、
齿轮故障
、
转子系统故障
、
联轴器故障和叶片故障；所述故障小类根据故障大类进行细分；所述故障程度包括：无故障
、
轻微故障和严重故障
。
[0015]一种风机传动链的设备故障诊断系统，包括数据输入模块
、
短时傅里叶变换模块
、
诊断模型模块和模型输出模块，其中，数据输入模块，调用待分析的数据，并对数据进行预处理，以提高风机振动信号质量；短时傅里叶变换模块，将数据输入模块获得一维振动信号分解成在时间和频率上都具有局部性质的二维信号；诊断模型模块，利用图卷积神经网络训练诊断模型，自动识别并分类不同的故障模式；模型输出模块，输出故障状态
、
故障大类
、
故障小类以及故障程度
。
[0016]一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现上述所述的一种风机传动链的设备故障诊断方法
。
[0017]一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的一种风机传动链的设备故障诊断方法
。
[0018]本专利技术的有益效果在于：自适应特征学习：传统方法通常需要手动选择和提取特征，而本专利技术可以在训练过程中自动学习适合任务的特征表示，通过使用深度学习模型，系统可以从原始数据中学习到更丰富
、
更有信息量的特征，无需依赖领域专家的经验
。
[0019]处理非线性关系：深度学习方法能够对非线性和复杂关系进行建模
。
对于风机振动信号而言，传统方法可能无法捕捉到其中的非线性动态特征，而深度学习模型能够学习到这些复杂的非线性关系，提高故障检测的准确性
。
[0020]端到端学习：深度学习方法实现了端到端的学习和预测，从原始数据到最终的故障诊断结果，整个过程可以由一个统一的模型完成，这简化了流程，减少了人工介入和人为假设，提高了效率
。
[0021]数据泛化能力：通过大规模数据的训练，深度学习模型具有较强的泛化能力，能够适应不同设备
、
不同工况下的故障检测
。
相比之下，传统方法可能对新的数据分布和未见过的故障模式适应性较差
。
[0022]多通道信息融合：对于风机振动信号的故障检测，需要考虑多个传感器的数据
。
本专利技术利用图卷积神经网络（
GCN
）进行训练，可以有效地融合和利用多通道信息，提高故障检测的精度和鲁棒性
。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图
。
[0024]图1为本专利技术整体架构图；图2为
GCN
模型原理图
。
实施方式
[0025]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计
。
[0026]应注意到：相似的标号和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风机传动链的设备故障诊断方法，其特征在于，包括如下步骤：
S1
：数据输入，调用待分析的数据，并对数据进行预处理，以提高风机振动信号质量；
S2
：将步骤
S1
获得一维振动信号分解成在时间和频率上都具有局部性质的二维信号；
S3
：诊断模型执行，利用图卷积神经网络训练诊断模型，自动识别并分类不同的故障模式；
S4
：模型输出，输出故障状态
、
故障大类
、
故障小类以及故障程度
。2.
如权利要求1所述的一种风机传动链的设备故障诊断方法，其特征在于，还包括如下步骤：
S5
：定量化检测，根据风机传动链的设备故障程度，检测结果，并按照制定的标准，得出不同的解决方案
。3.
如权利要求1所述的一种风机传动链的设备故障诊断方法，其特征在于，步骤
S1
具体为：从风机传动链平台系统调用待分析的振动波形数据
、
数据采集参数
、
工况参数以及设备信息，并对获取的一维信号进行去噪
、
滤波和数据归一化处理，以提高信号的质量，并减少对后续分析的干扰
。4.
如权利要求3所述的一种风机传动链的设备故障诊断方法，其特征在于，所述数据采集参数包括测点信息和采样频率；所述工况参数包括风机转速；所述设备信息包括风机轴承和齿轮信息
。5.
如权利要求1所述的一种风机传动链的设备故障诊断方法，其特征在于，步骤
S2
具体为：通过短时傅里叶变换将步骤
S1
取得的时频域信息由一维信号转化为二维信号
。6.
如权利要求1所述的一种风机传动链的设备故障诊断方法，其特征在于，步骤
S3
包...

【专利技术属性】
技术研发人员：潘友庚，刘于，
申请(专利权)人：唐山市盾石信息技术有限公司，
类型：发明
国别省市：