一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质

技术领域

本发明涉及一种旋转设备故障诊断方法，尤其涉及一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质。

背景技术

随着我国综合实力的提升和科技水平的不断进步，现代工业对高质量、低成本产品和安全生产的需求越来越高，工业旋转设备的维护也快速从预防性维护转向为基于旋转设备状态的实时监测与智能故障诊断，旋转机械是旋转设备中最广泛普遍的类型之一，在工业应用中具有不可替代的地位，而基于旋转旋转设备的状态监测和故障维护可以有效减少运行机组突发性停机次数，甚至避免事故的发生，因此，旋转设备的故障诊断对于确保工业设备的安全高效的运行具有十分重要的意义。

现有的旋转设备故障诊断，仅仅是对旋转设备进行简单的振动信号的检测，并以此为依据对旋转设备状态进行评估，此种方式，监测的旋转设备故障诊断偏差较大，难以精确有效的确定旋转设备故障类型，此外在旋转设备运行过程中，其本身就具有一定的噪声，旋转设备本身的噪声也会相应的影响旋转设备故障的判断。

为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，如何对旋转设备故障诊断实现精准控制，是亟不可待要解决的问题。

发明内容

本发明克服了现有技术的不足，提供一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质。

为达到上述目的，本发明采用的技术方案为：一种基于网络模型的旋转设备故障诊断方法，包括：

采集设备图像信息，获取旋转设备初始参数信息，建立网络模型；

获取旋转设备全寿命振动数据，提取振动数据特征；

利用频谱分析法对数据特征进行分析；

当数据特征出现调制现象，则生成故障数据，得到故障信息；

将故障信息按照预设方式进行显示。

在本发明的一个较佳实施例中，还包括：

获取旋转设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；

对振动信号进行重叠区域分段截取，增加信号宽度；

通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；

将结果信息进行频谱分析，得到故障信息；

所述网络模型为卷积神经网络模型。

在本发明的一个较佳实施例中，获取旋转设备全寿命振动数据，提取振动数据特征；具体包括：

建立多点测量与多速度功率谱熵进行监测设备振动变化规律，得到设备振动信号；

将设备振动信号分解为高共振分量信号与低共振分量信号，并各自分析高共振分量信号与低共振分量信号的波形特点与振荡属性；

通过稀疏共振分解法对高共振分量信号与低共振分量信号进行滤波处理；

根据正交匹配追踪算法表征旋转设备振动数据。

在本发明的一个较佳实施例中，当数据特征出现调制现象，则生成故障数据，得到故障信息具体包括：

采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

在本发明的一个较佳实施例中，局部均值分解算法具体包括：

选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m

将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m

g(t)＝x(t)-m

通过极值点计算对应的包络估计点m

通过估计函数计算得到处理后的信号p

判断p

在本发明的一个较佳实施例中，将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fm

将单分量信号估计函数乘以纯调频信号p

迭代过程如下：

本发明第二方面还提供了一种基于网络模型的旋转设备故障诊断系统，该系统包括：存储器、处理器，所述存储器中包括基于网络模型的旋转设备故障诊断方法程序，所述基于网络模型的旋转设备故障诊断方法程序被所述处理器执行时实现如下步骤：

采集设备图像信息，获取旋转设备初始参数信息，建立网络模型；

获取旋转设备全寿命振动数据，提取振动数据特征；

利用频谱分析法对数据特征进行分析；

当数据特征出现调制现象，则生成故障数据，得到故障信息；

将故障信息按照预设方式进行显示。

在本发明的一个较佳实施例中，当数据特征出现调制现象，则生成故障数据，得到故障信息具体包括：

采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

在本发明的一个较佳实施例中，局部均值分解算法具体包括：

选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m

将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m

g(t)＝x(t)-m

通过极值点计算对应的包络估计点m

通过估计函数计算得到处理后的信号p

判断p

本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于网络模型的旋转设备故障诊断方法程序，所述基于网络模型的旋转设备故障诊断方法程序被处理器执行时，实现上述任一项所述的基于网络模型的旋转设备故障诊断方法的步骤。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

(1)本申请通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。

(2)通过将设备信号分割成高共振分量信号与低共振分量信号进行单独分析解调，挖掘旋转设备中的周期性振荡信号，从而有效辨识故障信号的共振频带，在对故障信号进行滤波处理，克服旋转设备所处环境的噪声以及旋转设备本身运行过程中固有的噪声，为后续旋转设备故障诊断提供有力的依据。

(3)通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1示出了本发明一种基于网络模型的旋转设备故障诊断方法的流程图；

图2示出了获取故障信息方法流程图；

图3示出了获取振动数据特征方法流程图；

图4示出了局部均值分解算法流程图；

图5示出了一种基于网络模型的旋转设备故障诊断系统的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于网络模型的旋转设备故障诊断方法的流程图。

如图1所示，本发明第一方面提供了一种基于网络模型的旋转设备故障诊断方法，包括：

S102，采集设备图像信息，获取旋转设备初始参数信息，建立网络模型；

S104，获取旋转设备全寿命振动数据，提取振动数据特征；

S106，利用频谱分析法对数据特征进行分析；

S108，当数据特征出现调制现象，则生成故障数据，得到故障信息；

S110，将故障信息按照预设方式进行显示。

需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：

将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；

选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，

将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。

如图2所示，本发明公开了获取故障信息方法流程图；

在本发明的一个较佳实施例中，还包括：

S202，获取旋转设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；

S204，对振动信号进行重叠区域分段截取，增加信号宽度；

S206，通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；

S208，将结果信息进行频谱分析，得到故障信息；

所述网络模型为卷积神经网络模型。

需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。

如图3所示，本发明公开了获取振动数据特征方法流程图；

在本发明的一个较佳实施例中，获取旋转设备全寿命振动数据，提取振动数据特征；具体包括：

S302，建立多点测量与多速度功率谱熵进行监测设备振动变化规律，得到设备振动信号；

S304，将设备振动信号分解为高共振分量信号与低共振分量信号，并各自分析高共振分量信号与低共振分量信号的波形特点与振荡属性；

S306，通过稀疏共振分解法对高共振分量信号与低共振分量信号进行滤波处理；

S308，根据正交匹配追踪算法表征旋转设备振动数据。

需要说明的是，利用稀疏共振分解法对信号进行预处理，并将低共振分量中的周期性瞬态冲击作为一串移位脉冲的连续叠加，并将机械振动信号分隔呈多个短时序列信号，将分析结果存储至数据库，并通过故障模型对多个短时序列信号进行迭代处理，有效降低数据库冗余度，根据旋转设备自身的噪声水平来确定最佳迭代次数，有效提高了故障诊断的精度，避免额外的干扰成分，实现诊断方法的快速性及可靠性。

通过离散熵理论从复杂性与稳定性角度量化振动信号，并将振动信号进行短时序列分割，并提取特征信息，熵能够把概率分布函数进行联合，一个熵值表达了一个概率分布的不确定程度，离散熵具有很好的稳定性，在表示振动信号时，波动范围较小、鲁棒性突出，能够很好的反应旋转设备振动信号中的丰富程度，实现多个尺度描述短时序列信号，避免单一尺度的偏差，在进行提取短时序列信号的特征信息时，对特征信息进行降维后融合，消除其中的不敏感特征以及冗余信息，提高设备故障诊断的精度及快速性。

多尺度融合离散熵的方法包括：

改变离散熵的正态累计分布函数采用均方根，相比于均值更能有效克服短时序列映射过程中的不均衡性，结合相空间重构技术，将一维序列扩展成三维矩阵并图像化，利用直方图均衡化方法来变平并拉伸图像动态范围，然后通过均衡化的像素分布序列求解离散熵，实现多个不同尺度进行表征短时序列信号；通过算法对多维特征进行融合，去除熵特征中的不敏感特征及冗余信息。

将旋转设备振动信号分解为不同振荡属性的高共振分量与低共振分量，对高共振分量进行滤波处理后得到滤波解调信号，对滤波解调信号进行多次迭代，并进行信号重构，减少干扰性冲击和噪声影响。

根据本发明实施例，设备振动信号表达式为：

式中：x表示设备振动信号；λ表示修正系数；M为高次谐波的最大阶数；f表示设备振动频率；A

当设备运行状况良好时，设备振动信号在频谱上主要以固有频率成分为主，其高次谐波频率逐次减小，且设备振动频率的幅值较低；

当设备发生故障条件下，设备的固有频率与振动频率一同被激励，其频率中振动频率成分为主，且设备振动频率的幅值出现高能量峰值。

需要说明的是，通过将设备信号分割成高共振分量信号与低共振分量信号进行单独分析解调，挖掘旋转设备中的周期性振荡信号，从而有效辨识故障信号的共振频带，在对故障信号进行滤波处理，克服旋转设备所处环境的噪声以及旋转设备本身运行过程中固有的噪声，为后续旋转设备故障诊断提供有力的依据。

在本发明的一个较佳实施例中，当数据特征出现调制现象，则生成故障数据，得到故障信息具体包括：

采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

需要说明的是，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。

如图4所示，本发明公开了局部均值分解算法流程图；

在本发明的一个较佳实施例中，局部均值分解算法具体包括：

S402，选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m

S404，将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m

g(t)＝x(t)-m

S406，通过极值点计算对应的包络估计点m

S408，通过估计函数计算得到处理后的信号p

S410，判断p

在本发明的一个较佳实施例中，将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fm

将单分量信号估计函数乘以纯调频信号p

迭代过程如下：

如图5所示，本发明公开了基于网络模型的旋转设备故障诊断系统的框图；

本发明第二方面还提供了一种基于网络模型的旋转设备故障诊断系统，该系统5包括：存储器51、处理器52，所述存储器中包括基于网络模型的旋转设备故障诊断方法程序，所述基于网络模型的旋转设备故障诊断方法程序被所述处理器执行时实现如下步骤：

采集设备图像信息，获取旋转设备初始参数信息，建立网络模型；

获取旋转设备全寿命振动数据，提取振动数据特征；

利用频谱分析法对数据特征进行分析；

当数据特征出现调制现象，则生成故障数据，得到故障信息；

将故障信息按照预设方式进行显示。

在本发明的一个较佳实施例中，当数据特征出现调制现象，则生成故障数据，得到故障信息具体包括：

采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

需要说明的是，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。

在本发明的一个较佳实施例中，局部均值分解算法具体包括：

选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m

将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m

g(t)＝x(t)-m

通过极值点计算对应的包络估计点m

通过估计函数计算得到处理后的信号p

判断p

需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：

将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；

选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，

将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。

在本发明的一个较佳实施例中，还包括：

获取旋转设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；

对振动信号进行重叠区域分段截取，增加信号宽度；

通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；

将结果信息进行频谱分析，得到故障信息；

所述网络模型为卷积神经网络模型。

需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。

在本发明的一个较佳实施例中，获取旋转设备全寿命振动数据，提取振动数据特征；具体包括：

建立多点测量与多速度功率谱熵进行监测设备振动变化规律，得到设备振动信号；

将设备振动信号分解为高共振分量信号与低共振分量信号，并各自分析高共振分量信号与低共振分量信号的波形特点与振荡属性；

通过稀疏共振分解法对高共振分量信号与低共振分量信号进行滤波处理；

根据正交匹配追踪算法表征旋转设备振动数据。

需要说明的是，利用稀疏共振分解法对信号进行预处理，并将低共振分量中的周期性瞬态冲击作为一串移位脉冲的连续叠加，并将机械振动信号分隔呈多个短时序列信号，将分析结果存储至数据库，并通过故障模型对多个短时序列信号进行迭代处理，有效降低数据库冗余度，根据旋转设备自身的噪声水平来确定最佳迭代次数，有效提高了故障诊断的精度，避免额外的干扰成分，实现诊断方法的快速性及可靠性。

通过离散熵理论从复杂性与稳定性角度量化振动信号，并将振动信号进行短时序列分割，并提取特征信息，熵能够把概率分布函数进行联合，一个熵值表达了一个概率分布的不确定程度，离散熵具有很好的稳定性，在表示振动信号时，波动范围较小、鲁棒性突出，能够很好的反应旋转设备振动信号中的丰富程度，实现多个尺度描述短时序列信号，避免单一尺度的偏差，在进行提取短时序列信号的特征信息时，对特征信息进行降维后融合，消除其中的不敏感特征以及冗余信息，提高设备故障诊断的精度及快速性。

多尺度融合离散熵的方法包括：

改变离散熵的正态累计分布函数采用均方根，相比于均值更能有效克服短时序列映射过程中的不均衡性，结合相空间重构技术，将一维序列扩展成三维矩阵并图像化，利用直方图均衡化方法来变平并拉伸图像动态范围，然后通过均衡化的像素分布序列求解离散熵，实现多个不同尺度进行表征短时序列信号；通过算法对多维特征进行融合，去除熵特征中的不敏感特征及冗余信息。

将旋转设备振动信号分解为不同振荡属性的高共振分量与低共振分量，对高共振分量进行滤波处理后得到滤波解调信号，对滤波解调信号进行多次迭代，并进行信号重构，减少干扰性冲击和噪声影响。

根据本发明实施例，设备振动信号表达式为：

式中：x表示设备振动信号；λ表示修正系数；M为高次谐波的最大阶数；f表示设备振动频率；A

当设备运行状况良好时，设备振动信号在频谱上主要以固有频率成分为主，其高次谐波频率逐次减小，且设备振动频率的幅值较低；

当设备发生故障条件下，设备的固有频率与振动频率一同被激励，其频率中振动频率成分为主，且设备振动频率的幅值出现高能量峰值。

需要说明的是，通过将设备信号分割成高共振分量信号与低共振分量信号进行单独分析解调，挖掘旋转设备中的周期性振荡信号，从而有效辨识故障信号的共振频带，在对故障信号进行滤波处理，克服旋转设备所处环境的噪声以及旋转设备本身运行过程中固有的噪声，为后续旋转设备故障诊断提供有力的依据。

在本发明的一个较佳实施例中，将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fm

将单分量信号估计函数乘以纯调频信号p

迭代过程如下：

本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于网络模型的旋转设备故障诊断方法程序，所述基于网络模型的旋转设备故障诊断方法程序被处理器执行时，实现上述任一项所述的基于网络模型的旋转设备故障诊断方法的步骤。

本申请通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。