CN102155988B - 设备监诊方法 - Google Patents

Abstract

本发明提供一种设备监诊方法，该方法包括：撷取一设备在固定转速下的振动信号，先根据该振动信号计算相应频宽范围中符合高斯分布的特征值，并据以建立至少一基准线，再根据该基准线、相应频宽范围及特征值判断该设备为正常或异常。藉此，若振动信号超过安全范围基准线，即可诊断及识别出异常及故障类型，并且更可进一步具有自动监诊及学习能力。另外，本发明的设备监诊方法不需要考虑设备整个使用寿命中可能遇到的所有故障类型，大幅降低故障监诊系统发展的规模及困难，故可提升设备状况的可视化及增加设备的妥善率。

Description

设备监诊方法

技术领域

本发明是关于一种设备监诊方法，详言之，是关于一种在设备定转速下的监诊方法。

背景技术

设备的故障监诊是为了有效执行设备维护与管理而发展。在现有故障监诊技术开发过程中，分析流程的着眼点是一种从上而下的方式。其中，以振动为监诊对象的分析流程大致为振动信号撷取、数字信号处理、信号特征提取及决策分析。

在该现有故障监诊流程中，其面临到许多选择的问题。首先，根据监诊设备的操作状况，要选择测量加速度、速度或是位移振幅信号？信号选择部分会决定信号对于故障类型的灵敏度；其次，在数字信号处理过程中，要选择均方根值(RMS)、频谱(spectrum)、小波转换(wavelet transform)、阶次分析(order tracking analysis)、或是碎形(fractal)的维度（dimension）表示，这部分工作会影响故障特征选择方式；再来，信号特征提取部分，如何依据选用的分析方法，简化故障特征成某些特征值；最后，在决策分析部分，如何选择适合的决策分析方法，作为设备状况识别使用，例如：类神经网络（neuralnetwork）、专家系统（expert system）等，但无论是选择哪一条分析路径，其目标终究要以定性及定量方式，将测量数据转换成设备管理上的信息(设备正常或异常)。

然而，根据上述现有故障监诊分析流程，在推展至故障监诊系统中使用时，显然并不完整，且难以识别设备状况，其由于该现有故障监诊流程忽略两个因素：一为产生振动的物理条件；二为分析设备或测点数量。基本上，机械产生振动程度，是作用力与动态刚性之间响应关系。以定转速设备而言，振动的所以能作为诊断参考，是在假设设备作用力不变的前提下，当动态刚性改变时(如：轴承损坏、机座松动、轴系不平衡)，会完全反应至设备振动的原则，进而可利用其进行监诊及判断。

但影响动态刚性还有其他因素，例如：设备安装方式、安装机座稳定性、安装位置等因素，同样的也具有关键影响性，因此在实际状况中，可发现两部一样的设备，在相同测量位置，使用的机座的形式，在历经多年使用及反复维修后，在相同操作条件及正常情况下，产生的振动程度是不一样的。由此可知，若以上述现有故障监诊分析流程，无论是采用任何决策模式，即使可做到设备定性分析，但定量问题上，便难以决定，一旦设备的检测测点或类型众多，问题将无法获得解决。

此外，在设备振动定量问题无法解决的情形下，在上述现有故障监诊分析流程的逻辑下，导入人工智慧(如：类神经网络、专家系统)在决策分析部分，其目的在于解决故障类型分类方面问题。

然而，在实际应用上受到以下因素影响其应用至其他设备的实用性及复制，故降低应用成效。

最佳正规化(normalized)问题：类神经网络的输入值及期望值，为配合计算过程中非线性函数，均需正规化至[0,1]或是[-1,1]，正规化的大小将影响辨识系统的灵敏度，因此存在最佳正规化问题。

即使是相同设备、相同振动测量位置，均在正常运转下，因机座、安装、位置不同，其正常状况下的特征参数(如振动量)并不一致。因此，即使是在针对某一类型设备进行类神经网络发展模式，也没有完全的复制性，需要依其设备特性不同而调整。

在故障样本数量不足情况下，如何进行类神经网络学习？

辨识过程中如何表示趋势分析演变过程？若类神经网络根据输入值(经数字信号处理后的特征值)大小及其相关频率，在良好正规化条件下可区分设备是否(同时或单一)发生不平衡、偏心、或轴承损坏等故障情形，但利用此方式在故障趋势分析中会遇到很大困难，即在相同的特征频率下，特征值依故障趋势的增加而增加，一旦增加至某一特定值，可能因为聚类中心的改变，又发出另一新故障类型，但其应被视为同一故障类型，而非新的故障产生，其之间差异只在于程度上大小，因此在这样的学习过程中，存在过度学习及样本爆炸问题。

如上所述，当上述现有故障监诊分析技术在实际应用中的问题无法克服时，遑论如何利用此技术协助设备管理工作。因此，有必要提供一创新且富有进步性的设备监诊方法，以解决上述问题。

发明内容

本发明提供一种设备监诊方法，用以进行一设备的异常检测，该设备可进行一固定转速的运转，该设备监诊方法包括以下步骤：(a)撷取该设备在该固定转速下的一振动信号，该振动信号是一振动加速度信号且其具有多个频宽范围；(b)根据该振动信号计算一振动速度信号及计算相应所述多个频宽范围的特征值，所述特征值是相应所述多个频宽范围的速度均方根值及加速度波高率，其中所述特征值符合高斯分布；(c)计算各特征值的标准差及平均值，且根据相应频宽范围及标准差和平均值，计算至少一基准线；及(d)根据该基准线、相应频宽范围及特征值判断该设备为正常或异常。

在本发明的设备监诊方法中，若振动信号超过安全范围基准线，即可诊断及识别出异常及故障类型，并且更可进一步具有自动监诊及学习能力。另外，本发明的设备监诊方法不需要考虑设备整个使用寿命中可能遇到的所有故障类型，大幅降低故障监诊系统发展的规模及困难，故可提升设备状况的可视化及增加设备的妥善率。

附图说明

图1显示本发明的设备监诊方法流程图；

图2（a）显示根据设备的原始振动信号，建立正常、警告、危险三条基准线的示意图；

图2(b)显示于1250-2500Hz的频宽范围内建立基准线的示意图；

图2(c)显示于625-1250Hz的频宽范围内建立基准线的示意图；

图2(d)显示于0-625Hz的频宽范围内建立基准线的示意图；及

图3(a)显示一部风车马达的原始振动信号的统计数据的结果示意图；

图3(b)显示一部风车马达的振动信号位于1250-2500Hz的频宽范围内的统计数据的结果示意图；

图3(c)显示一部风车马达的振动信号位于625-1250Hz的频宽范围内的统计数据的结果示意图；

图3(d)显示一部风车马达的振动信号位于0-625Hz的频宽范围内的统计数据的结果示意图；

图4(a)显示另一部风车马达的原始振动信号的统计数据的结果示意图；

图4(b)显示另一部风车马达的振动信号位于1250-2500Hz的频宽范围内的统计数据的结果示意图；

图4(c)显示另一部风车马达的振动信号位于625-1250Hz的频宽范围内的统计数据的结果示意图；

图4(d)显示另一部风车马达的振动信号位于0-625Hz的频宽范围内的统计数据的结果示意图。

具体实施方式

参考图1，其显示本发明的设备监诊方法流程图。本发明的设备监诊方法用以进行一设备的异常检测，该设备可进行一固定转速的运转。首先，参考步骤S11，撷取该设备在该固定转速下的一振动信号，其中该振动信号的频率具有多个频宽范围。

在本实施例中，本发明的方法是连续撷取该设备在该固定转速下的一振动加速度信号。其中，在步骤S11中可利用一振动感测器，在固定高通滤波器、低通滤波器截止频率设定下撷取该振动加速度信号。较佳地，该高通滤波器的截止频率设定在0.5Hz，该低通滤波器的截止频率设定在3000Hz，每隔1小时测量该振动加速度信号，且持续测量30至50天。在本实施例中，是将该振动加速度信号区分为0-625Hz、625-1250Hz及1250-2500Hz的频宽范围，然而在其他应用中，可将该振动加速度信号区分为更多频宽范围。

参考步骤S12，根据该振动信号计算相应所述多个频宽范围的特征值，其中所述特征值符合高斯分布。在本实施例中，根据该振动加速度信号计算相应所述多个频宽范围的速度均方根值(RMS)及加速度波高率(Crest Factor，Cf)，在此，该速度均方根值及该加速度波高率即为所述特征值，且符合高斯分布为所述特征值的陡峭值(Kurtosis)在3±0.5之间。

在本实施例中，步骤S12包括：步骤S121，积分该振动加速度信号为一振动速度信号；步骤S122，将该振动加速度信号及该振动速度信号进行离散小波转换(Discrete wavelet transform)；及步骤S 123，根据该振动加速度信号及该振动速度信号计算该加速度波高率及该速度均方根值。

在本实施例中，振动信号的分析是考量包括加速度信号及速度信号两种类型信号。其中，利用加速规撷取加速度信号，并通过积分使加速度信号转换成速度信号。

另外，基于机械学习的智能设备诊断技术在数字信号处理上，一般是利用小波转换作为前处理工具，以撷取不同频段时间信号，其目的在于通过不同故障类型，对应产生的频率范围及其波形，作为故障原因识别参考。

当撷取该振动加速度信号后，进行离散小波转换，其可表示为下式(1)：

$a_k^0=x\left(k\right)$

$a_k^j=\underset{n}{\mathrm{\Σ}}{a}_n^{j-1}{h}_{n-2k}$

$d_k^j=\underset{n}{\mathrm{\Σ}}{a}_n^{j-1}{g}_{n-2k}---\left(1\right)$

(k=0,1,2,.............,N-1)

其中，

x(k)：时间数据

N：取样点数

h(n),g(n)：共轭镜象滤波器(QMF)的H(jw)和G(jw)的冲击反应函数

j：分解的层数

再运用Mallat算法(参考Mallat,S.(1998)“A Wavelet Tour of SignalProcessing,Academic Press”,San Diego,CA,USA)，可将信号一层层进行分解，每一层分解的结果是将上次分解得到的低频信号再分解成低频和高频两部分，每一次分解后的数据量减半，因此分析后得到的低频成分和高频成分的时域解析度比分解前信号减低一半。经Mallat分解法后，信号可用重构算法进行重构，重构算法如下式(2)所示：

$a_k^j=\underset{n}{\mathrm{\Σ}}{a}_n^{j+1}{h}_{k-2n}+\underset{n}{\mathrm{\Σ}}{d}_n^{j+1}{g}_{k-2n}---\left(2\right)$

(k=0,1,2,3,.........,N-1)

重构算法为分解算法的逆过程，经每一层重构之后，信号的数据量增加一倍，提高信号时域解析度，因此时间数据可分解为下式(3)的形式：

$x\left(k\right)=A_j+\underset{m=j-1}{\overset{L}{\mathrm{\Σ}}}{D}_m---\left(3\right)$

其中，A为粗略子空间(Approximation subspace)信号，D为细节子空间(Detail subspace)信号，L为需分解的层数(Level)。

利用离散小波转换能将信号正交分解至不同频宽的时域表示中，这有助于了解原始信号中各组成信号、发生频宽及波形，以进一步提取其波形特征，作为故障识别的参考。

一般而言，关于设备故障的特征参数大致上可区分为两种类型：能量参数及统计参数。其中，能量参数是以能量为单位显示故障特征(如轴偏心、不平衡)，注重其能量改变以表示设备状况倾向；统计参数均属于无因次参数，注重其统计特性(波形)改变以表示设备状态改变。正常信号多属于高斯分布，其陡峭值(kurtosis)其值约为3，若发生冲击波时(轴承、齿轮损坏)，其陡峭值统计参数会大于3，故障监测使用数字信号处理方法与对应使用量化的特征参数选择关系。其中，利用离散小波转换作为数字信号处理工具，既可以用于能量参数使用，亦可用于统计参数使用，且量化结果具有直观物理意义，适合用于振动的特征表示。

参考步骤S13，根据相应频宽范围及特征值(速度均方根值及加速度波高率)计算至少一基准线。在本实施例中，其是根据该振动加速度信号及该振动速度信号，利用标准差过程计算一第一基准线。其中，该标准差过程包括：步骤S131，若所述特征值的统计分析均符合高斯分布，分别计算各特征值分布的标准差及平均值；及步骤S132，以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的六个标准差为二弦，以该二弦的一斜边为半径画圆形成该第一基准线。

该第一基准线作为识别该设备振动正常与否的参考。该第一基准线的组成，由前述步骤S12的叙述可知，信号特征(所述特征值)是以离散小波转换为基础，通过长时间搜集设备在正常状况下振动信号，依据离散小波转换的设定下，计算相应各频宽范围的速度信号的均方根值(能量参数)及加速度信号的波高率(统计参数)。速度均方根值(RMS)及加速度波高率(Crest Factor，Cf)可表示为下式(4)及(5)：

$x_{\mathrm{RMS}}={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2\right)}^{1/2}---\left(4\right)$

$x_{\mathrm{Cf}}=\frac{x_{\max }}{x_{\mathrm{RMS}}}---\left(5\right)$

其中，x_i,i＝1，...,N为时间序列。

速度信号的均方根值是表示振动程度常用参考数据，而加速度信号的波高率则是反应信号中冲击现象。在本实施例中，通过统计分析各特征值长期累积数值，是否符合高斯分布，再根据六个标准差概念，计算其安全与警戒的界线(该第一基准线)。其中，若统计上无法收敛时，则表示特征值趋势一直改变，可视为设备正处于异常状况，且需再进一步观察。

其中，在步骤S132之后可另包括一第二基准线建立步骤，该第二基准线建立步骤包括以下步骤：根据所述特征值的统计分析计算各特征值分布的标准差及平均值；及以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的十二个标准差为二弦，以该二弦的一斜边为半径画圆形成一第二基准线。

另外，在该第二基准线建立步骤之后可另包括一第三基准线建立步骤，该第三基准线建立步骤包括以下步骤：根据所述特征值的统计分析计算各特征值分布的标准差及平均值；及以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的十八个标准差为二弦，以该二弦的一斜边为半径画圆形成一第三基准线。

参考图2（a）至图2（d）是显示本发明在设备正常情况下于不同频宽范围内建立基准线的示意图。其中，图2(a)显示根据设备的原始振动信号，建立正常、警告、危险三条基准线的示意图；图2(b)-图2(d)分别显示于1250-2500Hz、625-1250Hz、0-625Hz的频宽范围内，根据相应速度信号的均方根值及加速度信号的波高率所建立正常、警告、危险三条基准线(由内而外)的示意图，其中基准线L1、L2、L3即分别表示上述的第一基准线、第二基准线及第三基准线。

再配合参考图1的步骤S14及图2（a）至图2（d），根据该第一基准线、相应频宽范围及特征值判断该设备为正常或异常。其中，在该固定转速下持续撷取的该振动信号中，若相应每一频宽范围的特征值(请参考上述步骤S12中关于特征值的计算方式)相对位置在该第一基准线L1范围之内，判断该设备为正常，若相应所述多个频宽范围的至少其中的一特征值相对位置在该第一基准线L1范围之外，判断该设备为异常，其中，若相应所述多个频宽范围的至少其中的一特征值相对位置在该第二基准线L2与该第三基准线L3之间，判断该设备的异常为警告状态，若相应所述多个频宽范围的至少其中的一特征值相对位置在该第三基准线L3之外，判断该设备的异常为危险状态。

请再配合参考图2(a)-图2(d)及步骤S14，其可清楚看出在每一频宽范围内的振动信号统计数据皆位于正常基准线(第一基准线L1)范围内，其表示设备状态为正常。

在本实施例中，在步骤S14中另包括一故障编码步骤，该故障编码步骤包括以下步骤：若所述多个频宽范围中相应的特征值相对位置在该第一基准线L1范围之内，定义为一第一编码(例如：数值0)，若所述多个频宽范围中相应的特征值相对位置在该第一基准线L1范围之外，定义为一第二编码(例如：数值1)；根据该第一编码、该第二编码及其相应频宽范围判断该设备的异常类型。

较佳地，本发明的方法可利用类神经网络(neural network)或专家系统(expert system)判断该设备的异常类型。其中，该类神经网络可选用自适应共振类神经网络(Adaptive Resonance Theory Neural Network,ART)。另外，步骤S14可更包括一存储学习步骤，以该类神经网络或专家系统记忆及储存经编码后的异常类型。

当完成故障编码后，可使用自适应共振理论类神经网络(参考AdaptiveResonance Theory Neural Network,ART)(Carpenter G.A.,Grossberg S.(1998)「The ART of Adaptive Pattern Recognition by a Self-Orginizing NeuralNetwork」,IEEE Computer 21,pp.77-88.)，进行故障编码识别的工作。ART是模拟人的认知过程和大脑的特点，以期在复杂、非平稳及有干扰的环境中，对各种事物进行分类及识别，并且对于所学习的信息的累积和储存既具有刚性又具有弹性，即，一方面牢固地保存已学习的信息，另一方面又能学习大量新的信息，能避免先前学习模式的修改，同时，存储容量可随学习样本增加而增加。

类神经网络的工作原理为：当类神经网络接受来自环境的输入(例如：振动加速度信号)，网络即检查新的输入模式与所储存模式之间匹配程度，根据一预设的门槛值计算这些输入模式相识度，若相似度高则选择最相似模式类型作为该模型代表；反之网络则设立一新的模式类型并加以储存，以作为后续输入模式匹配过程的参考。

参考图3(a)-图3(d)及图4(a)-图4(d)，其是显示以本发明设备监诊方法分别诊断两部不同定转速风车马达的结果示意图。其中，图3(a)及图4(a)显示风车马达的原始振动信号的统计数据；图3(b)及图4(b)显示风车马达的振动信号位于1250-2500Hz的频宽范围内的统计数据；图3(c)及图4(c)显示风车马达的振动信号位于625-1250Hz的频宽范围内的统计数据；图3(d)及图4(d)显示风车马达的振动信号位于0-625Hz的频宽范围内的统计数据。

使用小波函数的离散小波转换，根据振动信号的三个不同子空间(频宽范围)，计算各子空间的速度信号的均方根值及加速度信号的波高率，再利用统计分析建立原始振动信号及各子空间的基准线，即，曲线L1为正常基准线，曲线L2及L3为异常(警告及危险)基准线(第二基准线及第三基准线)。其中，在本实例中，1250-2500Hz的频宽范围内的异常状态为轴承问题及/或润滑问题；625-1250Hz的频宽范围内的异常状态为齿轮问题；0-625Hz的频宽范围内的异常状态为不平衡问题及/或松动问题。

参考图3(a)，明显地，风车马达的原始振动信号的统计数据超出曲线L1的范围，但在曲线L2范围之内，即表示有异常且为警告状态。进一步分析异常的类型：参考图3(b)，振动信号位于1250-2500Hz的频宽范围内的统计数据，超出曲线L1的范围且在曲线L2范围之内，即表示在1250-2500Hz的频宽范围内有异常状态(轴承问题及/或润滑问题)，并将该状况编码为1(第一编码)；参考图3(c)，振动信号位于625-1250Hz的频宽范围内的统计数据，超出曲线L1的范围且在曲线L2范围之内，即表示在625-1250Hz的频宽范围内有异常状态(齿轮问题)，并将该状况编码为1(第二编码)；参考图3(d)，振动信号位于0-625Hz的频宽范围内的统计数据未超出曲线L1的范围，即表示在0-625Hz的频宽范围内无异常状态，并将该状况编码为0(第三编码)。在此，风车马达的异常状态的三位编码可表示为[110]。

参考图4(a)，风车马达的原始振动信号的统计数据超出曲线L1的范围，但在曲线L2范围之内，即表示有异常且为警告状态。进一步分析异常的类型：参考图4(b)，振动信号位于1250-2500Hz的频宽范围内的统计数据未超出曲线L1的范围，即表示在1250-2500Hz的频宽范围内无异常状态，并将该状况编码为0(第一编码)；参考图4(c)，振动信号位于625-1250Hz的频宽范围内的统计数据未超出曲线L1的范围，即表示在625-1250Hz的频宽范围内无异常状态，并将该状况编码为0(第二编码)；参考图4(d)，振动信号位于0-625Hz的频宽范围内的统计数据，超出曲线L1的范围且在曲线L2范围之内，即表示在0-625Hz的频宽范围内有异常状态(平衡问题及/或松动问题)，并将该状况编码为1(第三编码)。在此，风车马达的异常状态的三位编码可表示为[001]。

其中，异常状态经编码后，即由自适应共振理论类神经网络进行故障编码识别的工作，自适应共振理论类神经网络并累积、储存及学习所述异常状态的编码及其代表意义，以保存已学习的信息，以作为后续振动信号的诊断及识别使用。

在本发明的设备监诊方法中，若振动信号超过安全范围基准线，则予以自动编码，再进入自适应共振类神经网络进行学习，并可标记及存储故障类型及原因，以利后续对于类似故障类型的诊断及识别，同时保有自动监诊及学习能力。另外，本发明的设备监诊方法不需要考虑设备整个使用寿命中可能遇到的所有故障类型，大幅降低故障监诊系统发展的规模及困难，故可提升设备状况的可视化及增加设备的妥善率。

上述实施例仅为说明本发明的原理及其功效，并非限制本发明。因此本领域技术人员对上述实施例进行修改及变化仍不脱本发明的精神。本发明的权利范围应如权利要求所列。

Claims (10)

1.一种设备监诊方法，用以进行一设备的异常检测，所述的设备可进行一固定转速的运转，其特征在于，所述的设备监诊方法包括以下步骤：

(a)撷取所述设备在所述固定转速下的一振动信号，所述振动信号是一振动加速度信号且其具有多个频宽范围；

(b)根据所述振动信号计算一振动速度信号及计算相应所述多个频宽范围的特征值，所述特征值是相应所述多个频宽范围的速度均方根值及加速度波高率，其中所述特征值符合高斯分布；

(c)计算各特征值的标准差及平均值，且根据相应频宽范围及标准差和平均值，计算至少一基准线；及

(d)根据所述基准线、相应频宽范围及特征值判断所述设备为正常或异常。

2.如权利要求1所述的方法，其特征在于，在步骤(a)中利用一振动感测器，在固定高、低通滤波器截止频率设定下撷取所述振动加速度信号，所述高通滤波器的截止频率设定在0.5Hz，所述低通滤波器的截止频率设定在3000Hz。

3.如权利要求2所述的方法，其特征在于，在步骤(a)中所述振动加速度信号至少区分为0-625Hz、625-1250Hz及1250-2500Hz的频宽范围。

4.如权利要求1所述的方法，其特征在于，在步骤(a)中每隔1小时测量所述振动加速度信号，持续测量30至50天。

5.如权利要求1所述的方法，其特征在于，在步骤(b)中符合高斯分布为所述特征值的陡峭值在3±0.5之间，步骤(b)包括以下步骤：

(b1)积分所述振动加速度信号为所述振动速度信号；

(b2)将所述振动加速度信号及所述振动速度信号进行离散小波转换；及

(b3)根据所述振动加速度信号及所述振动速度信号计算所述加速度波高率及所述速度均方根值。

6.如权利要求5所述的方法，其特征在于，在步骤(c)中根据所述特征值，利用标准差过程计算所述基准线。

7.如权利要求6所述的方法，其特征在于，在步骤(c)中的所述标准差过程包括以下步骤：

(c1)若所述特征值的统计分析均符合高斯分布，分别计算各特征值分布的标准差及平均值；

(c2)以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的六个标准差为二弦，以所述二弦的一斜边为半径画圆形成一第一基准线；

(c3)以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的十二个标准差为二弦，以所述二弦的一斜边为半径画圆形成一第二基准线；及

(c4)以所述特征值的统计样本的平均值为圆心坐标，以所述特征值的统计样本的十八个标准差为二弦，以所述二弦的一斜边为半径画圆形成一第三基准线。

8.如权利要求7所述的方法，其特征在于，在步骤(d)中，在所述固定转速下持续撷取的所述振动信号中，若相应每一频宽范围的特征值相对位置在所述第一基准线范围之内，判断所述设备为正常，若相应所述多个频宽范围的至少其中的一特征值相对位置在所述第一基准线范围之外，判断所述设备为异常，其中，若相应所述频宽范围的至少其中的一特征值相对位置在所述第二基准线与所述第三基准线之间，判断所述设备的异常为警告状态，若相应所述频宽范围的至少其中的一特征值相对位置在所述第三基准线之外，判断所述设备的异常为危险状态。

9.如权利要求7所述的方法，其特征在于，在步骤(d)中另包括一故障编码步骤，所述故障编码步骤包括以下步骤：

(d1)若所述多个频宽范围中相应的特征值相对位置在所述第一基准线范围之内，定义为一第一编码，若所述多个频宽范围中相应的特征值相对位置在所述第一基准线范围之外，定义为一第二编码；及

(d2)根据所述第一编码、所述第二编码及其相应频宽范围，利用类神经网络或专家系统判断所述设备的异常类型。

10.如权利要求9所述的方法，其特征在于，所述类神经网络选用自适应共振类神经网络，在步骤(d)中另包括一存储学习步骤，以所述类神经网络记忆及储存经编码后的异常类型。

Images