CN110687896A

CN110687896A - 故障诊断方法、装置、设备及可读介质

Info

Publication number: CN110687896A
Application number: CN201911019361.XA
Authority: CN
Inventors: 李惠军; 高峰
Original assignee: Levi Intelligent (shenzhen) Co Ltd
Current assignee: Levi Intelligent (shenzhen) Co Ltd
Priority date: 2019-10-24
Filing date: 2019-10-24
Publication date: 2020-01-14

Abstract

本发明实施例公开了一种故障诊断方法、装置、设备及可读介质，所述方法包括：获取目标设备的实时监测数据，所述实时监测数据包括振动波形图；根据所述实时监测数据提取所述目标设备的目标振动特征值；获取所述目标设备在预设时间段内的历史监测数据，根据所述历史监测数据确定故障阈值区间；根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。本发明提高了故障诊断的准确率和效率，减少了因机械设备故障而造成的损失。

Description

故障诊断方法、装置、设备及可读介质

技术领域

本发明涉及机器学习与计算机数据处理技术领域，尤其涉及一种故障诊断方法、装置、设备及可读介质。

背景技术

在港口机械等大型机械的运行过程中，需要实时对相关的机械设备的运行(主要包括机械各部件按预设程序振动)情况进行监测，以便在机械振动出现故障时及时进行维护和调整，从而避免由于机械故障产生的长时间的停机，对生产环节造成影响和进一步的损失。

而现有技术中针对港口机械等机械的故障诊断大都是通过人为进行机械设备振动图形的分析与对比，依靠人工经验判断机械的各机构是否存在故障并且判断出对应的故障类型。这样做一方面对于机械故障的监控效率和及时性都达不到要求，另一方面其准确率也较低。

发明内容

基于此，有必要针对上述问题，提出一种故障诊断方法、装置、计算机设备及可读介质。

一种故障诊断方法，其特征在于，所述方法包括：

获取目标设备的实时监测数据，所述实时监测数据包括振动波形图；

根据所述实时监测数据提取所述目标设备的目标振动特征值；

获取所述目标设备在预设时间段内的历史监测数据，根据所述历史监测数据确定故障阈值区间；

根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。

一种故障诊断装置，其特征在于，所述装置包括：

获取单元：用于获取目标设备的实时监测数据，所述实时监测数据包括振动波形图；

第一确定单元：用于根据所述实时监测数据提取所述目标设备的目标振动特征值；

第二确定单元：用于获取所述目标设备在预设时间段内的历史监测数据，根据所述历史监测数据确定故障阈值区间；

诊断单元：用于根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

在本发明实施例中，通过获取目标设备的实时监测数据，根据实时监测数据中包括的振动波形图提取出目标设备对应的目标振动特征值，再根据目标设备的历史监测数据设定一个初始故障阈值区间，并且根据目标设备的实际运行情况、基于一个自学习故障诊断模型对该初始故障阈值区间进行调整，确定最终的故障阈值区间，最后根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。

相较于现有技术中一方面需要人工专家对获取到的机械设备实时运行数据进行分析和比对，监控是否出现故障，另一方面在通过设定阈值针对故障时，通常的阈值是固定的，无法通过每一次实际出现的故障数据对其进行调整和优化，从而故障诊断的准确率较低，本发明根据历史监测数据与历史故障数据通过一个自学习模型确定故障阈值区间，从而提高了故障诊断的准确率和效率，避免了因机械设备故障造成的损失。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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获得其他的附图。

其中：

图1示出了一个实施例中故障诊断方法的流程图；

图2示出了一个实施例中根据所述实时监测数据提取所述目标设备的目标振动值的流程图；

图3示出了一个实施例中确定初始故障阈值的流程图；

图4示出了一个实施例中对所述初始故障阈值进行调整的流程图；

图5示出了一个实施例中根据目标设备的故障诊断结果进行报警等预设动作的流程图；

图6示出了另一个实施例中根据相邻设备对目标设备进行故障检测的流程图；

图7示出了一个实施例中故障诊断装置的结构框图；

图8示出了一个实施例中计算机设备的内部结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种故障诊断方法，在一个实施例中，本发明可以基于一如监测仪等的终端装置或者是一监测系统，该监测系统可以包括用于信号采集的终端和后台的服务器等。

参考图1，本发明实施例提供了一种故障诊断方法。

图1示出了一个实施例中故障诊断方法的流程图。本发明中所述的故障诊断方法至少包括如图1所示的步骤S1022-S1028，详细介绍如下：

在步骤S1022中，获取目标设备的实时监测数据，所述实时监测数据包括振动波形图。

首先，本方法针对的目标设备可以是包括如岸桥和龙门吊等的港口机械设备，这些港机设备通常由多个传动机构以预设方式连接组成，具体可以包括的传动机构如起升机构、小车机构、俯仰机构、大车机构等。

从而这些机械设备的运行状态是否平稳，是否符合预期的设计和需求，以及设备出现故障时具体的出现故障的传动机构的位置及其对应的机械故障类型都可以通过上述机械设备包含的各传动机构对应的振动数据(即采集到的振动信号波形)来反映。

因此此处的实时监测数据可以是通过安置在预设位置的信号采集装置所采集到的目标设备(如在某一预设位置的特定设备)的振动数据。

在步骤S1024中，根据所述实时监测数据提取所述目标设备的目标振动特征值。

具体的，此处的提取出的目标振动特征值可以包括目标设备的振动波形图对应的波形特征值、脉冲特征值、峭度特征值、歪度特征值和/或裕度特征值中的至少两项。

本领域的相关人士应该可以理解上述各项特征值参数的内容和确定方法，下面针对上述各类型的振动特征值在机械故障诊断中的意义和作用进行详细解释。

首先，波形特征值的确定方法是将采集到的振动信号的有效值(即振动信号瞬时值的平方的平均值的平方根，也简称为均方根值)除以信号均值。波形特征值的物理意义是可以反应时域波形的形态特征，如对于正太随机信号，其波形特征值总是为定值。

第二，歪度特征值作为一种无量纲指标，其计算方法是将波形的歪度值除以信号有效值的三次方，从而去除信号有效值的波动对歪度值造成的影响。

而具体的，歪度特征值可以反映出振动信号的非对称性，如在机械结构中存在某一方向的摩擦或碰撞时，会对应造成振动波形的不对称，这样就会使得振动信号对应的歪度特征值增大。

第三，峭度特征值的确定方法是对信号波形的峭度进行无量纲处理，消除信号有效值对波动的影响。

同样的类似于峭度，峭度特征值物理意义在于，其表示实际峭度相对于正常峭度的高低，因而峭度特征值可以反映出振动信号中的冲击特征。如在转子偏心、转子笼条松动、转子笼条破损等类型故障所导致的在设备某一方向存在异常偏移振动所导致的冲击时，对应的传动机构(如转子、轴承、卷筒等)的上述峭度特征值就会随之增大。

第四，峰值特征值的计算方法是信号峰值除以上述均方根值。其物理意义在于：峰值特征值能反映出轴承工作表面因制造质量差或磨损引起的表面粗糙状况，但不反应出轴承元件上的局部剥落、擦伤、刻痕和凹坑等一类离散型缺陷。

第五，脉冲特征值的计算方法是信号峰值除以信号的绝对平均值。和峰值指标一样，脉冲特征值的物理意义在于：用来检测信号中是否存在冲击振动。

最后，裕度特征值即信号和干扰的比值，这个值越大则反映监测数据越为理想，裕度特征值反映出外界对测量值的干扰情况。因而，在可选的实施例中，在裕度特征值达不到预设要求时，还可以先针对获取到的实时监测数据做一个去除波形数据中的噪声的预处理。

其次，根据所述实时监测数据提取所述目标设备的目标振动值的过程可以包括如图2中示出的步骤S1032-S1034。图2示出了一个实施例中根据所述实时监测数据提取所述目标设备的目标振动值的流程图。

在步骤S1032中，根据所述实时监测数据确定所述振动波形图对应的峰值、均值、歪度、峭度和/或均方根值作为目标诊断信息。

结合上述步骤中对作为故障诊断指标的各类型的振动特征值的内容的说明，要确定出这些特征值需要从波形图中提取出与振动和故障等指标相关的基础参数项以进行计算，这些基础参数项就包括上述的峰值、均值、歪度、峭度、和/或均方根值。下面就各项基础参数值的含义和作用简要进行说明。

首先，峰值是指在某个时间段内的某条时域波形中的幅值的最大值。因此峰值可以用来检测冲击振动。原因在于在机械结构被存在外部冲击或者内部机械结构故障导致的不规则振动冲击时，其对应的振动幅度必定会随之一定程度地增加。

第二，均值是指一条时域波形中所有数据之和再除以这组数据的个数，即所有幅值的均值。

需要说明的是，信号均值反映了波形中的静态部分，对具体的故障诊断无直接意义，但均值对计算其它与故障检测直接相关的基础参数有很大影响，所以，一般在计算时应先从信号数据中去除作为信号基础的均值，以提取出对故障诊断有用的动态部分。

第三，歪度(即偏斜度)是用于统计波形信号数据分布好了偏斜方向及程度的参数，其可以通过计算信号数据的三阶中心矩得到。更进一步的，歪度的物理意义在于：歪度可以反映出振动波形在纵坐标上的不对称性，歪度越大，即可反映出振动波形的纵向不对称性越大。

第四，峭度的计算方法是将信号幅值进行四次开方处理。其物理意义在于，通过高次开方可以很好地突出数据中所存在的高幅值信号，而低幅值信号则在显示上被抑制，这样就很容易从信号频率上识别出故障。例如，当轴承出现故障的初始，其有效值的变化还不大，但其峭度值已有明显增加，因此测量峭度相比信号有效值能在故障的更早期就提供预报。

同样需要说明的是，由于峭度值只能反映故障生成和变化过程，当故障(如轴承外圈、内圈、滚动体或保持架损坏)的发展到达一定程度逐渐稳定下来后，在整个频带范围内各波峰都是同样水平的尖峰脉冲波，因而根据峭度对应计算出的峭度特征值变化也不大，也就是说轴承良好状态和严重故障状态下的峭度指标几乎是相同的。这时就需要上述其他参数值来综合进行诊断。

最后，可选的，均方根值(即前述有效值)的计算方法是振动信号瞬时值的平方的平均值的平方根。其物理意义在于用来反应信号的能量大小，因而适用于具有随机振动性质的轴承等传动机构的故障测量。

在步骤S1034中，根据所述目标诊断信息确定所述目标振动特征值。

结合上述从实时监测数据中提取出的各项基础参数值，目标振动特征值可以是按照前面所述的各类型特征值中包含的各项技术参数的指标，利用上一步骤中的这些参数计算出对应的振动特征值。

在步骤S1026中，获取所述目标设备在预设时间段内的历史监测数据，根据所述历史监测数据确定故障阈值区间。

需要说明的是，此处的历史监测数据所对应的预设时间段内是可以包含多个监测周期，并且此处的故障阈值区间中首先包括一个初始故障阈值。下面具体对这些限制和补充进行说明。

首先，区别于现有技术中用于故障诊断的相关参数项的阈值是固定的无法自动调整的，从而导致阈值如果设定的不准确就会导致故障诊断和报警的失实。本发明的实施例采取的是自学习式阈值确定方法，即利用人工智能技术，先根据设备的运行状态设定一个初始故障阈值，根据每一次的故障报警内容对该初始故障阈值迭代式地自动进行更新和调整，从而形成一个动态的不断根据历史运行和故障数据进行学习并自调节的故障阈值区间。

因而，首先要确定一个初始故障阈值作为阈值调节的基础，确定根据所述历史监测数据确定初始故障阈值的过程，可以包括如图3示出的步骤S1042-S1046。图3示出了一个实施例中确定初始故障阈值的流程图。

在步骤S1042中，根据所述历史监测数据确定所述目标设备在预设时间段内的振动特征值平均值。

首先，此处的历史监测数据可以是在预设时间段内，如过去一周内所包含的多个监测周期，如7个监测周期(如每一天执行一次监测过程)所对应的目标设备的实时监测数据。

而确定出的各项振动特征平均值(如波形特征值平均值、脉冲特征值平均值、峭度特征值平均值和/或歪度特征值平均值等)则代表了设备的初始运行状态所得出的监测基础。

在步骤S1044中，根据所述振动特征值平均值确定所述历史监测数据的标准偏差。

此处的标准偏差即方差的算术平方根，其可描述每一个监测周期内的监测数据对应的各项振动特征值偏离平均数的距离(离均差)的平均数，用以衡量整体历史监测数据对应的各项振动特征值偏离其算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。从而，在一个具体的实施例中，标准偏差能反映一个数据集的离散程度，标准偏差越小，这些值偏离平均值就越少，反之亦然。

在步骤S1046中，根据所述标准偏差和所述振动特征值平均值确定所述初始故障阈值。

具体的初始故障阈值可以是在上述各类型的振动特征值平均值的基础上减去对应的标准偏差，以避免在初始运行过程中设备出现故障或者暂未进行全速运行状态，从而导致的初始故障阈值设定过大或过小，增加后续调整过程的时间和人力成本。

而在确定了这个初始故障阈值作为监测初期故障诊断的依据之后，可以开始自学习对该阈值进行自动调整和优化的过程。具体的这个通过自学习来进行阈值调整的过程可以包括图示出的步骤图4示出的步骤S1052-S1056。图4示出了一个实施例中对所述初始故障阈值进行调整的流程图。

在步骤S1052中，获取所述目标设备在确定了所述初始故障阈值区间之后的初始故障数据。

首先，此处的初始故障数据可以是指的是在设置了初始故障阈值区间之后，开始对目标设备进行正式监测，而在正式监测过程中获取的实时监测数据不满足这一初始故障阈值区间时，则视作存在故障，并且进一步分析相关数据判断出对应的故障位置和故障类型，以将对应不满足上述初始故障阈值的监测数据作为初始故障数据。

需要说明的是，为了自学习更新故障阈值过程的高效，可以采取每诊断出一次故障，就根据相关的故障数据对故障阈值进行优化，也可以采取每隔预设的故障次数(如每诊断出3次故障)或者监测时长(如每监测24小时)就根据上述初始故障数据对故障阈值进行优化。

在步骤S1054中，将所述初始故障数据与所述故障阈值区间输入预设的自学习故障诊断模型，获取所述自学习故障诊断模型的输出结果。

首先，可选的，在进行监测与诊断之前还可以对上述自学习故障诊断模型进行预先的训练，具体的训练过程如下：以预设的故障诊断数据和调整前的故障阈值区间为输入，以自学习调整后的故障阈值区间为输出对自学习故障诊断模型进行训练。

从而使得机器自学习会以预设报警值为基础，根据每一次的报警，逐步优化算法，实现报警值的再标定，从而达到设备全生命周期的故障智能诊断。

在步骤S1056中，根据所述输出结果对所述故障阈值区间进行调整。

如，可以是根据输出结果对初始故障阈值区间进行提高或降低，以使得后续检测过程中对于是否存在故障的诊断更为准确。

在步骤S1028中，根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。

具体的判断过程可以是将所述目标振动特征值与所述振动特征值分布区间进行比较，在所述目标振动特征值与所述振动特征值分布区间不匹配的情况下(如某一项振动特征值大于对应的特征值阈值)，判定所述目标设备存在故障；

在判定所述目标设备存在故障之后，还可以进一步进行故障类型和故障位置的判断并且进行报警，这一过程可以包括图5示出的步骤S1062-S1064。图5示出了一个实施例中根据目标设备的故障诊断结果进行报警等预设动作的流程图。

在步骤S1062中，根据所述目标振动特征值与所述预设阈值区间的比较结果确定目标设备所存在的故障类型以及对应的故障位置作为目标故障诊断结果。

首先，在一个可选的实施例中，具体的故障位置可以包括如电机测点、齿轮箱测点、卷筒测点、滑轮测点等，故障位置可以根据信号所采集自的设备位置以及对应的波形特征值判断出来。

而其对应的故障类型可以包括电机测点所对应的故障类型可以是：轴承故障、松动(如基础松动、轴承松动、联轴器故障)、定子故障(如定子绕组松动)、转子故障(如转子偏心、转子笼条松动、转子笼条破损)、不平衡(转子不平衡)以及不对中。而在齿轮箱测点所对应的故障类型可以包括不对中、齿轮故障(如存在的断齿、齿面磨损及剥落)或轴承故障(如由轴承外圈、内圈、滚动体或保持架损坏引起的)等，同样的，在卷筒测点对对应的故障愿意可以是卷筒故障(如卷筒变形)或轴承故障。

具体的，此处的目标故障诊断结果可以是通过在目标设备(一龙门吊)的信号采集的检测点位置(电机测点)存在故障，然后通过具体的对比得出该测点的波形信号的歪度特征值大于通过步骤S1056中自学习得出的歪度特征值阈值，从而判断故障类型可能是不平衡。

在步骤S1064中，通过预设的报警装置执行与所述故障诊断结果对应的报警动作。

另外，除了执行包括关闭目标设备的某些部分、通过预设的展示装置展示故障诊断结果和/或响铃、亮灯、发送通知给相关人员等预设操作以外，还可以将此处的目标故障诊断结果存于预设的数据库中，以用于对阈值进行再次自学习调整。

另外，在可选的实施例中，对于目标设备的故障诊断的过程，还可以是比较目标设备的实时监测数据与其邻近的设备的监测数据的一致性，具体参见图6示出的步骤S1072-S1074的说明。图6示出了另一个实施例中根据相邻设备对目标设备进行故障检测的流程图。

在步骤S1072中，获取与所述目标设备在预设范围内的相邻设备的振动监测数据作为参考监测数据，根据所述参考监测数据确定参考振动特征值区间。

首先，此处获取参考监测数据的原理在于基于无监督学习(离群点)离群点报警分析功能。即采用K近邻算法，横向比较目标设备与其预设范围内(如500米以内)的相邻设备的振动数据。

如果某一设备与其他设备在振动数据对应的“特征向量”空间距离很远，则会自动识别出该设备作为状态不正常(即可能就是存在故障)的离群点，并执行对应的故障类型识别以及报警动作。

综上，根据所述参考监测数据确定参考振动特征值区间的过程可以是根据邻近设备的实时监测数据确定出每一台邻近设备的振动特征值，从而组成一个特征值分布区间作为此处的参考振动特征值区间。

在步骤S1074中，将所述目标振动特征值与所述参考振动特征值区间进行匹配，在不匹配的情况下，判断所述目标设备存在故障。

结合上一步骤中对K近邻算法的应用的说明，在目标设备的振动特征与其他相邻设备的振动特征相距较远时，即可认作目标设备存在故障。

图7示出了一个实施例中故障诊断装置的结构框图。

参考图7所示，根据本发明的一个实施例的故障诊断装置1080，包括：获取单元1082、第一确定单元1084、第二确定单元1086、诊断单元1088。

其中，获取单元1082：用于获取目标设备的实时监测数据，所述实时监测数据包括振动波形图；

第一确定单元1084：用于根据所述实时监测数据提取所述目标设备的目标振动特征值；

第二确定单元1086：用于获取所述目标设备在预设时间段内的历史监测数据，根据所述历史监测数据确定故障阈值区间；

诊断单元1088：用于根据所述目标振动特征值与所述故障阈值区间是否匹配诊断所述目标设备是否存在故障。

图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和采集模块、处理模块以及通信模块。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现本故障诊断方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行本故障诊断方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种故障诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述实时监测数据包括振动波形图；

所述目标振动特征值包括所述振动波形图对应的波形特征值、脉冲特征值、峭度特征值、歪度特征值和/或裕度特征值中的至少两项。

3.根据权利要求1所述的方法，其特征在于，所述根据所述实时监测数据提取所述目标设备的目标振动值，包括：

根据所述实时监测数据确定所述振动波形图对应的峰值、均值、歪度、峭度和/或均方根值作为目标诊断信息；

根据所述目标诊断信息确定所述目标振动特征值。

4.根据权利要求1所述的方法，其特征在于，所述预设时间段内包含多个监测周期，所述故障阈值区间包括初始故障阈值；

根据所述历史监测数据确定初始故障阈值的步骤，包括：

根据所述历史监测数据确定所述目标设备在预设时间段内的振动特征值平均值；

根据所述振动特征值平均值确定所述历史监测数据的标准偏差；

根据所述标准偏差和所述振动特征值平均值确定所述初始故障阈值区间。

5.根据权利要求1或4所述的方法，其特征在于，在确定所述故障阈值之后，还包括：

获取所述目标设备在确定了所述故障阈值区间之后的初始故障数据，

将所述初始故障数据与所述故障阈值区间输入预设的自学习故障诊断模型，获取所述自学习故障诊断模型的输出结果；

根据所述输出结果对所述故障阈值区间进行调整。

6.根据权利要求1所述的方法，其特征在于，所述根据所述目标振动特征值是否与所述振动特征值故障阈值区间匹配诊断所述目标设备是否存在故障，包括：

将所述目标振动特征值与所述振动特征值分布区间进行比较，在所述目标振动特征值与所述振动特征值分布区间不匹配的情况下，判定所述目标设备存在故障；

在判定所述目标设备存在故障之后，还包括：

根据所述目标振动特征值与所述预设阈值区间的比较结果确定目标设备所存在的故障类型以及对应的故障位置作为所述故障诊断结果；

通过预设的报警装置执行与所述故障诊断结果对应的报警动作。

7.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

获取与所述目标设备在预设范围内的相邻设备的振动监测数据作为参考监测数据，根据所述参考监测数据确定参考振动特征值区间；

将所述目标振动特征值与所述参考振动特征值区间进行匹配，在不匹配的情况下，判断所述目标设备存在故障。

8.一种故障诊断装置，其特征在于，所述装置包括：

9.一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。