CN110907207A - 非标机械设备的运行状态检测方法及装置 - Google Patents

Abstract

本发明实施例提供一种非标机械设备的运行状态检测方法及装置，该方法包括：将待检测设备的工况数据，输入至预设的状态检测模型，获取工况数据的识别结果；根据识别结果，确定待检测设备的运行状态类型；其中，所述状态检测模型根据若干带标签设备的工况数据进行自学习后得到，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，所述振动数据距离包括振动数据的时域距离和/或频域距离。状态检测模型根据若干带标签设备的工况数据进行自学习后得到，用带标签设备的工况数据，进行状态检测模型的自动学习，可以显著提高状态检测模型的泛化性，通过该状态检测模型对待检测设备进行检测，能够得到准确的待检测设备的运行状态类型。

Description

非标机械设备的运行状态检测方法及装置

技术领域

本发明涉及机械设备状态监测领域，尤其涉及一种非标机械设备的运行状态检测方法及装置。

背景技术

工业机械设备都会在其失效前释放出早期预警信号，例如振动、温度、声音的变化，而振动是其中最有用的信号，对振动数据进行量化管理，可以解决机组的多数故障。但是目前很多工业机械设备都为非标设备，即在这台设备的历史运行记录中还未有工况事件发生或标记，这样的设备想要对其未来的工况进行预警是十分困难的，因为与其同类型的带标签设备自身的工况判断模型很难迁移到该设备上。即便两台设备为同一类型设备，在不同运转条件下的振动监测数据的分布也存在较大的差异，因此很难使用同一个故障模型对所有同类设备进行运行状态检测。

对于非标设备而言，能否从其他设备历史标签中找到与其数据分布最相似的工况数据，并利用该工况数据完成自身的自动学习建模，对提高非标设备运行状态检测的准确率有着至关重要的作用。对于已经改变生产环境的带标签设备该方法也同样会起到提升作用。

目前有基于机器学习的识别方法，虽然从方法上提高了模型的准确性，但实际上是对历史有标签数据分类的优化，因为其训练依赖于数据自身标签。对于新设备的非标数据，没有带标签的工况数据作为参考，这些方法难以应用，即使选择同型号的带标签设备的检测模型，由于适用环境的差异，进行异常检测和工况识别时，效果并不准确。

发明内容

为了解决上述问题，本发明实施例提供一种非标机械设备的运行状态检测方法及装置。

第一方面，本发明实施例提供一种非标机械设备的运行状态检测方法，包括：将待检测设备的工况数据，输入至预设的状态检测模型，获取所述工况数据的识别结果；根据所述识别结果，确定待检测设备的运行状态类型；其中，所述状态检测模型根据若干带标签设备的工况数据进行自学习后得到，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，所述振动数据距离包括振动数据的时域距离和/或频域距离。

进一步地，所述时域距离或所述频域距离按照距离类型，包括：推土机距离、余弦距离和动态时间规整距离中任意一种或多种。

进一步地，所述频域距离，包括：频谱距离、频谱概率密度距离、倒频谱距离和频谱二次FFT距离中的任意一种或多种。

进一步地，所述将待检测设备的工况数据，输入至预设的状态检测模型之前，还包括：根据待检测设备和多个带标签设备进行静态数据的对比，选出静态数据最接近的预设数量的带标签设备，作为备选设备；计算待检测设备与每个备选设备的振动数据距离，选取振动数据距离满足预设阈值的备选设备，得到所述若干带标签设备。

进一步地，所述静态数据包括，设备类型、型号、转速、流量、扬程中任意一种或多种。

进一步地，振动数据距离包括频域距离，相应地，计算待检测设备与每个备选设备的振动数据距离之前，还包括：对振动数据进行标准化；对标准化后的数据进行FFT变换，得到振动数据的频谱，所述频谱用于计算所述频域距离。

进一步地，所述对振动数据进行标准化，包括：获取所有时刻振动数据的均值，以及所有时刻振动数据取绝对值后的和；将每一时刻的振动数据值与振动数据均值的差值，除以所有时刻振动数据取绝对值后的和，得到标准化的振动数据。

第二方面，本发明实施例提供一种非标机械设备的运行状态检测装置，包括：获取模块，用于将待检测设备的工况数据，输入至预设的状态检测模型，获取所述工况数据的识别结果；判断模块，用于根据所述识别结果，确定待检测设备的运行状态类型；其中，所述状态检测模型根据若干带标签设备的工况数据进行自学习后得到，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，所述振动数据距离包括振动数据的时域距离和/或频域距离。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面非标机械设备的运行状态检测方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面非标机械设备的运行状态检测方法的步骤。

本发明实施例提供的非标机械设备的运行状态检测方法及装置，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，即可得到与待检测设备具有相似性的带标签设备。不再需要待检测设备的工况数据为模型训练数据。可根据振动数据的时域数据、频域数据分别进行选择或综合选择，得到与待检测设备相似的带标签设备，选择出的带标签设备的数据与待检测设备的数据相似度高。状态检测模型根据若干带标签设备的工况数据进行自学习后得到。用带标签设备的工况数据，进行状态检测模型的自动学习，可以显著提高状态检测模型的泛化性，通过该状态检测模型对待检测设备进行检测，能够得到准确的待检测设备的运行状态类型。

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一简单地介绍，显而易见地，下面描述中的附图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。

图1为本发明实施例提供的非标机械设备的运行状态检测方法流程图；

图2为本发明另一实施例提供的非标机械设备的运行状态检测方法流程图；

图3为本发明实施例提供的非标机械设备的运行状态检测装置结构图；

图4为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

图1为本发明实施例提供的非标机械设备的运行状态检测方法流程图，如图1所示，本发明实施例提供一种非标机械设备的运行状态检测方法，包括：

101、将待检测设备的工况数据，输入至预设的状态检测模型，获取工况数据的识别结果；

102、根据识别结果，确定待检测设备的异常类型和/或工况类型；

其中，状态检测模型根据若干带标签设备的工况数据进行自学习后得到，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，振动数据距离包括时域数据距离和/或频域数据距离。

首先，本实施例在实施检测之前，先确定若干的带标签设备，这些带标签设备需满足如与待检测设备之间的振动数据距离，小于预设阈值的条件。

带标签设备，指有工况数据记录的现有设备，也就是说，这类设备已记录其运行过程中产生的工况数据，以及在这些工况数据下，对应的异常类型和工况类型，可将这些数据存在数据库中，便于使用。

振动数据是工业机械设备运行过程中最有用的信号，对振动数据进行量化管理，可以解决机组的多数故障。振动数据主要是对机械设备运行过程中振动信号的记录。例如，表现形式包括随时间变化的振动信号波形。在本法实施例中，为了便于计算，可通过一定的采样率对振动信号波形进行采样，得到离散的振动数据，可以以向量形式表示。根据待检测设备和大量的带标签设备，根据离散序列或者向量形式，便可计算二者之间的时域距离，相应地，频域变换后，便可计算频域距离。

对于待检测设备的振动数据，根据数据库中带标签设备的振动数据进行比较，比较的是振动数据距离，若振动数据距离小于预设的阈值，则这类带标签设备和待检测设备的运行状况一致，将这部分的带标签设备，作为上述方法提到的若干带标签设备，同于自学习。振动数据距离，是待检测设备和带标签设备的振动数据，在分布上的距离，包括时域距离和频域距离中的一种或两种。

工况数据为机械设备运行过程中的相关参数数据，例如振动信号数据、温度数据等。根据这些若干带标签设备的所有工况数据，基于现有的自学习，便可得到本实施例中的预设的状态检测模型。将待检测设备同类型的工况数据，输入自学习后的状态检测模型，便可对待检测设备进行运行状态检测。通常状态检测模型输出的为结果向量或结果概率，相应地，需根据输出结果映射到对应的运行状态类型。

运行状态检测的类别包括但不限于异常识别及工况分类，也就是判断是否有异常以及发生的异常属于哪类工况。

状态检测模型的建立和自学习，利用的算法包括但不限于：自编码器(Autoencoder)、长短期记忆网络(LSTM)、卷积神经网络(CNN)、极端梯度提升(XGBoost)和LightGBM等。

本发明实施例提供的非标机械设备的运行状态检测方法，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，即可得到与待检测设备具有相似性的带标签设备，不再需要待检测设备的工况数据为模型训练数据。可根据振动数据的时域数据、频域数据分别进行选择或综合选择，得到与待检测设备相似的带标签设备，选择出的带标签设备的数据与待检测设备的数据相似度高。状态检测模型根据若干带标签设备的工况数据进行自学习后得到，用带标签设备的工况数据，进行状态检测模型的自动学习，可以显著提高状态检测模型的泛化性，通过该状态检测模型对待检测设备进行检测，能够得到准确的待检测设备的运行状态类型。

基于上述实施例的内容，作为一种可选实施例，时域距离或频域距离按照距离类型，包括：推土机距离、余弦距离和动态时间规整距离中任意一种或多种。

本实施例中，对于时域距离和频域距离，按照距离类型，均可包括：推土机距离、余弦距离和动态时间规整距离中任意一种或多种。也就是说，时域距离可通过推土机距离、余弦距离和动态时间规整距离，来进行计算；频域距离也可根据二者的频谱，通过推土机距离、余弦距离和动态时间规整距离来计算。

推土机距离(简称EMD)，用来表示两个分布的相似程度，在计算机中经常用到。余弦距离，又称余弦相似度，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。动态时间规整(简称DTW)距离是一个典型的优化问题，它用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系，求解两模板匹配时，累计距离最小所对应的规整函数。

本发明实施例，振动数据距离按照距离类型，包括推土机距离、余弦距离和动态时间规整距离中任意一种或多种，可准确刻画待检测设备和带标签设备之间的相似性。

基于上述实施例的内容，作为一种可选实施例，频域距离包括：频谱距离、频谱概率密度距离、倒频谱距离和频谱二次FFT距离中的任意一种或多种。

本实施例中，推土机距离、余弦距离和动态时间规整距离可基于频谱距离、频谱概率密度距离、倒频谱距离和频谱二次FFT进行计算。即频域距离包括，频谱、频谱概率密度、倒频谱和频谱二次FFT等的推土机距离，频谱、频谱概率密度、倒频谱和频谱二次FFT等的余弦距离，以及频谱、频谱概率密度、倒频谱和频谱二次FFT等的动态时间规整距离。举例如下：

频谱距离，获得二者振动数据的频谱后，对频谱数据计算余弦和DTW距离。

频谱概率密度距离，对频谱进行归一化，对归一化频谱进行核密度估计，得到频谱的标准密度函数，对标准密度函数计算余弦距离和DTW距离。

倒频谱距离，对频谱进行逆变换，对倒频谱数据计算余弦距离和DTW距离。

频谱二次FFT距离，对频谱进行FFT变换，对二次频谱数据计算余弦距离和DTW距离。

本发明实施例，通过频域距离包括频谱距离、频谱概率密度距离、倒频谱距离和频谱二次FFT距离中的任意一种或多种，实现多种距离对待检测设备和带标签设备的相似性进行刻画，能够全面筛选出与待检测设备一致的带标签设备。

基于上述实施例的内容，作为一种可选实施例，将待检测设备的工况数据，输入至预设的状态检测模型之前，还包括：根据待检测设备和多个带标签设备进行静态数据的对比，选出静态数据最接近的预设数量的带标签设备，作为备选设备；计算待检测设备与每个备选设备的振动数据距离，选取振动数据距离满足预设阈值的备选设备，得到若干带标签设备。

为了缩短数据选择的范围，减少计算量，先从大量的带标签设备中初步选取与待检测设备相一致的带标签设备。本发明实施例通过静态数据进行比较，选出静态数据最接近的预设数量的带标签设备，得到备选设备集。在备选设备集中，遍历与待检测设备振动数据距离相符合的带标签设备，得到上述若干带标签设备。静态数据为机械设备的静态属性，包括但不限于设备类型、型号、转速、流量和扬程中的任意一种或多种进行组合。

优选的，根据设备类型、型号、转速、流量和扬程综合选择备选设备。

本发明实施例，根据待检测设备和多个带标签设备进行静态数据的对比，选出静态数据最接近的预设数量的带标签设备，作为备选设备，计算待检测设备与每个备选设备的振动数据距离，能够缩小上述若干带标签设备的选择范围，减少计算复杂度。

基于上述实施例的内容，作为一种可选实施例，振动数据距离包括频域距离，相应地，计算待检测设备与每个备选设备的振动数据距离之前，还包括：对振动数据进行标准化；对标准化后的数据进行FFT变换，得到振动数据的频谱，频谱用于计算频域距离。

数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。对振动数据进行标准化后，进行FFT得到对应的频谱数据，用于计算各种频域距离。通过对振动数据进行标准化，从而减小计算量。

基于上述实施例的内容，作为一种可选实施例，对振动数据进行标准化，包括：获取所有时刻振动数据的均值，以及所有时刻振动数据取绝对值后的和；将每一时刻的振动数据值与振动数据均值的差值，除以所有时刻振动数据取绝对值后的和，得到标准化的振动数据。

以采样后的振动波形信号为例，每个时刻的振动数据的幅值减去均值，除以取绝对值的所有时刻振动幅值之和，便实现了所有振动数据的标准化。

基于上述各实施例，图2为本发明另一实施例提供的非标机械设备的运行状态检测方法流程图，如图2所示，图中循环判断为根据备选设备集中的所有设备进行循环判断，其余部分可参见上述实施例。使用本发明中数据筛选方法得到若干带标签设备，可以选择出与待检测设备最相似的设备数据。通过这类带标签设备进行检测模型的自学习，使得待检测设备无确定工况类型的工况数据时，仍可以进行分类模型的自动学习。

以两端支撑式多级离心泵为例，用BB3及BB4型号的多级离心泵已知数据建立上述状态检测模型的工况分类模型，模型在其他新场景下的BB3及BB4型号的数据上准确率为48.36％，在BB5型号的数据上准确率为19.92％。使用本发明对带标签历史数据进行数据选择，使用选择后数据对模型进行自动学习，在其他新场景下的BB3及BB4型号的数据上准确率为62.17％，在BB5型号的数据上准确率为38.27％，分类准确率有明显大幅提升。

图3为本发明实施例提供的非标机械设备的运行状态检测装置结构图，如图3所示，该非标机械设备的运行状态检测装置包括：获取模块301和判断模块302。其中，获取模块301用于将待检测设备的工况数据，输入至预设的状态检测模型，获取工况数据的识别结果；判断模块302用于根据识别结果，确定待检测设备的运行状态类型；其中，状态检测模型根据若干带标签设备的工况数据进行自学习后得到，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，振动数据距离包括振动数据的时域距离和/或频域距离。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

本发明实施例提供的非标机械设备的运行状态检测装置，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，即可得到与待检测设备具有相似性的带标签设备，不再需要待检测设备的工况数据为模型训练数据。可根据振动数据的时域数据、频域数据分别进行选择或综合选择，得到与待检测设备相似的带标签设备，选择出的带标签设备的数据与待检测设备的数据相似度高。状态检测模型根据若干带标签设备的工况数据进行自学习后得到，用带标签设备的工况数据，进行状态检测模型的自动学习，可以显著提高状态检测模型的泛化性，通过该状态检测模型对待检测设备进行检测，能够得到准确的待检测设备的运行状态类型。

图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(CommunicationsInterface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：将待检测设备的工况数据，输入至预设的状态检测模型，获取工况数据的识别结果；根据识别结果，确定待检测设备的运行状态类型；其中，状态检测模型根据若干带标签设备的工况数据进行自学习后得到，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，振动数据距离包括振动数据的时域距离和/或频域距离。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：将待检测设备的工况数据，输入至预设的状态检测模型，获取工况数据的识别结果；根据识别结果，确定待检测设备的运行状态类型；其中，状态检测模型根据若干带标签设备的工况数据进行自学习后得到，若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，振动数据距离包括振动数据的时域距离和/或频域距离。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种非标机械设备的运行状态检测方法，其特征在于，包括：

将待检测设备的工况数据，输入至预设的状态检测模型，获取所述工况数据的识别结果；

根据所述识别结果，确定待检测设备的运行状态类型；

其中，所述状态检测模型根据若干带标签设备的工况数据进行自学习后得到，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，所述振动数据距离包括振动数据的时域距离和/或频域距离。

2.根据权利要求1所述的非标机械设备的运行状态检测方法，其特征在于，所述时域距离或所述频域距离按照距离类型，包括：推土机距离、余弦距离和动态时间规整距离中任意一种或多种。

3.根据权利要求1-2任一项所述的非标机械设备的运行状态检测方法，其特征在于，所述频域距离，包括：频谱距离、频谱概率密度距离、倒频谱距离和频谱二次FFT距离中的任意一种或多种。

4.根据权利要求3所述的非标机械设备的运行状态检测方法，其特征在于，所述将待检测设备的工况数据，输入至预设的状态检测模型之前，还包括：

根据待检测设备和多个带标签设备进行静态数据的对比，选出静态数据最接近的预设数量的带标签设备，作为备选设备；

计算待检测设备与每个备选设备的振动数据距离，选取振动数据距离满足预设阈值的备选设备，得到所述若干带标签设备。

5.根据权利要求4所述的非标机械设备的运行状态检测方法，其特征在于，所述静态数据包括，设备类型、型号、转速、流量、扬程中任意一种或多种。

6.根据权利要求4所述的非标机械设备的运行状态检测方法，其特征在于，振动数据距离包括频域距离，相应地，计算待检测设备与每个备选设备的振动数据距离之前，还包括：

对振动数据进行标准化；

对标准化后的数据进行FFT变换，得到振动数据的频谱，所述频谱用于计算所述频域距离。

7.根据权利要求6所述的非标机械设备的运行状态检测方法，其特征在于，所述对振动数据进行标准化，包括：

获取所有时刻振动数据的均值，以及所有时刻振动数据取绝对值后的和；

将每一时刻的振动数据值与振动数据均值的差值，除以所有时刻振动数据取绝对值后的和，得到标准化的振动数据。

8.一种非标机械设备的运行状态检测装置，其特征在于，包括：

获取模块，用于将待检测设备的工况数据，输入至预设的状态检测模型，获取所述工况数据的识别结果；

判断模块，用于根据所述识别结果，确定待检测设备的运行状态类型；

其中，所述状态检测模型根据若干带标签设备的工况数据进行自学习后得到，所述若干带标签设备与待检测设备之间的振动数据距离，小于预设阈值，所述振动数据距离包括振动数据的时域距离和/或频域距离。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述非标机械设备的运行状态检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述非标机械设备的运行状态检测方法的步骤。

Images