CN111060301A - 一种故障诊断方法及装置 - Google Patents

Abstract

本发明的实施例公开一种故障诊断方法及装置，涉及故障诊断领域。能够解决现有技术中只能对单一故障进行判断的问题。该方法包括：故障诊断装置在获取第一信号，并提取第一信号中的异常频率，并确定异常频率在第一信号中对应的第一时间后；确定与第一时间的前后且相邻的至少两个采样时间点；并且对第一时间以及至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线。之后，故障诊断装置确定曲线的拐点的横坐标为第一时间时，提取拐点在第一信号中的故障频率；以便故障诊断装置根据故障频率，确定故障类型。本发明实施例应用于信号处理领域。

Description

一种故障诊断方法及装置

技术领域

本发明的实施例涉及故障诊断领域，尤其涉及一种故障诊断方法及装置。

背景技术

转动类设备是指包括轴承以及齿轮的设备，如：风机、电机、水泵、搅拌机、鼓风机、压缩机等。这类设备通常需要长时间连续运转。

为了保障转动类设备的正常运转，通常会在转动类设备无损的前提下，执行一系列的测试、分析，从而提前确定故障。但是，现有的方法只能对单一故障进行判断，从而导致检测效率过低。

发明内容

本发明提供一种故障诊断方法及装置，能够解决现有技术中只能对单一故障进行判断的问题。

为达到上述目的，本发明采用如下技术方案：

第一方面，提供一种故障诊断方法，该方法包括：故障诊断装置在获取第一信号，并提取第一信号中的异常频率，并确定异常频率在第一信号中对应的第一时间后；确定与第一时间的前后且相邻的至少两个采样时间点；并且对第一时间以及至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线。之后，故障诊断装置确定曲线的拐点的横坐标为第一时间时，提取拐点在第一信号中的故障频率；以便故障诊断装置根据故障频率，确定故障类型。

在上述方法中，故障诊断装置首先确定获取的第一信号中的异常频率，以及该异常频率对应的第一时间，以便确定疑似故障频率在第一信号中对应的时间；然后对该第一时间及其前后且相邻的至少两个采样时间点对应的信号值进行平滑处理，并确定平滑处理后生成的曲线对应的拐点的横坐标为第一时间时，则提取该拐点在第一信号中的故障频率，使得在疑似故障频率中去除由于噪声信号产生的虚假故障频率，获取真正的故障频率，进而根据真正的故障频率确定故障类型。相较于现有技术中，针对轴承的故障诊断方法只能对单一故障进行诊断，本发明能够在轴承同时发生多种故障时，将多种故障产生的故障频率从信号中提取出来，从而实现了轴承复合故障的诊断，提高了轴承故障诊断的效率。

第二方面，提供一种故障诊断装置，该故障诊断装置包括：获取单元，用于获取第一信号；处理单元，用于提取获取单元获取的第一信号中的异常频率，并确定异常频率在第一信号中对应的第一时间；处理单元，还用于确定与第一时间的前后且相邻的至少两个采样时间点；处理单元，还用于确定对第一时间以及至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线；处理单元，还用于确定曲线的拐点的横坐标为第一时间时，提取拐点在第一信号中的故障频率；处理单元，还用于确定根据故障频率，确定故障类型。

可以理解地，上述提供的故障诊断装置用于执行上文所提供的第一方面对应的方法，因此，其所能达到的有益效果可参考上文第一方面对应的方法以及下文具体实施方式中对应的方案的有益效果，此处不再赘述。

第三方面，提供了一种故障诊断装置，该故障诊断装置的结构中包括处理器，处理器用于执行程序指令，使得该故障诊断装置执行第一方面的方法。

第四方面，提供一种计算机存储介质，计算机存储介质中存储有计算机程序代码，当计算机程序代码在故障诊断装置上运行时，使得该故障诊断装置执行上述第一方面的方法。

第五方面，提供一种计算机程序产品，该计算机程序产品储存有上述计算机软件指令，当计算机软件指令在故障诊断装置上运行时，使得该故障诊断装置执行如上述第一方面的方法的程序。

附图说明

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做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一种声振检测系统的结构示意图；

图2为本发明的实施例提供的一种故障诊断装置的结构示意图；

图3为本发明实施例提供的一种故障诊断方法的流程示意图；

图4为本发明的实施例提供的一种振动信号的时域波形图；

图5为本发明的实施例提供的又一种故障诊断装置的结构示意图。

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。

需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的实施例中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

随着现代工业的迅猛发展，各种旋转机械广泛应用于各工业领域。旋转机械故障是关系到国民经济生产安全性的重要问题，其中30％的旋转机械故障与轴承有关。轴承作为旋转机械的主要部件，是否能够安全、高效的长期运行也成为整个企业正常生产的重要保障，企业对其重视程度日益增加。而目前现有的故障诊断方法只能对单一故障进行判断，从而导致检测效率过低。

对于上述技术问题，参照图1，本申请实施例首先提供一种声振检测系统的结构示意图，该系统包括：转动类设备10、传感器20、网关30、云平台40以及计算机50；该系统内设备间的数据传输方式为：传感器20将从转动类设备10中采集的振动信号通过网关30上传至云平台40，再通过云平台将振动信号传输至计算机50。示例性的，网关30、云平台40以及计算机50之间可采用5G的通信方式进行信息传输。转动类设备10一般可以是风机、电机、水泵、搅拌机、鼓风机、压缩机等核心由轴承以及齿轮所构成的设备。

这里，本发明实施例描述的系统架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

示例性的，本申请实施例以图1中的计算机为例，该计算机具体可以为图2所示的故障诊断装置20，也可以为包括图2所示的故障诊断装置20的设备(例如：故障诊断装置20为计算机的芯片系统/片上系统)。图2为本申请实施例提供的故障诊断装置20的组成示意图，该故障诊断装置20可以用于实现本申请实施例提供的网络资源调整方法。

如图2所示，故障诊断装置20包括处理器21，可选的，还包括与处理器21通过通信总线24连接的存储器22。

在本申请实施例中，处理器21是故障诊断装置20的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器21是一个中央处理器(central processingunit，CPU)，也可以是特定集成电路(application-specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field-programmable gate array，FPGA)。

其中，处理器21可以通过运行或执行存储在存储器22内的软件程序，以及调用存储在存储器22内的数据，执行故障诊断装置20的各种功能。

作为一种实施例，处理器21可以包括一个或多个CPU，如图2中所示的CPU 0和CPU1。

作为一种实施例，故障诊断装置20还可以包括其他处理器，例如图2中所示的处理器25，处理器25包括CPU 0。故障诊断装置20中的多个处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在本申请实施例中，存储器22可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

一种可能的实现方式中，存储器22可以独立于处理器21存在，即存储器22可以为处理器21外部的存储器，此时，存储器22可以通过通信总线24与处理器21相连接，用于存储指令或者程序代码。处理器21调用并执行存储器22中存储的指令或程序代码时，能够实现本申请下述实施例提供的网络资源调整方法。

另一种可能的实现方式中，存储器22也可以和处理器21集成在一起，即存储器22可以为处理器21的内部存储器，例如，该存储器22为高速缓存，可以用于暂存一些数据和/或指令信息等。

可选的，故障诊断装置20还包括通信接口23。

通信接口23，用于使用任何收发器一类的装置，与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口23可以包括接收单元实现接收功能，以及发送单元实现发送功能。

在本申请实施例中，通信总线24，可以是工业标准体系结构(Industry StandardArchitecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

需要指出的是，图2中示出的设备结构并不构成对该故障诊断装置20的限定，除图2所示部件之外，该故障诊断装置20可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1和图2，对本申请实施例提供的一种故障诊断方法，该方法通过将第一信号中的异常频率对应的时间提取出来，结合曲线拟合，拐点判断将由于噪音产生的虚假故障频率从该异常频率中剔除，只留下真正发生故障后对应的一个或多个故障频率，进而依据该一个或多个故障频率对轴承的故障类型进行判断。本申请实施例提供的故障诊断方法应用于故障诊断装置，以下的故障诊断方法示例中将以故障诊断装置执行该方法为例进行具体阐述。示例性的，故障诊断装置可以是计算机或者计算机中的芯片。如图3所示，该故障诊断方法可以包括：

301、故障诊断装置获取第一信号。

示例性的，第一信号为轴承在转动过程中产生的振动信号，而该振动信号中包含由于故障产生的冲击脉冲信号。

另外，该第一信号可以是Duotech传感器采集轴承的振动信号，并通过网关发送至云平台，进而由云平台将该振动信号转发至具备计算分析功能的设备，如电脑，服务器等。

302、故障诊断装置提取第一信号中的异常频率，并确定异常频率在第一信号中对应的第一时间。

可选的，故障诊断装置对第一信号进行傅里叶变换将时域信号转换为频域信号，并提取频域信号中的异常频率。

示例性的，异常频率实际为频域信号中的疑似故障频率，所谓的疑似故障频率包括由故障产生的故障频率以及由于噪声影响产生的虚假故障频率。提取频域信号中的异常频率主要采用的是频谱分析方法来提取，也可以采用对比的方法。例如，将同一轴承未发生故障时的的频域信号与本申请中发生了故障的频域信号进行对比，提取出异常频率。本申请实施例仅示例性的提出了两种异常频率的提取方法，并不构成对于本申请实施例提取异常频率的限定。

303、故障诊断装置确定与第一时间的前后且相邻的至少两个采样时间点。

示例性的，按照采样周期设定的时间长度，确定采样时间点。例如，确定第一时间为t1，采样周期如果设定的是1s。若需要t1的前后且相邻的两个采样时间点，那么，在t1时间之前获取的一个采样时间点为(t1-1s)；t1时间之后获取一个采样时间点为(t1+1s)；若需要t1的前后且相邻的两个采样时间点，那么，在t1时间之前获取的两个采样时间点为(t1-1s)和(t1-2s)；在t1时间之后获取两个采样时间点为(t1+1s)和(t1+2s)；以此类推，不再赘述。

304、故障诊断装置对第一时间以及至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线。

可选的，对第一时间以及至少两个采样时间点对应的信号值进行三次B样条曲线拟合处理生成平滑信号对应的曲线。

示例性的，三次B样条曲线具体包括有近似拟合和插值拟合，本申请实施例以插值拟合为主。

305、故障诊断装置确定曲线的拐点的横坐标为第一时间时，提取拐点在第一信号中的故障频率。

需要说明的是，故障诊断装置在确定曲线的拐点的横坐标是否为第一时间时，可以对304步骤生成的曲线对应的函数进行求导生成导函数，并将第一时间输入至该导函数中，若对应求得的导函数值为0，且第一时间的前一采样时间点对应的导函数值大于0，且第一时间的后一采样时间点对应的导函数值小于0时，确定该第一时间为该曲线的拐点。

306、故障诊断装置根据故障频率，确定故障类型。

可选的，故障诊断装置以该故障频率为基准，提取第一信号中的冲击脉冲信号，并对其进行微分转换生成加速度脉冲信号后，对该加速度脉冲信号进行α稳定分布生成一个或多个故障特征量。最后，故障诊断装置利用小波神经网络算法对上述的故障特征向量进行计算，从而识别轴承的故障类型。

其中，故障诊断装置以故障频率为基准时，对第一信号进行带通滤波以及半波整流，来提取冲击脉冲信号。

示例性的，对加速度脉冲信号进行α稳定分布生成一个或多个故障特征量实际就是对加速度脉冲信号进行α稳定分布的4参数估计，组成4为特征向量，而该4为特征向量可以包括该加速度脉冲信号对应的时间、加速度、频率以及采样周期。

为了更好的理解，参照图4，为振动信号的时域波形图，本申请实施例结合图4，对上述步骤302-305进行示例说明。需要说明的是，图4中的(a)(b)(c)中的横轴均表示时间，纵轴均表示幅值。这里假设根据第一信号中的异常频率确定的第一时间包括[ts1,ts2,…,tsn]，图4中(a)仅示出了根据异常频率确定的4个第一时间为[ts1,ts2,ts3,ts4]。如图4中(b)所示，以ts1为例，分别确定ts1前后各三个采样时间点组成的时间点集合为(ts11,ts12,ts13,ts1,ts14,ts15,ts16)并对。确定第一信号中第一时间ts11，ts12，ts13，ts1，ts14，ts15，ts16各自对应的坐标点为(ts11,y11)，(ts12,y12)，(ts13,y13)，(ts1,y1)，(ts14,y14)，(ts15,y15)，(ts16,y16)，对坐标点进行三次B样条曲线拟合处理生成如图4中(c)所示的曲线，对该曲线所对应的函数进行求导，并确定求导后ts1对应的函数值是否为0，且ts13对应的函数值是否大于0，且ts14对应的的函数值是否小于0，若是，确定(ts1,y1)为该曲线的拐点，并提取该拐点对应的第一信号的频率值fts1作为故障频率集合内的一个参数；若否，则将ts1从集合[ts1,ts2,…,tsn]去除。同理，分别确定[ts2,…,tsn]中为拐点的第一时间，并对应获取各拐点在第一信号中的频率值作为故障频率集合内的参数。

在上述方法中，故障诊断装置首先确定获取的第一信号中的异常频率，以及该异常频率对应的第一时间，以便确定疑似故障频率在第一信号中对应的时间；然后对该第一时间及其前后且相邻的至少两个采样时间点对应的信号值进行平滑处理，并确定平滑处理后生成的曲线对应的拐点的横坐标为第一时间时，则提取该拐点在第一信号中的故障频率，使得在疑似故障频率中去除由于噪声信号产生的虚假故障频率，获取真正的故障频率，进而根据真正的故障频率确定故障类型。相较于现有技术中，针对轴承的故障诊断方法只能对单一故障进行诊断，本发明能够在轴承同时发生多种故障时，将多种故障产生的故障频率从信号中提取出来，从而实现了轴承复合故障的诊断，提高了轴承故障诊断的效率。

本发明实施例可以根据上述方法实施例对干扰基站进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，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。

在采用对应各个功能划分各个功能模块的情况下，图5给出了上述实施例中涉及的故障诊断装置20的一种可能的结构示意图，该故障诊断装置20包括：

获取单元501，用于获取第一信号。

处理单元502，用于提取获取单元501获取的第一信号中的异常频率，并确定异常频率在第一信号中对应的第一时间。

处理单元502，还用于确定与第一时间的前后且相邻的至少两个采样时间点。

处理单元502，还用于确定对第一时间以及至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线。

处理单元502，还用于确定曲线的拐点的横坐标为第一时间时，提取拐点在第一信号中的故障频率。

处理单元502，还用于确定根据故障频率，确定故障类型。

在一种示例性的方案中，处理单元502，具体用于对获取单元501获取的第一信号进行傅里叶变换将时域信号转换为频域信号，并提取频域信号中的异常频率。

在一种示例性的方案中，处理单元502，具体用于根据故障频率提取第一信号中的冲击脉冲信号，并对冲击脉冲信号进行微分转换生成加速度脉冲信号。

处理单元502，还用于将加速度脉冲信号进行α稳定分布生成至少一个故障特征量。

处理单元502，还用于将至少一个故障特征量利用小波神经网络算法识别轴承的故障类型。

在一种示例性的方案中，处理单元502，具有用于以故障频率为基准对第一信号进行带通滤波以及半波整流，提取冲击脉冲信号。

在一种示例性的方案中，处理单元502，具体用于对第一时间以及至少两个采样时间点对应的信号值进行三次B样条曲线拟合处理生成平滑信号对应的曲线。

其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，其作用在此不再赘述。

当然，本发明实施例提供的故障诊断装置20包括但不限于上述模块，例如故障诊断装置20还可以包括存储单元503。存储单元503可以用于存储该故障诊断装置20的程序代码，还可以用于存储故障诊断装置20在运行过程中生成的数据，如写请求中的数据等。

以上所述，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，任何在本发明揭露的技术范围内的变化或替换，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所述权利要求的保护范围为准。

Claims (13)

1.一种故障诊断方法，其特征在于，包括：

获取第一信号；

提取所述第一信号中的异常频率，并确定所述异常频率在所述第一信号中对应的第一时间；

确定与所述第一时间的前后且相邻的至少两个采样时间点；

对所述第一时间以及所述至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线；

确定所述曲线的拐点的横坐标为所述第一时间时，提取所述拐点在所述第一信号中的故障频率；

根据所述故障频率，确定故障类型。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述提取所述第一信号中的异常频率，具体包括：

对所述第一信号进行傅里叶变换将时域信号转换为频域信号，并提取所述频域信号中的所述异常频率。

3.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述故障频率，确定故障类型，具体包括：

根据所述故障频率提取所述第一信号中的冲击脉冲信号，并对所述冲击脉冲信号进行微分转换生成加速度脉冲信号；

将所述加速度脉冲信号进行α稳定分布生成至少一个故障特征量；

将所述至少一个故障特征量利用小波神经网络算法识别轴承的故障类型。

4.根据权利要求3所述的故障诊断方法，其特征在于，所述根据所述故障频率提取所述第一信号中的冲击脉冲信号，具体包括：

以所述故障频率为基准对所述第一信号进行带通滤波以及半波整流，提取所述冲击脉冲信号。

5.根据权利要求1所述的故障诊断方法，其特征在于，所述对所述第一时间以及所述至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线，具体包括：

对所述第一时间以及所述至少两个采样时间点对应的信号值进行三次B样条曲线拟合处理生成所述平滑信号对应的所述曲线。

6.一种故障诊断装置，其特征在于，包括：

获取单元，用于获取第一信号；

处理单元，用于提取所述获取单元获取的所述第一信号中的异常频率，并确定所述异常频率在所述第一信号中对应的第一时间；

所述处理单元，还用于确定与所述第一时间的前后且相邻的至少两个采样时间点；

所述处理单元，还用于确定对所述第一时间以及所述至少两个采样时间点对应的信号值进行平滑处理生成平滑信号对应的曲线；

所述处理单元，还用于确定所述曲线的拐点的横坐标为所述第一时间时，提取所述拐点在所述第一信号中的故障频率；

所述处理单元，还用于确定根据所述故障频率，确定故障类型。

7.根据权利要求6所述的故障诊断装置，其特征在于，包括：

所述处理单元，具体用于对所述获取单元获取的所述第一信号进行傅里叶变换将时域信号转换为频域信号，并提取所述频域信号中的所述异常频率。

8.根据权利要求6所述的故障诊断装置，其特征在于，包括：

所述处理单元，具体用于根据所述故障频率提取所述第一信号中的冲击脉冲信号，并对所述冲击脉冲信号进行微分转换生成加速度脉冲信号；

所述处理单元，还用于将所述加速度脉冲信号进行α稳定分布生成至少一个故障特征量；

所述处理单元，还用于将所述至少一个故障特征量利用小波神经网络算法识别轴承的故障类型。

9.根据权利要求8所述的故障诊断装置，其特征在于，包括：

所述处理单元，具有用于以所述故障频率为基准对所述第一信号进行带通滤波以及半波整流，提取所述冲击脉冲信号。

10.根据权利要求6所述的故障诊断装置，其特征在于，包括：

所述处理单元，具体用于对所述第一时间以及所述至少两个采样时间点对应的信号值进行三次B样条曲线拟合处理生成所述平滑信号对应的所述曲线。

11.一种故障诊断装置，其特征在于，所述故障诊断装置的结构中包括处理器，所述处理器用于执行程序指令，使得所述故障诊断装置执行如权利要求1-5任一项所述的故障诊断方法。

12.一种计算机存储介质，其特征在于，计算机存储介质中存储有计算机程序代码，当计算机程序代码在故障诊断装置上运行时，使得所述故障诊断装置执行如权利要求1-5任一项所述的故障诊断方法。

13.一种计算机程序产品，其特征在于，计算机程序产品储存有计算机软件指令，当计算机软件指令在故障诊断装置上运行时，使得所述故障诊断装置执行如权利要求1-5任一项所述的故障诊断方法。

Images