CN114962310A - 一种故障监测方法、装置及存储介质 - Google Patents

Abstract

本发明公开一种故障监测方法，应用于风机设备，包括：获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；对所述第三噪音监测数据进行深度学习得到故障模型；获取风机设备工作状态下的实时噪音数据，确定初步故障类型；获取风机设备工作状态下的故障补偿信号参数；基于所述故障补偿信号参数及初步故障类型确定故障状态。通过多级识别综合判断来进行高精度的故障诊断，以提高设备故障的快速定位，并确定设备故障的紧急程度，从而提高设备的使用效率。

Description

一种故障监测方法、装置及存储介质

技术领域

本发明涉及故障诊断技术领域，特别涉及一种故障监测方法、装置及存储介质。

背景技术

经过多年的研究与应用，我国制造业在先进制造技术方面已经突破了一批关键技术，包括协同设计、网络化制造、数字化预装配、车间调度等，部分技术开始应用并发挥作用，特别是在汽车制造、重大装备制造、航空航天产品制造等领域都取得良好的效果。但从国外制造企业快速响应制造技术研究与应用情况来看，我国制造企业仍然存在差距。特别是在对设备的智能化及其相关配件如刀具、备品备件的智能识别，以及对设备的性能监控及故障预警方面还存在着一定的差距，常常造成设备故障误判导致设备使用效率低。因此对设备的智能识别及性能监控对战备条件下的设备高效利用显得及其重要。

相关技术中，在进行风机设备的故障监测时，无法精准确定故障类型及故障的紧急状态，因此，确定风机设备故障后通常需要拆开机器进行逐一检测来确定故障的部位，从而导致设备使用效率较低。

发明内容

本发明的主要目的是提供一种故障监测方法，旨在通过多级识别综合判断来进行高精度的故障诊断，以加快设备故障的快速定位，并确定故障的紧急程度，从而提高设备的使用效率。

为实现上述目的，本发明提出一种故障监测方法，应用于风机设备，所述风机设备包括带主轴的电机、支撑所述主轴的轴承、设于所述主轴上的叶轮及机壳，所述故障监测方法包括：

获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；

基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；

对所述第三噪音监测数据进行深度学习得到故障模型，其中，所述故障模型包括主轴故障模型、轴承故障模型、叶轮故障模型；

获取风机设备工作状态下的实时噪音数据，确定初步故障类型；

获取风机设备工作状态下的故障补偿信号参数；

基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态。

优选地，所述获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据的步骤包括：

确定第一预设监测时间，并获取风机设备正常状态下在所述第一预设监测时间内的第一历史噪音监测数据；

确定第二、第三、第四预设监测时间，并获取风机设备故障状态下在所述第二预设监测时间、第三预设时间、第四预设时间内的历史噪音监测数据，其中，第二预设监测时间为刚启动设备后的时间，第三预设时间为设备稳定启动后的时间，第四预设时间为设备关闭前的时间。

对所述历史噪音监测数据进行并集处理得到第二历史噪音监测数据。

优选地，所述基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据的步骤包括：

对第二历史噪音监测数据与第一历史噪音监测数据进行差集处理得到第三噪音监测数据。

优选地，所述对所述第三噪音监测数据进行深度学习得到故障模型的步骤包括：

对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据；

对所述第三噪音监测正常数据进行数据加工处理得到噪音图谱；

对所述噪音图谱进行深度学习得到以噪音图谱表征的故障模型。

优选地，所述对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据的步骤包括：

获取异常数据，其中异常数据为大于或小于正常数据100％以上的数据；

对所述异常数据进行剔除处理得到第三噪音监测正常数据。

优选地，所述获取风机设备工作状态下的实时噪音数据，确定初步故障类型的步骤包括：

获取风机设备工作状态下的实时噪音数据；

对所述实时噪音数据降噪处理得到故障噪音数据；

基于所述故障噪音数据加工处理得到实际噪音图谱；

将实际噪音图谱与故障模型进行匹配，确定初步故障类型。

优选地，所述故障补偿信号参数包括所述主轴的偏心振动量、轴承的温度及所述风机的出风速度；所述获取风机设备工作状态下的故障补偿信号参数的步骤包括：

获取风机设备工作状态下的主轴偏心振动量；

获取风机设备工作状态下的轴承温度；

获取风机设备工作状态下的风机出风速度变化。

优选地，所述基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态的步骤包括：

确定所述故障补偿信号参数大于对应参数预设值，确定二次故障类型，其中，所述主轴偏心振动量大于对应预设值，确定二次故障为主轴故障，所述轴承温度大于对应预设值，确定二次故障为轴承故障，所述风机出风速度变化波动大于预设值，确定二次故障为叶轮故障；

判断所述二次故障类型与初步故障类型为一致故障类型，确定故障类型为该故障类型，且故障状态为紧急故障状态；

判断所述二次故障类型与初步故障类型为非一致故障类型，确定故障状态为非紧急故障状态。

本发明还提供一种故障监测装置，包括：

获取模块，用于获取噪音数据及故障补偿信号参数；

处理模块，用于处理噪音数据；

判断模块，用于判断故障类型是否一致；

确定模块，用于根据判断结果确定故障类型。

本发明还提供一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如下故障监测方法，所述故障监测方法包括：

获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；

基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；

对所述第三噪音监测数据进行深度学习得到故障模型，其中，所述故障模型包括主轴故障模型、轴承故障模型、叶轮故障模型；

获取风机设备工作状态下的实时噪音数据，确定初步故障类型；

获取风机设备工作状态下的故障补偿信号参数；

基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态。

本发明技术方案中，首先通过噪音数据与深度学习模型进行匹配确定初步故障类型，然后获取风机设备工作状态下的故障补偿信号参数确定二次故障类型，最后通过初步故障类型与二次故障类型的一致性来确定故障类型；如此，通过多级识别综合判断来进行高精度的故障诊断，以提高设备故障的快速定位，并确定设备故障的紧急程度，从而提高设备的使用效率，使设备高效运行。

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示出的结构获得其他的附图。

图1为本发明风机设备的结构示意图；

图2为本发明故障监测方法一实施例的流程示意图；

图3为本发明故障监测方法又一实施例的流程示意图；

图4为本发明故障监测方法还一实施例的流程示意图；

图5为本发明故障监测方法再一实施例的流程示意图；

图6为本发明故障监测方法再一实施例的流程示意图；

图7为本发明故障监测方法再一实施例的流程示意图；

图8为本发明故障监测方法再一实施例的流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

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的一部分实施例，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。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。另外，全文中的“和/或”包括三个方案，以A和/或B为例，包括A技术方案、B技术方案，以及A和B同时满足的技术方案；另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明的故障监测方法，应用于风机设备，风机设备是依靠输入的机械能，提高气体压力并排送气体的机械，它是一种从动的流体机械。风机是中国对气体压缩和气体输送机械的习惯简称，通常所说的风机包括通风机，鼓风机，风力发电机。风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却，锅炉和工业炉窑的通风和引风；空气调节设备和家用电器设备中的冷却和通风；谷物的烘干和选送，风洞风源和气垫船的充气和推进等，由此可知，风机在人们的生活中起到非常大作用，而对风机设备的故障监测同样很重要，若故障监测存在误判或故障定位不精准，将严重影响风机设备的使用效率。

参照附图1，一般而言，风机设备包括带主轴的电机、支撑所述主轴的轴承、设于所述主轴上的叶轮及机壳；而风机的故障存在于所有可能的部件中，如主轴磨损、轴承磨损、叶轮侵蚀等，而主轴磨损导致的质量不均会引起偏心振动，轴承磨损会导致温度急速上升，叶轮侵蚀会导致风量不稳等，严重影响风机设备的使用。基于此，本发明提供一种故障监测方法，以加快设备故障的快速定位，并确定设备故障的紧急程度，从而提高设备的使用效率，使设备高效运行。

以下将主要描述故障监测方法的具体步骤。

参照附图2，在本发明实施例中，故障监测方法，包括以下步骤：

S100：获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；

S200：基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；

S300：对所述第三噪音监测数据进行深度学习得到故障模型，其中，所述故障模型包括主轴故障模型、轴承故障模型、叶轮故障模型；

S400：获取风机设备工作状态下的实时噪音数据，确定初步故障类型；

S500：获取风机设备工作状态下的故障补偿信号参数；

S600：基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态。

具体地，本实施例中，获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据的方式为通过声音传感器获取声音信号，正常状态下的历史噪音监测数据为没有任何故障条件下的该风机设备的噪音数据，故障状态下的历史噪音监测数据为主轴故障或轴承故障或叶轮故障等单一部件故障下的该风机设备的噪音数据；对第二历史噪音监测数据进行降噪的方式的目的在于排除正常状态下原本机器噪音的影响；由于第三噪音监测数据的种类存在多种，因此，通过深度学习可以得到包括但不限于的主轴故障模型、轴承故障模型、叶轮故障模型；同样获取风机设备工作状态下的实时噪音数据还是通过声音传感器进行获取，工作状态下的实时噪音数据为用户正常使用状态下的实时噪音数据，获取到实时噪音数据后进行降噪处理得到真实噪音数据，然后与故障模型匹配确定初步故障类型；本技术方案为使监测结果更准备，需要进一步获取风机设备工作状态下的故障补偿信号参数，故障补偿信号参数可以为温度、湿度、偏心量、风速及风量等，而且不同的部件故障可通过不同的故障补偿信号进行辅助监测；当故障补偿信号参数确定的故障类型与初步故障类型相同时，确定故障类型即为该故障类型，且故障状态为紧急状态，此时在设备工作时即刻发出警示，提示工作人员注意某个部件存在故障；当故障补偿信号参数确定的故障类型与初步故障类型不相同时，确定故障状态为非紧急状态，在设备工作结束后发出警示，提示工作人员注意可能的风险。

本发明技术方案中，首先通过噪音数据与深度学习模型进行匹配确定初步故障类型，然后获取风机设备工作状态下的故障补偿信号参数确定二次故障类型，最后通过初步故障类型与二次故障类型的一致性来确定故障状态；如此，通过多级识别综合判断来进行高精度的故障诊断，以提高设备故障的快速定位，并确定设备故障的紧急程度，在非紧急状态下，设备仍可以正常工作，从而提高设备的使用效率，使设备高效运行。

参照附图3，所述获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据的步骤包括：

S110：确定第一预设监测时间，并获取风机设备正常状态下在所述第一预设监测时间内的第一历史噪音监测数据；

S120：确定第二、第三、第四预设监测时间，并获取风机设备故障状态下在所述第二预设监测时间、第三预设时间、第四预设时间内的历史噪音监测数据，其中，第二预设监测时间为刚启动设备后的时间，第三预设时间为设备稳定启动后的时间，第四预设时间为设备关闭前的时间。

S130：对所述历史噪音监测数据进行并集处理得到第二历史噪音监测数据。

具体地，本实施例中，首先对风机设备在正常状态下，进行连续时间段的噪音数据监测，如2分钟、5分钟、10分钟等，以得到比较连续且稳定的第一历史噪音数据；然后对风机设备在故障状态下，进行连续时间段的噪音数据监测，而监测的时机阶段为刚启动设备、设备稳定启动后及设备关闭前，以得到风机在不同阶段下的第二历史噪音数据，并且每个时机阶段同样为连续的时间，如2分钟、5分钟、10分钟等。通过此方法，方便后续模型训练的准确性。

所述基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据的步骤包括：

对第二历史噪音监测数据与第一历史噪音监测数据进行差集处理得到第三噪音监测数据。

具体地，本实施例中，为排除正常状态下，风机设备原始噪音的影响，对第二历史噪音监测数据与第一历史噪音监测数据进行差集处理得到第三噪音监测数据。

参照附图4，所述对所述第三噪音监测数据进行深度学习得到故障模型的步骤包括：

S310：对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据；

S320：对所述第三噪音监测正常数据进行数据加工处理得到噪音图谱；

S330：对所述噪音图谱进行深度学习得到以噪音图谱表征的故障模型。

具体地，本实施例中，首先对第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据，而异常数据处理的方式有多种，如对异常数据进行剔除或进行差分处理等，以保证噪音监测正常数据不存在其他因素的干扰；然后对所述第三噪音监测正常数据进行数据加工处理得到噪音图谱，最后对所述噪音图谱进行深度学习得到以噪音图谱表征的故障模型，其中故障模型包括但不限于主轴故障模型、轴承故障模型、叶轮故障模型。

参照附图5，所述对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据的步骤包括：

S3110：获取异常数据，其中异常数据为大于或小于正常数据100％以上的数据；

S3120：对所述异常数据进行剔除处理得到第三噪音监测正常数据。

具体地，本实施例中，首先获取异常数据，异常数据即与正常数据相差比较大的数据，该异常数据可能由外界噪音干扰等因素导致，异常数据可以根据实际情况而定，可以将大于或小于正常数据100％以上的数据或大于或小于正常数据80％以上的数据定义为异常数据，本实施例将异常数据定义为大于或小于正常数据100％以上的数据，然后将异常数据剔除得到第三噪音监测正常数据，因此，该第三噪音监测正常数据为比较纯粹的设备故障而产生的噪音数据。

参照附图6，所述获取风机设备工作状态下的实时噪音数据，确定初步故障类型的步骤包括：

S410：获取风机设备工作状态下的实时噪音数据；

S420：对所述实时噪音数据降噪处理得到故障噪音数据；

S430：基于所述故障噪音数据加工处理得到实际噪音图谱；

S440：将实际噪音图谱与故障模型进行匹配，确定初步故障类型。

具体地，本实施例中，首先获取风机设备工作时的实时噪音数据，然后对实时噪音数据降噪处理得到故障噪音数据，降噪处理方式与之前相同，这里不在赘述，再基于所述故障噪音数据加工处理得到实际噪音图谱，最后将实际噪音图谱与故障模型进行匹配，确定初步故障类型，其中，所述初步故障模型为主轴故障模型或轴承故障模型或叶轮故障模型。

参照附图7，所述故障补偿信号参数包括所述主轴的偏心振动量、轴承的温度及所述风机的出风速度；所述获取风机设备工作状态下的故障补偿信号参数的步骤包括：

S510：获取风机设备工作状态下的主轴偏心振动量；

S520：获取风机设备工作状态下的轴承温度；

S530：获取风机设备工作状态下的风机出风速度变化。

具体地，本实施例中，为提高故障判断的准确性，进行多级判断识别，增加故障补偿信号进行综合判断；分别获取风机设备工作状态下的主轴偏心振动量、风机设备工作状态下的轴承温度及风机设备工作状态下的风机出风速度变化，然后根据故障补偿信号参数来进行二次故障类型判断，以确定最终的故障类型与故障状态。

参照附图8，所述基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态的步骤包括：

S610：确定所述故障补偿信号参数大于对应预设值，确定二次故障类型，其中，所述主轴偏心振动量大于对应预设值，确定二次故障为主轴故障，所述轴承温度大于对应预设值，确定二次故障为轴承故障，所述风机出风速度变化波动大于预设值，确定二次故障为叶轮故障；

S620：判断所述二次故障类型与初步故障类型为一致故障类型，确定故障类型为该故障类型，且故障状态为紧急故障状态；

S630：判断所述二次故障类型与初步故障类型为非一致故障类型，确定故障状态为非紧急故障状态。

具体地，本实施例中，当主轴偏心振动量大于对应预设值，确定二次故障为主轴故障，当所述轴承温度大于对应预设值，确定二次故障为轴承故障，当所述风机出风速度变化波动大于预设值，确定二次故障为叶轮故障；然后通过二次故障类型与初步故障类型确定故障类型与故障状态，当所述二次故障类型与初步故障类型为一致故障类型时，判断故障类型为对应的该故障类型，故障状态为紧急故障状态，如初步故障类型与二次故障类型均为叶轮故障时，则判断故障类型为叶轮故障，此时通过大屏幕显示视觉化定位到叶轮故障，以方便工作人员快速定位到故障部位，并且判断故障状态为紧急故障状态，此时设备即刻发出警示，提示工作人员注意视觉显示的部件存在故障；当所述二次故障类型与初步故障类型为非一致故障类型时，如初步故障类型为叶轮故障，二次故障类型为轴承故障，由于两次的故障类型不一致，可能原因是其他外界因素(如外界噪音等)影响导致的两次误判，导致的两次不同判断结果，不一定存在真实故障，因此，系统判断故障状态为非紧急状态，此时，保证设备继续正常工作，在风机设备工作结束后发出警示，提示工作人员注意可能的风险，通过此方式，提高设备的使用效率，使设备高效运行。

在其他实施例中，可能在初步故障类型判断时存在两种故障类型，如叶轮故障与主轴故障，在二次故障类型判断时存在与初步故障类型相同的两种故障类型，此时的处理方式按照紧急故障状态进行处理；若二次故障类型判断得出的结果与初步故障类型部分相同，如二次故障类型为叶轮故障与轴承故障，同样，此时的处理方式按照紧急故障状态进行处理；若二次故障类型判断得出的结果与初步故障类型完全不同，此时的处理方式按照非紧急故障状态进行处理。

本发明还提供一种故障监测装置，包括：获取模块，用于获取噪音数据及故障补偿信号参数；处理模块，用于处理噪音数据；判断模块，用于判断故障类型是否一致；确定模块，用于根据判断结果确定故障类型。

本发明还提供一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现故障监测方法，该故障监测方法包括如下步骤：

S100：获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；

S200：基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；

S300：对所述第三噪音监测数据进行深度学习得到故障模型，其中，所述故障模型包括主轴故障模型、轴承故障模型、叶轮故障模型；

S400：获取风机设备工作状态下的实时噪音数据，确定初步故障类型；

S500：获取风机设备工作状态下的故障补偿信号参数；

S600：基于所述故障补偿信号参数及初步故障类型确定故障状态。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种故障监测方法，应用于风机设备，所述风机设备包括带主轴的电机、支撑所述主轴的轴承、设于所述主轴上的叶轮及机壳，其特征在于，所述故障监测方法包括：

获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据；

基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据；

对所述第三噪音监测数据进行深度学习得到故障模型，其中，所述故障模型包括主轴故障模型、轴承故障模型及叶轮故障模型；

获取风机设备工作状态下的实时噪音数据，确定初步故障类型；

获取风机设备工作状态下的故障补偿信号参数；

基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态。

2.如权利要求1所述的故障监测方法，其特征在于，所述获取风机设备正常状态下的第一历史噪音监测数据及故障状态下的第二历史噪音监测数据的步骤包括：

确定第一预设监测时间，并获取风机设备正常状态下在所述第一预设监测时间内的第一历史噪音监测数据；

确定第二、第三、第四预设监测时间，并获取风机设备故障状态下在所述第二预设监测时间、第三预设时间、第四预设时间内的历史噪音监测数据，其中，第二预设监测时间为刚启动设备后的时间，第三预设时间为设备稳定启动后的时间，第四预设时间为设备关闭前的时间。

对所述历史噪音监测数据进行并集处理得到第二历史噪音监测数据。

3.如权利要求1所述的故障监测方法，其特征在于，所述基于所述第一历史噪音监测数据对所述第二历史噪音监测数据进行降噪预处理得到第三噪音监测数据的步骤包括：

对第二历史噪音监测数据与第一历史噪音监测数据进行差集处理得到第三噪音监测数据。

4.如权利要求3所述的故障监测方法，其特征在于，所述对所述第三噪音监测数据进行深度学习得到故障模型的步骤包括：

对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据；

对所述第三噪音监测正常数据进行数据加工处理得到噪音图谱；

对所述噪音图谱进行深度学习得到以噪音图谱表征的故障模型。

5.如权利要求4所述的故障监测方法，其特征在于，所述对所述第三噪音监测数据进行异常数据处理得到第三噪音监测正常数据的步骤包括：

获取异常数据，其中异常数据为大于或小于正常数据100％以上的数据；

对所述异常数据进行剔除处理得到第三噪音监测正常数据。

6.如权利要求1所述的故障监测方法，其特征在于，所述获取风机设备工作状态下的实时噪音数据，确定初步故障类型的步骤包括：

获取风机设备工作状态下的实时噪音数据；

对所述实时噪音数据降噪处理得到故障噪音数据；

基于所述故障噪音数据加工处理得到实际噪音图谱；

将实际噪音图谱与故障模型进行匹配，确定初步故障类型。

7.如权利要求1所述的故障监测方法，其特征在于，所述故障补偿信号参数包括所述主轴的偏心振动量、轴承的温度及所述风机的出风速度；所述获取风机设备工作状态下的故障补偿信号参数的步骤包括：

获取风机设备工作状态下的主轴偏心振动量；

获取风机设备工作状态下的轴承温度；

获取风机设备工作状态下的风机出风速度变化。

8.如权利要求7所述的故障监测方法，其特征在于，所述基于所述故障补偿信号参数及初步故障类型确定故障类型与故障状态的步骤包括：

确定所述故障补偿信号参数大于对应参数预设值，确定二次故障类型，其中，所述主轴偏心振动量大于对应预设值，确定二次故障为主轴故障，所述轴承温度大于对应预设值，确定二次故障为轴承故障，所述风机出风速度变化波动大于预设值，确定二次故障为叶轮故障；

判断所述二次故障类型与初步故障类型为一致故障类型，确定故障类型为该故障类型，且故障状态为紧急故障状态；

判断所述二次故障类型与初步故障类型为非一致故障类型，确定故障状态为非紧急故障状态。

9.一种故障监测装置，其特征在于，包括：

获取模块，用于获取噪音数据及故障补偿信号参数；

处理模块，用于处理噪音数据；

判断模块，用于判断故障类型是否一致；

确定模块，用于根据判断结果确定故障类型。

10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的故障监测方法。

Images