CN115235749A - 一种机器设备故障诊断方法及装置 - Google Patents

一种机器设备故障诊断方法及装置 Download PDF

Info

Publication number
CN115235749A
CN115235749A CN202210872978.1A CN202210872978A CN115235749A CN 115235749 A CN115235749 A CN 115235749A CN 202210872978 A CN202210872978 A CN 202210872978A CN 115235749 A CN115235749 A CN 115235749A
Authority
CN
China
Prior art keywords
fault
index
signal
mutual information
machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210872978.1A
Other languages
English (en)
Inventor
王杰峰
杜鹏
舒彧
李洵
郝越峰
卢仁猛
方继宇
肖宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202210872978.1A priority Critical patent/CN115235749A/zh
Publication of CN115235749A publication Critical patent/CN115235749A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种机器设备故障诊断方法及装置，所述故障诊断方法包括：获取多个传感器采集的机器的运动状况信息；对所述运动状况信息进行一维或多维处理，生成多个诊断指标；基于多个所述诊断指标进行机器的故障诊断；解决了现有技术对机器进行故障诊断存在主观因素，对机器的故障诊断不够准确等技术问题。

Description

一种机器设备故障诊断方法及装置
技术领域
本发明属于机器故障诊断技术领域，尤其涉及一种机器设备故障诊断方法及装置。
背景技术
机器故障诊断是一种了解和掌握机器在运行过程的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。油液监测、振动监测、噪声监测、性能趋势分析和无损探伤等为其主要的诊断技术方式。
现有的故障诊断方法为通过传感器采集机器的运行状况，并通过人工对机器的运行状况进行分析，从而对机器进行故障诊断，人工对机器进行故障诊断存在主观因素，对机器的故障诊断不够准确。
发明内容
本发明要解决的技术问题是：提供一种机器设备故障诊断方及装置，以解决现有技术对机器进行故障诊断存在主观因素，对机器的故障诊断不够准确等技术问题。
本发明的技术方案是：
一种机器设备故障诊断方法，所述方法包括：
获取各个传感器采集的机器的运动状况信息；
对所述运动状况信息进行一维或多维处理，生成诊断指标；
基于各个诊断指标进行机器的故障诊断。
诊断指标包括：第一诊断指标；
获取运动状况信息中的第一振动信号和第二振动信号；
对第一振动信号和第二振动信号进行多元经验模式分解，得到全谱指标；
将全谱指标作为第一诊断指标。
全谱指标的生成方法包括：
对第一振动信号和第二振动信号进行多元经验模式分解，得到目标固有模态函数；
获取标准正交方向的标准二维信号和故障情况下的故障二维信号；
计算目标固有模态函数与标准二维信号之间的第一互信息；
对故障二维信号进行多元经验模式分解，得到故障固有模态函数；
计算故障固有模态函数和故障二维信号之间的第二互信息；
计算故障固有模态函数和标准二维信号之间的第三互信息；
通过第一互信息、第二互信息以及第三互信息计算得到全谱指标。
通过第一互信息、第二互信息以及第三互信息计算得到全谱指标的方法包括：
计算第一互信息和第二互信息的均值；
基于均值和第三互信息计算，得到固有模态函数的敏感因子；
基于敏感因子确定目标固有模态函数；
基于目标固有模态函数得到全谱指标。
所述诊断指标包括：第二诊断指标；
对运动状况信息进行一维处理，生成一个以上诊断指标，包括：
根据运动状况信息得到一个以上运动信号；
对运动信号进行特征提取，得到特征信息；
通过主成分分析对各个特征信息进行特征融合，得到特征产生指标；
将特征产生指标作为第二诊断指标。
通过主成分分析对特征信息进行特征融合，得到特征产生指标的方法包括：
将各个特征信息进行存储，得到特征集；
获取预设故障级别；
通过单调相关性算法计算特征集中的每个特征与预设故障级别之间的单调相关性，得到单调相关性集合；
基于单调相关性集合得到第一主成分；
计算第一主成分和所述预设故障级别之间的单调相关性，得到目标单调相关性；
基于目标单调相关性得到特征产生指标。
诊断指标包括第一诊断指标和第二诊断指标；
基于各个诊断指标进行机器的故障诊断，包括：
通过第一诊断指标和第二诊断指标确定单调变化趋势；
根据单调变化趋势确定机器的损伤程度；
通过损伤程度进行机器的故障诊断。
目标固有模态函数的确定方法为：在正常操作情况下，选取两个标准正交方向的第一振动信号xnor(t)和第二振动信号ynor(t),记作标准二维信号xnor(t)i+ynor(t)j，并在故障情况下，选取原来的两个正交方向的第一故障信号x(t)和第二故障信号y(t)，记作故障二维信号x(t)i+y(t)j，通过EMD方法对第n个固有模态函数的第一振动信号xnor(t)、第二振动信号ynor(t)、第一故障信号x(t)以及第二故障信号y(t)进行多元经验模式分解，得到目标固有函数的cnxnor(t)、cnynor(t)；选取正常操作情况下和故障情况下的正交方向的信号后获取标准正交方向的标准二维信号xnor(t)i+ynor(t)j，并获取故障情况下的正交方向的故障二维信号x(t)i+y(t)j；根据目标固有函数获取正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j，并计算正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j与标准二维信号xnor(t)i+ynor(t)j之间的第一互信息an；当得到故障二维信号后，根据EMD方法对故障二维信号x(t)i+y(t)j进行多元经验模式分解，得到故障固有模态函数cnx(t)和cny(t)。
第二互信息和第三互信息和敏感因子的确定方法为：
根据故障固有模态函数cnx(t)和cny(t)得到故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j，并计算故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j和故障二维信号x(t)i+y(t)j之间的第二互信息bn；计算故障模态函数的第n个固有模态函数cnx(t)i和cny(t)j和标准二维信号xnor(t)i+ynor(t)j之间的第三互信息en；
固有模态函数的敏感因子，计算公式为：
Figure BDA0003760647170000031
(an+bn)/2为第一互信息和第二互信息的均值，en为第三互信息，λn为固有模态函数的敏感因子，第一互信息和第二互信息的均值越低，敏感因子的值越高，说明此敏感因子对应的固有模态函数越灵敏。
一种故障诊断装置，故障诊断装置包括：
获取模块，用于获取各个传感器采集的机器的运动状况信息；
处理模块，用于对运动状况信息进行一维或多维处理，生成诊断指标；
诊断模块，用于基于各个诊断指标进行机器的故障诊断。
本发明的有益效果：
本发明通过获取多个传感器采集的机器设备的运动状况信息；对运动状况信息进行一维或多维处理，生成多个诊断指标；基于多个诊断指标进行机器的故障诊断，通过上述方式，将生成的多个诊断指标对机器的故障进行诊断，提高机器故障诊断的准确性。
解决了现有技术对机器进行故障诊断存在主观因素，对机器的故障诊断不够准确等技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的故障诊断设备的结构示意图；
图2为本发明故障诊断方法第一实施例的流程示意图；
图3为本发明故障诊断方法第二实施例的流程示意图；
图4为本发明故障诊断方法第三实施例的流程示意图；
图5为本发明故障诊断装置第一实施例的结构框图。
具体实施方式
参照图1，图1为本发明实施例方案涉及的硬件运行环境的故障诊断设备结构示意图。
如图1所示，该故障诊断设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对故障诊断设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及故障诊断程序。
在图1所示的故障诊断设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明故障诊断设备中的处理器1001、存储器1005可以设置在故障诊断设备中，所述故障诊断设备通过处理器1001调用存储器1005中存储的故障诊断程序，并执行本发明实施例提供的故障诊断方法。
本发明实施例提供了一种故障诊断方法，参照图2，图2为本发明故障诊断方法第一实施例的流程示意图。
本实施例中，所述故障诊断方法包括以下步骤：
步骤S10：获取多个传感器采集的机器的运动状况信息。
需要说明的是，本实施例的执行主体为故障诊断设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，本实施例以故障诊断设备为例进行说明。
在本实施例中，多个传感器可根据机器数量以及机器运行情况进行设置，例如2个传感器、5个传感器、10个传感器等，本实施例对此不加以限定。机器的运动状况信息包括机器的振动信息、机器的运动信息等，本实施例对此不作限制。
步骤S20：对所述运动状况信息进行一维或多维处理，生成多个诊断指标。
需要说明的是，对运动状况信息进行一维处理指的是处理多个传感器中的每一个传感器上收集到的机器的运动状况信息，并将处理的每个传感器上收集到的机器的运动状况信息使用特征融合技术进行融合，得到诊断指标。对运动状况信息进行多维处理指的是将所有传感器收集到的机器的运动状况信息集成一个多维信号，并对此多维信号进行处理，生成诊断指标。
具体地，多个诊断指标包括第一诊断指标和第二诊断指标，第一诊断指标和第二诊断指标为对运动状况信息进行一维或多维处理生成的诊断指标。第一诊断指标和第二诊断指标生成的方式不相同，例如第一诊断指标为对机器的运动状况信息进行一维处理生成的，第二诊断指标为对机器的运动状况信息进行多维处理生成的。或者第一诊断指标为对机器的运动状况信息进行多维处理生成的，第二诊断指标为对机器的运动状况信息进行一维处理生成的。
步骤S30：基于多个所述诊断指标进行机器的故障诊断。
进一步地，基于多个所述诊断指标进行机器的故障诊断的步骤具体包括：通过所述第一诊断指标和所述第二诊断指标确定单调变化趋势；根据所述单调变化趋势确定机器的损伤程度；通过所述损伤程度进行机器的故障诊断。
需要说明的是，第一诊断指标和第二诊断指标表征了机器的当前运行状况，可通过第一诊断指标和第二诊断指标确定向前分量，通过向前分量确定机器的诊断指标的单调变化趋势，例如指标单调减小、指标单调增加等，通过指标的单调变化趋势确定机器的损伤程度，从而通过机器的损伤程度对机器进行故障诊断，损伤程度可包括没有损坏、轻微损坏、重度损坏、严重损坏等，可通过机器的损伤程度跟踪机器叶轮叶片后缘的损伤，从而实现快速准确地对机器的故障进行诊断。
本实施例通过获取多个传感器采集的机器的运动状况信息；对所述运动状况信息进行一维或多维处理，生成多个诊断指标；基于多个所述诊断指标进行机器的故障诊断，通过上述方式，将生成的多个诊断指标对机器的故障进行诊断，提高机器故障诊断的准确性。
参考图3，图3为本发明故障诊断方法第二实施例的流程示意图。
基于上述第一实施例，本实施例故障诊断方法所述步骤S20，具体包括：
多个所述诊断指标包括：第一诊断指标。
步骤S201：获取所述运动状况信息中的第一振动信号和第二振动信号。
需要说明的是，第一诊断指标指的是对运动状况信息进行多维处理生成的诊断指标。可通过两个传感器采集机器的运动状况信息，本实施例中的机器为离心式泥浆泵，通过两个传感器采集离心式泥浆泵的运动状况信息，并根据从第一传感器采集的运动状况信息得到第一振动信号，根据从第二传感器采集的运动状况信息得到第二振动信号。
步骤S202：对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到全谱指标。
在本实施例中，可对第一振动信号和第二振动信号进行多元经验模式分解，多元经验模式分解(Empirical mode decomposition，EMD)可以用来作为一个自适应滤波器，通过EMD分解多维信号得到固有模态函数，并通过固有函数得到的全谱，通过对全谱进行提取，得到全谱指标。
进一步地，所述对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到全谱指标的步骤具体包括：对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到目标固有模态函数；获取标准正交方向的标准二维信号和故障情况下的故障二维信号；计算所述目标固有模态函数与所述标准二维信号之间的第一互信息；对所述故障二维信号进行多元经验模式分解，得到故障固有模态函数；计算所述故障固有模态函数和所述故障二维信号之间的第二互信息；计算所述故障固有模态函数和所述标准二维信号之间的第三互信息；通过所述第一互信息、所述第二互信息以及所述第三互信息计算得到全谱指标。
应理解的是，当得到第一振动信号和第二振动信号后，可通过EMD分解第一振动信号和第二振动信号，得到目标固有模态函数。
在具体实施中，在正常操作情况下，选取两个标准正交方向的第一振动信号xnor(t)和第二振动信号ynor(t),记作标准二维信号xnor(t)i+ynor(t)j，并在故障情况下，选取原来的两个正交方向的第一故障信号x(t)和第二故障信号y(t)，记作故障二维信号x(t)i+y(t)j，通过EMD方法对第n个固有模态函数的第一振动信号xnor(t)、第二振动信号ynor(t)、第一故障信号x(t)以及第二故障信号y(t)进行多元经验模式分解，得到目标固有函数的cnxnor(t)、cnynor(t)。
需要说明的是，当选取正常操作情况下和故障情况下的正交方向的信号后，可获取标准正交方向的标准二维信号xnor(t)i+ynor(t)j，并获取故障情况下的正交方向的故障二维信号x(t)i+y(t)j。
在本实施例中，可根据目标固有函数获取正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j，并计算正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j与标准二维信号xnor(t)i+ynor(t)j之间的第一互信息an。应理解的是，当得到故障二维信号后，可根据EMD方法对故障二维信号x(t)i+y(t)j进行多元经验模式分解，得到故障固有模态函数cnx(t)和cny(t)。
需要说明的是，可根据故障固有模态函数cnx(t)和cny(t)得到故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j，并计算故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j和故障二维信号x(t)i+y(t)j之间的第二互信息bn。可计算故障模态函数的第n个固有模态函数cnx(t)i和cny(t)j和标准二维信号xnor(t)i+ynor(t)j之间的第三互信息en。
应理解的是，当计算得到第一互信息an、第二互信息bn以及第三互信息en后，可根据第一互信息、第二互信息以及第三互信息计算得到全谱指标，具体地，计算全谱指标的步骤具体包括：计算所述第一互信息和所述第二互信息的均值；基于所述均值和所述第三互信息计算，得到固有模态函数的敏感因子；基于所述敏感因子确定目标固有模态函数；基于所述目标固有模态函数得到全谱指标。
在本实施例中，可计算第一互信息an和所述第二互信息bn的均值(an+bn)/2，并根据均值和第三互信息en计算得到固有模态函数的敏感因子，计算过程如下式1：
Figure BDA0003760647170000081
式1中，(an+bn)/2为第一互信息和第二互信息的均值，en为第三互信息，λn为固有模态函数的敏感因子，通过式1计算得到敏感因子。第一互信息和第二互信息的均值越低，敏感因子的值越高，说明此敏感因子对应的固有模态函数越灵敏。目标固有模态函数指的是灵敏的固有模态函数，当选取灵敏的目标固有模态函数后，可得到此目标固有模态函数的全谱，然后为故障诊断提取一个合理的全谱指标，得到第一诊断指标。
步骤S203：将所述全谱指标作为第一诊断指标。
在具体实施中，当得到全谱指标后，可将全谱指标作为第一诊断指标。
本实施例通过获取所述运动状况信息中的第一振动信号和第二振动信号；对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到全谱指标；将所述全谱指标作为第一诊断指标。可通过多元经验模式对振动信号进行多维处理，不需要数据的先验知识，将机器的健康状况的信号被综合在一起成为多维信号，并进行分解，可快速准确地根据机器的运动状况信息得到第一诊断指标。
参考图4，图4为本发明故障诊断方法第三实施例的流程示意图。
基于上述第一实施例，本实施例故障诊断方法所述步骤S20，具体包括：
多个所述诊断指标包括：第二诊断指标。
步骤S204：根据所述运动状况信息得到多个运动信号。
需要说明的是，第二诊断指标指的是对机器的运动状况信息进行一维处理生成的诊断指标。可获取多个传感器中各个传感器采集的运动状况信息，并根据运动状况信息得到多个运动信号。
步骤S205：对所述运动信号进行特征提取，得到多个特征信息。
在具体实施中，当得到多个运动信号后，可通过对各个传感器采集的运动信号进行特征提取，可通过特征提取模型对运动信号进行特征提取，得到提取的多个特征信息。
步骤S206：通过主成分分析对所述多个特征信息进行特征融合，得到特征产生指标。
在具体实施中，可通过主成分分析(Principal Component Analysis，PCA)对多个特征信息进行特征融合，得到融合的特征信息，并根据融合的特征信息进行处理得到特征产生指标。通过主成分分析将一些可能相关的变量转换为一些主成分不相关的变量，成为主元素，从而根据主元素得到特征产生指标。
进一步地，通过主成分分析对所述多个特征信息进行特征融合，得到特征产生指标的步骤具体包括：将所述多个特征信息进行存储，得到特征集；获取预设故障级别；通过单调相关性算法计算所述特征集中的每个特征与所述预设故障级别之间的单调相关性，得到单调相关性集合；基于所述单调相关性集合得到第一主成分；计算所述第一主成分和所述预设故障级别之间的单调相关性，得到目标单调相关性；基于所述目标单调相关性得到特征产生指标。
需要说明的是，当提取多个传感器采集的运动信号得到多个特征信息后，可将多个特征信息进行存储，得到特征集C。
应理解的是，预设故障级别可根据机器的运行状况以及机器的参数进行设定，例如预设故障级别包括无损伤(0级)、轻微损伤(1级)、中等损伤(3级)以及重度损伤(3级)等，并将预设故障级别组合得到预设故障级别集合D。可通过单调相关性算法计算特征集C＝[c1,c2,c3,...cn]中的每个特征与预设故障级别之间的单调相关性，并将每个特征与预设故障级别之间的单调相关性进行组合，得到单调相关性集合E＝[e1,e2,e3,e4,e5,...en]，ei是特征ci和D之间的单调相关性。根据特征集C＝[c1,c2,c3,...cn]选定特征集S，选定特征集S＝[S，ck]，Is是通过选定特征集S产生的指标，Is＝ck。
应理解的是，对于特征集C＝[c1,c2,c3,...cn]中的每一个特征ci，设一个过渡特征集Ti＝[S，ci]，其中i＝1,2,3,...p。p是特征集C中的特征总数，并计算过渡特征集Ti中的第一主成分Itempi。
应理解的是，当得到第一主成分后，可计算第一主成分Itempi与预设故障级别D之间的单调相关性，并找出单调相关性中的最高单调相关性，将最高单调相关性作为目标相关性。当得到目标相关性后，可输出对应的指标Is，得到特征产生指标。
步骤S207：将所述特征产生指标作为第二诊断指标。
应理解的是，当得到特征产生指标后，可将特征产生指标作为第二诊断指标。
本实施例通过根据所述运动状况信息得到多个运动信号；对所述运动信号进行特征提取，得到多个特征信息；通过主成分分析对所述多个特征信息进行特征融合，得到特征产生指标；将所述特征产生指标作为第二诊断指标，通过主成分分析法对特征信息进行特征融合，可快速准确地根据机器的运动状况信息得到第二诊断指标，便于根据特征产生指标快速准确地对机器进行故障诊断。
参照图5，图5为本发明故障诊断装置第一实施例的结构框图。
如图5所示，本发明实施例提出的故障诊断装置包括：
获取模块10，用于获取多个传感器采集的机器的运动状况信息。
处理模块20，用于对所述运动状况信息进行一维或多维处理，生成多个诊断指标。
诊断模块30，用于基于多个所述诊断指标进行机器的故障诊断。
本实施例通过获取多个传感器采集的机器的运动状况信息；对所述运动状况信息进行一维或多维处理，生成多个诊断指标；基于多个所述诊断指标进行机器的故障诊断，通过上述方式，将生成的多个诊断指标对机器的故障进行诊断，提高机器故障诊断的准确性。
在一实施例中，多个所述诊断指标包括：第一诊断指标；所述处理模块20，还用于获取所述运动状况信息中的第一振动信号和第二振动信号；对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到全谱指标；将所述全谱指标作为第一诊断指标。
在一实施例中，所述处理模块20，还用于对所述第一振动信号和所述第二振动信号进行多元经验模式分解，得到目标固有模态函数；获取标准正交方向的标准二维信号和故障情况下的故障二维信号；计算所述目标固有模态函数与所述标准二维信号之间的第一互信息；对所述故障二维信号进行多元经验模式分解，得到故障固有模态函数；计算所述故障固有模态函数和所述故障二维信号之间的第二互信息；计算所述故障固有模态函数和所述标准二维信号之间的第三互信息；通过所述第一互信息、所述第二互信息以及所述第三互信息计算得到全谱指标。
在一实施例中，所述处理模块20，还用于计算所述第一互信息和所述第二互信息的均值；基于所述均值和所述第三互信息计算，得到固有模态函数的敏感因子；基于所述敏感因子确定目标固有模态函数；基于所述目标固有模态函数得到全谱指标。
在一实施例中，多个所述诊断指标包括：第二诊断指标；所述处理模块20，还用于根据所述运动状况信息得到多个运动信号；对所述运动信号进行特征提取，得到多个特征信息；通过主成分分析对所述多个特征信息进行特征融合，得到特征产生指标；将所述特征产生指标作为第二诊断指标。
在一实施例中，所述处理模块20，还用于将所述多个特征信息进行存储，得到特征集；获取预设故障级别；通过单调相关性算法计算所述特征集中的每个特征与所述预设故障级别之间的单调相关性，得到单调相关性集合；基于所述单调相关性集合得到第一主成分；计算所述第一主成分和所述预设故障级别之间的单调相关性，得到目标单调相关性；基于所述目标单调相关性得到特征产生指标。
在一实施例中，多个所述诊断指标包括第一诊断指标和第二诊断指标；所述诊断模块30，还用于通过所述第一诊断指标和所述第二诊断指标确定单调变化趋势；根据所述单调变化趋势确定机器的损伤程度；通过所述损伤程度进行机器的故障诊断。
此外，为实现上述目的，本发明还提出一种故障诊断设备，所述故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障诊断程序，所述故障诊断程序配置为实现如上文所述的故障诊断方法的步骤。
由于本故障诊断设备采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有故障诊断程序，所述故障诊断程序被处理器执行时实现如上文所述的故障诊断方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

Claims (10)

1.一种机器设备故障诊断方法，其特征在于：所述方法包括：
获取各个传感器采集的机器的运动状况信息；
对所述运动状况信息进行一维或多维处理，生成诊断指标；
基于各个诊断指标进行机器的故障诊断。
2.根据权利要求1所述的一种机器设备故障诊断方法，其特征在于：诊断指标包括：第一诊断指标；
获取运动状况信息中的第一振动信号和第二振动信号；
对第一振动信号和第二振动信号进行多元经验模式分解，得到全谱指标；
将全谱指标作为第一诊断指标。
3.根据权利要求2所述的一种机器设备故障诊断方法，其特征在于：全谱指标的生成方法包括：
对第一振动信号和第二振动信号进行多元经验模式分解，得到目标固有模态函数；
获取标准正交方向的标准二维信号和故障情况下的故障二维信号；
计算目标固有模态函数与标准二维信号之间的第一互信息；
对故障二维信号进行多元经验模式分解，得到故障固有模态函数；
计算故障固有模态函数和故障二维信号之间的第二互信息；
计算故障固有模态函数和标准二维信号之间的第三互信息；
通过第一互信息、第二互信息以及第三互信息计算得到全谱指标。
4.根据权利要求3所述的一种机器设备故障诊断方法，其特征在于：通过第一互信息、第二互信息以及第三互信息计算得到全谱指标的方法包括：
计算第一互信息和第二互信息的均值；
基于均值和第三互信息计算，得到固有模态函数的敏感因子；
基于敏感因子确定目标固有模态函数；
基于目标固有模态函数得到全谱指标。
5.根据权利要求1所述的一种机器设备故障诊断方法，其特征在于：所述诊断指标包括：第二诊断指标；
对运动状况信息进行一维处理，生成一个以上诊断指标，包括：
根据运动状况信息得到一个以上运动信号；
对运动信号进行特征提取，得到特征信息；
通过主成分分析对各个特征信息进行特征融合，得到特征产生指标；将特征产生指标作为第二诊断指标。
6.根据权利要求5所述的一种机器设备故障诊断方法，其特征在于：通过主成分分析对特征信息进行特征融合，得到特征产生指标的方法包括：将各个特征信息进行存储，得到特征集；
获取预设故障级别；
通过单调相关性算法计算特征集中的每个特征与预设故障级别之间的单调相关性，得到单调相关性集合；
基于单调相关性集合得到第一主成分；
计算第一主成分和所述预设故障级别之间的单调相关性，得到目标单调相关性；
基于目标单调相关性得到特征产生指标。
7.根据权利要求1所述的一种机器设备故障诊断方法，其特征在于：诊断指标包括第一诊断指标和第二诊断指标；
基于各个诊断指标进行机器的故障诊断，包括：
通过第一诊断指标和第二诊断指标确定单调变化趋势；
根据单调变化趋势确定机器的损伤程度；
通过损伤程度进行机器的故障诊断。
8.根据权利要求3所述的一种机器设备故障诊断方法，其特征在于：目标固有模态函数的确定方法为：在正常操作情况下，选取两个标准正交方向的第一振动信号xnor(t)和第二振动信号ynor(t),记作标准二维信号xnor(t)i+ynor(t)j，并在故障情况下，选取原来的两个正交方向的第一故障信号x(t)和第二故障信号y(t)，记作故障二维信号x(t)i+y(t)j，通过EMD方法对第n个固有模态函数的第一振动信号xnor(t)、第二振动信号ynor(t)、第一故障信号x(t)以及第二故障信号y(t)进行多元经验模式分解，得到目标固有函数的cnxnor(t)、cnynor(t)；选取正常操作情况下和故障情况下的正交方向的信号后获取标准正交方向的标准二维信号xnor(t)i+ynor(t)j，并获取故障情况下的正交方向的故障二维信号x(t)i+y(t)j；根据目标固有函数获取正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j，并计算正常信号的第n个固有模态函数cnxnor(t)i+cnynor(t)j与标准二维信号xnor(t)i+ynor(t)j之间的第一互信息an；当得到故障二维信号后，根据EMD方法对故障二维信号x(t)i+y(t)j进行多元经验模式分解，得到故障固有模态函数cnx(t)和cny(t)。
9.根据权利要求1所述的一种机器设备故障诊断方法，其特征在于：第二互信息和第三互信息和敏感因子的确定方法为：
根据故障固有模态函数cnx(t)和cny(t)得到故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j，并计算故障固有模态函数的第n个固有模态函数cnx(t)i和cny(t)j和故障二维信号x(t)i+y(t)j之间的第二互信息bn；计算故障模态函数的第n个固有模态函数cnx(t)i和cny(t)j和标准二维信号xnor(t)i+ynor(t)j之间的第三互信息en；
固有模态函数的敏感因子，计算公式为：
Figure FDA0003760647160000031
(an+bn)/2为第一互信息和第二互信息的均值，en为第三互信息，λn为固有模态函数的敏感因子，第一互信息和第二互信息的均值越低，敏感因子的值越高，说明此敏感因子对应的固有模态函数越灵敏。
10.一种故障诊断装置，其特征在于，故障诊断装置包括：
获取模块，用于获取各个传感器采集的机器的运动状况信息；
处理模块，用于对运动状况信息进行一维或多维处理，生成诊断指标；诊断模块，用于基于各个诊断指标进行机器的故障诊断。
CN202210872978.1A 2022-07-22 2022-07-22 一种机器设备故障诊断方法及装置 Pending CN115235749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210872978.1A CN115235749A (zh) 2022-07-22 2022-07-22 一种机器设备故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210872978.1A CN115235749A (zh) 2022-07-22 2022-07-22 一种机器设备故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN115235749A true CN115235749A (zh) 2022-10-25

Family

ID=83674593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210872978.1A Pending CN115235749A (zh) 2022-07-22 2022-07-22 一种机器设备故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN115235749A (zh)

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP6361175B2 (ja) 異常診断装置及びプログラム
EP2376989B1 (fr) Identification de defaillances dans un moteur d'aeronef
CN102265227B (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
JP5405587B2 (ja) 航空エンジンを監視するために使用されるデータの標準化
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
CN112857669B (zh) 压力传感器的故障检测方法、装置、设备及存储介质
CN109738191B (zh) 发动机健康状态评价方法及系统
CN116450399A (zh) 微服务系统故障诊断及根因定位方法
CN112541163B (zh) 载荷谱数据的处理方法、装置及电子设备
US8649990B2 (en) Method for detecting variance in semiconductor processes
CN115994327A (zh) 基于边缘计算的设备故障诊断方法及装置
CN114548280A (zh) 故障诊断模型的训练、故障诊断方法及电子设备
US20140280860A1 (en) Method and system for signal categorization for monitoring and detecting health changes in a database system
CN116128882B (zh) 基于不平衡数据集的电机轴承故障诊断方法、设备及介质
CN116628564B (zh) 用于检测发电机状态的模型训练方法和系统
JP7251955B2 (ja) 検出装置及び機械学習方法
CN115235749A (zh) 一种机器设备故障诊断方法及装置
US11372741B2 (en) Information processing apparatus configured to perform debug analysis based on a distributed representation vector for lines of a debug log, method, and non-transitory recording medium
CN113624466A (zh) 汽轮机转子故障诊断方法、装置、设备及存储介质
TWI824681B (zh) 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體
US20240144101A1 (en) Generation system, computer-readable storage medium, and method for generating waveform evaluation model
CN116643170B (zh) 电机轴系振动测试方法、装置和计算机设备
CN115640380A (zh) 面向故障诊断算法推荐的可诊断性层级要素信息提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination