CN115931318A - 故障智能诊断方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开一种故障智能诊断方法，包括：采集待测设备的振动信号，并采用数据处理算法提取振动信号的振动特征信息；利用预先训练好的机器学习分类模型对振动特征信息进行处理，判断转子轴系是否发生故障；若是则输出转子轴系故障原因；若否则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；若是则输出轴承故障原因；若否则故障诊断结果为无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。

Description

故障智能诊断方法、装置、设备及存储介质

技术领域

本发明涉及旋转机械故障诊断技术领域，具体涉及一种故障智能诊断方法、装置、设备及存储介质。

背景技术

随着时代的发展，现代机械设备的复杂性急剧增加，基于专家经验的故障诊断的难度也随之不断攀升；而随着机器学习的兴起，故障智能诊断的方法应运而生，故障智能诊断能够识别到依靠专家经验不能够识别到故障特征，能够有效提高复杂故障的诊断成功率。

相关技术中，公布号为CN111950377A的中国发明专利文献记载了一种基于模糊软形态学图形识别的旋转机械故障智能诊断方法，该方法能够将振动信号转换为三维图像进行处理，实现智能诊断，但是需要大量的故障样本数据进行训练，并且对计算资源要求较高。

公布号为CN114818825A的中国发明专利文献记载了一种基于卷积核多层分布残差网络的旋转机械故障诊断方法，该方法可以解决变工况下特征提取的问题，但该方法主要针对于轴承相关的故障，对于转子轴系故障难以适用。

由于现有的故障智能诊断算法大多是基于公开数据集进行训练的，且大多集中在轴承故障诊断，但是对于转子轴系故障适应性并不好，特别是由于特定行业的一些专用设备故障数据并不多，难以用深度学习算法来进行针对性的模型训练，这会导致故障智能诊断成功率大幅下降。

公布号为CN109102005A的中国发明专利文献记载了一种基于浅层模型知识迁移的小样本深度学习方法，该方法首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。

但该方案主要是对转子相关故障进行识别诊断，故障诊断适应性不高，且采用多个深度学习算法同时计算，对计算机要求较高。

发明内容

本发明所要解决的技术问题在于如何实现提供一种即适用于轴承故障诊断也适用于转子轴系故障诊断的方案。

本发明通过以下技术手段实现解决上述技术问题的：

本发明提出了一种故障智能诊断方法，所述方法包括以下步骤：

采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；

若是，则输出转子轴系故障原因；

若否，则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；

若是，则输出轴承故障原因；

若否，则故障诊断结果为无故障。

本发明通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进行诊断，如有故障，则说明设备转子轴系出现问题，输出故障相关信息，如无故障则跳转至深度学习分类模型；深度学习分类模型利用实时振动信号进行诊断，如有故障，则说明轴承出现问题，则输出故障原因，无故障则输出无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。

进一步地，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。

进一步地，所述采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，包括：

采用数据处理算法对所述振动信号进行处理，得到所述振动信号的时域及频域信息；

从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。

进一步地，所述机器学习分类模型采用决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型。

进一步地，所述深度学习分类模型采用前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型。

进一步地，所述机器学习分类模型的预先训练过程包括：

采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；

提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；

采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；

利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。

进一步地，所述深度学习分类模型的预先训练过程包括：

利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型进行学习训练，得到所述预先训练好的深度学习分类模型。

此外，本发明还提出了一种故障智能诊断装置，所述装置包括：

采集模块，用于采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

第一判断模块，用于利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；

故障结果输出模块，用于在所述第一判断模块输出结果为是时，输出转子轴系故障原因；

第二判断模块，用于在所述第一判断模块输出结果为否时，利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；

所述故障结果输出模块，用于在所述第二判断模块输出结果为是时，输出轴承故障原因；以及用于在所述第二判断模块输出结果为否时，输出故障诊断结果为无故障。

此外，本发明还提出了一种故障智能诊断设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的方法。

此外，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的方法。

本发明的优点在于：

(1)通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进行诊断，如有故障，则说明设备转子轴系出现问题，输出故障相关信息，如无故障则跳转至深度学习分类模型；深度学习分类模型利用实时振动信号进行诊断，如有故障，则说明轴承出现问题，则输出故障原因，无故障则输出无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。

(2)结合了基于公开数据集的深度学习分类模型对轴承相关故障诊断效果较好的优势和基于专家经验的机器学习分类模型在故障样本较少的情况适应性较好的优势；基于专家经验的机器学习对常见的故障类型诊断效果较好，且通过专家经验的处理可以减少参数的数量，大幅减少机器学习训练模型所需的故障样本量，大幅减少故障智能诊断所需时间。

(3)在进行深度学习分类模型的训练过程中，采用公开的数据集和带故障标签的第一故障数据集进行模型训练，利用公开数据集，弥补实际运行数据样本小的缺陷。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是本发明一实施例提出的故障智能诊断方法的流程示意图；

图2是本发明一实施例提出的故障智能诊断方法的诊断流程图；

图3是本发明一实施例中模型训练流程示意图；

图4是本发明一实施例第一故障数据集中故障振动信号对应的频谱信息图；

图5是本发明一实施例提出的故障智能诊断装置的结构示意图。

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，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。

如图1至图2所示，本发明第一实施例提出了一种故障智能诊断方法，所述方法包括以下步骤：

S10、采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

S20、利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障，若是则执行步骤S30，若否则执行步骤S40；

S30、输出转子轴系故障原因；

S40、利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障，若是则执行步骤S50，若否则执行步骤S60；

S50、输出轴承故障原因；

S60、故障诊断结果为无故障。

本实施例通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进行诊断，如有故障，则说明设备转子轴系出现问题，输出故障相关信息，如无故障则跳转至深度学习分类模型；深度学习分类模型利用实时振动信号进行诊断，如有故障，则说明轴承出现问题，则输出故障原因，无故障则输出无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。

在一实施例中，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。

需要说明的是，由于故障特征的频率往往和转子转频密切相关，大多呈倍数关系，采集频率过低时是可能采集不到故障信息的；大于固有频率的原因是针对转子共振导致的故障，故障频率就是转子的固有频率，因此必须要大于固有频率。

在一实施例中，所述步骤S10：采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，具体包括以下步骤：

S11、对所述振动信号进行快速傅里叶变换及小波分析，得到所述振动信号的时域及频域信息；

S12、从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。

需要说明的是，本实施例通过采集待测设备的实时振动信号，通过快速傅里叶变换、归一化处理得到实时振动信号的时频域信息，然后从时域及频域信息能够得到振动通频值、各个倍频的振动幅值大小等振动特征信息，并从中筛选出诊断需要的振动特征信息；其中，根据振动信号计算得到峰峰值作为振动通频值，振动通频值可以是振动信号的峰峰值、半峰值和有效值。

需要说明的是，采集的现场振动信号的数据类型可以是振动位移、振动速度和振动加速度，且振动位移、振动速度和振动加速度之间可以利用积分或求导的方式进行转换，通过专家经验和机器学习算法找到适合故障诊断的数据类型。

在一实施例中，所述机器学习分类模型采用包括但不限于决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型等机器学习模型等。

在一实施例中，所述深度学习分类模型采用包括但不限于前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型等深度学习模型等。

在一实施例中，如图3所示，所述方法还包括对所述机器学习分类模型进行预先训练，具体包括以下步骤：

(1)采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；

需要说明的是，故障振动信号的采样频率需大于或等于轴承及转子的固有频率，以及大于或等于故障设备最大转频的两倍。

(2)提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；

需要说明的是，本实施例利用快速傅里叶变换、小波分析等数据处理算法对振动信号进行处理，得到振动信号的时域及频域信息，然后从时域及频域信息能够得到振动通频值、各个倍频的振动幅值大小等振动特征信息。

另外，振动特征信息包括但不仅限于振动通频值、一倍频幅值、一倍频幅值占比、二倍频幅值、二倍频幅值占比，振动通频值可以是振动信号的峰峰值、半峰值和有效值；采集的现场振动数据类型可以是振动位移、振动速度和振动加速度，振动位移、振动速度和振动加速度之间可以利用积分或求导的方式进行转换。

(3)采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；

具体地，本实施例根据振动特征信息建立第二故障数据集，并利用专家经验判断该故障产生的原因，并将专家经验判断的结果应经过现场验证，将判断成功率大于90％的故障类型方可作为第二故障数据集的故障分类标签。

应当理解的是，本实施例中的阈值取值为90％仅为举例说明，本领域技术人员可根据实际情况设置其他具体取值。

(4)利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。

需要说明的是，经过经验以及实际的算法测试发现，频谱信号特征对于转子轴系故障判断的较为准确，有着较为明显的关系，通过较为简单的机器学习判断就能够得到正确的结果，而轴承故障一般变现为高倍频的特征，而且频谱信息比较杂乱，这时通过时域信号作为样本来进行深度学习训练，而且可以利用行业利用比较普遍成熟的数据集进行辅助训练计算模型。

具体地，通过采集故障设备的X向和Y向的故障数据，建立第一故障数据集，并根据现场实际故障类型建立故障标签，无故障以“0”为标签，其他故障类型以1、2、3……为标签。

通过第一故障数据集得到某一时刻的振动通频值，利用快速傅里叶变换、并进行归一化处理，能够得到当前时刻的频谱信息(各个频率对应的振动幅值)，频谱信息图形化展示如图4所示。然后利用专家经验，将第一故障数据集中的振动数据用X、Y向的通频值、一倍频幅值、一倍频幅值占比、二倍频幅值、二倍频幅值占比等振动特征信息代替，建立与第一故障数据集相对应的第二故障数据集，并通过专家经验给出各个故障数据的故障原因，并以现场实际故障原因为准判断专家经验的准确率，筛选出成功率大于90％的故障类型作为第二故障数据集故障标签，成功率低于90％的故障类型在第二故障数据集中均视作为无故障。

带故障标签的第二故障数据集如下表1所示，同时将故障数据划分训练集、测试集和验证集，利用SVM机器学习算法进行学习训练，保证诊断成功率大于95％。

表1第二故障数据集

需要说明的是，基于专家经验对时频数据进行分析，筛选出故障特征较为明显的故障类型，并根据振动特征信息建立带故障标签的第二故障数据集，并以此来进行机器学习分类模型的训练，能够大幅减少机器学习分类模型训练所需的故障样本量。

在一实施例中，所述方法还包括对深度学习分类模型的预先训练，具体包括以下步骤：

利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型进行学习训练，得到所述预先训练好的深度学习分类模型。

具体地，本实施例以公开的数据集(如CWRU轴承数据集)及带故障标签的第一故障数据集为样本，同样的将故障数据样本划分训练集、测试集和验证集，利用卷积神经网络进行学习训练，训练后诊断成功率大于95％为止，同时损失函数值越小越好，且应小于设定值。

进一步地，本实施例中卷积神经网络的损失函数具体为：

其中，r为实际值，

为预测值，n为样本数。

需要说明的是，本实施例中训练好的深度学习分类模型对时频数据故障特征不太明显的故障，对轴承相关故障诊断效果较好；且利用公开数据集，弥补实际运行数据样本小的缺陷。

本实施例主要结合了基于公开数据集的深度学习算法对轴承相关故障诊断效果较好的优势和基于专家经验的机器学习在故障样本较少的情况适应性较好的优势；另外基于专家经验的机器学习对常见的故障类型诊断效果较好，且通过专家经验的处理可以减少参数的数量，大幅减少机器学习训练模型所需的故障样本量，大幅减少故障智能诊断所需时间。

此外，如图5所示，本发明第二实施例提出了一种故障智能诊断装置，所述装置包括：

采集模块10，用于采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

第一判断模块20，用于利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；

故障结果输出模块30，用于在所述第一判断模块输出结果为是时，输出转子轴系故障原因；

第二判断模块40，用于在所述第一判断模块输出结果为否时，利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；

所述故障结果输出模块30，用于在所述第二判断模块输出结果为是时，输出轴承故障原因；以及用于在所述第二判断模块输出结果为否时，输出故障诊断结果为无故障。

本实施例通过接收待测设备的实时振动信号，并从振动信号中筛选出诊断需要的振动特征信息，利用已训练机器学习分类模型对振动特征信息进行诊断，如有故障，则说明设备转子轴系出现问题，输出故障相关信息，如无故障则跳转至深度学习分类模型；深度学习分类模型利用实时振动信号进行诊断，如有故障，则说明轴承出现问题，则输出故障原因，无故障则输出无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。

在一实施例中，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。

在一实施例中，所述采集模块10，包括：

数据处理单元，用于对所述振动信号进行快速傅里叶变换及小波分析，得到所述振动信号的时域及频域信息；

特征提取单元，用于从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。

在一实施例中，所述机器学习分类模型采用包括但不限于决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型等机器学习模型等。

在一实施例中，所述深度学习分类模型采用包括但不限于前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型等深度学习模型等。

在一实施例中，所述装置还包括第一训练模块，包括：

采集单元，用于采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；

提取单元，用于提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；

故障类型确定单元，用于采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；

第一训练单元，用于利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。

在一实施例中，所述装置还包括第二训练模块，用于：

利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型进行学习训练，得到所述预先训练好的深度学习分类模型。

本实施例主要结合了基于公开数据集的深度学习算法对轴承相关故障诊断效果较好的优势和基于专家经验的机器学习在故障样本较少的情况适应性较好的优势；另外基于专家经验的机器学习对常见的故障类型诊断效果较好，且通过专家经验的处理可以减少参数的数量，大幅减少机器学习训练模型所需的故障样本量，大幅减少故障智能诊断所需时间。

需要说明的是，本发明所述故障智能诊断装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。

此外，本发明第三实施例还提出了一种故障智能诊断设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的故障智能诊断方法。

此外，本发明第四实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上所述的故障智能诊断方法。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种故障智能诊断方法，其特征在于，所述方法包括以下步骤：

采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；

若是，则输出转子轴系故障原因；

若否，则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；

若是，则输出轴承故障原因；

若否，则故障诊断结果为无故障。

2.如权利要求1所述的故障智能诊断方法，其特征在于，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。

3.如权利要求1所述的故障智能诊断方法，其特征在于，所述采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，包括：

对所述振动信号进行快速傅里叶变换及小波分析，得到所述振动信号的时域及频域信息；

从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。

4.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型采用决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型。

5.如权利要求1所述的故障智能诊断方法，其特征在于，所述深度学习分类模型采用前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型。

6.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型的预先训练过程包括：

采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；

提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；

采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；

利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。

7.如权利要求6所述的故障智能诊断方法，其特征在于，所述深度学习分类模型的预先训练过程包括：

利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型进行学习训练，得到所述预先训练好的深度学习分类模型。

8.一种故障智能诊断装置，其特征在于，所述装置包括：

采集模块，用于采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；

第一判断模块，用于利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；

故障结果输出模块，用于在所述第一判断模块输出结果为是时，输出转子轴系故障原因；

第二判断模块，用于在所述第一判断模块输出结果为否时，利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；

所述故障结果输出模块，用于在所述第二判断模块输出结果为是时，输出轴承故障原因；以及用于在所述第二判断模块输出结果为否时，输出故障诊断结果为无故障。

9.一种故障智能诊断设备，其特征在于，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的方法。

Images