CN116380445A - 基于振动波形的设备状态诊断方法及相关装置 - Google Patents
基于振动波形的设备状态诊断方法及相关装置 Download PDFInfo
- Publication number
- CN116380445A CN116380445A CN202310652029.7A CN202310652029A CN116380445A CN 116380445 A CN116380445 A CN 116380445A CN 202310652029 A CN202310652029 A CN 202310652029A CN 116380445 A CN116380445 A CN 116380445A
- Authority
- CN
- China
- Prior art keywords
- equipment
- curve
- data
- target
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims description 92
- 239000013598 vector Substances 0.000 claims description 55
- 230000004927 fusion Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 28
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 21
- 238000010606 normalization Methods 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于振动波形的设备状态诊断方法及相关装置,用于实现设备的智能监控以及提高设备的异常分析准确率。方法包括:根据标准曲线库以及故障曲线库,对目标运行曲线进行曲线比对,得到曲线对比结果,并根据曲线比对结果确定目标设备运行状态;若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度;若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于振动波形的设备状态诊断方法及相关装置。
背景技术
随着智能设备在国内的广泛应用和设备行业的快速发展,设备智慧监测蓬勃发展。对设备应急、故障等多维度数据的采集及处理,建设一套基于大数据的设备辅助决策系统,及设备动态监管系统,提升设备管理水平与安全水平,从而提升公众出行安全与社会公共安全。设备故障有多种,主要有机械系统故障和电气控制系统故障;机械系统故障有设备曳引系统的故障、轿厢故障、设备门系统故障、设备导向系统和平衡装置故障、安全部件故障等。
但是现有方案通常是由人工巡检实现对设备的故障排查,人工巡检的效率很低,而且由于人工经验无法准确排查和预测出设备潜在的故障,导致了现有方案的准确率较低。
发明内容
本发明提供了一种基于振动波形的设备状态诊断方法及相关装置,用于实现设备的智能监控以及提高设备的异常分析准确率。
本发明第一方面提供了一种基于振动波形的设备状态诊断方法,所述基于振动波形的设备状态诊断方法包括:
获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据;
对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线;
根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态;
若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度;
若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
结合第一方面,在本发明第一方面的第一实施方式中,所述获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据,包括:
在目标设备上设置传感器节点,其中,所述传感器节点包括:用于测量升降压力的液压传感器以及用于测量升降角度和加速度的惯性传感器;
通过所述传感器节点采集所述目标设备在历史运行过程中的多个第一运行数据;
基于预置的有限元模型建立设备轿厢检测波模型,并根据所述设备轿厢检测波模型设置所述目标设备的故障激励条件;
将所述多个第一运行数据输入所述设备轿厢检测波模型进行振动响应计算,得到多个振动响应数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库,包括:
对所述多个振动响应数据进行小波分析,得到每个振动响应数据对应的目标子信号;
对所述目标子信号进行特征提取,得到目标特征信息,并对所述目标特征信息进行向量融合,得到每个振动响应数据的特征向量,以及根据所述特征向量生成多个振动融合特征数据;
对所述多个振动融合特征数据进行曲线转换,得到多个初始振动特征曲线,并对所述多个初始振动特征曲线进行曲线分类,得到标准曲线库以及故障曲线库,其中,所述标准曲线库包括设备运行正常状态下的振动特征曲线,所述故障曲线库包括不同类型故障下的振动特征曲线。
结合第一方面,在本发明第一方面的第三实施方式中,所述对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线,包括:
对所述目标设备进行实时运行数据采集,得到实时运行数据;
对所述实时运行数据进行参数补偿,得到第二运行数据;
对所述第二运行数据进行特征参数提取,得到目标特征参数集合;
获取所述第二运行数据的时序信息,并根据所述时序信息对所述目标特征参数集合进行曲线映射,生成目标运行曲线。
结合第一方面,在本发明第一方面的第四实施方式中,所述根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态,包括:
计算所述目标运行曲线与标准曲线库和故障曲线库中每条曲线之间的相似度;
根据所述相似度的大小,对所述目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序,选取相似度最高的前k条曲线作为候选曲线,并将所述候选曲线作为曲线对比结果;
根据所述曲线比对结果确定目标设备运行状态,若目标运行曲线与标准曲线库中的曲线相似度最高,则确定目标设备运行状态为运行正常,若目标运行曲线与故障曲线库中的曲线相似度最高,则确定目标设备运行状态为运行异常。
结合第一方面,在本发明第一方面的第五实施方式中,所述若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度,包括:
若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型,其中,所述设备运行故障分析模型包括:双向长短时记忆网络和逻辑回归网络;
通过所述双向长短时记忆网络对所述第二运行数据进行特征提取,得到所述第二运行数据中与故障相关的特征信息;
通过所述逻辑回归网络对所述第二运行数据中与故障相关的特征信息进行设备故障分类,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度。
结合第一方面,在本发明第一方面的第六实施方式中,所述若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果,包括:
若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型;
采用滚动窗口技术对所述设备运行趋势分析模型进行实时更新,得到实时更新的模型;
通过所述实时更新的模型,对所述第二运行数据进行预测,得到得到设备运行趋势预测结果,并计算所述设备运行趋势预测结果的置信区间和误差范围。
本发明第二方面提供了一种基于振动波形的设备状态诊断装置,所述基于振动波形的设备状态诊断装置包括:
获取模块,用于获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据;
转换模块,用于对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
采集模块,用于对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线;
比对模块,用于根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态;
检测模块,用于若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度;
分析模块,用于若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
本发明第三方面提供了一种基于振动波形的设备状态诊断设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于振动波形的设备状态诊断设备执行上述的基于振动波形的设备状态诊断方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于振动波形的设备状态诊断方法。
本发明提供的技术方案中,根据标准曲线库以及故障曲线库,对目标运行曲线进行曲线比对,得到曲线对比结果,并根据曲线比对结果确定目标设备运行状态;若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度;若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果,本发明通过对目标设备的历史运行数据进行建模,然后实现对历史运行数据构建标准曲线库以及故障曲线库,将标准曲线库以及故障曲线库用于对目标设备的状态分析,得到目标设备运行状态对目标设备的第二运行数据进行对应分析,进而实现了设备的智能监控,并且提高了设备的异常分析准确率。
附图说明
图1为本发明实施例中基于振动波形的设备状态诊断方法的一个实施例示意图;
图2为本发明实施例中信号转换和信息融合的流程图;
图3为本发明实施例中生成目标运行曲线的流程图;
图4为本发明实施例中确定目标设备运行状态的流程图;
图5为本发明实施例中基于振动波形的设备状态诊断装置的一个实施例示意图;
图6为本发明实施例中基于振动波形的设备状态诊断设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于振动波形的设备状态诊断方法及相关装置,用于实现设备的智能监控以及提高设备的异常分析准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于振动波形的设备状态诊断方法的一个实施例包括:
S101、获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对多个第一运行数据进行振动响应分析,得到多个振动响应数据;
可以理解的是,本发明的执行主体可以为基于振动波形的设备状态诊断装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器在目标设备上设置传感器节点。这些传感器节点包括用于测量升降压力的液压传感器以及用于测量升降角度和加速度的惯性传感器。这些传感器可以采集目标设备在历史运行过程中的多个第一运行数据,这些数据包括设备的运行速度、加速度、停靠时间、载重等信息。其次,需要基于预置的有限元模型建立设备轿厢检测波模型,并根据所述设备轿厢检测波模型设置所述目标设备的故障激励条件。有限元模型是一种数学模型,可以对物体进行分析和计算,以预测其在特定条件下的行为。可以使用有限元模型对目标设备进行建模,并设置不同的故障激励条件,如轿厢振动、轮组失衡等。最后,将所述多个第一运行数据输入所述设备轿厢检测波模型进行振动响应计算,得到多个振动响应数据。这些数据可以包括设备轿厢的振幅、频率、加速度等信息,通过对这些数据进行分析,可以判断目标设备是否存在故障。
S102、对多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
具体的,服务器进行信号处理:对采集到的多个振动响应数据进行小波分析,将原始信号分解成不同频率的子信号,并选择目标子信号进行进一步的分析。特征提取:对目标子信号进行特征提取,包括时域特征、频域特征和时频域特征等,如振幅、频率、能量、峰值等信息。这些特征信息通常都与设备的运行状态和故障类型密切相关。服务器进行向量融合:将所有特征信息进行向量化和融合,得到每个振动响应数据的特征向量。这样服务器将不同类型的特征信息进行整合和比较,从而得到更加全面和准确的振动融合特征数据。服务器进行曲线转换:对振动融合特征数据进行曲线转换,得到多个初始振动特征曲线。这些初始振动特征曲线包含了设备在不同条件下的振动响应情况,可以用来进行故障分析和诊断。服务器进行曲线分类:对初始振动特征曲线进行曲线分类,得到标准曲线库和故障曲线库。其中,标准曲线库包括设备运行正常状态下的振动特征曲线,可以作为基准进行比较和参考;故障曲线库则包括不同类型故障下的振动特征曲线,可以用来识别和分析设备存在的故障问题。例如,如果要检测设备轮组失衡的故障情况,可以通过采集多个第一运行数据,并将其输入所述设备轿厢检测波模型中进行振动响应计算,得到多个振动响应数据。然后,对这些振动响应数据进行小波分析和特征提取,提取出与失衡故障相关的特征信息,如低频部分振幅增大、高频部分振幅减小等。接着,将这些特征信息进行向量化和融合,得到每个振动响应数据的特征向量。然后,将这些特征向量进行曲线转换,得到初始的振动特征曲线。最后,对这些初始振动特征曲线进行曲线分类,将失衡故障相关的振动特征曲线归为一类,并将其存储到故障曲线库中。
S103、对目标设备进行实时运行数据采集,得到第二运行数据,并根据第二运行数据生成目标运行曲线;
需要说明的是,服务器对设备进行实时运行数据采集,是指通过传感器等方式,获取设备在运行过程中所产生的振动、速度、加速度、位移等各种运动数据,并进行采样和存储。这些实时运行数据反映了设备在不同时间、不同条件下的运行状态,可以用来分析设备的性能、安全性和故障问题等。为了更好地利用设备的实时运行数据,服务器对其进行参数补偿。参数补偿是一种数据处理方法,可以消除不同传感器之间的差异,减少误差和偏差,提高数据质量和可信度。例如,在设备的振动数据中,不同传感器存在灵敏度、频率响应等方面的差异,导致数据之间不可比较。因此,服务器对数据进行标定和修正,使得不同传感器之间的差异最小化。针对经过参数补偿后的实时运行数据,需要进行特征参数提取。特征参数提取是一种数据降维方法,服务器将原始数据转换为具有代表性的特征向量或特征曲线,以便更好地反映数据的重要性和本质特征。在设备的实时运行数据中,可以提取各种振动、速度、加速度等特征参数,如峰值、均方根、能量谱密度等。在获取了目标特征参数集合后,需要按照时间顺序对其进行曲线映射,生成目标运行曲线。曲线映射是一种数据排序和组合方法,服务器将具有相似时间信息的特征参数集合映射到同一条曲线上,以便更好地观察和分析数据变化趋势和规律。在设备的实时运行数据中,服务器将不同时间点的特征参数映射到时间轴上,形成振动、速度、加速度等特征曲线,并通过插值、平滑等方法进行处理,进而反映设备的运行状态和趋势。
S104、根据标准曲线库以及故障曲线库,对目标运行曲线进行曲线比对,得到曲线对比结果,并根据曲线比对结果确定目标设备运行状态;
具体的,服务器进行曲线对比:将目标运行曲线与标准曲线库和故障曲线库中的曲线进行比对,计算它们之间的相似度,并选取相似度最高的前k条曲线作为候选曲线。服务器进行相似度计算:根据选定的相似度计算方法,计算目标运行曲线与每条标准曲线库和故障曲线库中曲线之间的相似度。常用的相似度计算方法包括欧式距离、余弦相似度、相关系数等。服务器进行排序筛选:根据相似度大小,对目标运行曲线与标准曲线库和故障曲线库中曲线进行排序,选取相似度最高的前k条曲线作为候选曲线。服务器进行运行状态判断:根据候选曲线,确定目标设备的运行状态。若目标运行曲线与标准曲线库中的曲线相似度最高,则确定目标设备处于正常运行状态;若目标运行曲线与故障曲线库中的曲线相似度最高,则确定目标设备处于异常运行状态,需要进行进一步的诊断和处理。曲线比对的计算公式通常由具体的相似度计算方法决定,例如,在振动数据中,通过以下公式计算欧式距离:d=sqrt(sum((x-y)2)),其中,d表示欧式距离,x表示目标运行曲线,y表示标准曲线库和故障曲线库中的曲线。通过计算欧式距离,得到不同曲线之间的相似度大小,从而筛选出相似度最高的前k条曲线作为候选曲线,并判断目标设备的运行状态。例如,假设有一个标准曲线库和故障曲线库,以及一组目标振动数据,服务器对其进行曲线比对并确定设备的运行状态。首先,将目标振动数据与标准曲线库和故障曲线库中的所有曲线进行比对,计算它们之间的相似度。进一步地,通过欧式距离公式进行计算,得到不同曲线之间的相似度大小。然后,根据相似度大小,对曲线进行排序,并选取相似度最高的前k条曲线作为候选曲线。最后,根据候选曲线来判断目标设备的运行状态,若相似度最高的曲线来自标准曲线库,则确定设备处于正常运行状态;若相似度最高的曲线来自故障曲线库,则确定设备处于异常运行状态。
S105、若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度;
具体的,当目标设备的运行状态被检测为运行异常时,服务器对该设备进行故障诊断和处理。为此,服务器将第二次运行数据输入预置的设备运行故障分析模型,以得到设备的运行故障检测结果。设备运行故障分析模型通常由多个模块组成,包括特征提取模块、分类模块等。其中,双向长短时记忆网络(BiLSTM)和逻辑回归网络(LR)是常用的模块之一,具有良好的处理效果和较高的诊断准确度。具体包括以下步骤:双向长短时记忆网络(BiLSTM):作为特征提取模块的核心,通过对第二次运行数据的序列信息进行建模和学习,能够有效地提取与设备故障相关的特征信息,从而帮助后续的分类模块更加准确地识别设备故障类型和程度。在训练阶段,通过反向传播算法来不断调整模型参数,使模型能够逐渐适应实际数据,提高特征提取的准确度。在测试阶段,将第二次运行数据输入到经过训练的BiLSTM模型中,得到与设备故障相关的特征信息。逻辑回归网络(LR):作为分类模块的核心,通过对第二次运行数据中与故障相关的特征信息进行学习和分类,能够准确地识别设备故障类型和程度。在训练阶段,通过大量带标签的样本数据来训练模型,从而建立起不同类型和程度的设备故障分类器。在测试阶段,将第二次运行数据中与故障相关的特征信息输入到经过训练的LR模型中,得到对应的设备故障检测结果。具体包括以下步骤:将目标设备的第二次运行数据输入到预置的设备运行故障分析模型中。在特征提取模块中,使用双向长短时记忆网络对第二次运行数据进行序列建模,以提取与设备故障相关的特征信息。在分类模块中,使用逻辑回归网络对第二次运行数据中与故障相关的特征信息进行分类,以得到设备的运行故障检测结果。根据检测结果,判断设备的故障类型和程度,并进行对应的诊断和处理。例如,服务器将设备运行故障分为轻微故障、中等故障和重大故障三个级别,以便更加直观地展示设备故障情况。通过设备运行故障分析模型,可以快速准确地检测并识别出设备的故障类型和程度。
S106、若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
具体的,若目标设备运行状态为正常:服务器判断目标设备的运行状态是否为正常。如果设备处于故障状态,则不能进行运行趋势分析。只有当设备处于正常运行状态时,才服务器将第二次运行数据输入到设备运行趋势分析模型中进行处理。服务器输入第二次运行数据:将第二次运行数据输入预置的设备运行趋势分析模型中,以便对其进行趋势分析和预测。服务器进行设备运行趋势分析:根据第二次运行数据,预置的设备运行趋势分析模型对设备运行趋势进行分析,得到设备运行趋势预测结果。服务器实时更新运行趋势模型:采用滚动窗口技术对所述设备运行趋势分析模型进行实时更新,以保证模型能够适应实际数据变化,提高预测精度。通过实时更新的模型进行预测:根据实时更新后的设备运行趋势分析模型,对第二次运行数据进行预测,得到设备运行趋势预测结果,并计算其置信区间和误差范围。例如,假设服务器对一台设备的运行趋势进行分析和预测。首先,通过传感器等设备获取该设备的第二次运行数据,并判断其是否处于正常运行状态。如果设备处于故障状态,则无法进行运行趋势分析。只有当设备处于正常运行状态时,才将其第二次运行数据输入到预置的设备运行趋势分析模型中进行处理。在模型中,根据设备的历史运行数据和相关参数,采用时间序列分析、回归分析、神经网络等方法对设备运行趋势进行分析和预测,得到设备运行趋势预测结果。同时,为了保证模型的准确度和可靠性,采用滚动窗口技术对模型进行实时更新,并对预测结果进行置信区间和误差范围的计算和评估,以便及时发现问题和做出调整。最终,根据设备运行趋势预测结果和置信区间等信息,可以对设备的运行状态和趋势进行分析和判断,例如判断设备是否需要维护或更换部件。具体地,服务器定义一个固定大小的窗口,例如30天或60天,随着时间的推移,窗口不断向右移动,并利用其中包含的最新数据重新训练模型。利用实时更新的模型,对当前的运行趋势进行预测。根据需要,可以进行长期预测和短期预测,同时给出置信区间和误差范围等信息。例如,可以通过滚动窗口技术,预测未来30天或60天内设备的运行趋势,并给出对应的置信区间和误差范围。根据预测结果,确定设备的运行状况,并进行对应的分析和处理。例如,如果预测出设备的趋势向下,并且置信区间较窄,服务器对设备进行维修保养;如果预测出设备的趋势向上,并且置信区间较宽,需要进一步观察设备的运行情况,以确定是否需要采取措施。
本发明实施例中,根据标准曲线库以及故障曲线库,对目标运行曲线进行曲线比对,得到曲线对比结果,并根据曲线比对结果确定目标设备运行状态;若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度;若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果,本发明通过对目标设备的历史运行数据进行建模,然后实现对历史运行数据构建标准曲线库以及故障曲线库,将标准曲线库以及故障曲线库用于对目标设备的状态分析,得到目标设备运行状态对目标设备的第二运行数据进行对应分析,进而实现了设备的智能监控,并且提高了设备的异常分析准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)在目标设备上设置传感器节点,其中,传感器节点包括:用于测量升降压力的液压传感器以及用于测量升降角度和加速度的惯性传感器;
(2)通过传感器节点采集目标设备在历史运行过程中的多个第一运行数据;
(3)基于预置的有限元模型建立设备轿厢检测波模型,并根据设备轿厢检测波模型设置目标设备的故障激励条件;
(4)将多个第一运行数据输入设备轿厢检测波模型进行振动响应计算,得到多个振动响应数据。
具体的,服务器使用有限元模型对目标设备进行建模,是将设备的几何形状和材料特性转换为数学模型的过程。有限元模型是一种数学模型,可以对物体进行分析和计算,以预测其在特定条件下的行为。通过建立设备的有限元模型,可以模拟设备运行时的振动响应情况,并对不同故障条件下的振动响应进行预测和分析。建立设备有限元模型的具体步骤如下:定义模型的几何形状:根据设备的实际形状和尺寸,使用CAD等软件绘制设备的三维模型,并导入到有限元模拟软件中。网格划分:将设备的三维模型划分成许多小单元,每个小单元称为单元网格。这些单元网格的大小和形状可以根据需要进行调整,以达到精度和效率的平衡。定义材料特性:根据设备的材料特性,定义材料的弹性模量、泊松比等参数,并将其应用于单元网格上。设置边界条件:对设备的各部分进行约束,如轮组的固定支撑、设备底部的地面支撑等。定义故障激励条件:针对不同的故障类型,设置对应的激励条件。例如,在检测设备轮组失衡时,可以在有限元模型中设置轮组质量不均匀或者加上一个额外的惯性力。进行振动响应计算:输入设备运行时的第一运行数据,在有限元模型中进行振动响应计算,并得到振动响应数据,包括轿厢的振幅、频率、加速度等信息。将多个第一运行数据输入设备轿厢检测波模型进行振动响应计算,是通过建立数学模型来预测设备在特定条件下的振动响应情况。这个过程可以分为以下几个步骤:数据预处理:对采集到的多个第一运行数据进行整理和清洗,去除异常值、噪声等,并对数据进行归一化处理。模型参数设置:根据所选用的设备轿厢检测波模型,设置不同的模型参数,包括有限元模型的网格划分、材料特性等信息,以及故障激励条件。模型求解:将数据输入设备轿厢检测波模型中进行求解,得到设备在不同条件下的振动响应情况,如振幅、频率、加速度等信息。结果分析:通过对振动响应数据进行分析和比较,判断设备是否存在故障问题,并进一步进行诊断和修复。例如,如果要检测设备轿厢是否存在失衡问题,可以基于有限元模型建立一个失衡模型,并设置对应的故障激励条件,如在设备轮组上施加一个额外的质量。然后,将多个第一运行数据输入模型中进行计算,得到设备在失衡情况下的振动响应情况。通过对这些振动响应数据的比较和分析,可以判断设备是否存在失衡问题。另外,还有一些常用的振动响应计算方法,如快速傅里叶变换(FFT)、离散小波变换(DWT)等,可以用来对振动信号进行频谱分析、滤波和降噪等处理。这些方法都需要基于数学建模和计算,以预测物体在不同条件下的振动响应情况,从而帮助及早发现潜在的故障问题并采取对应的措施。将数据输入设备轿厢检测波模型中进行求解,得到设备在不同条件下的振动响应情况,如振幅、频率、加速度等信息。例如,如果要检测设备轿厢的自由振动情况,可以建立简谐振动模型,并使用以下公式进行计算:振幅(Amplitude):振动的最大偏离量,通常用米或毫米作单位。A=F/mw2,其中,F为外力,m为质量,w为角频率。频率(Frequency):振动的周期数,在单位时间内完成的振动次数,通常用赫兹(Hz)作单位。f=w/2π,其中,w为角频率。加速度(Acceleration):振动时物体加速度的峰值,通常用米每秒平方(m/s2)作单位。a=-ω2Asin(ωt),其中,ω为角频率,A为振幅,t为时间。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对多个振动响应数据进行小波分析,得到每个振动响应数据对应的目标子信号;
S202、对目标子信号进行特征提取,得到目标特征信息,并对目标特征信息进行向量融合,得到每个振动响应数据的特征向量,以及根据特征向量生成多个振动融合特征数据;
S203、对多个振动融合特征数据进行曲线转换,得到多个初始振动特征曲线,并对多个初始振动特征曲线进行曲线分类,得到标准曲线库以及故障曲线库,其中,标准曲线库包括设备运行正常状态下的振动特征曲线,故障曲线库包括不同类型故障下的振动特征曲线。
具体的,服务器小波分析是一种在时频域上进行信号分解和分析的方法,服务器将原始信号分解成不同频率的子信号,从而更好地识别和提取信号中的特征信息。其具体过程如下:选择小波基函数:根据需要分析的信号类型和特性,选择合适的小波基函数,如哈尔小波、Daubechies小波、Symlet小波等。进行小波变换:将采集到的振动响应数据输入小波变换算法中,得到不同尺度和频率的小波系数。滤波和重构:根据需要选择目标子信号所对应的小波系数,并进行滤波和重构,得到目标子信号。特征提取:对目标子信号进行特征提取,包括时域特征、频域特征和时频域特征等,如振幅、频率、能量、峰值等信息。例如,假设要对一台设备进行振动分析,首先采集到了多个第一运行数据。然后,将这些数据输入小波变换算法中,得到不同尺度和频率的小波系数。接着,选择与失衡故障相关的目标子信号所对应的小波系数,并进行滤波和重构,得到目标子信号。最后,对目标子信号进行特征提取,如低频部分振幅增大、高频部分振幅减小等信息,并将其用于后续的特征向量融合和曲线分类等处理。通过小波分析的方法,可以更好地识别和提取信号中的特征信息,从而帮助检测出设备存在的故障问题。对目标子信号进行特征提取,是指从振动响应数据中提取出与设备运行状态和故障类型相关的特征信息,包括时域特征、频域特征和时频域特征等。具体过程如下:时域特征:包括均值、方差、峰值、偏度、峭度等,可以反映振动响应数据的整体趋势和分布特性。频域特征:包括功率谱密度、峰值频率、能量等,可以反映振动响应数据在不同频率段上的分布特性和能量分布情况。时频域特征:包括短时傅里叶变换(STFT)、连续小波变换(CWT)等,可以反映振动响应数据在时间和频率上的变化规律和特征信息。特征提取的计算公式因其多样性而千差万别,下面以一个实施例来说明特征提取的具体过程和计算公式:例如,如果要检测设备轮组失衡的故障情况,可以对采集到的振动响应数据进行小波分析,得到与失衡故障相关的目标子信号。然后,对目标子信号进行特征提取,包括振幅、频率、能量等信息。具体地,可以使用以下公式进行计算:均值(Mean):时域特征之一,反映振动响应数据的整体趋势。μ=1/N*∑x(n),其中,N为样本数,x(n)为第n个采样点的振动响应数据。峰值(Peak):时域特征之一,表示振动响应数据中的最大值。P=max{|x(n)|},其中,|x(n)|为第n个采样点的振动响应数据的绝对值。主频:频域特征之一,表示功率谱密度最高的频率。能量:频域特征之一,表示振动响应数据在不同频率段上的能量分布。通过以上特征提取过程,得到与失衡故障相关的时域和频域特征信息,用于后续的特征向量融合和曲线分类等处理。需要说明的是,不同类型的故障会对振动响应数据产生不同的影响,因此在进行特征提取时需要根据实际情况和经验进行选取和优化。将所有特征信息进行向量化和融合,是指将振动响应数据的所有特征信息(包括时域、频域、时频域等特征)整合到一个特征向量中,并对特征向量进行归一化处理,以便后续的曲线分类和故障检测。具体过程如下:将所有特征信息进行向量化:将振动响应数据的所有特征信息按照固定顺序构成一个N维特征向量,其中N为特征的种类数。例如,如果选取了10种不同的时域和频域特征作为特征信息,那么就得到一个10维的特征向量。特征向量归一化:对特征向量进行归一化处理,使得不同特征之间的取值范围相同,并且能够更好地反映特征信息之间的相关性。常用的归一化方法有最大-最小归一化和z-score标准化等。特征向量融合:将所有振动响应数据的特征向量进行融合,得到每个振动响应数据的振动融合特征向量。这样服务器将不同类型的特征信息进行整合和比较,从而得到更加全面和准确的振动融合特征数据。特征向量的计算公式如下:X=[x1,x2,...,xn],其中,X为特征向量,x1、x2、...、xn分别为不同特征信息(如时域和频域特征)对应的数值。在构造特征向量时,通常需要考虑不同特征之间的权重和相关性,以便更好地反映振动响应数据的特征信息。例如,假设要对一台设备进行振动分析,首先采集到多个第一运行数据,并对这些数据进行小波分析和特征提取,得到与设备故障相关的时域和频域特征信息。然后,将这些特征信息按照固定顺序构成一个N维特征向量,并对特征向量进行归一化处理,得到每个振动响应数据的振动融合特征向量。例如,可以使用以下公式进行计算:X[n]=[f1(n),f2(n),...,fm(n)],其中,X[n]为第n个振动响应数据的特征向量,f1、f2、...、fm为不同特征信息对应的函数。对于每个特征信息,其具体取值可以按照需求进行选定和计算,例如均值、峰值、主频等。最后,对得到的振动融合特征向量进行曲线分类和故障检测等处理,以便及时发现并解决设备存在的故障问题。对振动融合特征数据进行曲线转换,是指将振动响应数据的振动融合特征向量映射到一个二维平面上,得到多个初始振动特征曲线。这样可以更好地反映振动响应数据的相似性和差异性,从而方便后续的聚类分析和故障检测。具体过程如下:特征向量标准化:对振动融合特征向量进行标准化处理,使得各特征维度之间的重要性一致,并且不受单位、量纲等因素的影响。主成分分析(PCA):将标准化后的振动融合特征向量投影到主成分方向上,得到降维后的数据点集。映射到二维平面:对降维后的数据点集进行线性或非线性映射,将其投影到二维平面上,得到多个初始振动特征曲线。特征曲线的计算公式如下:f(t)=[x(t),y(t)],其中,f(t)为特征曲线,x(t)和y(t)分别表示特征向量在t时刻的两个分量值。通常情况下,特征曲线是一条光滑的二维曲线,可以通过插值、平滑等方法进行处理,以便更好地反映振动响应数据的相似性和差异性。例如,假设已经得到了多个振动响应数据的振动融合特征向量,并对这些向量进行标准化和主成分分析。然后,将降维后的数据点集利用TSNE算法进行非线性映射,将其投影到二维平面上,得到多个初始振动特征曲线。通过以上特征曲线转换过程,服务器将振动响应数据的振动融合特征向量映射到一个二维平面上,得到多个初始振动特征曲线。这样可以更好地反映振动响应数据之间的相似性和差异性,为后续的聚类分析和故障检测提供基础和依据。对初始振动特征曲线进行曲线分类,是指将得到的多个振动特征曲线根据其相似性和差异性进行聚类分析,得到标准曲线库和故障曲线库。其中,标准曲线库包括设备运行正常状态下的振动特征曲线,可以作为基准进行比较和参考;故障曲线库则包括不同类型故障下的振动特征曲线,可以用来识别和分析设备存在的故障问题。具体过程如下:距离度量:选择一种合适的距离度量方式,计算不同曲线之间的相似度或距离。聚类方法:根据已有数据集中不同曲线之间的距离度量值,选取一种合适的聚类算法(如层次聚类、K均值聚类等),对不同曲线进行聚类分析。标准曲线库和故障曲线库:将聚类结果划分为标准曲线库和故障曲线库,其中标准曲线库包含设备正常运行状态下的振动特征曲线;故障曲线库则包括不同类型故障下的振动特征曲线。曲线分类的计算公式如下:距离度量:距离度量有多种方式,如欧氏距离、曼哈顿距离、余弦相似度等。聚类方法:聚类方法也有多种,其中层次聚类和K均值聚类是比较常用的两种方法。以层次聚类为例,其计算步骤如下:(1)选取一种合适的距离度量方法,计算不同曲线之间的距离或相似度。(2)将每个曲线视为一个簇,并将它们作为叶子节点构建一棵二叉树。(3)按照距离或相似度从小到大依次将不同簇合并,直到整棵树变为一棵根节点为整个数据集的二叉树。(4)根据需要选取合适的剪枝方法,得到标准曲线库和故障曲线库。例如,假设已经得到了多个设备振动响应数据的初始特征曲线,并对这些曲线进行距离度量和层次聚类。然后,将聚类结果划分为标准曲线库和故障曲线库,其中标准曲线库包含设备正常运行状态下的振动特征曲线;故障曲线库则包括不同类型故障下的振动特征曲线。服务器使用层次聚类算法对不同特征曲线进行聚类分析。例如,服务器将不同曲线之间的欧氏距离作为相似性度量指标,并利用Ward方法进行簇的合并。最终,根据聚类结果,将不同特征曲线划分为标准曲线库和故障曲线库,以便对设备运行状态和故障问题进行识别和分析。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对目标设备进行实时运行数据采集,得到实时运行数据;
S302、对实时运行数据进行参数补偿,得到第二运行数据;
S303、对第二运行数据进行特征参数提取,得到目标特征参数集合;
S304、获取第二运行数据的时序信息,并根据时序信息对目标特征参数集合进行曲线映射,生成目标运行曲线。
具体的,服务器对实时运行数据进行参数补偿,需要先了解不同传感器之间存在的误差和偏差,然后对数据进行标定和修正,使得不同传感器之间的差异最小化。具体过程如下:传感器标定:选择一种合适的标定方法,采用标准信号或已知量进行校准,获得各个传感器的灵敏度、频率响应、非线性等特性参数。数据修正:利用标定结果,对实时运行数据进行修正,消除不同传感器之间的误差和偏差,得到第二运行数据。常见的修正方法包括零点漂移校正、放大倍数校正、温度漂移校正等。数据质量检查:对第二运行数据进行质量检查,判断数据是否符合要求,如是否存在幅值超过范围、噪声干扰较大等问题,以便后续分析和处理。参数补偿的计算公式通常由具体的标定方法和修正方法决定,例如在振动传感器的标定中,通过以下公式进行计算:K=G/V,其中,K表示传感器的灵敏度,G表示参考加速度值,V表示传感器输出电压值。根据标定结果,得到不同传感器的灵敏度值,并在实时运行数据中进行修正。例如,假设服务器对某台设备的振动数据进行参数补偿,首先要选择合适的传感器并进行标定,获得其灵敏度和频率响应等特性参数。然后,利用标定结果,可以计算出不同传感器之间的偏差和误差,并对实时运行数据进行修正,得到第二运行数据。例如,可以使用以下公式进行修正:Anew=Aold/K,其中,Anew表示修正后的振动加速度值,Aold表示原始振动加速度值,K表示传感器的灵敏度值。最后,对第二运行数据进行质量检查和处理,以便后续分析和应用。通过这样的参数补偿过程,可以消除不同传感器之间的差异,提高数据质量和可信度,为后续的故障诊断和监测工作提供基础和依据。对第二运行数据进行特征参数提取,是为了将原始数据转换为具有代表性的特征向量或特征曲线,以便更好地反映数据的重要性和本质特征。具体过程如下:信号预处理:对第二运行数据进行滤波、降噪等预处理,以削弱噪声干扰、增强信号特征。特征提取:选择一种合适的特征提取方法,从第二运行数据中提取出具有代表性的特征参数。常见的特征参数包括峰值、均方根、能量谱密度等。数据归一化:针对不同特征参数之间的量纲和范围差异,对特征参数进行归一化处理,使得数据可比较。数据降维:对提取出的特征参数进行降维处理,以减少数据维度和冗余信息。常用的降维方法包括主成分分析(PCA)、线性判别分析(LDA)等。特征参数提取的计算公式通常由具体的特征提取方法和特征参数定义决定,例如在振动数据中,通过以下公式进行计算:RMS=sqrt(sum(x2)/n),其中,RMS表示均方根值,x表示实时振动加速度值,n表示采样点数目。通过计算RMS值,可以反映出振动信号的总体大小和幅值分布情况。例如,假设服务器对某台设备的振动数据进行特征参数提取,首先要对数据进行预处理,并选择合适的特征提取方法,如峰值、均方根等。然后,对每个特征参数进行计算和归一化处理,得到特征向量或特征曲线。例如,可以使用以下公式计算均方根值:RMS=sqrt(sum(x2)/n),其中,x表示实时振动加速度值,n表示采样点数目。假设选取100个采样点,通过预处理得到修正后的振动数据,然后将其代入上述公式中,得到100个均方根值,形成特征曲线。最后,对特征曲线进行降维处理,以便更好地反映振动数据的本质特征和重要信息。通过这样的特征参数提取过程,可以把原始数据转换为更具有代表性和可比性的特征向量或特征曲线,为后续的故障诊断和监测工作提供基础和依据。获取第二运行数据的时序信息,是为了将不同时间点的特征参数集合映射到时间轴上,形成特征曲线,并通过插值、平滑等方法进行处理,以便更好地反映设备的运行状态和趋势。具体过程如下:数据对齐:将不同传感器之间的数据按照相同的时间标准进行对齐,以保证数据之间的时间一致。时间刻度:根据采样频率和采样周期等参数,计算出数据的时间刻度信息,包括开始时间、结束时间、采样时间间隔等。曲线插值:将特征参数集合与时间刻度进行插值处理,得到平滑连续的特征曲线。常见的插值方法包括线性插值、样条插值、拉格朗日插值等。曲线映射:根据不同特征参数的重要性和权重,将特征曲线进行组合映射,得到目标运行曲线。例如,在振动数据中,服务器将加速度、速度、位移等曲线进行组合,形成综合振动曲线,反映出设备的运行状态和振动特征。曲线映射的计算公式通常由具体的特征参数和曲线组合方法决定,例如在振动数据中,通过以下公式进行计算:VIB=sqrt(ACC2+VEL2+DIS2),其中,VIB表示综合振动值,ACC表示加速度值,VEL表示速度值,DIS表示位移值。通过对不同特征参数进行平方求和后再开方,就得到综合振动值,并将其作为目标运行曲线的映射结果。例如,假设服务器对某台设备的振动数据进行曲线映射,首先要对数据进行对齐和插值处理,得到平滑连续的特征曲线。然后,根据不同特征参数的重要性和权重,选择适当的曲线组合方法,如综合振动值公式所示。最后,将特征曲线代入公式中进行计算,得到对应的综合振动值,形成目标运行曲线。例如,假设选取了加速度、速度、位移三个特征参数,并使用综合振动值公式进行组合,那么得到一个综合振动曲线,反映出设备的运行状态和振动特征。通过这样的曲线映射过程,可以更好地观察和分析数据变化趋势和规律,为后续的故障诊断和监测工作提供基础和依据。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、计算目标运行曲线与标准曲线库和故障曲线库中每条曲线之间的相似度;
S402、根据相似度的大小,对目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序,选取相似度最高的前k条曲线作为候选曲线,并将候选曲线作为曲线对比结果;
S403、根据曲线比对结果确定目标设备运行状态,若目标运行曲线与标准曲线库中的曲线相似度最高,则确定目标设备运行状态为运行正常,若目标运行曲线与故障曲线库中的曲线相似度最高,则确定目标设备运行状态为运行异常。
具体的,服务器数据对齐:将目标运行曲线与标准曲线库和故障曲线库中的曲线进行数据对齐,使它们在时间轴上处于相同的位置。相似度计算:采用某种相似度计算方法,计算目标运行曲线与标准曲线库和故障曲线库中的每一条曲线之间的相似度。常见的相似度计算方法包括欧式距离、余弦相似度、相关系数等。候选曲线筛选:根据相似度大小,对目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序,并选取相似度最高的前k条曲线作为候选曲线。具体相似度计算公式将根据不同的相似性计算方法而异,如下所示:欧式距离法,d=sqrt(sum((x-y)2)),其中,d表示目标运行曲线与标准曲线库和故障曲线库中的某一条曲线之间的欧式距离,x表示目标运行曲线,y表示标准曲线库和故障曲线库中的某一条曲线。通过计算欧式距离,得到不同曲线之间的相似度大小。余弦相似度法,cos(theta)=(x*y)/(||x|| ||y||),其中,theta表示目标运行曲线与标准曲线库和故障曲线库中的某一条曲线之间的夹角,x和y表示目标运行曲线和标准曲线库和故障曲线库中的某一条曲线。通过计算余弦相似度,得到不同曲线之间的相似度大小。例如,假设有一个标准曲线库和故障曲线库,以及一组目标振动数据,服务器对其进行比对并选取相似度最高的前k条曲线作为候选曲线。首先,将目标振动数据与标准曲线库和故障曲线库中的所有曲线进行比对,并选择相似度计算方法(如欧式距离、余弦相似度、相关系数等)。然后,对每条曲线计算对应的相似度,并将它们按照相似度大小进行排序。最后,从排名前k的曲线中选取最相似的曲线作为候选曲线,并根据这些曲线来判断目标设备的运行状态。例如,在振动数据中,通过欧式距离公式进行计算。假设目标振动数据与标准曲线库和故障曲线库中的某一条曲线的欧式距离分别为d1、d2和d3,则该曲线与目标曲线之间的相似度大小可以表示为:s1=1/(1+d1);s2=1/(1+d2);s3=1/(1+d3)。其中,s1、s2和s3分别表示目标曲线与标准曲线库和故障曲线库中的三条曲线之间的相似度大小。通过计算相似度,得到不同曲线之间的相似程度,并选取相似度最高的前k条曲线作为候选曲线。例如,假设k=3,则从s1、s2和s3中选取相似度最高的前3个值对应的曲线作为候选曲线。最后,根据这些候选曲线来判断目标设备的运行状态。若相似度最高的曲线来自标准曲线库,则确定设备处于正常运行状态;若相似度最高的曲线来自故障曲线库,则确定设备处于异常运行状态,需要进一步的诊断和处理。根据相似度大小,对目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序是指将计算得到的各个相似度值按照大小进行排列,从而确定每条曲线与目标运行曲线之间的相似度大小。具体过程如下:计算相似度:采用某种相似度计算方法,计算目标运行曲线与标准曲线库和故障曲线库中的每一条曲线之间的相似度。排序筛选:根据相似度大小,对目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序,并选取相似度最高的前k条曲线作为候选曲线。如果需要将所有曲线按照相似度排序,则通过快速排序、归并排序等排序算法来实现;如果只需选取相似度最高的前k条曲线作为候选曲线,则通过最大堆、小顶堆等数据结构来维护排序结果。常见的排序方法包括冒泡排序、插入排序、选择排序、快速排序、归并排序、堆排序等,其中快速排序和堆排序通常被确定是效率较高的排序算法。具体排序过程中的计算公式依赖于相似度计算方法,例如,在振动数据中采用欧式距离公式进行计算时,服务器将目标运行曲线与标准曲线库和故障曲线库中的每一条曲线之间的欧式距离作为相似度值,并将它们按照大小进行排序。例如,假设有一个标准曲线库和故障曲线库,以及一组目标振动数据,服务器对其进行比对并选取相似度最高的前k条曲线作为候选曲线。首先,将目标振动数据与标准曲线库和故障曲线库中的所有曲线进行比对,并选择相似度计算方法(如欧式距离、余弦相似度、相关系数等)。然后,对每条曲线计算对应的相似度,并将它们按照相似度大小进行排序。最后,从排名前k的曲线中选取最相似的曲线作为候选曲线,并根据这些曲线来判断目标设备的运行状态。例如,在振动数据中,通过欧式距离公式进行计算。假设目标振动数据与标准曲线库和故障曲线库中的三条曲线之间的欧式距离分别为d1、d2和d3,则将它们按照相似度大小进行排序,即:s1>=s2>=s3,其中,s1、s2和s3分别表示目标曲线与标准曲线库和故障曲线库中的三条曲线之间的相似度大小。最后,从排序结果中选取最相似的前k条曲线作为候选曲线,并根据这些曲线来判断目标设备的运行状态。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型,其中,设备运行故障分析模型包括:双向长短时记忆网络和逻辑回归网络;
(2)通过双向长短时记忆网络对第二运行数据进行特征提取,得到第二运行数据中与故障相关的特征信息;
(3)通过逻辑回归网络对第二运行数据中与故障相关的特征信息进行设备故障分类,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度。
具体的,使用双向长短时记忆网络(BiLSTM)对第二次运行数据进行序列建模,以提取与设备故障相关的特征信息可以分为以下几个步骤:输入处理:将第二次运行数据按照一定的时间间隔划分为多个时间片段,即将其转换为一个时间序列。同时,为了保证输入数据的规范性和可比性,还需要进行一些预处理操作,如数据归一化、降噪等。序列建模:通过双向长短时记忆网络对时间序列进行建模,得到每个时间步的输出结果。在这个过程中,BiLSTM会对输入序列进行正向和反向遍历,并维护两个隐藏状态,其中一个记录着正向遍历时的历史信息,另一个则记录着反向遍历时的历史信息。通过这种方式,BiLSTM能够更加全面地捕捉时间序列中的时序关系,并提取出与设备故障相关的特征信息。特征提取:根据模型输出结果,可以从中选取对应的特征信息来描述设备运行状态和故障情况。例如,可以选择最后一个时间步的隐藏状态作为特征向量,或者采用平均池化层、最大池化层等方法来提取特征信息。特征选择:在得到特征向量后,可以通过相关性分析、主成分分析、递归特征消除等方法来进一步筛选和优化特征向量,以提高模型的泛化能力和鲁棒性。例如,假设有一组设备振动数据,服务器对其进行故障诊断和分析。首先,将第二次运行数据按照一定的时间间隔划分为多个时间片段,并进行预处理操作,如归一化、去噪等。然后,在BiLSTM模型中,将时间序列输入到网络中,以得到每个时间步的输出结果。在训练阶段,通过反向传播算法来不断调整模型参数,使模型能够逐渐适应实际数据,提高特征提取的准确度。在测试阶段,将第二次运行数据输入到经过训练的BiLSTM模型中,并取最后一个时间步的隐藏状态作为特征向量。最终,根据特征向量对设备故障类型和程度进行分类,从而得出对应的故障诊断结果。使用逻辑回归网络(LR)对第二次运行数据中与故障相关的特征信息进行分类,以得到设备的运行故障检测结果可以分为以下几个步骤:特征选择:在使用BiLSTM模型提取出与设备故障相关的特征信息后,需要进一步筛选和优化特征向量,以提高模型的泛化能力和鲁棒性。通过相关性分析、主成分分析、递归特征消除等方法进行特征选择。数据预处理:将经过特征选择和优化的特征向量作为输入数据,并进行标准化、归一化等预处理操作,以保证输入数据的规范性和可比性。模型训练:在得到预处理后的输入数据后,需要经过大量带标签的样本数据来训练逻辑回归模型。通过极大似然估计等方法来求解模型参数,并不断调整模型权重和偏置,使模型能够更好地拟合实际数据。模型预测:在模型训练完成后,即可将新的未知数据输入到逻辑回归模型中进行预测。故障诊断:根据逻辑回归模型的输出结果,得到设备运行故障检测结果,包括故障类型和程度等信息,从而进行对应的故障诊断和处理。假设服务器对设备的运行故障进行分类,并且经过BiLSTM模型的特征提取和优化选择,选取了振动幅值、噪声水平和加速度等3个特征作为输入向量。首先,将这些特征向量进行标准化、归一化等预处理操作,以保证数据的规范性和可比性。然后,通过大量带标签的样本数据来训练逻辑回归模型,并不断调整模型参数,以提高模型的准确度和泛化能力。最终,在得到新的未知数据时,将其输入到经过训练的逻辑回归模型中进行预测,得到对应的设备运行故障检测结果。例如,预测结果为“噪声水平高、振动幅值大”,则可以判断设备存在重大故障,需要立即停机并进行维护和修复。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型;
(2)采用滚动窗口技术对设备运行趋势分析模型进行实时更新,得到实时更新的模型;
(3)通过实时更新的模型,对第二运行数据进行预测,得到得到设备运行趋势预测结果,并计算设备运行趋势预测结果的置信区间和误差范围。
具体的,设备运行趋势分析模型是一种用于对设备运行状态和趋势进行预测和分析的数学模型,其主要目的是通过对设备历史运行数据和相关参数的分析和建模,来预测未来一段时间内设备的运行状态和趋势,以便进行对应的管理和维护。设备运行趋势分析模型通常包括多个网络层级,其中最常用的模型类型是基于循环神经网络(RNN)或卷积神经网络(CNN)的模型。这些网络模型可以在较长的时间序列中建立隐藏状态,并通过反向传播算法来训练模型参数,以提高模型的预测能力和泛化性能。举个实施例来说,在设备运行趋势分析模型中,通过基于LSTM(长短时记忆网络)的模型,以处理时序数据的特点。具体而言,将第二次运行数据输入到LSTM网络中,在网络的输入层中设置合适的输入向量,比如当前时间、温度、湿度、运行时间等变量,同时可以使用滑动窗口技术,将历史数据划分出若干组时间序列数据,以便对设备运行趋势进行预测。在LSTM网络的隐藏层中,通过多层LSTM单元,并结合dropout、正则化等技术,以防止过拟合和提高模型的泛化性能。最后,在网络的输出层中,可以使用全连接层或softmax分类器,根据服务器对设备运行趋势进行分析和判断,例如判断设备是否处于故障状态、是否需要维护或更换部件等。同时,为了进一步提高模型的准确度和可靠性,可以进行模型参数的调整和优化,例如学习率、批大小、迭代次数等超参数的选择。总之,采用适当的神经网络模型,结合合理的输入数据和参数设置,可以有效地对设备的运行趋势进行分析和预测,为设备管理和维护提供重要参考。对设备运行趋势进行分析,通常通过时间序列分析和回归分析等方法来建立数学模型,并通过预测、拟合和评估等步骤来得到设备运行趋势预测结果。具体过程如下:数据预处理:将第二次运行数据输入到设备运行趋势分析模型中前,需要进行一些预处理操作,例如对数据进行清洗、标准化、归一化等,以保证数据的规范性和可信度。建立数学模型:根据历史运行数据和相关参数,可以选择适当的时间序列模型或回归模型,例如ARIMA模型、Holt-Winters模型、LSTM模型等,来描述设备的运行趋势。在模型的建立过程中,服务器对模型参数进行调整和优化,以提高模型的准确度和泛化能力。进行趋势分析:在得到经过训练的设备运行趋势分析模型后,即可将第二次运行数据输入到模型中进行分析和预测。具体而言,在时间序列模型中,可以使用滑动窗口技术,将历史数据划分为若干组时间序列数据,并利用模型中的自回归(AR)和滑动平均(MA)组合来预测设备未来的运行趋势。在回归模型中,可以使用线性回归、岭回归等方法,对相关变量进行建模,并通过拟合的方式来预测设备的运行状态。计算误差和置信区间:为了评估模型的准确度和可靠性,需要计算预测误差和置信区间。其中,预测误差可以使用各种指标来衡量,例如均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)等;置信区间则可以使用统计学方法来计算,例如t检验、F检验等。例如,假设服务器对一台设备的运行趋势进行分析和预测。首先,将第二次运行数据输入到预置的设备运行趋势分析模型中,以便对其进行趋势分析和预测。在模型中,选择LSTM模型作为数学模型,设置合适的输入向量和模型参数,并使用滑动窗口技术,将历史数据划分为若干组时间序列数据。然后,利用模型中的自回归和滑动平均组合,预测设备未来的运行趋势,并计算预测误差和置信区间。最后,根据预测结果和置信区间等信息,对设备的运行状态和趋势进行分析和判断,例如判断设备是否需要维护或更换部件。在实时更新后的设备运行趋势分析模型中,对第二次运行数据进行预测,得到设备运行趋势预测结果后,需要计算其置信区间和误差范围,以评估预测结果的可靠性和有效性。具体过程如下:计算置信区间:置信区间是指在一定置信水平下,真实值落在某个区间内的概率。常见的置信水平有95%、99%等,表示在这个水平下,有95%或99%的把握确定真实值在所求的区间内。置信区间的计算通常依赖于统计学方法,例如使用t分布、F分布等来计算置信区间的上限和下限。计算误差范围:误差范围是指预测值和真实值之间的差异,通常可以使用各种误差指标来衡量,例如均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)等。误差范围的大小可以反映预测结果的准确度和可靠性。举个实施例来说,假设已经将第二次运行数据输入到实时更新后的设备运行趋势分析模型中进行预测,得到了设备运行趋势预测结果。此时,需要计算其置信区间和误差范围,以评估预测结果的可靠性和有效性。假设选择95%的置信水平进行计算,则置信区间的上限和下限可以通过t分布表来查找。例如,如果计算出的t值为2.0,样本标准差为0.05,则置信区间的上限和下限为:上限=预测值+t*标准误差;下限=预测值-t*标准误差,其中标准误差是预测误差的标准差,可以用样本标准差来近似计算。例如,如果预测误差的样本标准差为0.01,则标准误差为:标准误差=样本标准差/sqrt(样本容量),同时,为了计算误差范围,可以使用均方误差(MSE)或均方根误差(RMSE)等指标,例如:MSE=(真实值-预测值)2/样本容量,RMSE=sqrt(MSE),最终,根据计算出的置信区间和误差范围,可以对设备运行趋势预测结果进行评估和分析,例如确定是否需要采取对应的管理和维护措施。
上面对本发明实施例中基于振动波形的设备状态诊断方法进行了描述,下面对本发明实施例中基于振动波形的设备状态诊断装置进行描述,请参阅图5,本发明实施例中基于振动波形的设备状态诊断装置一个实施例包括:
获取模块501,用于获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据;
转换模块502,用于对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
采集模块503,用于对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线;
比对模块504,用于根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态;
检测模块505,用于若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度;
分析模块506,用于若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
通过上述各个组成部分的协同合作,根据标准曲线库以及故障曲线库,对目标运行曲线进行曲线比对,得到曲线对比结果,并根据曲线比对结果确定目标设备运行状态;若目标设备运行状态为运行异常,则将第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,设备故障检测结果包括:故障类型和故障程度;若目标设备运行状态为运行正常,则将第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果,本发明通过对目标设备的历史运行数据进行建模,然后实现对历史运行数据构建标准曲线库以及故障曲线库,将标准曲线库以及故障曲线库用于对目标设备的状态分析,得到目标设备运行状态对目标设备的第二运行数据进行对应分析,进而实现了设备的智能监控,并且提高了设备的异常分析准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于振动波形的设备状态诊断装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于振动波形的设备状态诊断设备进行详细描述。
图6是本发明实施例提供的一种基于振动波形的设备状态诊断设备的结构示意图,该基于振动波形的设备状态诊断设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于振动波形的设备状态诊断设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于振动波形的设备状态诊断设备600上执行存储介质630中的一系列指令操作。
基于振动波形的设备状态诊断设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,MacOS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于振动波形的设备状态诊断设备结构并不构成对基于振动波形的设备状态诊断设备的限定,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。
本发明还提供一种基于振动波形的设备状态诊断设备,所述基于振动波形的设备状态诊断设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于振动波形的设备状态诊断方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于振动波形的设备状态诊断方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以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全部或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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomacceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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)
1.一种基于振动波形的设备状态诊断方法,其特征在于,所述基于振动波形的设备状态诊断方法包括:
获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据;
对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线;
根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态;
若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度;
若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
2.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据,包括:
在目标设备上设置传感器节点,其中,所述传感器节点包括:用于测量升降压力的液压传感器以及用于测量升降角度和加速度的惯性传感器;
通过所述传感器节点采集所述目标设备在历史运行过程中的多个第一运行数据;
基于预置的有限元模型建立设备轿厢检测波模型,并根据所述设备轿厢检测波模型设置所述目标设备的故障激励条件;
将所述多个第一运行数据输入所述设备轿厢检测波模型进行振动响应计算,得到多个振动响应数据。
3.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库,包括:
对所述多个振动响应数据进行小波分析,得到每个振动响应数据对应的目标子信号;
对所述目标子信号进行特征提取,得到目标特征信息,并对所述目标特征信息进行向量融合,得到每个振动响应数据的特征向量,以及根据所述特征向量生成多个振动融合特征数据;
对所述多个振动融合特征数据进行曲线转换,得到多个初始振动特征曲线,并对所述多个初始振动特征曲线进行曲线分类,得到标准曲线库以及故障曲线库,其中,所述标准曲线库包括设备运行正常状态下的振动特征曲线,所述故障曲线库包括不同类型故障下的振动特征曲线。
4.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线,包括:
对所述目标设备进行实时运行数据采集,得到实时运行数据;
对所述实时运行数据进行参数补偿,得到第二运行数据;
对所述第二运行数据进行特征参数提取,得到目标特征参数集合;
获取所述第二运行数据的时序信息,并根据所述时序信息对所述目标特征参数集合进行曲线映射,生成目标运行曲线。
5.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态,包括:
计算所述目标运行曲线与标准曲线库和故障曲线库中每条曲线之间的相似度;
根据所述相似度的大小,对所述目标运行曲线与标准曲线库和故障曲线库中的曲线进行排序,选取相似度最高的前k条曲线作为候选曲线,并将所述候选曲线作为曲线对比结果;
根据所述曲线比对结果确定目标设备运行状态,若目标运行曲线与标准曲线库中的曲线相似度最高,则确定目标设备运行状态为运行正常,若目标运行曲线与故障曲线库中的曲线相似度最高,则确定目标设备运行状态为运行异常。
6.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度,包括:
若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型,其中,所述设备运行故障分析模型包括:双向长短时记忆网络和逻辑回归网络;
通过所述双向长短时记忆网络对所述第二运行数据进行特征提取,得到所述第二运行数据中与故障相关的特征信息;
通过所述逻辑回归网络对所述第二运行数据中与故障相关的特征信息进行设备故障分类,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度。
7.根据权利要求1所述的基于振动波形的设备状态诊断方法,其特征在于,所述若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果,包括:
若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型;
采用滚动窗口技术对所述设备运行趋势分析模型进行实时更新,得到实时更新的模型;
通过所述实时更新的模型,对所述第二运行数据进行预测,得到得到设备运行趋势预测结果,并计算所述设备运行趋势预测结果的置信区间和误差范围。
8.一种基于振动波形的设备状态诊断装置,其特征在于,所述基于振动波形的设备状态诊断装置包括:
获取模块,用于获取目标设备的多个第一运行数据,并通过预置的设备轿厢检测波模型分别对所述多个第一运行数据进行振动响应分析,得到多个振动响应数据;
转换模块,用于对所述多个振动响应数据进行信号转换和信息融合,得到多个振动融合特征数据,并对所述多个振动融合特征数据进行曲线转换,生成标准曲线库以及故障曲线库;
采集模块,用于对所述目标设备进行实时运行数据采集,得到第二运行数据,并根据所述第二运行数据生成目标运行曲线;
比对模块,用于根据所述标准曲线库以及所述故障曲线库,对所述目标运行曲线进行曲线比对,得到曲线对比结果,并根据所述曲线比对结果确定目标设备运行状态;
检测模块,用于若所述目标设备运行状态为运行异常,则将所述第二运行数据输入预置的设备运行故障分析模型进行设备运行故障检测,得到设备运行故障检测结果,其中,所述设备故障检测结果包括:故障类型和故障程度;
分析模块,用于若所述目标设备运行状态为运行正常,则将所述第二运行数据输入预置的设备运行趋势分析模型进行设备运行趋势分析,得到设备运行趋势预测结果。
9.一种基于振动波形的设备状态诊断设备,其特征在于,所述基于振动波形的设备状态诊断设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于振动波形的设备状态诊断设备执行如权利要求1-7中任一项所述的基于振动波形的设备状态诊断方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于振动波形的设备状态诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652029.7A CN116380445B (zh) | 2023-06-05 | 2023-06-05 | 基于振动波形的设备状态诊断方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652029.7A CN116380445B (zh) | 2023-06-05 | 2023-06-05 | 基于振动波形的设备状态诊断方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116380445A true CN116380445A (zh) | 2023-07-04 |
CN116380445B CN116380445B (zh) | 2023-08-08 |
Family
ID=86979125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652029.7A Active CN116380445B (zh) | 2023-06-05 | 2023-06-05 | 基于振动波形的设备状态诊断方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116380445B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110989A (zh) * | 2023-10-16 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及系统 |
CN117169501A (zh) * | 2023-11-03 | 2023-12-05 | 南通康盛医疗器械有限公司 | 一种手术器械表面微生物动态检测系统 |
CN117312763A (zh) * | 2023-11-30 | 2023-12-29 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管系统及方法 |
CN118032118A (zh) * | 2024-01-11 | 2024-05-14 | 北京唯试科技有限公司 | 一种基于wifi-mesh技术的无线加速度传感器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
EP2777957A2 (en) * | 2013-03-14 | 2014-09-17 | The Goodyear Tire & Rubber Company | Predictive peer-based tire health monitoring |
CN104655977A (zh) * | 2014-12-19 | 2015-05-27 | 华北电力大学(保定) | 基于转矩比较原理的发电机励磁绕组短路故障诊断方法 |
CN106441896A (zh) * | 2016-10-14 | 2017-02-22 | 石家庄铁道大学 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
CA2992775A1 (en) * | 2017-02-02 | 2018-08-02 | Vale S.A. | Railway wheels monitoring system and method |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN109856501A (zh) * | 2019-01-13 | 2019-06-07 | 广西电网有限责任公司南宁供电局 | 一种变压器有载分接开关及绕组变形故障检测方法 |
-
2023
- 2023-06-05 CN CN202310652029.7A patent/CN116380445B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
EP2777957A2 (en) * | 2013-03-14 | 2014-09-17 | The Goodyear Tire & Rubber Company | Predictive peer-based tire health monitoring |
CN104655977A (zh) * | 2014-12-19 | 2015-05-27 | 华北电力大学(保定) | 基于转矩比较原理的发电机励磁绕组短路故障诊断方法 |
CN106441896A (zh) * | 2016-10-14 | 2017-02-22 | 石家庄铁道大学 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
CA2992775A1 (en) * | 2017-02-02 | 2018-08-02 | Vale S.A. | Railway wheels monitoring system and method |
CN108394426A (zh) * | 2017-02-02 | 2018-08-14 | 淡水河谷公司 | 铁路车轮监测系统及方法 |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN109856501A (zh) * | 2019-01-13 | 2019-06-07 | 广西电网有限责任公司南宁供电局 | 一种变压器有载分接开关及绕组变形故障检测方法 |
Non-Patent Citations (1)
Title |
---|
牟宗磊等: "数据驱动的凸轮式绝对重力仪微小故障诊断", 振动、测试与诊断 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110989A (zh) * | 2023-10-16 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及系统 |
CN117110989B (zh) * | 2023-10-16 | 2024-02-06 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及系统 |
CN117169501A (zh) * | 2023-11-03 | 2023-12-05 | 南通康盛医疗器械有限公司 | 一种手术器械表面微生物动态检测系统 |
CN117169501B (zh) * | 2023-11-03 | 2023-12-29 | 南通康盛医疗器械有限公司 | 一种手术器械表面微生物动态检测系统 |
CN117312763A (zh) * | 2023-11-30 | 2023-12-29 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管系统及方法 |
CN117312763B (zh) * | 2023-11-30 | 2024-02-23 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管系统及方法 |
CN118032118A (zh) * | 2024-01-11 | 2024-05-14 | 北京唯试科技有限公司 | 一种基于wifi-mesh技术的无线加速度传感器 |
Also Published As
Publication number | Publication date |
---|---|
CN116380445B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
Smarsly et al. | Machine learning techniques for structural health monitoring | |
CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN111695452B (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
CN117216528A (zh) | 一种基于环境多因素-频率增强映射模型的桥梁性能预警方法 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
CN116861232A (zh) | 基于dbn-ocsvm的空气质量数据异常检测模型 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN115034307A (zh) | 多参量自适应融合的振动数据自确认方法、系统及终端 | |
CN115275977A (zh) | 一种用电负荷预测方法及装置 | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
CN112685933B (zh) | 一种滚轮丝杠副剩余使用寿命预测方法 | |
CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |