CN116593145A - 故障检测方法、装置、计算机设备和存储介质 - Google Patents

故障检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116593145A
CN116593145A CN202310556733.2A CN202310556733A CN116593145A CN 116593145 A CN116593145 A CN 116593145A CN 202310556733 A CN202310556733 A CN 202310556733A CN 116593145 A CN116593145 A CN 116593145A
Authority
CN
China
Prior art keywords
spectrum
fault detection
order
abnormal
vibration
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
Application number
CN202310556733.2A
Other languages
English (en)
Other versions
CN116593145B (zh
Inventor
徐驰
李惠军
汪凌峰
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.)
Leewell Intelligence Shenzhen Co ltd
Original Assignee
Leewell Intelligence Shenzhen 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 Leewell Intelligence Shenzhen Co ltd filed Critical Leewell Intelligence Shenzhen Co ltd
Priority to CN202310556733.2A priority Critical patent/CN116593145B/zh
Publication of CN116593145A publication Critical patent/CN116593145A/zh
Application granted granted Critical
Publication of CN116593145B publication Critical patent/CN116593145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供一种故障检测方法、装置、计算机设备和存储介质，方法包括：获取待检测的目标设备的初始振动信号，并基于初始振动信号确定各历史时段的振动特征值；基于振动特征值的时序变化特征从历史时段中筛选出异常时段；从初始振动信号中提取异常时段对应的异常振动信号；基于异常振动信号的解调结果确定目标设备的故障检测结果。本申请实施例通过从初始振动信号中提取数量更少的异常振动信号用于后续的故障检测，提高了对机械故障的检测效率以及效果，有效解决了现有技术中针对数据量较多的原始振动信号进行故障检测时，数据量太多导致机械设备故障诊断效果差，效率低的问题。

Description

故障检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及设备检测技术领域，具体涉及一种故障检测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济和科技水平的进步，在工业、制造业中用于生产的机械设备也不断向大型化、精密化和自动化的方向发展，为保障这些机械的安全正常运作，避免因劣化、磨损等故障造成严重的经济财产损失，机械设备的故障诊断方法正在日益被人们所重视。由于机械设备的振动信号蕴含了设备工作过程的大量信息，机械设备故障诊断方法因此大多基于设备的振动信号进行。
目前常用的机械设备故障诊断方法主要依靠监督式的分类和回归模型，即在对某一设备进行故障诊断前需要收集涵盖其不同运行条件的训练数据。然而在实际问题中，设备运行状态千变万化，很难保证其训练数据集的完整性，实际问题的紧迫性也不允许长时间收集训练数据用于诊断模型的训练。尤其是对于高频采样的振动数据，模型的训练和预测成本较高，难以较好地完成对机械设备的故障诊断。
发明内容
基于此，有必要针对上述技术问题，提供一种故障检测方法、装置、计算机设备和存储介质，用以解决现有的故障检测方法存在的故障诊断效果不够理想的问题。
第一方面，本申请提供一种故障检测方法，包括：
获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
从所述初始振动信号中提取所述异常时段对应的异常振动信号；
基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
作为本申请的一种可行实施例，所述基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果，包括：
计算所述异常振动信号的阶次包络解调谱；
对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇；
基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤处理，得到目标包络解调谱；
基于目标包络解调谱的阶次特征确定所述目标设备的故障检测结果。
作为本申请的一种可行实施例，所述对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇，包括：
对所述阶次包络解调谱的横坐标投影结果进行聚类，得到第一聚类谱簇；
对所述阶次包络解调谱的纵坐标投影结果进行聚类，得到第二聚类谱簇；
将所述第一聚类谱簇和所述第二聚类谱簇确定为所述阶次谱簇；
所述基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤，得到目标包络解调谱，包括：
基于所述阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对所述阶次包络解调谱进行过滤，得到目标包络解调谱。
作为本申请的一种可行实施例，所述基于所述阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对所述阶次包络解调谱进行过滤，得到过滤后的包络解调谱，包括；
基于所述阶次谱簇中的第一聚类谱簇的起止位置对所述阶次包络解调谱进行带通滤波处理，得到带通包络解调谱；
基于所述阶次谱簇中的第二聚类谱簇的谱强度对所述带通包络解调谱进行筛选，得到目标包络解调谱。
作为本申请的一种可行实施例，所述计算所述异常振动信号的阶次包络解调谱，包括：
基于所述目标设备的转速信息对所述异常振动信号进行等相位重采样处理，得到重采样振动信号；
对所述重采样振动信号的包络线进行傅里叶变换处理，得到所述异常振动信号的阶次包络解调谱。
作为本申请的一种可行实施例，所述振动特征值包括有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度中的至少两种；
所述基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段，包括：
基于各历史时段对应的振动特征值计算各所述振动特征值对应的信息熵；
基于各所述振动特征值对应的信息熵从所述振动特征值中确定出目标振动特征值；
基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段。
作为本申请的一种可行实施例，所述基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段，包括：
基于各所述历史时段对应的目标振动特征值的时序变化特征计算各历史时段对应的预测振动特征值；所述时序变化特征是基于所述目标振动特征值的时序先验分布提取得到；
基于所述目标振动特征值和所述预测振动特征值的比较结果从所述历史时段中筛选出异常时段。
第二方面，本申请提供一种故障检测装置，包括：
获取模块，用于获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
筛选模块，用于基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
提取模块，用于从所述初始振动信号中提取所述异常时段对应的异常振动信号；
检测模块，用于基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述任一项提供的故障检测方法。
第四方面，本申请还提供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进行加载，以执行上述任一项所述的故障检测方法。
本申请实施例提供的故障检测方法，基于机械设备的振动信号计算各历史时段的振动特征值，然后利用振动特征值的时序变化特征筛选出可能存在故障的异常时段，从而从初始振动信号中提取数量更少的异常振动信号用于后续的故障检测，提高了对机械故障的检测效率以及效果，有效解决了现有技术中针对数据量较多的原始振动信号进行故障检测时，数据量太多导致机械设备故障诊断效果差，效率低的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种故障检测方法的步骤流程示意图；
图2为本申请实施例提供的一种基于阶次分析的聚类结果完成对设备的故障检测的步骤流程示意图；
图2(a)为一种振动信号的阶次解调谱的示意图；
图2(b)为本申请实施例提供的一种目标包络解调谱的示意图；
图3为本申请实施例提供的一种对横纵坐标投影结果进行聚类的步骤流程示意图；
图4为本申请实施例提供的一种对阶次包络解调谱进行滤波与筛选的步骤流程示意图；
图5为本申请实施例提供的一种对振动信号进行预处理以计算阶次包络解调谱的步骤流程示意图；
图6为本申请实施例提供的一种对振动特征值进行筛选的步骤流程示意图；
图6(a)为本申请实施例提供的一种从振动信号中提取出的多维振动特征值的示意图；
图7为本申请实施例提供的一种筛选异常时段的步骤流程示意图；
图7(a)为本申请实施例提供的一种对振动特征值进行筛选的示意图；
图7(b)为本申请实施例提供的一种异常振动信号的示意图；
图8为本申请实施例提供的一种故障检测装置的结构示意图；
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请的描述中，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所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
为便于理解本申请实施例提供的故障检测方法，先对故障检测的实施场景进行说明。故障检测通常是指针对于大型机械设备，如电机、汽轮机、引擎、泵的故障检测，由于机械设备的零部件，如轴承、齿轮发生不同类型的故障损坏时，往往会导致机械设备产生不同程度的异常振动，因此，可以基于机械设备的振动信号完成对机械设备的故障检测。然而，大部分与故障相关的异常振动信号都会淹没在机械设备正常运行所产生的振动信号中，尤其是一些旋转类机械设备，由于旋转类机械设备运行速度较快，同时故障程度和发生点面积往往较小，会导致由故障引发的异常振动发生速度快且强度弱，从而淹没在设备运行产生的随机噪声中，导致故障诊断工作难度增加。
目前，从机械设备中提取出异常诊断信号往往依赖于人为经验或是依赖监督式的分类和回归模型，人为经验对工程师的技术要求较高，而监督式的分类和回归模型，则往往需要收集涵盖不同运行条件的训练数据。但在真实场景下，设备运行状态千变万化，很难保证其训练数据集的完整性，实际问题的紧迫性也不允许长时间收集训练数据用于诊断模型的训练，导致模型训练的效果不够理想，从而无法有效的完成对机械设备的故障诊断。
而正是为了解决上述问题，本申请提供一种故障检测方法、装置、计算机设备和存储介质，先利用振动信号各时段的振动特征值筛选出异常时段，然后利用异常振动信号的解调结果完成对设备的故障检测。具体的，本申请实施例提供的故障检测方法是以计算机程序的方式安装在故障检测装置中，故障检测装置是以处理器的形式设置于计算机设备中，计算机设备中的故障检测装置通过运行故障检测方法对应的计算机程序，从而完成对目标设备的故障。具体的，如图1所示，图1为本申请实施例提供的一种故障检测方法的步骤流程示意图，具体的，包括步骤S110～S140：
S110，获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值。
本申请实施例中，结合前述所提供的实施场景可知，目标设备通常是指机械设备，这些机械设备包括旋转类机械设备，也可以包括非旋转类机械设备，本申请在此不做限定，但在后续的某些实施例，将会以旋转类机械设备为例来进行说明。
进一步的，目标设备的初始振动信号通常是利用安装在设备上的传感器按照固定的频率采集得到，为了保证后续的故障检测效果，通常情况下，传感器都会以高频的采样频率采集数据，例如，比较常用的，传感器可以5120Hz的采样频率进行采样得到振动信号，即每秒采样5120次，但此时采集得到的振动信号数据量巨大，为便于后续的计算，故障检测装置会按照一定的周期对振动信号进行划分，从而得到若个历史时段，例如，作为一种可行的实现方案，可以按照以每小时的周期进行划分，然后对每个时段对应的振动信号进行处理，从而提取得到各个历史时段的振动特征值。具体的，振动特征值是一种以统计量形式存在的描述该历史时段整体特征的数值，例如，比较常见的振动特征值可以包括有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度中的任意一种或者任意若干种的组合，具体可以实际用户的实际需求选择。而通过上述方式处理，就可以将高维的初始振动信号处理为低维数据，例如，将各历史时段的振动特征值排序，可以得到矩阵Y＝[Y1,Y2,…,Yt]，其中，下标t代表不同的历史时段，而Y1～Yt为均为列向量，该向量中每一维度的值即对应历史时段所采集到的振动信号的一种振动特征值。
S120，基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段。
本申请实施例中，在前述得到各历史时刻的振动特征之后，故障检测装置会进一步考虑到数据的时序变化特征，来从历史时段中筛选出振动特征值不符合数据的时序变化的异常时段。
进一步的，作为本申请的一种可行实施例，当振动特征值包括有都多种，例如包括有有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度中的至少两种时，此时，故障检测装置还会预先对振动特征值进行筛选，选择其中不确定度更小的振动特征值来用于后续的对异常时段的筛选，具体的实现方案可以参阅后续图6及其解释说明的内容。
S130，从所述初始振动信号中提取所述异常时段对应的异常振动信号。
本申请实施例中，结合前述步骤S110的相关描述可知，完整的初始振动信号会按照设定好的周期进行划分，得到若干时段，并基于每一时段的振动信号提取出各时段对应的振动特征值，因此，在从历史时段筛选出异常时段后，故障检测装置能够从初始振动信号中提取与该异常时段对应的异常振动信号，相较于初始振动信号，异常振动信号仅仅为单个周期内产生的振动信号，因而数据量远远小于初始振动信号，更利于后续的故障诊断。
S140，基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
本申请实施例中，在前述筛选出异常振动信号后，本申请实施例通过进一步对异常振动信号进行解调，例如，基于傅立叶变换，小波分析，经验模态分解，阶次分析等方法从中筛选出周期性的脉冲冲击，后续就可以基于该脉冲冲击的特征参数，如阶次特征等等查询相关的设备参数故障表，从而得到目标设备的故障检测结果。
具体的，为提高对异常振动信号的解调效果，从而提高故障诊断的检测效果，作为本申请的一种可行实施例，提供了一种无监督的聚类思想来对异常振动信号进行处理的实现方案，该方式能够有效避免了现有技术中耗时的训练数据集的收集和标记的过程，提高了故障检测的效率，具体的实现方案可以参阅后续2及其解释说明的内容。
本申请实施例提供的故障检测方法，基于机械设备的振动信号计算各历史时段的振动特征值，然后利用振动特征值的时序变化特征筛选出可能存在故障的异常时段，从而从初始振动信号中提取数量更少的异常振动信号用于后续的故障检测，提高了对机械故障的检测效率以及效果，有效解决了现有技术中针对数据量较多的原始振动信号进行故障检测时，数据量太多导致机械设备故障诊断效果差，效率低的问题。
如图2所示，图2为本申请实施例提供的一种基于阶次分析的聚类结果完成对设备的故障检测的步骤流程示意图，具体的，包括步骤S210～S240：
S210，计算所述异常振动信号的阶次包络解调谱。
本申请实施例中，异常振动信号的阶次包络解调谱可以是通过对信号的包络线进行阶次分析得到，具体的处理方式包括但不限于希尔伯特变换、离散小波变换、同步压缩傅里叶变换、同步压缩小波变换等等，本申请实施例在此对计算阶次包络解调谱的方式不做赘述。
进一步的，考虑到当需要进行故障检测的目标机械设备是旋转类机械设备时，由于这类设备的运行速度一般较快，同时故障程度和发生点面积往往较小，会导致由故障引发的冲击作用发生速度快，强度弱，往往会被淹没在设备运行产生的随机噪声中，导致故障检测效果不够理想。因此，为提高旋转类机械设备的检测效果，作为本申请的一种可行实施例，提出了一种基于目标设备的转速信息对信号进行相位重采样处理的方案，具体的，实现过程可以参阅后续图5及其解释说明的内容。
S220，对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇。
本申请实施例中，在得到阶次包络解调谱，通过对其向不同坐标的投影结果进行聚类处理，就可以用于代替人为经验更好的完成对信息的处理。具体的，聚类可以是基于无监督的算法模型实现，例如，作为本申请的一种可行实施例，可以利用高斯混合模型建模来对阶次包络解调谱的坐标投影结果进行聚类分类，从而得到若干阶次谱簇。
具体的，阶次包络解调谱的坐标投影结果通常情况下包括有两种，一种是向横坐标上的投影，而另一种则为向纵坐标上的投影，针对于不同坐标上的投影，其主要用于后续对阶次包络解调谱的不同处理，具体的实现方案可以参阅后续图3及其解释说明的内容。
S230，基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤处理，得到目标包络解调谱。
本申请实施例中，在基于无监督的聚类方式完成对阶次包络解调谱的坐标投影结果的聚类，得到阶次谱簇后，故障检测装置会进一步基于阶次谱簇的特征信息来对阶次包络解调谱进行相应的处理，从而得到处理之后的包络解调谱，也就是用于后续故障诊断的目标包络解调谱。具体的，针对与对不同坐标投影结果进行聚类所得到的不同阶次谱簇，故障检测装置会基于不同的特征信息来对阶次包络解调谱进行不同的处理，例如，对横坐标投影结果聚类所得到的阶次谱簇主要是用于完成对信号的分段，而对纵坐标投影结果聚类所得到的阶次谱簇主要是用于完成对信号的筛选，具体的实现方案可以参阅后续图4及其解释说明的内容。
为便于理解本申请实施例所提供的目标包络解调谱相对于振动信号的阶次解调谱的差异，如图2(a)和图2(b)所示，分别示出了振动信号的阶次解调谱和本申请实施例所提供的目标包络解调谱的示意图。具体的，如图2(a)所示，图2(a)为一种振动信号的阶次解调谱的示意图，可以看出，该阶次解调谱的阶次谱信息较混乱，故障阶次并不明显，确定引发该现象的具体故障类型往往需要有经验的操作人员进一步分析。而根据图2(b)所示出的一种目标包络解调谱的示意图可以看出，通过本申请实施例提供的故障检测方法所得到的目标包络解调谱，相对于图2(a)示出的阶次解调谱，其谱信息特征明显，故障特征阶次和其倍数阶清晰可见，更便于后续的故障诊断。
S240，基于目标包络解调谱的阶次特征确定所述目标设备的故障检测结果。
本申请实施例中，在前述得到目标包络解调谱后，进一步分析出该目标包络解调谱的阶次特征，并查询相应的设备故障参数表，就可以得到目标设备的故障检测结果。具体的，以前述提供图2(b)提供的目标包络解调谱为例，经识别发现该目标包络解调谱的特征阶次与转频一致，查询设备故障参数表可知该目标设备的故障检测结为转子不对中、不平衡，且与后续现场排查结果相一致。
如图3所示，图3为本申请实施例提供的一种对横纵坐标投影结果进行聚类的步骤流程示意图，具体的，包括步骤S310～S330：
S310，对所述阶次包络解调谱的横坐标投影结果进行聚类，得到第一聚类谱簇。
本申请实施例中，对阶次包络解调谱的横坐标投影结果进行聚类是指先将阶次包络解调谱投影在横坐标上，然后对横坐标上的投影结果进行高斯混合模型建模，完成对阶次包络解调谱的横坐标投影结果的聚类，从而得到第一聚类谱簇。
S320，对所述阶次包络解调谱的纵坐标投影结果进行聚类，得到第二聚类谱簇。
本申请实施例中，对阶次包络解调谱的纵坐标投影结果进行聚类是指先将阶次包络解调谱投影在纵坐标上，然后对纵坐标上的投影结果进行高斯混合模型建模，完成对阶次包络解调谱的纵坐标投影结果的聚类，从而得到第二聚类谱簇。
S330，将所述第一聚类谱簇和所述第二聚类谱簇确定为所述阶次谱簇。
本申请实施例中，不管是对阶次包络解调谱的横坐标投影结果进行聚类所得到的第一聚类谱簇，还是对阶次包络解调谱的纵坐标投影结果进行聚类所得到的第二聚类谱簇，都会视为对阶次包络解调谱的坐标投影结果进行聚类所得到的阶次谱簇用于后续的处理，也就是基于阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对阶次包络解调谱进行过滤，得到目标包络解调谱。具体的，基于阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对阶次包络解调谱进行不同的处理的方案，可以参阅后续图4及其解释说明的内容。
如图4所示，图4为本申请实施例提供的一种对阶次包络解调谱进行滤波与筛选的步骤流程示意图，具体的，包括步骤S410～S420：
S410，基于所述阶次谱簇中的第一聚类谱簇的起止位置对所述阶次包络解调谱进行带通滤波处理，得到带通包络解调谱。
本申请实施例中，在完成对阶次包络解调谱的横坐标投影结果的聚类，得到第一聚类谱簇后，故障检测装置会基于阶次谱簇中的第一聚类谱簇来完成对阶次包络解调谱的信息分段，具体的，故障检测装置会基于第一聚类谱簇的起止位置完成对阶次包络解调谱的带通滤波，从而得到带通滤波后的带通包络解调谱。
S420，基于所述阶次谱簇中的第二聚类谱簇的谱强度对所述带通包络解调谱进行筛选，得到目标包络解调谱。
本申请实施例中，在完成对阶次包络解调谱的纵坐标投影结果的聚类，得到第二聚类谱簇后，故障检测装置会基于阶次谱簇中的第二聚类谱簇来完成对阶次包络解调谱的过滤，用于滤除包络解调谱的噪声及其他干扰成分。具体的，故障检测装置会基于第二聚类谱簇的谱强度，过滤掉谱强度较低的聚类谱簇，从而得到最终的目标包络解调谱。
需要说明的是，在上述提供的实施例中，故障检测装置是先依次完成对横纵坐标上投影结果的聚类，然后基于不同的聚类结果完成对包络解调谱的不同处理，从而得到目标包络解调谱。事实上，该方案也可以是先完成对横坐标上投影结果的聚类，然后基于聚类结果实现对信息的分段，得到带通包络解调谱，然后利用带通包络解调谱在纵坐标上投影结果的聚类结果，完成对噪音的滤除，从而最终得到目标包络解调谱。
如图5所示，图5为本申请实施例提供的一种对振动信号进行预处理以计算阶次包络解调谱的步骤流程示意图，具体的，包括步骤S510～S520：
S510，基于所述目标设备的转速信息对所述异常振动信号进行等相位重采样处理，得到重采样振动信号。
本申请实施例中，结合前述步骤S210的相关描述可知，针对于旋转类设备，由于其故障产生的振动信号容易淹没在设备运行所产生的噪音中，导致故障检测难度增加，因此，为提高旋转类设备的故障检测结果，故障检测装置可以先对异常振动信号进行预处理。具体的，故障检测装置可以利用目标设备的转速信息对异常振动信号进行等相位重采样处理，得到重采样振动信号，其中，目标设备的转速可以是通过传感器采集得到，当然也可以是采用其他方式通过对振动信号处理得到，本申请实施例在此对获取设备的转速信息不做赘述。
S520，对所述重采样振动信号的包络线进行傅里叶变换处理，得到所述异常振动信号的阶次包络解调谱。
在前述得到重采样振动信号之后，进一步计算该重采样振动信号的包络线，然后对包络线进行快速傅里叶变换，即可得到异常振动信号的阶次包络解调谱，该阶次包络解调谱是基于目标设备的转速信息对异常振动信号进行等相位重采样处理后得到，有效消除了设备运行所产生的噪音，从而提高了后续故障检测的效果。
如图6所示，图6为本申请实施例提供的一种对振动特征值进行筛选的步骤流程示意图，具体的，包括步骤S610～S630：
S610，基于各历史时段对应的振动特征值计算各所述振动特征值对应的信息熵。
本申请实施例中，当提取的历史时段的振动特征值包括有有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度中的至少两种时，例如，如图6(a)所示，提供了一种从振动信号中提取出的多维振动特征值的示意图，此时，为从历史时段中筛选出异常时段，需要先从这些特征值中确定出更适合用于异常时段筛选的不确定度更小的振动特征值，具体的，故障检测装置可以通过计算各振动特征值对应的信息熵来筛选出不确定度更小的振动特征值，当然，在计算信息熵之前，还需要将各振动特征值进行范数归一化处理，以映射到相同的取值范围中。
S620，基于各所述振动特征值对应的信息熵从所述振动特征值中确定出目标振动特征值。
本申请实施例中，信息熵越小，则表明该特征值的不确定度更小，反之信息熵越大，则表明该特征值的不确定度越高。因此，可以基于各振动特征值对应的信息熵，从振动特征值中确定出信息熵最小的振动特征值作为目标振动特征值。
S630，基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段。
本申请实施例中，在从多个振动特征值中筛选出不确定度更小，更适宜用于后续异常时段筛选的目标振动特征值后，故障检测装置会基于各历史时段对应的目标振动特征值从历史时段中筛选出异常时段，其中，具体的实现方案可以参阅后续图7及其解释说明的内容。
如图7所示，图7为本申请实施例提供的一种筛选异常时段的步骤流程示意图，具体的，包括步骤S710～S720：
S710，基于各所述历史时段对应的目标振动特征值的时序变化特征计算各历史时段对应的预测振动特征值。
本申请实施例中，目标振动特征值的时序变化特征是基于目标振动特征值的时序先验分布提取得到，其中，时序先验分布可以是通过无监督的算法模型处理得到，包括但不限于多维高斯分布、高斯混合分布、AR自回归模型等等，本申请实施例在此不再赘述。该预测振动特征值描述了在前序时段内根据目标振动特征值的变化情况所预测出的当前时段的可能的振动特征值。
具体的，各预测振动特征值可以是基于时序先验分布对应的后验概率分布的均值以及协方差矩阵，并基于2倍标准差原理所计算得到一个判断区间，也就是预测区间。
S720，基于所述目标振动特征值和所述预测振动特征值的比较结果从所述历史时段中筛选出异常时段。
本申请实施例中，将各历史时段对应的目标振动特征值和预测振动特征值进行比较，若目标振动特征值和预测振动特征值差距较大，或是在预测振动特征值差作为一个区间时，目标振动特征值处于该区间的范围之外，则表明对应的历史时段可能出现了设备故障，因此，可以将该历史时段确定为异常时段。当然，需要说明的时，上述方式所筛选出的异常时段仅仅为基于特征值的时序变化所分析出的可能存在故障的时段，具体是否存在故障以及存在何种故障仍需要结合后续步骤，也就是步骤S130，S140以及图2～图5的相关内容才能确定。
为便于理解本申请实施例提供的筛选异常时段的方式，具体的，如图7(a)所示，图7(a)为本申请实施例提供的一种对振动特征值进行筛选的示意图，其中，可以看出，置信区间即为本申请实施例中基于无监督的方式利用特征值的时序分布所计算得到的预测振动特征值所构成的区间，当特征值在该置信区间内，表明对应时段内设备处于正常运行状态中，反之，当特征值超过该置信区间，也就是图中所圈出的特征值，表明对应时段内设备可能发生了故障。而图7(b)则为进一步基于异常时段所提取出的异常振动信号。
为更清楚理解本申请实施例提供的故障检测方法，下述将结合前述图1～图7的技术方案，提供一种故障检测方法的完整流程示意图，具体的，包括如下步骤：
1)获取旋转设备运行过程的振动信号集合Y＝[Y1,Y2,…,Yt],其中下标代表了数据的采集顺序，分别对应不同的历史时段；
2)提取振动数据Y1到Yt的特征值，包括：有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度等等；具体可以参考图6(a)所提供的多维振动特征值的示意图；
3)对步骤2中得到的9种特征值进行范数归一化操作，并计算归一化的特征值的信息熵；
4)选取步骤3中最小信息熵对应的特征值Λ＝[Λ1,Λ2,…,Λt]，以用于后续处理的数据集；
5)选择感兴趣的时序先验分布，包括多维高斯分布、高斯混合分布、AR自回归模型等，根据训练数据进行模型拟合，预测出前t时刻特征值Λ的后验概率分布p(T)；
6)根据步骤5概率分布p(T)的均值和协方差矩阵，根据2倍标准差原理计算特征值Λ的判断区间I∈[Ilow,Iup]；
7)判断特征值集合Λ是否超出步骤6中计算得到的判断区间：如是，则判定超出点Λi为设备异常点，其发生时刻i为设备异常运行时刻；具体的判断区间以及设备异常运行时刻可以参考图7(a)所提供的示意图；
8)从数据集中选取需要诊断处理时刻的振动信号Yi＝[yi,1,yi,2,…yi,L]，其中L为数据长度，也就是在预设周期内按照给定采样频率所采集得到的数据的数量；具体可以参考图7(b)所提供的异常振动信号的示意图；
9)根据设备转速信息，对振动信号进行等相位重采样操作，得到重采样振动信号其中/>是重采样信号的相位，/>为振动幅度，n为等相位重采样后的数据长度；
10)计算重采样振动信号的包络线/>并通过快速傅里叶变换得到i时刻的阶次包络解调谱Penv；
11)对阶次包络解调谱Penv向横坐标投影，对投影结果进行高斯混合模型建模，实现无监督分类算法，用来代替人为经验实现阶次谱的信息分段；
12)根据上述聚类结果，确定每一阶次谱簇的起始和终止位置并分别计算重采样振动信号的带通滤波结果；
13)计算带通滤波后的重采样信号的包络线，并进行短时傅里叶变换，从而提取出只含有特定成分的第j个簇的阶次包络解调谱
14)将阶次包络解调谱向纵坐标投影，并对投影结果进行高斯混合模型建模分类，并去掉谱强度较低的簇，用来代替人工经验筛选包络解调谱的噪声及其他干扰成分，得到最终的目标包络解调谱/>具体得到的目标包络解调谱/>的示意图可以参阅图2(b)；
15)在目标包络解调谱中逐一搜索满足整数倍关系的阶次：若识别成功，则记录整数倍数量集和对应阶次能量；若识别失败，则返回空数量集和空能量集；
16)合并不同阶次簇的数量集合和能量集，对于重复识别的阶次信息按阶次数量和阶次能量的优先顺序保留合并计算结果；
17)将计算得到的结果与设备特征阶次经行比对，如果计算结果与设备特征阶次对应，则可判断该设备的类型故障，实现故障诊断的目的；以图2(b)示出的目标包络解调谱为例，可以判断出该特征阶次与转频一致，查询设备故障参数表可知设备出现了转子不对中、不平衡故障，与真实情况相同。
为了更好实施本申请实施例提供的故障检测方法，在本申请实施例所提供的故障检测方法的基础之上，本申请实施例中还提供一种故障检测装置，如图8所示，故障检测装置800包括：
获取模块810，用于获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
筛选模块820，用于基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
提取模块830，用于从所述初始振动信号中提取所述异常时段对应的异常振动信号；
检测模块840，用于基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
在本申请一些实施例中，所述检测模块840用于计算所述异常振动信号的阶次包络解调谱；对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇；基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤处理，得到目标包络解调谱；基于目标包络解调谱的阶次特征确定所述目标设备的故障检测结果。
在本申请一些实施例中，所述检测模块840用于对所述阶次包络解调谱的横坐标投影结果进行聚类，得到第一聚类谱簇；对所述阶次包络解调谱的纵坐标投影结果进行聚类，得到第二聚类谱簇；将所述第一聚类谱簇和所述第二聚类谱簇确定为所述阶次谱簇；基于所述阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对所述阶次包络解调谱进行过滤，得到目标包络解调谱。
在本申请一些实施例中，所述检测模块840用于基于所述阶次谱簇中的第一聚类谱簇的起止位置对所述阶次包络解调谱进行带通滤波处理，得到带通包络解调谱；基于所述阶次谱簇中的第二聚类谱簇的谱强度对所述带通包络解调谱进行筛选，得到目标包络解调谱。
在本申请一些实施例中，所述检测模块840用于基于所述目标设备的转速信息对所述异常振动信号进行等相位重采样处理，得到重采样振动信号；对所述重采样振动信号的包络线进行傅里叶变换处理，得到所述异常振动信号的阶次包络解调谱。
在本申请一些实施例中，所述筛选模块820用于基于各历史时段对应的振动特征值计算各所述振动特征值对应的信息熵；基于各所述振动特征值对应的信息熵从所述振动特征值中确定出目标振动特征值；基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段。
在本申请一些实施例中，所述筛选模块820用于基于各所述历史时段对应的目标振动特征值的时序变化特征计算各历史时段对应的预测振动特征值；所述时序变化特征是基于所述目标振动特征值的时序先验分布提取得到；基于所述目标振动特征值和所述预测振动特征值的比较结果从所述历史时段中筛选出异常时段。
关于故障检测装置的具体限定可以参见上文中对于故障检测方法的限定，在此不再赘述。上述故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本申请一些实施例中，故障检测装置800可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该故障检测装置800的各个程序模块，比如，图8所示的获取模块810、筛选模块820、提取模块830以及检测模块840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的故障检测方法中的步骤。
例如，图9所示的计算机设备可以通过如图8所示的故障检测装置800中的获取模块810执行步骤S110。计算机设备可通过筛选模块820执行步骤S120。计算机设备可通过提取模块830执行步骤S130。计算机设备可通过检测模块840执行步骤S140。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种故障检测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现以下步骤：
获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
从所述初始振动信号中提取所述异常时段对应的异常振动信号；
基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行以下步骤：
获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
从所述初始振动信号中提取所述异常时段对应的异常振动信号；
基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种故障检测方法、装置、计算机设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种故障检测方法，其特征在于，包括：
获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
从所述初始振动信号中提取所述异常时段对应的异常振动信号；
基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
2.根据权利要求1所述的故障检测方法，其特征在于，所述基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果，包括：
计算所述异常振动信号的阶次包络解调谱；
对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇；
基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤处理，得到目标包络解调谱；
基于目标包络解调谱的阶次特征确定所述目标设备的故障检测结果。
3.根据权利要求2所述的故障检测方法，其特征在于，所述对所述阶次包络解调谱的坐标投影结果进行聚类，得到若干阶次谱簇，包括：
对所述阶次包络解调谱的横坐标投影结果进行聚类，得到第一聚类谱簇；
对所述阶次包络解调谱的纵坐标投影结果进行聚类，得到第二聚类谱簇；
将所述第一聚类谱簇和所述第二聚类谱簇确定为所述阶次谱簇；
所述基于各所述阶次谱簇的特征信息对所述阶次包络解调谱进行过滤，得到目标包络解调谱，包括：
基于所述阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对所述阶次包络解调谱进行过滤，得到目标包络解调谱。
4.根据权利要求3所述的故障检测方法，其特征在于，所述基于所述阶次谱簇中的第一聚类谱簇的特征信息，和/或第二聚类谱簇的特征信息对所述阶次包络解调谱进行过滤，得到过滤后的包络解调谱，包括；
基于所述阶次谱簇中的第一聚类谱簇的起止位置对所述阶次包络解调谱进行带通滤波处理，得到带通包络解调谱；
基于所述阶次谱簇中的第二聚类谱簇的谱强度对所述带通包络解调谱进行筛选，得到目标包络解调谱。
5.根据权利要求2所述的故障检测方法，其特征在于，所述计算所述异常振动信号的阶次包络解调谱，包括：
基于所述目标设备的转速信息对所述异常振动信号进行等相位重采样处理，得到重采样振动信号；
对所述重采样振动信号的包络线进行傅里叶变换处理，得到所述异常振动信号的阶次包络解调谱。
6.根据权利要求1～5任一项所述的故障检测方法，其特征在于，所述振动特征值包括有效值、峰值、峰峰值、峭度、峰值因子、脉冲因子、强度、峭度谱均值、峭度谱峭度中的至少两种；
所述基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段，包括：
基于各历史时段对应的振动特征值计算各所述振动特征值对应的信息熵；
基于各所述振动特征值对应的信息熵从所述振动特征值中确定出目标振动特征值；
基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段。
7.根据权利要求6所述的故障检测方法，其特征在于，所述基于各所述历史时段对应的目标振动特征值的时序变化特征从所述历史时段中筛选出异常时段，包括：
基于各所述历史时段对应的目标振动特征值的时序变化特征计算各历史时段对应的预测振动特征值；所述时序变化特征是基于所述目标振动特征值的时序先验分布提取得到；
基于所述目标振动特征值和所述预测振动特征值的比较结果从所述历史时段中筛选出异常时段。
8.一种故障检测装置，其特征在于，包括：
获取模块，用于获取待检测的目标设备的初始振动信号，并基于所述初始振动信号确定各历史时段的振动特征值；
筛选模块，用于基于所述振动特征值的时序变化特征从所述历史时段中筛选出异常时段；
提取模块，用于从所述初始振动信号中提取所述异常时段对应的异常振动信号；
检测模块，用于基于所述异常振动信号的解调结果确定所述目标设备的故障检测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的故障检测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的故障检测方法。
CN202310556733.2A 2023-05-16 2023-05-16 故障检测方法、装置、计算机设备和存储介质 Active CN116593145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310556733.2A CN116593145B (zh) 2023-05-16 2023-05-16 故障检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310556733.2A CN116593145B (zh) 2023-05-16 2023-05-16 故障检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN116593145A true CN116593145A (zh) 2023-08-15
CN116593145B CN116593145B (zh) 2024-01-09

Family

ID=87605737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310556733.2A Active CN116593145B (zh) 2023-05-16 2023-05-16 故障检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116593145B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117466153A (zh) * 2023-12-27 2024-01-30 利维智能（深圳）有限公司 故障检测方法、装置、计算机设备和可读存储介质
CN118094205A (zh) * 2024-04-28 2024-05-28 中建铁路投资建设集团有限公司 一种基于深度学习的智能化隧道结构健康监测系统
CN118410371A (zh) * 2024-07-04 2024-07-30 豪中豪健康科技有限公司 基于机器学习的按摩椅运行状态监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033359A (zh) * 2012-12-19 2013-04-10 西安交通大学 一种多特征多级综合评判的风电机组主传动装置故障诊断方法
US8549219B1 (en) * 2010-12-07 2013-10-01 Hewlett-Packard Development Company, L.P. Preventing hard drive failure and data loss due to vibration
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
CN110687896A (zh) * 2019-10-24 2020-01-14 利维智能（深圳）有限公司 故障诊断方法、装置、设备及可读介质
JP2021015103A (ja) * 2019-07-16 2021-02-12 株式会社東芝 機器の異常診断方法および機器の異常診断システム
WO2021052025A1 (zh) * 2019-04-26 2021-03-25 深圳市豪视智能科技有限公司 电风扇振动故障检测方法及装置
CN112557069A (zh) * 2019-09-25 2021-03-26 北京国双科技有限公司 一种设备振动故障检测方法、装置、系统及存储介质
CN113269169A (zh) * 2021-07-19 2021-08-17 武汉恩为科技有限公司 一种轴承故障检测方法和装置
US20220260985A1 (en) * 2021-02-12 2022-08-18 Accenture Global Solutions Limited System and method for automated failure mode detection of rotating machinery
CN115017953A (zh) * 2022-06-17 2022-09-06 昆明理工大学 基于密度峰值聚类的稀疏分量分析的机械故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8549219B1 (en) * 2010-12-07 2013-10-01 Hewlett-Packard Development Company, L.P. Preventing hard drive failure and data loss due to vibration
CN103033359A (zh) * 2012-12-19 2013-04-10 西安交通大学 一种多特征多级综合评判的风电机组主传动装置故障诊断方法
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
WO2021052025A1 (zh) * 2019-04-26 2021-03-25 深圳市豪视智能科技有限公司 电风扇振动故障检测方法及装置
JP2021015103A (ja) * 2019-07-16 2021-02-12 株式会社東芝 機器の異常診断方法および機器の異常診断システム
CN112557069A (zh) * 2019-09-25 2021-03-26 北京国双科技有限公司 一种设备振动故障检测方法、装置、系统及存储介质
CN110687896A (zh) * 2019-10-24 2020-01-14 利维智能（深圳）有限公司 故障诊断方法、装置、设备及可读介质
US20220260985A1 (en) * 2021-02-12 2022-08-18 Accenture Global Solutions Limited System and method for automated failure mode detection of rotating machinery
CN113269169A (zh) * 2021-07-19 2021-08-17 武汉恩为科技有限公司 一种轴承故障检测方法和装置
CN115017953A (zh) * 2022-06-17 2022-09-06 昆明理工大学 基于密度峰值聚类的稀疏分量分析的机械故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐贵基 等: "基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究", 振动工程学报, no. 05 *
魏永合 等: "基于LLE及其改进距离算法的轴承故障诊断模型", 组合机床与自动化加工技术, no. 07 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117466153A (zh) * 2023-12-27 2024-01-30 利维智能（深圳）有限公司 故障检测方法、装置、计算机设备和可读存储介质
CN117466153B (zh) * 2023-12-27 2024-03-12 利维智能（深圳）有限公司 故障检测方法、装置、计算机设备和可读存储介质
CN118094205A (zh) * 2024-04-28 2024-05-28 中建铁路投资建设集团有限公司 一种基于深度学习的智能化隧道结构健康监测系统
CN118410371A (zh) * 2024-07-04 2024-07-30 豪中豪健康科技有限公司 基于机器学习的按摩椅运行状态监测方法
CN118410371B (zh) * 2024-07-04 2024-09-24 豪中豪健康科技有限公司 基于机器学习的按摩椅运行状态监测方法

Also Published As

Publication number Publication date
CN116593145B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN116593145B (zh) 故障检测方法、装置、计算机设备和存储介质
CN111238807A (zh) 一种行星齿轮箱故障诊断方法
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN112527604A (zh) 一种基于深度学习的运维检测方法、系统、电子设备及介质
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
US6721445B1 (en) Method for detecting anomalies in a signal
CN115409052A (zh) 一种数据失衡下风力发电机组轴承的故障诊断方法及系统
CN117116290B (zh) 基于多维特征的数控机床部件缺陷定位方法和相关设备
US20160045120A1 (en) Systems and methods for spike sorting
CN117708760B (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
Zhang et al. An image processing approach to machine fault diagnosis based on visual words representation
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN113705405B (zh) 一种核管道故障诊断方法
CN111677674A (zh) 一种故障检测方法及装置
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN118427681A (zh) 一种基于自监督对比学习增强的跨工况开集故障诊断方法及设备
CN113369993A (zh) 一种小样本下刀具磨损状态监测方法
CN113283371A (zh) 一种基于brisk特征的局部放电特征提取及分类方法
CN106444706A (zh) 基于数据邻域特征保持的工业过程故障检测方法
CN114997207A (zh) 设备状态检测方法、装置、设备和存储介质
CN114121025A (zh) 一种面向变电站设备的声纹故障智能检测方法及装置
CN114186593A (zh) 噪声条件下轴承故障识别方法、装置、设备和存储介质
CN110197114B (zh) 一种全脑范围单神经元轴突突触结的自动识别方法及装置
CN110689073A (zh) 一种非线性系统识别方法及设备
Liu et al. Fault Diagnosis of Rolling Bearings Under Variable Working Conditions Based on EOS-CNN

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