CN117091754A - 基于数据分析的大型设备故障检测方法及系统 - Google Patents

Abstract

本发明涉及动平衡故障检测技术领域，具体涉及一种基于数据分析的大型设备故障检测方法及系统。该方法包括：获取砂轮轴在一定时间段内运行的振动数据，确定待测时间点的初始异常程度；根据基线漂移线在待测时间点和相邻时间点的值，确定基线漂移值；结合初始异常程度和基线漂移值确定第一异常程度；对振动数据进行信号分解获得预设数量个目标信号分量，根据目标信号分量的层级和目标信号分量对应极值点的值得到异常调整系数；确定振动数据的周期程度，根据周期程度、异常调整系数、第一异常程度，获得目标异常程度，根据目标异常程度判断砂轮轴的故障情况。本发明能够有效提升噪声识别效果，进而提升故障检测的准确性与可靠性。

Description

基于数据分析的大型设备故障检测方法及系统

技术领域

本发明涉及动平衡故障检测技术领域，具体涉及一种基于数据分析的大型设备故障检测方法及系统。

背景技术

其中，砂轮是具有一定强度的固结磨具，砂轮轴为连接砂轮的轴柱，通过砂轮轴的高速旋转，驱动砂轮进行运动，设备在发生动平衡故障时，其对应的直接影响到砂轮轴的旋转效果，因此，可以基于该特征，通过对砂轮轴的噪声识别从而实现故障检测，而在噪声识别时，通常是根据砂轮轴振动进行具体分析。

砂轮轴的运行场景中异常时会出现大量的干扰噪声，如环境噪声、自身的异常反馈噪声等，因此，在对砂轮轴的动平衡故障检测过程中，对干扰噪声的检测能够准确确定异常情况，相关技术中，通过进行均值滤波去噪的方式实现干扰噪声的分析，这种方式下，由于会将振动细节一并进行滤波，从而导致干扰噪声识别效果较差，进而导致动平衡故障检测的准确性与可靠性不足。

发明内容

为了解决相关技术中干扰噪声识别效果较差，进而导致动平衡故障检测的准确性与可靠性不足的技术问题，本发明提供一种基于数据分析的大型设备故障检测方法及系统，所采用的技术方案具体如下：

本发明提出了一种基于数据分析的大型设备故障检测方法，方法包括：

获取砂轮轴在预设时间段内运行的振动数据，将所述时间段内任一时间点作为待测时间点，待测时间点的振动数据作为待测数据，根据所述待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定所述待测时间点的初始异常程度；

确定振动数据的基线漂移线，在时序上将与待测时间点相距最近的第一预设数量个时间点作为相邻时间点，根据所述基线漂移线在待测时间点和相邻时间点的值，确定所述待测时间点的基线漂移值；根据所述待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定所述待测时间点的第一异常程度；

对所述振动数据进行信号分解获得第二预设数量个目标信号分量，其中，每个目标信号分量对应一个层级，对每个目标信号分量进行极值点检测得到极值点，根据目标信号分量的层级和对应目标信号分量内与所述待测时间点相距最近的极值点的值，计算所述待测时间点的异常调整系数；

根据每个目标信号分量在不同时间点的值计算所述振动数据的周期程度，根据所述周期程度、异常调整系数、第一异常程度，获得所述待测时间点的目标异常程度，根据所述目标异常程度判断所述砂轮轴的故障情况。

进一步地，所述根据所述待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定所述待测时间点的初始异常程度，包括：

将与待测时间点时序相距最近的其他两个时间点的振动数据作为对比数据；

计算所述待测数据分别与每一对比数据的差值绝对值作为对比差异；

将两个对比差异的和值的归一化值作为所述待测时间点的初始异常程度。

进一步地，所述根据所述基线漂移线在待测时间点和相邻时间点的值，确定所述待测时间点的基线漂移值，包括：

计算基线漂移线在待测时间点和相邻时间点的值的均值作为所述待测时间点的基线漂移值。

进一步地，所述根据所述待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定所述待测时间点的第一异常程度，包括：

计算相邻时间点的振动数据的初始异常程度的方差作为异常指标；

计算所述异常指标和基线漂移值的乘积的归一化值作为异常调整系数；

根据所述异常调整系数和所述初始异常程度获得第一异常程度，其中，所述异常调整系数与所述第一异常程度呈正相关关系，所述初始异常程度与所述第一异常程度呈正相关关系。

进一步地，所述对所述振动数据进行信号分解获得第二预设数量个目标信号分量，包括：

基于经验模态分解算法对所述振动数据进行经验模态分解处理，获得至少两个模态信号分量；

将前第二预设数量层的模态信号分量作为目标信号分量。

进一步地，所述根据目标信号分量的层级和对应目标信号分量内与所述待测时间点相距最近的极值点的值，计算所述待测时间点的异常调整系数，包括：

对所述目标信号分量的层级进行反比例的归一化处理，得到层级影响系数；

计算任一层级下对应目标信号分量内，与所述待测时间点相距最近的极值点的值的绝对值作为待测极值，将待测极值与所述层级影响系数的乘积作为分量修正值；

计算所有层级的分量修正值的和值的归一化值得到异常调整系数。

进一步地，所述根据每个目标信号分量在不同时间点的值计算所述振动数据的周期程度，包括：

基于自相关函数类算法，根据每个目标信号分量在不同时间点的值计算得到目标信号分量的周期系数；

将所有目标信号分量的周期系数的均值作为所述振动数据的周期程度。

进一步地，所述周期程度与所述待测时间点的目标异常程度呈负相关关系，所述异常调整系数、第一异常程度与所述待测时间点的目标异常程度呈正相关关系，所述目标异常程度的取值为归一化后的数值。

进一步地，所述根据所述目标异常程度判断所述砂轮轴的故障情况，包括：

在所述目标异常程度大于预设异常程度阈值时，确定所述砂轮轴运行出现故障；

在所述目标异常程度小于等于预设异常程度阈值时，确定所述砂轮轴运行未出现故障。

本发明还提供了一种基于数据分析的大型设备故障检测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现前述一种基于数据分析的大型设备故障检测方法的步骤。

本发明具有如下有益效果：

本发明通过对振动数据的局部分析，根据待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据确定初始异常程度；由于通过基线漂移的分析，能够采用周围各点的平均漂移量来减少偶然漂移的漂移量对异常分析结果的影响，结合初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度确定待测时间点的第一异常程度，能够多角度对局部所有相邻时间点进行分析，从而得到可靠性更优的第一异常程度，而后，结合噪声多为高频噪声，对应频率和能量较高的特点，通过信号分解的方式对不同目标信号的极值点进行分析，从而获得待测时间点的异常调整系数；根据每个目标信号分量在不同时间点的值计算振动数据的周期程度，因噪声的非周期特点，进而根据周期程度、异常调整系数、第一异常程度，获得待测时间点的目标异常程度，使得目标异常程度能够更为准确地表征待测时间点的异常情况，相较于直接使用滤波的方式确定噪声，本发明结合局部振动漂移特点、振动的频率特点和能量分布特点，以及振动的周期特点，对异常情况进行具体、有效的分析，实现砂轮轴干扰噪声的准确识别，进而能够根据目标异常程度判断砂轮轴的故障情况，提升故障分析效果，综上，本发明能够有效提升噪声识别效果，进而提升动平衡故障检测的准确性与可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于数据分析的大型设备故障检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数据分析的大型设备故障检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

一种基于数据分析的大型设备故障检测方法及系统实施例：

下面结合附图具体的说明本发明所提供的一种基于数据分析的大型设备故障检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于数据分析的大型设备故障检测方法流程图，该方法包括：

S101：获取砂轮轴在预设时间段内运行的振动数据，将时间段内任一时间点作为待测时间点，待测时间点的振动数据作为待测数据，根据待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定待测时间点的初始异常程度。

本发明的一种具体应用场景为，确定砂轮轴的中心点，对砂轮轴的中心点在预设时间段内的振动情况进行采集，从而获得振动数据，可以理解的是，在设备运行故障分析的过程中，由于噪声能够准确表征对应运行过程中的故障情况，因此，本发明实施例结合振动数据本身的振动特点，和噪声所具有的特点，对噪声进行有效识别，保证设备运行故障分析的准确性与可靠性，其具体过程参见后续实施例。

本发明实施例中，从所提取的振动数据对应的时间段中，任意选取一个时间点作为待测时间点，待测时间点的振动数据作为待测数据，而后，对待测时间点和待测数据进行分析，从而遍历所有振动数据，实现对振动数据的整体分析。

其中，预设时间段可以具体例如为10秒时间段，对此不做限制。

进一步地，在本发明的一些实施例中，噪声通常具有较大的局部波动的特点，根据待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定待测时间点的初始异常程度，包括：将与待测时间点时序相距最近的其他两个时间点的振动数据作为对比数据；计算待测数据分别与每一对比数据的差值绝对值作为对比差异；将两个对比差异的和值的归一化值作为待测时间点的初始异常程度。

在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

本发明实施例中，可以确定与待测时间点在时序上相距最近的其他两个时间点的振动数据作为对比数据，在待测时间点为时序上的端点时，对应的对比数据为端点相邻的两个数据，而在待测时间点不为时序上的端点时，则对应的对比数据为待测时间点左右相邻的时间点对应的数据，通过对比数据对待测时间点的数据进行局部分析，从而对待测时间点的初始异常程度进行分析。

本发明实施例中，通过计算待测数据分别与每一对比数据的差值绝对值作为对比差异；将两个对比差异的和值的归一化值作为待测时间点的初始异常程度，在对比差异越大时，表征对应的待测数据与对比数据具有较大的差异，也即局部波动越大，则待测数据的异常可能性越高。

其中，初始异常程度表征对应的待测时间点的异常程度，同样表征待测时间点所对应待测数据的异常可能性，因此，初始异常程度越大，待测数据为噪声数据的可能性越大。

S102：确定振动数据的基线漂移线，在时序上将与待测时间点相距最近的第一预设数量个时间点作为相邻时间点，根据基线漂移线在待测时间点和相邻时间点的值，确定待测时间点的基线漂移值；根据待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定待测时间点的第一异常程度。

本发明实施例中，基线漂移线，为基线漂移所对应的曲线，工件的不规则形状、磨削力的非均匀分布、不均匀的磨削材料去除等异常因素均会导致砂轮承受非均匀的负载，从而使得砂轮不平衡，进而产生异常的振动数据。砂轮的不平衡会导致振动数据产生基线漂移，砂轮越不平衡，对噪声的敏感度越高，基线漂移的程度越大，对应振动数据为噪声的可能性越大。

本发明实施例中，可以基于均值滤波的方式确定基线漂移线，也即对振动数据进行均值滤波处理，得到基线漂移线。并在时序上将与待测时间点相距最近的第一预设数量个时间点作为相邻时间点。

其中，第一预设数量，可以具体例如为10个，或者，也可以根据实际检测需求进行调整，在第一预设数量越高时，对应的检测精度越高，但会导致正常振动被作为异常振动，因此，可以结合先验经验，对第一预设数量进行调整，对此不作进一步赘述与限定。

进一步地，在本发明的一些实施例中，根据基线漂移线在待测时间点和相邻时间点的值，确定待测时间点的基线漂移值，包括：计算基线漂移线在待测时间点和相邻时间点的值的均值作为待测时间点的基线漂移值。

为了对待测时间点进行局部分析，因此，本发明实施例中通过计算基线漂移线在待测时间点和相邻时间点的值的均值作为待测时间点的基线漂移值，从而将基线漂移值作为对应待测时间点的局部平均特征值，避免待测时间点的基线漂移值异常导致的分析误差，同时，局部分析的方式能够有效表征对应局部的标准情况，提升检测的可靠性。

进一步地，在本发明的一些实施例中，根据待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定待测时间点的第一异常程度，包括：计算相邻时间点的振动数据的初始异常程度的方差作为异常指标；计算异常指标和基线漂移值的乘积的归一化值作为异常调整系数；根据异常调整系数和初始异常程度获得第一异常程度，其中，异常调整系数与第一异常程度呈正相关关系，初始异常程度与第一异常程度呈正相关关系。

本发明实施例中，可以计算相邻时间点的振动数据的初始异常程度的方差作为异常指标；计算异常指标和基线漂移值的乘积的归一化值作为异常调整系数，其中，异常调整系数，为对初始异常程度进行调整的系数。

本发明实施例通过所有相邻时间点的初始异常程度的方差作为异常指标，以基于异常指标表征相邻时间点的异常情况，可以理解的是，在产生环境噪声、运行异常噪声时，通常噪声影响多个时间点，因此，本发明实施例通过计算局部内多个时间点的初始异常程度的方差，对多个时间点的初始异常程度的复杂程度进行分析，越复杂则对应局部时间范围内的异常情况越大。进而根据异常指标和基线漂移值，计算其乘积的归一化值作为异常调整系数，使得异常调整系数能够结合局部初始异常程度的波动情况和整体基线漂移情况，保证异常调整系数的准确性与可靠性。

而后，根据异常调整系数和初始异常程度获得第一异常程度。异常调整系数与第一异常程度呈正相关关系，初始异常程度与第一异常程度呈正相关关系，其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定。

由此，本发明实施例可以计算异常调整系数和初始异常程度的乘积作为第一异常程度，对此不做限制。则第一异常程度为对待测时间点周围局部范围内的其他时间点进行分析，所得到的异常程度，第一异常程度的计算能够表征局部的异常情况，进而结合局部对待测时间点进行映射，从而使得第一异常程度具备更强的可靠性。

S103：对振动数据进行信号分解获得第二预设数量个目标信号分量，其中，每个目标信号分量对应一个层级，对每个目标信号分量进行极值点检测得到极值点，根据目标信号分量的层级和对应目标信号分量内与待测时间点相距最近的极值点的值，计算待测时间点的异常调整系数。

可以理解的是，在正常运行过程中，由于异常的影响，相对应的会导致砂轮运行的噪声通常表现为高频振动和极值振动，也即在运行的异常程度越大时，对应的高频噪声越强。结合该特点，对待测时间点的异常情况进行分析。本发明通过经验模态分解，使得对振动数据不同频率的能量分布进行分解并分别分析，从而确定待测时间点在不同频率下的能量分布情况。

进一步地，在本发明的一些实施例中，对振动数据进行信号分解获得第二预设数量个目标信号分量，包括：基于经验模态分解算法对振动数据进行经验模态分解处理，获得至少两个模态信号分量；将前第二预设数量层的模态信号分量作为目标信号分量。

本发明实施例中，经验模态分解算法为本领域在进行信号分解所常用的算法，通过经验模态分解能够将信号分解为多个模态信号分量，也即IMF1、IMF2、IMF3等，对此不作进一步赘述，则本发明实施例中，将对应的模态信号分量的序号作为层级，得到多层级的模态信号分量，并将前第二预设数量层的模态信号分量作为目标信号分量。

可以理解的是，在经验模态分解过程中，所得到的模态信号分量的层级数越小，对应的频率越高，则其中包含的高频信息越多，也即所包含的高频噪声对应的信息越多，举例而言，IMF1的层级数小于IMF2，则IMF1中包含的高频噪声更多，因此，本发明实施例中将层级的反比例归一化值作为权重进行分析。

进一步地，在本发明的一些实施例中，根据目标信号分量的层级和对应目标信号分量内与待测时间点相距最近的极值点的值，计算待测时间点的异常调整系数，包括：对目标信号分量的层级进行反比例的归一化处理，得到层级影响系数；计算任一层级下对应目标信号分量内，与待测时间点相距最近的极值点的值的绝对值作为待测极值，将待测极值与层级影响系数的乘积作为分量修正值；计算所有层级的分量修正值的和值的归一化值得到异常调整系数。

本发明实施例中，通过对目标信号分量的层级进行反比例的归一化处理，得到层级影响系数，从而保留高频信息更强的目标信号分量的信息，增强层级影响系数的可靠性。基于待测极值与层级影响系数得到分量修正值，由于待测极值越大，表示对应的待测时间点异常可能性越高，且与对应的层级影响系数相结合得到分量修正值，使得分量修正值能够准确表征对应层级下待测时间点的异常情况，进而结合所有层级的修正值的和值的归一化值得到异常调整系数，提升异常调整系数的可靠性。

其中，待测极值，为待测时间点在对应层级的目标信号分量的影响极值，可以理解的是，由于噪声和正常的振动频率的共振效应，会产生对应的极值噪声，使得振动的幅值非常大，进而会导致极值的效果，因此，对待测时间点周围的待测极值进行分析，从而能够准确确定极值噪声的影响。

S104：根据每个目标信号分量在不同时间点的值计算振动数据的周期程度，根据周期程度、异常调整系数、第一异常程度，获得待测时间点的目标异常程度，根据目标异常程度判断砂轮轴的故障情况。

进一步地，在本发明的一些实施例中，根据每个目标信号分量在不同时间点的值计算振动数据的周期程度，包括：基于自相关函数类算法，根据每个目标信号分量在不同时间点的值计算得到目标信号分量的周期系数；将所有目标信号分量的周期系数的均值作为振动数据的周期程度。

其中，自相关函数类算法为本领域所熟知的算法，基于自相关函数类算法能够计算得到序列的周期程度，因此，本发明基于自相关函数类算法分别计算每个目标信号分量的周期系数，并计算所有周期系数的均值获得振动数据的周期程度。

当然，在本发明的另一些实施例中，还可以使用多种其他任意可能的实现方式确定周期程度，如使用趋势分解的方式对振动数据进行趋势分解，得到周期项，并对周期项进行分析等，对此不做限制。

进一步地，在本发明的一些实施例中，周期程度与待测时间点的目标异常程度呈负相关关系，异常调整系数、第一异常程度与待测时间点的目标异常程度呈正相关关系，目标异常程度的取值为归一化后的数值。

也即是说，本发明实施例中基于周期程度和异常调整系数对第一异常程度进行进一步地分析，在周期程度越大时，表示对应的振动数据越呈周期性分布，因此，其异常概率越低，周期程度与目标异常程度呈负相关关系，而在异常调整系数越大时，表示对应待测数据点的数据异常程度越高。也即异常调整系数、第一异常程度与待测时间点的目标异常程度呈正相关关系。

本发明实施例中，在周期程度不为0时，可以计算第一异常程度与异常调整系数的乘积，得到乘积值，并计算乘积值与周期程度的比值的归一化值作为目标异常程度。

本发明实施例中，在计算得到目标异常程度之后，可以根据目标异常程度对砂轮轴运行的故障情况进行分析判断，具体地：在本发明的一些实施例中，根据目标异常程度判断砂轮轴的故障情况，包括：在目标异常程度大于预设异常程度阈值时，确定砂轮轴运行出现故障；在目标异常程度小于等于预设异常程度阈值时，确定砂轮轴运行未出现故障。

其中，预设异常程度阈值，为目标异常程度的门限值，本发明实施例中的预设异常程度阈值可以具体例如为0.85，也即是说，在目标异常程度大于0.85时，确定砂轮轴运行出现故障；在目标异常程度小于等于0.85时，确定砂轮轴运行未出现故障，当然，预设异常程度阈值的具体数值可以根据实际检测情况进行调整，对此不做限制。

本发明通过对振动数据的局部分析，根据待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据确定初始异常程度；由于通过基线漂移的分析，能够采用周围各点的平均漂移量来减少偶然漂移的漂移量对异常分析结果的影响，结合初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度确定待测时间点的第一异常程度，能够多角度对局部所有相邻时间点进行分析，从而得到可靠性更优的第一异常程度，而后，结合噪声多为高频噪声，对应频率和能量较高的特点，通过信号分解的方式对不同目标信号的极值点进行分析，从而获得待测时间点的异常调整系数；根据每个目标信号分量在不同时间点的值计算振动数据的周期程度，因噪声的非周期特点，进而根据周期程度、异常调整系数、第一异常程度，获得待测时间点的目标异常程度，使得目标异常程度能够更为准确地表征待测时间点的异常情况，相较于直接使用滤波的方式确定噪声，本发明结合局部振动漂移特点、振动的频率特点和能量分布特点，以及振动的周期特点，对异常情况进行具体、有效的分析，实现砂轮轴干扰噪声的准确识别，进而能够根据目标异常程度判断砂轮轴的故障情况，提升故障分析效果，综上，本发明能够有效提升噪声识别效果，进而提升动平衡故障检测的准确性与可靠性。

本发明还提供一种基于数据分析的大型设备故障检测系统，系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序，以实现前述一种基于数据分析的大型设备故障检测方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于数据分析的大型设备故障检测方法，其特征在于，所述方法包括：

获取砂轮轴在预设时间段内运行的振动数据，将所述时间段内任一时间点作为待测时间点，待测时间点的振动数据作为待测数据，根据所述待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定所述待测时间点的初始异常程度；

确定振动数据的基线漂移线，在时序上将与待测时间点相距最近的第一预设数量个时间点作为相邻时间点，根据所述基线漂移线在待测时间点和相邻时间点的值，确定所述待测时间点的基线漂移值；根据所述待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定所述待测时间点的第一异常程度；

对所述振动数据进行信号分解获得第二预设数量个目标信号分量，其中，每个目标信号分量对应一个层级，对每个目标信号分量进行极值点检测得到极值点，根据目标信号分量的层级和对应目标信号分量内与所述待测时间点相距最近的极值点的值，计算所述待测时间点的异常调整系数；

根据每个目标信号分量在不同时间点的值计算所述振动数据的周期程度，根据所述周期程度、异常调整系数、第一异常程度，获得所述待测时间点的目标异常程度，根据所述目标异常程度判断所述砂轮轴的故障情况。

2.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据所述待测数据和与待测时间点时序相距最近的其他两个时间点的振动数据，确定所述待测时间点的初始异常程度，包括：

将与待测时间点时序相距最近的其他两个时间点的振动数据作为对比数据；

计算所述待测数据分别与每一对比数据的差值绝对值作为对比差异；

将两个对比差异的和值的归一化值作为所述待测时间点的初始异常程度。

3.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据所述基线漂移线在待测时间点和相邻时间点的值，确定所述待测时间点的基线漂移值，包括：

计算基线漂移线在待测时间点和相邻时间点的值的均值作为所述待测时间点的基线漂移值。

4.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据所述待测时间点的初始异常程度、基线漂移值和所有相邻时间点的振动数据的初始异常程度，确定所述待测时间点的第一异常程度，包括：

计算相邻时间点的振动数据的初始异常程度的方差作为异常指标；

计算所述异常指标和基线漂移值的乘积的归一化值作为异常调整系数；

根据所述异常调整系数和所述初始异常程度获得第一异常程度，其中，所述异常调整系数与所述第一异常程度呈正相关关系，所述初始异常程度与所述第一异常程度呈正相关关系。

5.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述对所述振动数据进行信号分解获得第二预设数量个目标信号分量，包括：

基于经验模态分解算法对所述振动数据进行经验模态分解处理，获得至少两个模态信号分量；

将前第二预设数量层的模态信号分量作为目标信号分量。

6.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据目标信号分量的层级和对应目标信号分量内与所述待测时间点相距最近的极值点的值，计算所述待测时间点的异常调整系数，包括：

对所述目标信号分量的层级进行反比例的归一化处理，得到层级影响系数；

计算任一层级下对应目标信号分量内，与所述待测时间点相距最近的极值点的值的绝对值作为待测极值，将待测极值与所述层级影响系数的乘积作为分量修正值；

计算所有层级的分量修正值的和值的归一化值得到异常调整系数。

7.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据每个目标信号分量在不同时间点的值计算所述振动数据的周期程度，包括：

基于自相关函数类算法，根据每个目标信号分量在不同时间点的值计算得到目标信号分量的周期系数；

将所有目标信号分量的周期系数的均值作为所述振动数据的周期程度。

8.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述周期程度与所述待测时间点的目标异常程度呈负相关关系，所述异常调整系数、第一异常程度与所述待测时间点的目标异常程度呈正相关关系，所述目标异常程度的取值为归一化后的数值。

9.如权利要求1所述的一种基于数据分析的大型设备故障检测方法，其特征在于，所述根据所述目标异常程度判断所述砂轮轴的故障情况，包括：

在所述目标异常程度大于预设异常程度阈值时，确定所述砂轮轴运行出现故障；

在所述目标异常程度小于等于预设异常程度阈值时，确定所述砂轮轴运行未出现故障。

10.一种基于数据分析的大型设备故障检测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序，以实现如权利要求1~9所述的任意一项方法的步骤。