CN117633634A - 一种非平稳工况故障诊断方法、系统和介质 - Google Patents
一种非平稳工况故障诊断方法、系统和介质 Download PDFInfo
- Publication number
- CN117633634A CN117633634A CN202410089123.0A CN202410089123A CN117633634A CN 117633634 A CN117633634 A CN 117633634A CN 202410089123 A CN202410089123 A CN 202410089123A CN 117633634 A CN117633634 A CN 117633634A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- time
- frequency
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供了一种非平稳工况故障诊断方法、系统和介质。该方法包括:对历史振动信号数据进行故障时频特征提取,对去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果和故障时频特征数据进行时频分析算法选择,获得目标时频分析算法,对历史振动信号数据通过目标时频分析算法处理获得修正故障时频特征数据,根据历史故障数据和修正故障时频特征数据进行模型训练,获得故障类别识别模型,将利用目标时频分析算法处理获得的时频特征数据并输入故障类别识别模型中进行处理,获得故障类别识别数据,根据故障类别识别数据、历史故障数据和设备运行监测数据处理获得故障位置定位数据。本申请可以实现在非平稳工况下对故障位置精确定位的目的。
Description
技术领域
本申请涉及大数据及故障诊断技术领域,具体而言,涉及一种非平稳工况故障诊断方法、系统和介质。
背景技术
在机械设备运行过程中,由于受到各种因素的影响,如机械设备的老化、磨损、负载变化等,其运行状态可能会发生异常,从而可能导致故障的发生。时频分析方法在故障诊断中具有重要的作用,它可以提供故障信号的详细时间和频率信息,有助于故障特征的提取和诊断,然而目前尚缺乏一种根据时频分析技术结合故障预测技术以及设备运行监测指标对故障进行精确定位的技术。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请的目的在于提供一种非平稳工况故障诊断方法、系统和介质,
首先通过选择的时频分析算法对去噪振动信号进行时频分析,以准确的识别出设备故障类别,然后根据设备历史故障情况处理获得故障预测结果,最后根据设备故障类别结合设备故障预测结果以及设备运行监测指标对故障发生位置进行精确定位,从而提高故障诊断的准确性。
本申请还提供了非平稳工况故障诊断方法,包括以下步骤:
获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
可选地,在本申请所述的非平稳工况故障诊断方法中,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
获取历史故障数据及其对应历史振动信号数据;
所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
可选地,在本申请所述的非平稳工况故障诊断方法中,其特征在于,所述获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据,包括:
获取设备振动信号数据和设备运行监测数据;
所述设备运行监测数据包括运转指标数据、电气参数数据和工作环境数据;
利用预设滤波算法对所述设备振动信号数据进行去噪处理,获得去噪振动信号数据。
可选地,在本申请所述的非平稳工况故障诊断方法中,所述对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法,包括:
通过预设平稳度分析模型对所述去噪振动信号数据进行工况平稳度分析,获得工况平稳度检测数据;
将所述工况平稳度检测数据以及所述故障信号频率输入预设时频分析算法数据库进行匹配识别,获得目标时频分析算法。
可选地,在本申请所述的非平稳工况故障诊断方法中,所述对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型,包括:
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,包括修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据;
将所述故障类型数据以及所述修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据集合生成模型训练样本;
使用所述模型训练样本对预设初始训练模型进行训练,生成故障类别识别模型。
可选地,在本申请所述的非平稳工况故障诊断方法中,所述根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据,包括:
将所述故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据;
将所述故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据;
根据所述故障位置定位数据进行具体故障位置判定。
第二方面,本申请提供了非平稳工况故障诊断系统,该系统包括:存储器及处理器,所述存储器中包括非平稳工况故障诊断方法的程序,所述非平稳工况故障诊断方法的程序被所述处理器执行时实现以下步骤:
获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
可选地,在本申请所述的非平稳工况故障诊断系统中,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
获取历史故障数据及其对应历史振动信号数据;
所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
第三方面,本申请还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包括非平稳工况故障诊断方法程序,所述非平稳工况故障诊断方法程序被处理器执行时,实现如上述任一项所述的非平稳工况故障诊断方法的步骤。
由上可知,本申请提供的一种非平稳工况故障诊断方法、系统和介质,首先通过选择的时频分析算法对去噪振动信号进行时频分析,以准确的识别出设备故障类别,然后根据设备历史故障情况处理获得故障预测结果,最后根据设备故障类别结合设备故障预测结果以及设备运行监测指标对故障发生位置进行精确定位,从而提高故障诊断的准确性。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的非平稳工况故障诊断方法的流程图;
图2为本申请实施例提供的非平稳工况故障诊断方法的获得故障时频特征数据的流程图;
图3为本申请实施例提供的非平稳工况故障诊断方法的获得去噪振动信号数据的流程图;
图4为本申请实施例提供的非平稳工况故障诊断方法的获得目标时频分析算法的流程图。
具体实施方式
下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的非平稳工况故障诊断方法的流程图。该非平稳工况故障诊断方法用于终端设备中,例如电脑、手机终端等。该非平稳工况故障诊断方法,包括以下步骤:
S11、获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
S12、获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
S13、对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
S14、对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
S15、利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
S16、根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
需要说明的是,为了提高设备故障诊断的准确性,首先通过选择的时频分析算法对去噪振动信号进行时频分析,以准确的识别出设备故障类别,然后根据设备历史故障情况处理获得故障预测结果,最后根据设备故障类别结合设备故障预测结果以及设备运行监测指标对故障发生位置进行精确定位。
请参照图2,图2是本申请一些实施例中的非平稳工况故障诊断方法的获得故障时频特征数据的流程图。根据本发明实施例,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
S21、获取历史故障数据及其对应历史振动信号数据;
S22、所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
S23、对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
需要说明的是,为了实现对振动信号数据的时频分析,将历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据。
请参照图3,图3是本申请一些实施例中的非平稳工况故障诊断方法的获得去噪振动信号数据的流程图。根据本发明实施例,所述获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据,包括:
S31、获取设备振动信号数据和设备运行监测数据;
S32、所述设备运行监测数据包括运转指标数据、电气参数数据和工作环境数据;
S33、利用预设滤波算法对所述设备振动信号数据进行去噪处理,获得去噪振动信号数据。
需要说明的是,为了确保数据处理的准确性,减少噪声干扰,利用预设滤波算法对设备振动信号数据进行去噪处理,获得去噪振动信号数据。
请参照图4,图4是本申请一些实施例中的非平稳工况故障诊断方法的获得目标时频分析算法的流程图。根据本发明实施例,所述对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法,包括:
S41、通过预设平稳度分析模型对所述去噪振动信号数据进行工况平稳度分析,获得工况平稳度检测数据;
S42、将所述工况平稳度检测数据以及所述故障信号频率输入预设时频分析算法数据库进行匹配识别,获得目标时频分析算法。
需要说明的是,为了确保故障识别的准确性,需要根据信号平稳度不同以及故障信号的频率分布范围不同选取适合的时频分析算法。
根据本发明实施例,所述对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型,包括:
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,包括修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据;
将所述故障类型数据以及所述修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据集合生成模型训练样本;
使用所述模型训练样本对预设初始训练模型进行训练,生成故障类别识别模型。
需要说明的是,对历史振动信号数据通过目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,然后根据历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型。
根据本发明实施例,所述根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据,包括:
将所述故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据;
将所述故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据;
根据所述故障位置定位数据进行具体故障位置判定。
需要说明的是,根据历史故障情况对各部件故障发生情况进行预测,再结合设备运行监测指标以及识别出的故障类别对故障具体发生位置进行定位,具体为:将故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据,该预设故障预测模型是通过获取大量历史样本的故障时间数据、故障频次数据、故障原因数据、维修方案数据和故障预测数据进行训练获得的模型,可通过输入相关信息进行处理获得对应输出的故障预测数据;将故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据,该预设故障分析检测模型是通过获取大量历史样本的故障类别识别数据、故障预测数据、运转指标数据、电气参数数据、工作环境数据和故障位置定位数据进行训练获得的模型,可通过输入相关信息进行处理获得对应输出的故障位置定位数据。
本发明还公开了非平稳工况故障诊断系统,包括存储器和处理器,所述存储器中包括非平稳工况故障诊断方法程序,所述非平稳工况故障诊断方法程序被所述处理器执行时实现如下步骤:
获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
需要说明的是,为了提高设备故障诊断的准确性,首先通过选择的时频分析算法对去噪振动信号进行时频分析,以准确的识别出设备故障类别,然后根据设备历史故障情况处理获得故障预测结果,最后根据设备故障类别结合设备故障预测结果以及设备运行监测指标对故障发生位置进行精确定位。
根据本发明实施例,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
获取历史故障数据及其对应历史振动信号数据;
所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
需要说明的是,为了实现对振动信号数据的时频分析,将历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据。
根据本发明实施例,所述获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据,包括:
获取设备振动信号数据和设备运行监测数据;
所述设备运行监测数据包括运转指标数据、电气参数数据和工作环境数据;
利用预设滤波算法对所述设备振动信号数据进行去噪处理,获得去噪振动信号数据。
需要说明的是,为了确保数据处理的准确性,减少噪声干扰,利用预设滤波算法对设备振动信号数据进行去噪处理,获得去噪振动信号数据。
根据本发明实施例,所述对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法,包括:
通过预设平稳度分析模型对所述去噪振动信号数据进行工况平稳度分析,获得工况平稳度检测数据;
将所述工况平稳度检测数据以及所述故障信号频率输入预设时频分析算法数据库进行匹配识别,获得目标时频分析算法。
需要说明的是,为了确保故障识别的准确性,需要根据信号平稳度不同以及故障信号的频率分布范围不同选取适合的时频分析算法。
根据本发明实施例,所述对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型,包括:
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,包括修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据;
将所述故障类型数据以及所述修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据集合生成模型训练样本;
使用所述模型训练样本对预设初始训练模型进行训练,生成故障类别识别模型。
需要说明的是,对历史振动信号数据通过目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,然后根据历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型。
根据本发明实施例,所述根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据,包括:
将所述故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据;
将所述故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据;
根据所述故障位置定位数据进行具体故障位置判定。
需要说明的是,根据历史故障情况对各部件故障发生情况进行预测,再结合设备运行监测指标以及识别出的故障类别对故障具体发生位置进行定位,具体为:将故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据,该预设故障预测模型是通过获取大量历史样本的故障时间数据、故障频次数据、故障原因数据、维修方案数据和故障预测数据进行训练获得的模型,可通过输入相关信息进行处理获得对应输出的故障预测数据;将故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据,该预设故障分析检测模型是通过获取大量历史样本的故障类别识别数据、故障预测数据、运转指标数据、电气参数数据、工作环境数据和故障位置定位数据进行训练获得的模型,可通过输入相关信息进行处理获得对应输出的故障位置定位数据。
本发明第三方面提供了一种可读存储介质,所述可读存储介质中包括非平稳工况故障诊断方法程序,所述非平稳工况故障诊断方法程序被处理器执行时,实现如上述任一项所述的非平稳工况故障诊断方法的步骤。
本发明公开的一种非平稳工况故障诊断方法、系统和介质,首先通过选择的时频分析算法对去噪振动信号进行时频分析,以准确的识别出设备故障类别,然后根据设备历史故障情况处理获得故障预测结果,最后根据设备故障类别结合设备故障预测结果以及设备运行监测指标对故障发生位置进行精确定位,从而提高故障诊断的准确性。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种非平稳工况故障诊断方法,其特征在于,包括以下步骤:
获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
2.根据权利要求1所述的非平稳工况故障诊断方法,其特征在于,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
获取历史故障数据及其对应历史振动信号数据;
所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
3.根据权利要求2所述的非平稳工况故障诊断方法,其特征在于,所述获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据,包括:
获取设备振动信号数据和设备运行监测数据;
所述设备运行监测数据包括运转指标数据、电气参数数据和工作环境数据;
利用预设滤波算法对所述设备振动信号数据进行去噪处理,获得去噪振动信号数据。
4.根据权利要求3所述的非平稳工况故障诊断方法,其特征在于,所述对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法,包括:
通过预设平稳度分析模型对所述去噪振动信号数据进行工况平稳度分析,获得工况平稳度检测数据;
将所述工况平稳度检测数据以及所述故障信号频率输入预设时频分析算法数据库进行匹配识别,获得目标时频分析算法。
5.根据权利要求4所述的非平稳工况故障诊断方法,其特征在于,所述对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型,包括:
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,包括修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据;
将所述故障类型数据以及所述修正故障信号频率、修正频率谱特征数据、修正功率谱特征数据和修正能量谱特征数据集合生成模型训练样本;
使用所述模型训练样本对预设初始训练模型进行训练,生成故障类别识别模型。
6.根据权利要求5所述的非平稳工况故障诊断方法,其特征在于,所述根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据,包括:
将所述故障时间数据、故障频次数据、故障原因数据和维修方案数据输入预设故障预测模型进行处理,获得故障预测数据;
将所述故障类别识别数据、故障预测数据、运转指标数据、电气参数数据和工作环境数据输入预设故障分析检测模型中进行处理,获得故障位置定位数据;
根据所述故障位置定位数据进行具体故障位置判定。
7.一种非平稳工况故障诊断系统,其特征在于,包括存储器和处理器,所述存储器中包括非平稳工况故障诊断方法的程序,所述非平稳工况故障诊断方法的程序被所述处理器执行时实现如下步骤:
获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据;
获取设备振动信号数据和设备运行监测数据,对设备振动信号数据进行去噪处理,获得去噪振动信号数据;
对所述去噪振动信号数据进行工况平稳度分析,根据平稳度分析结果以及所述故障时频特征数据进行时频分析算法选择,获得目标时频分析算法;
对所述历史振动信号数据通过所述目标时频分析算法进行故障时频特征提取,获得修正故障时频特征数据,根据所述历史故障数据以及修正故障时频特征数据进行模型训练,获得故障类别识别模型;
利用所述目标时频分析算法对所述去噪振动信号数据进行时频分析,获得时频特征数据,将时频特征数据输入所述故障类别识别模型中进行处理,获得故障类别识别数据;
根据所述故障类别识别数据结合所述历史故障数据以及所述设备运行监测数据进行分析处理,获得故障位置定位数据。
8.根据权利要求7所述的非平稳工况故障诊断系统,其特征在于,所述获取历史故障数据及其对应历史振动信号数据,对历史振动信号数据进行故障时频特征提取,获得故障时频特征数据,包括:
获取历史故障数据及其对应历史振动信号数据;
所述历史故障数据包括故障类型数据、故障时间数据、故障频次数据、故障原因数据和维修方案数据;
对所述历史振动信号数据通过预设时频特征提取算法进行处理,获得故障时频特征数据,包括故障信号频率、频率谱特征数据、功率谱特征数据和能量谱特征数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括非平稳工况故障诊断方法程序,所述非平稳工况故障诊断方法程序被处理器执行时,实现如权利要求1至7中任一项所述的非平稳工况故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089123.0A CN117633634A (zh) | 2024-01-23 | 2024-01-23 | 一种非平稳工况故障诊断方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089123.0A CN117633634A (zh) | 2024-01-23 | 2024-01-23 | 一种非平稳工况故障诊断方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633634A true CN117633634A (zh) | 2024-03-01 |
Family
ID=90020298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089123.0A Pending CN117633634A (zh) | 2024-01-23 | 2024-01-23 | 一种非平稳工况故障诊断方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633634A (zh) |
-
2024
- 2024-01-23 CN CN202410089123.0A patent/CN117633634A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN111239263B (zh) | 一种gis设备内部的异物缺陷的检测方法及系统 | |
CN114840853B (zh) | 基于大数据的数字化业务分析方法及云服务器 | |
CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN108009063B (zh) | 一种电子设备故障阈值检测的方法 | |
CN114360581A (zh) | 识别设备故障的方法、装置及电子设备 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN112446389A (zh) | 一种故障判别方法及装置 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
CN112697270A (zh) | 故障检测方法、装置、无人设备及存储介质 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN117633634A (zh) | 一种非平稳工况故障诊断方法、系统和介质 | |
CN111897851A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
CN116955071A (zh) | 故障分类方法、装置、设备及存储介质 | |
CN116415115A (zh) | 变压器绕组状态确定方法及装置、变压器 | |
CN115588439A (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN113744756A (zh) | 设备质检及音频数据扩充方法和相关装置、设备、介质 | |
CN114169415B (zh) | 一种系统故障模式识别的方法和系统 | |
CN117742303B (zh) | 一种生产自动化设备检测方法、系统和介质 | |
CN117290670B (zh) | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 | |
CN118091520B (zh) | 一种10us方波浪涌测试设备智能调控方法及系统 | |
CN118312796A (zh) | 一种测试机的高精度fft测试优化方法、系统及存储介质 |
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 |