旋转机械设备的故障检测方法、装置、设备及存储介质
阅读：748发布：2020-05-12
专利汇可以提供旋转机械设备的故障检测方法、装置、设备及存储介质专利检索，专利查询，专利分析的服务。并且本 申请 实施例 提供一种 旋转机 械设备的故障检测方法、装置、设备及存储介质。该方法包括：获取旋转机械设备的至少两组振动 信号 ，至少两组振动信号分别采用等时间间隔 采样 ；提取两组振动信号的时域特征参数；将振动信号转换为采用等 角 度间隔采样的目标振动信号；提取目标振动信号的谐波特征参数；至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。，下面是旋转机械设备的故障检测方法、装置、设备及存储介质专利的具体信息内容。
1.一种旋转机械设备的故障检测方法，其特征在于，包括：
获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；
提取所述两组振动信号的时域特征参数；
将所述振动信号转换为采用等角度间隔采样的目标振动信号；
提取所述目标振动信号的谐波特征参数；
至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
2.根据权利要求1所述的方法，其特征在于，所述将所述振动信号转换为采用等角度间隔采样的目标振动信号，包括：
基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；
基于获取的转速信号，确定待建立的第二时间序列的重采样时刻；
基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述旋转机械设备的温度参数；
所述至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，包括：
至少将所述温度参数、所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。
4.根据权利要求3所述的方法，其特征在于，所述两组振动信号是通过安装在所述旋转机械设备上的两组振动传感器分别采集得到的，所述两组振动传感器的振动方向相互垂直，且所述两组振动传感器的振动方向分别与所述旋转机械设备的轴向垂直；
所述旋转机械设备的转速信号是通过安装在所述旋转机械设备上的转速传感器采集得到的；
所述温度参数是通过安装在所述旋转机械设备上的温度传感器采集得到的。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述预设的故障检测模型是对神经网络训练得到的；
对所述神经网络的训练包括如下步骤：
获取所述旋转机械设备的至少两组振动信号样本；
提取所述两组振动信号样本的时域特征样本参数；
将所述时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本；
提取所述目标振动信号的谐波特征样本参数；
至少基于所述时域特征样本参数、所述谐波特征样本参数和对所述旋转机械设备是否故障的标注信息对所述神经网络进行训练；
基于所述神经网络模型的输出结果和所述标注信息之间的差异，调整所述神经网络的网络参数。
6.根据权利要求2所述的方法，其特征在于，所述基于所述转速信号，确定待建立的第二时间序列的重采样时刻，包括：
确定转速信号的脉冲到达时刻；
确定各个脉冲到达时刻的角速度；
根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，其中，通过所述预设角度对所述振动信号进行等角度间隔采样。
7.根据权利要求6所述的方法，其特征在于，所述根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，包括：
确定当前脉冲到达时刻与前一脉冲到达时刻之间的时间间隔；
确定当前脉冲到达时刻的角速度与前一脉冲到达时刻的角速度的差值；
根据当前脉冲到达时刻与前一脉冲到达时刻的角速度差值，以及时间间隔，计算得到当前脉冲到达时刻到前一脉冲到达时刻的角加速度。
8.根据权利要求2、6或7所述的方法，其特征在于，所述谐波特征参数包括以下至少一项：所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位；
所述提取所述目标振动信号的谐波特征参数，包括：
将所述第二时间序列进行离散傅里叶变换，得到傅里叶变换结果；
基于所述傅里叶变换结果提取所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位中的至少一项。
9.一种旋转机械设备的故障检测装置，其特征在于，包括：
获取模块，用于获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；
第一提取模块，用于提取所述两组振动信号的时域特征参数；
转换模块，用于将所述振动信号转换为采用等角度间隔采样的目标振动信号；
第二提取模块，用于提取所述目标振动信号的谐波特征参数；
识别模块，用于至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
10.一种旋转机械设备的故障检测设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
温度传感器，用于采集所述旋转机械设备的温度；
振动传感器，用于采集所述旋转机械设备的振动信号；
转速传感器，用于采集所述旋转机械设备的转速信号；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
旋转机械设备的故障检测方法、装置、设备及存储介质
技术领域
背景技术
[0002] 高速旋转机械广泛应用于汽轮机、发电机、燃气轮机、水轮机、航空发电机、离心压缩机、泵以及各种齿轮、增速装置等机械设备，这些机械设备是生产过程中的重要设备，一旦因故障停机，损失巨大。因此对企业关键设备进行故障检测具有重要的意义。
[0003] 利用振动信号对机械设备进行诊断，是机械设备故障检测最有效和最常用的方法之一。传统的旋转机械故障检测方法一种是基于匀转速假设，而旋转机械设备大多数情况下是变转速的，另一种是是针对转子某截面上单通道信号进行分析处理，即使检测了互相垂直两振动方向的振动也只是在轴心轨迹图层面进行融合，损失了许多信息，不能全面提取转子的故障在不同方面的特征，最终造成误诊或漏诊，导致旋转机械故障检测的准确性不高。发明内容
[0004] 本申请实施例提供一种旋转机械设备的故障检测方法、装置、设备及存储介质，以提高旋转机械故障检测的准确度。
[0005] 第一方面，本申请实施例提供一种旋转机械设备的故障检测方法，包括：获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；提取所述两组振动信号的时域特征参数；将所述振动信号转换为采用等角度间隔采样的目标振动信号；提取所述目标振动信号的谐波特征参数；至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0006] 可选的，所述将所述振动信号转换为采用等角度间隔采样的目标振动信号，包括：基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；基于获取的所述转速信号，确定待建立的第二时间序列的重采样时刻；基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样。
[0007] 可选的，所述方法还包括：获取所述旋转机械设备的温度参数；所述至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，包括：至少将所述温度参数、所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。
[0008] 可选的，所述两组振动信号是通过安装在所述旋转机械设备上的两组振动传感器分别采集得到的，所述两组振动传感器的振动方向相互垂直，且所述两组振动传感器的振动方向分别与所述旋转机械设备的轴向垂直；所述旋转机械设备的转速信号是通过安装在所述旋转机械设备上的转速传感器采集得到的；所述温度参数是通过安装在所述旋转机械设备上的温度传感器采集得到的。
[0009] 可选的，所述预设的故障检测模型是对神经网络训练得到的；对所述神经网络的训练包括如下步骤：获取所述旋转机械设备的至少两组振动信号样本；提取所述两组振动信号样本的时域特征样本参数；将所述时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本；提取所述目标振动信号的谐波特征样本参数；至少基于所述时域特征样本参数、所述谐波特征样本参数和对所述旋转机械设备是否故障的标注信息对所述神经网络进行训练；基于所述神经网络模型的输出结果和所述标注信息之间的差异，调整所述神经网络的网络参数。
[0010] 可选的，所述基于所述转速信号，确定待建立的第二时间序列的重采样时刻，包括：确定转速信号的脉冲到达时刻；确定各个脉冲到达时刻的角速度；根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，其中，通过所述预设角度对所述振动信号进行等角度间隔采样。
[0011] 可选的，所述根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，包括：确定当前脉冲到达时刻与前一脉冲到达时刻之间的时间间隔；确定当前脉冲到达时刻的角速度与前一脉冲到达时刻的角速度的差值；根据当前脉冲到达时刻与前一脉冲到达时刻的角速度差值，以及时间间隔，计算得到当前脉冲到达时刻到前一脉冲到达时刻的角加速度。
[0012] 可选的，所述谐波特征参数包括以下至少一项：所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位；所述提取所述目标振动信号的谐波特征参数，包括：将所述第二时间序列进行离散傅里叶变换，得到傅里叶变换结果；基于所述傅里叶变换结果提取所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位中的至少一项。
[0013] 第二方面，本申请实施例提供一种旋转机械设备的故障检测装置，包括：获取模块，用于获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；第一提取模块，用于提取所述两组振动信号的时域特征参数；转换模块，用于将所述振动信号转换为采用等角度间隔采样的目标振动信号；第二提取模块，用于提取所述目标振动信号的谐波特征参数；识别模块，用于至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0014] 第三方面，本申请实施例提供一种旋转机械设备的故障检测设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；温度传感器，用于采集所述旋转机械设备的温度；振动传感器，用于采集所述旋转机械设备的振动信号；转速传感器，用于采集所述旋转机械设备的转速信号；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
[0015] 第四方面，本申请实施例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执行以实现第一方面所述的方法。
[0016] 本申请实施例提供的旋转机械设备的故障检测方法、装置、设备及存储介质，通过获取旋转机械设备的至少两组振动信号，至少两组振动信号分别采用等时间间隔采样；提取两组振动信号的时域特征参数；将振动信号转换为采用等角度间隔采样的目标振动信号；提取目标振动信号的谐波特征参数；至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0017] 由于将时域振动信号转换为采用等角度间隔采样的目标振动信号，因此，能够适应变转速的情况下的特征提取。
[0018] 另外，通过提取目标振动信号的多个谐波的特征参数，每个谐波的特征参数采用多个特征变量来表达，因此，能够提取多个通道的信号。
[0020] 图1为本申请实施例提供的旋转机械设备的故障检测方法流程图；
[0021] 图2为本申请另一实施例提供的旋转机械设备的故障检测方法流程图；
[0022] 图3为本申请另一实施例提供的旋转机械设备的故障检测方法流程图；
[0023] 图4为本申请实施例提供的旋转机械设备的故障检测装置的结构示意图；
[0024] 图5为本申请实施例提供的旋转机械设备的故障检测设备的结构示意图。
[0025] 通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
[0026] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0027] 下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
[0028] 图1为本申请实施例提供的旋转机械设备的故障检测方法流程图。本申请实施例针对现有技术的如上技术问题，提供了旋转机械设备的故障检测方法，该方法具体步骤如下：
[0029] 步骤101、获取旋转机械设备的至少两组振动信号。
[0030] 本实施例中，旋转机械是指主要功能由旋转动作来完成的机械，尤其是指转速较高的机械。旋转机械包括动力机械、过程机械和加工机械。其中，动力机械是指将自然界中的能量转换为机械能而作功的机械装置，例如涡轮机、压缩机、齿轮泵等。过程机械可以是如离心式分离机等。加工机械是指对工件的外形尺寸或性能进行改变的机械装置，例如车床、磨床等。
[0031] 振动信号是指时域内的振动信号，是采用等时间间隔进行采样得到。
[0032] 其中，两组振动信号是通过安装在旋转机械设备上的两组振动传感器分别采集得到的，两组振动传感器的振动方向相互垂直，且两组振动传感器的振动方向分别与旋转机械设备的旋转轴的轴向垂直。旋转机械设备的转速信号是通过安装在旋转机械设备上的转速传感器采集得到的。两组振动信号分别采用x(n)、y(n)表示，转速信号采用v(n)表示，n＝1,…,N，n代表采样的时刻。当n取不同值时，就可以得到不同时刻的振动信号和转速信号。
[0033] 可选的，两组振动传感器中的每一组可以包括一个或多个振动传感器。
[0034] 可选的，本实施例中还可以获取旋转机械设备的温度信号，温度信号通过安装在旋转机械设备上的温度传感器采集得到。
[0035] 可选的，还可以通过能够同时采集振动信号的温度信号的振动-温度传感器来采集振动信号和温度信号。
[0036] 本实施例中，可以对上述振动传感器和转速传感器采用一个时钟控制，保证振动信号和转速信号的同步采集。为了提高故障识别精度，采集速率可以为200Kbps，每个样点上采用16比特的量化率。
[0037] 步骤102、提取两组振动信号的时域特征参数。
[0038] 可选的，提取两组振动信号的时域特征参数，包括：分别提取每组振动信号的时域特征参数。时域特征参数是通过提取时域内的振动信号的特征参数得到，例如提取时域内的振动信号的峰峰值、有效值、突出系数、脉冲系数、歪度等参数作为时域特征参数。
[0039] 步骤103、将振动信号转换为采用等角度间隔采样的目标振动信号。
[0040] 可选的，将所述振动信号转换为采用等角度间隔采样的目标振动信号，包括：基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；基于获取的所述转速信号，确定待建立的第二时间序列的重采样时刻；基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样；将所述第二时间序列进行离散傅里叶变换，可以进一步提取得到谐波特征参数。其中，转速信号可以是通过转速传感器采集的时域内的转速信号，具体是采用等时间间隔进行采样得到。
[0041] 具体的，是以x(n)、y(n)中的一个作为实部，另一个作为虚部构造复数形式的第一时间序列，第一时间序列是采样等时间间隔采样得到。构造的第一时间序列表示为z(n)，以x(n)为实部，y(n)为虚部，复数形式的第一时间序列表示为：z(n)＝x(n)+jy(n)，式中，j表示虚数，j2＝-1。
[0042] 首先，将振动信号转换为目标振动信号，振动信号为等时间间隔采样得到，目标振动信号为等角度间隔采样得到，需要通过对振动信号进行重采样，确定目标振动信号的采样时刻。
[0043] 其中，目标振动信号采用 表示，Tm代表 的采样时刻。
[0044]
[0045] 式(1)中，m＝1,…,M；Δt表示对振动信号进行等时间间隔采样的时间间隔。
[0046] 接下来，对 进行离散傅里叶变换得到
[0047] 步骤104、提取目标振动信号的谐波特征参数。
[0048] 可选的，谐波特征参数包括以下至少一项：所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位。
[0049] 例如，可以选取感兴趣的p个谐波，例如转频、转频的一倍、二倍、三倍、四倍、五倍频和0.48倍、0.2倍、0.3倍、0.6倍和0.47倍分频的谐波，然后计算这p个谐波频率下旋转机械的旋转轴的椭圆运动轨迹的主要特征信息，例如椭圆运动轨迹的长半轴RLk称为主振矢；椭圆运动轨迹的短半轴RSk称为副振矢；主振矢与x轴间的夹角 称为振矢角；轴心沿椭圆运动的初相位角αk就是正进动的初相位，以其中一个谐波m的转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位等特征信息的计算过程为例，具体如下：
[0050]
[0051]
[0052]
[0053]
[0054] 步骤105、至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障。
[0055] 其中，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0056] 将时域特征参数，例如时域内的振动信号的峰峰值、有效值、突出系数、脉冲系数、歪度等参数，以及谐波特征参数，例如转频、转频的一倍、二倍、三倍、四倍、五倍频和0.48倍、0.2倍、0.3倍、0.6倍和0.47倍分频的谐波频率下转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位等特征信息，输入预设的故障检测模型，就可以通过故障检测模型识别旋转机械设备是否故障。
[0057] 可选的，在上述实施例的基础上，还可以增加旋转机械设备的温度信号，例如采用与振动信号和转速信号相同的采样率，对旋转机械设备的温度进行采集，得到温度信号，温度信号也可以视为一个温度参数在时序上连续的时间序列信号。之后，将时域特征参数、谐波特征参数输入和温度信号输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障。与通过时域特征参数、谐波特征参数识别旋转机械设备是否故障不同的是，预设的故障检测模型还需要结合温度信号训练得到，也就是说，预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。
[0058] 本申请实施例通过获取旋转机械设备的至少两组振动信号，至少两组振动信号分别采用等时间间隔采样；提取两组振动信号的时域特征参数；将振动信号转换为采用等角度间隔采样的目标振动信号；提取目标振动信号的谐波特征参数；至少将时域特征参数和谐波特征参数输入预设的故障检测模型，以通过故障检测模型识别旋转机械设备是否故障，预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0059] 由于将时域内的振动信号转换为采用等角度间隔采样的目标振动信号，因此，能够适应变转速的情况下的特征提取。
[0060] 另外，通过提取目标振动信号的多个谐波的特征参数，每个谐波的特征参数采用多个特征变量来表达，因此，能够提取多个通道的信号。
[0061] 再结合振动信号的时域特征参数及其温度参数，使得提取的参数信息更加丰富多样。
[0062] 此外，由于采用的预设的故障诊断模型是基于历史时域特征参数和历史谐波特征参数训练得到，因此，能够减小误诊率或者漏诊率。
[0063] 可选的，如图2所示，基于转速信号，确定待建立的第二时间序列的重采样时刻，包括：
[0064] 步骤201、确定转速信号的脉冲到达时刻。
[0065] 其中，转速信号的脉冲到达时刻可以采用如下方式确定：
[0066] 步骤(1)：确定转速信号中的各个时刻对应的转速值是否大于预设值，如果该时刻的转速值小于预设值则将该时刻对应的值置为0，如果该时刻的转速值大于或等于预设值则将该时刻对应的值置为1。
[0067] 其中，预设值可以根据转速信号v(n)的峰峰值Vpp和各个时刻的转速值的平均值Vave确定，例如，预设值＝Vave+0.3Vpp。需要说明的是，根据转速信号v(n)的峰峰值Vpp和峰峰值的平均值Vave确定预设值的公式中，系数可以不是0.3，也可以是0.2或者0.4，本领域技术人员可以根据实际需求进行调整。
[0068] 步骤(2)：在经过第(1)步处理后的转速信号中，确定处于上升沿的转速信号值，并记录处于上升沿的转速信号值对应的时刻，采用ti表示处于第i个上升沿的转速信号值对应的时刻。
[0069] 步骤(3)：根据第(2)步记录的处于上升沿的转速信号值对应的时刻，确定待建立的第二时间序列的重采样时刻。
[0070] 上述步骤(1)至步骤(3)是将大于预设值的转速信号值对应的时刻确定为转速信号的脉冲到达时刻。
[0071] 例如，将转速信号序列中的所有转速信号值都置为0，再将记录的处于上升沿的时刻的转速信号值置为1。
[0072] 本实施例中通过预设值对转速信号进行处理，使转速信号呈方波，如此，可以避免干扰信号的干扰。
[0073] 之后，将大于或等于预设值的转速值对应的时刻确定为转速的脉冲到达时刻。
[0074] 以齿轮盘为例，齿轮是锯齿形的，根据涡轮传感器检测齿轮通过时的距离得到的波形与齿轮的形状相对应。检测齿轮到达时刻的点，该点为上升沿的点，存储该点并记录该点所在的时刻，该时刻即为转速的脉冲到达时刻。而每次检测到的1就是齿轮的上升沿的点，每检测到一个1相当于一个齿轮划过，标记该时刻就可知道转速的脉冲到达时刻。
[0075] 其中，为了把转速v(n)与振动信号一一对应以便于后续引用和处理，将转速脉冲信号v(n)到达时刻以外的转速脉冲信号v(n)值全置为零。以齿轮旋转为例，在一定时间段内，采集10个转速v(n)，第2个采集点对应的是齿轮的上升沿，第5个采集点对应的是齿轮的上升沿，第7个采集点对应的是齿轮的上升沿，那么波形上除了上升沿的点的转速v(n)为1，而中间的脉冲v(n)全部为0。
[0076] 步骤202、确定各个脉冲到达时刻的角速度；
[0077] 可选的，确定各个脉冲到达时刻的角速度，包括：确定各个脉冲到达时刻的数字差分；基于数字差分，确定各个脉冲到达时刻的角速度。
[0078] 其中，确定各个脉冲到达时刻的数字差分，可以理解为确定各个脉冲到达时刻的角速度的倒数，根据各个脉冲时刻的角速度的倒数就可以求得各个脉冲时刻的角速度。
[0079] 其中，
[0080] 则首先计算各个脉冲到达时刻的数字差分t′(θi)，具体如下：
[0081] a.当i＝0时计算第一个脉冲点所在时刻的数字差分，计算式为：
[0082] t′(θ0)＝c[-25t0+48t1-36t2+16t3-3t4]；
[0083] b.当i＝1时，计算第二个脉冲点所在时刻的数字差分，计算式为：
[0084] t′(θ1)＝c[-3t0-10t1+18t2-6t3+1t4]；
[0085] c.当1
[0086] t′(θi)＝c[-ti-2-8ti-1+8ti+1-ti+2]；
[0087] d.当i＝Np-2时，计算倒数第二个脉冲点所在时刻的数字差分：
[0088]
[0089] e.当i＝Np-1时，计算最后一个脉冲点所在时刻的数字差分：
[0090]
[0091] 上式中，Np为旋转机械设备累计转过的脉冲的总个数， 为常数，c的表达式中Δθ为ti-1时刻到ti时刻转过的旋转角度，可以根据ti时刻的累计转角与ti-1时刻的累计转角的差值得到。
[0092] 例如，通过角度测量仪等仪器设备测量旋转机械设备在各个时刻所旋转过的角度，即累计转角，假设旋转机械设备在当前脉冲到达时刻ti旋转过的角度为θi，当前脉冲到达时刻的前一时刻ti-1旋转过的角度为θi-1，则通过Δθ＝θi-θi-1可以计算得到旋转机械设备从前一脉冲到达时刻ti-1至当前脉冲到达时刻ti所旋转过的角度Δθ，即旋转角度差。
[0093] 根据上述a至e中的公式可以计算得到各个脉冲到达时刻的数字差分，进而根据各个脉冲到达时刻的数字差分的倒数，可以得到各个脉冲到达时刻的角速度。
[0094] 对于其他脉冲到达时刻的角速度也可以采用上述过程来确定，本实施例不再一一介绍。
[0095] 步骤203、根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻。
[0096] 可选的，可以基于二次曲线拟合计算等角度间隔采样时间序列 的重采样时刻Tm。具体的，基于二次曲线拟合计算等角度间隔采样时间序列 的重采样时刻Tm，包括：
[0097] 203a、确定当前脉冲到达时刻与前一脉冲到达时刻之间的时间间隔；
[0098] 203b、确定当前脉冲到达时刻的角速度与前一脉冲到达时刻的角速度的差值；
[0099] 203c、根据当前脉冲到达时刻与前一脉冲到达时刻的角速度差值，以及时间间隔，计算得到当前脉冲到达时刻到前一脉冲到达时刻的角加速度。
[0100] 例如，当前脉冲到达时刻与前一脉冲到达时刻，也就是相邻两个脉冲时刻的时间间隔Δti＝ti-ti-1，当前脉冲到达时刻与前一脉冲到达时刻的角速度的差值为ωi-ωi-1，其中，ωi-ωi-1＝aiΔti，ai为要计算的相邻两个脉冲时刻之间的角加速度。
[0101] 203d、根据当前脉冲到达时刻到前一脉冲到达时刻的角加速度、角速度，以及当前采样点对应的转角，确定旋转机械设备转动至当前采样点所需要的时间。
[0102] 假设等角度采样的采样率是每旋转一周采样NR个样点，则第j个样点对应的转角[0103] 从脉冲时刻ti-1开始转过j个样点所需时间
[0104] 203e、旋转机械设备转动至当前采样点所需要的时间，以及当前脉冲时刻，确定重采样时刻。
[0105] 具体的，重采样时刻Tm＝ti+Δtj，其中，
[0106] 可选的，预设的故障检测模型是对神经网络训练得到的；如图3所示，对神经网络的训练包括如下步骤：
[0107] 步骤301、获取旋转机械设备的至少两组振动信号样本。
[0108] 步骤302、提取两组振动信号样本的时域特征样本参数。
[0109] 步骤303、将时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本。
[0110] 步骤304、提取目标振动信号的谐波特征样本参数。
[0111] 步骤301至304的处理过程与前述实施例应用预设的故障检测模型检测故障时的处理类似，具体可以参见前述实施例的介绍，此处不再赘述。
[0112] 步骤305、至少基于时域特征样本参数、谐波特征样本参数和对旋转机械设备是否故障的标注信息对神经网络进行训练。
[0113] 步骤306、基于神经网络的输出结果和标注信息之间的差异，调整神经网络的网络参数。
[0114] 本实施例中，可以建立包括一个输入层、q个隐藏层、一个输出层的神经网络，然后采用时域特征样本参数、谐波特征样本参数对神经网络进行训练，以及采用测试样本对神经网络进行测试，并对神经网络的网络参数进行调整，得到合适的网络参数，最后存储训练好的神经网络，得到故障诊断模型。
[0115] 具体的，上述过程包括：
[0116] ①、建立一个输入层、q个隐藏层、一个输出层的神经网络，并初始化该神经网络。
[0117] 初始化神经网络，是指在0至1之间随机地选取数值，作为输入层与隐藏层，隐藏层与输入层之间的连接权值。
[0118] 在本实施例中，神经网络可以选取自适应降噪编码器，其包括1个输入层、3个隐藏层和1个输出层；其中，输入层由50个神经元组成，每个隐藏层有100个神经单元，隐藏层与隐藏层间采用全连接，输出层有24个神经元，隐藏层与输出层之间采用全连接。
[0119] ②、计算隐藏层各处理单元的输出。隐藏层各处理单元的输出采用如下公式计算得到：
[0120]
[0121] 式中，μl,j表示第l个隐藏层的第j个神经元的输出；ωl,j,m是联络第l-1输入层的第m个神经元与第l个隐藏层的第j个神经元的权值；μl-1,m是第l-1个神经网络层(包括输入层和隐藏层)第m个神经元的输出值；Nl-1是第l-1个神经网络层神经元的个数；f表示隐藏层的函数关系。
[0122] ③、计算输出层各神经元的输出。
[0123] 具体的，通过如下公式计算输出层各神经元的输出：
[0124]
[0125] 式中，μL,j表示输出层L层第j个神经元的输出，ωL,j,m为输出层L层第j个神经元与隐藏层L-1层第m个神经元相联系的权值，μL-1,m为隐藏层L-1层第m个神经元的输出值；Nl为隐藏层神经元的个数。
[0126] ④、对隐藏层与输入层、输出层之间的权值进行调整。
[0127] 具体的，对隐藏层与输入层、输出层之间的权值进行调整，包括：
[0128]
[0129] 式中，ωl,j,i(k+1)是第k+1次对第l个神经网络层第j个神经元与第l-1个神经网络层的第i个神经元之间的连接权值进行调整之后的权值；同样地，ωl,j,i(k)是第k次对第l个神经网络层第j个神经元与第l-1个神经网络层的第i个神经元之间的连接权值进行调整之后的权值；u是正的常数，称为学习率，用以调整学习步长。
[0130] ⑤、重复步骤②至④，直至达到误差校正值为止。
[0132] 图4为本申请实施例提供的旋转机械设备的故障检测装置的结构示意图。本申请实施例提供的旋转机械设备的故障检测装置可以执行旋转机械设备的故障检测方法实施例提供的处理流程，如图4所示，旋转机械设备的故障检测装置40包括：获取模块41、第一提取模块42、变换模块43、第二提取模块44和识别模块45；其中，获取模块41，用于获取所述旋转机械设备的至少两组振动信号，至少两组所述振动信号分别采用等时间间隔采样；第一提取模块42，用于提取所述两组振动信号的时域特征参数；转换模块43，用于将所述振动信号转换为采用等角度间隔采样的目标振动信号；第二提取模块44，用于提取所述目标振动信号的谐波特征参数；识别模块45，用于至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型识别所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史时域特征参数和历史谐波特征参数训练得到。
[0133] 可选的，转换模块43将所述振动信号转换为采用等角度间隔采样的目标振动信号时，具体包括：基于所述两组振动信号，建立复数形式的第一时间序列，所述第一时间序列采用等时间间隔进行采样；基于获取的所述转速信号，确定待建立的第二时间序列的重采样时刻；基于所述重采样时刻和所述第一时间序列，建立复数形式的第二时间序列，得到所述目标振动信号，所述第二时间序列采用等角度间隔进行采样。
[0134] 可选的，获取模块41还用于获取所述旋转机械设备的温度参数；识别模块45在用于至少将所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障时，具体包括：至少将所述温度参数、所述时域特征参数和所述谐波特征参数输入预设的故障检测模型，以通过所述故障检测模型确定所述旋转机械设备是否故障，所述预设的故障检测模型是基于历史温度参数、历史时域特征参数和历史谐波特征参数训练得到。
[0135] 可选的，所述两组振动信号是通过安装在所述旋转机械设备上的两组振动传感器分别采集得到的，所述两组振动传感器的振动方向相互垂直，且所述两组振动传感器的振动方向分别与所述旋转机械设备的轴向垂直；所述旋转机械设备的转速信号是通过安装在所述旋转机械设备上的转速传感器采集得到的；所述温度参数是通过安装在所述旋转机械设备上的温度传感器采集得到的。
[0136] 可选的，该装置还包括：训练模块46，用于对神经网络训练得到预设的故障检测模型；训练模块46对所述神经网络的训练时，具体用于：获取所述旋转机械设备的至少两组振动信号样本；提取所述两组振动信号样本的时域特征样本参数；将所述时域振动样本信号转换为采用等角度间隔采样的目标振动信号样本；提取所述目标振动信号的谐波特征样本参数；至少基于所述时域特征样本参数、所述谐波特征样本参数和对所述旋转机械设备是否故障的标注信息对所述神经网络进行训练；基于所述神经网络模型的输出结果和所述标注信息之间的差异，调整所述神经网络的网络参数。
[0137] 可选的，变换模块43基于所述转速信号，确定待建立的第二时间序列的重采样时刻时，具体包括：确定转速信号的脉冲到达时刻；确定各个脉冲到达时刻的角速度；根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻，其中，通过所述预设角度对所述振动信号进行等角度间隔采样。
[0138] 可选的，变换模块43根据各个脉冲到达时刻的角速度，确定旋转机械设备每旋转预设角度时对应的时刻时，具体包括：确定当前脉冲到达时刻与前一脉冲到达时刻之间的时间间隔；确定当前脉冲到达时刻的角速度与前一脉冲到达时刻的角速度的差值；根据当前脉冲到达时刻与前一脉冲到达时刻的角速度差值，以及时间间隔，计算得到当前脉冲到达时刻到前一脉冲到达时刻的角加速度。
[0139] 可选的，所述谐波特征参数包括以下至少一项：所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位；所述提取所述目标振动信号的谐波特征参数，包括：将所述第二时间序列进行离散傅里叶变换，得到傅里叶变换结果；基于所述傅里叶变换结果提取所述旋转机械设备的谐波频率下，转轴的椭圆运动轨迹的主振矢、副振矢、振矢角和正进动初相位中的至少一项。
[0140] 图4所示实施例的旋转机械设备的故障检测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0141] 图5为本申请实施例提供的旋转机械设备的故障检测设备的结构示意图。本申请实施例提供的旋转机械设备的故障检测设备可以执行旋转机械设备的故障检测方法实施例提供的处理流程，如图5所示，旋转机械设备的故障检测设备50包括：存储器51、处理器52、温度传感器53、振动传感器54、转速传感器55和计算机程序；温度传感器53，用于采集所述旋转机械设备的温度；振动传感器54，用于采集所述旋转机械设备的振动信号；转速传感器55，用于采集所述旋转机械设备的转速信号；其中，计算机程序存储在存储器51中，并被配置为执行以上方法实施例的步骤。
[0142] 图5所示实施例的旋转机械设备的故障检测设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0143] 另外，本申请实施例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执行以实现上述实施例所述的旋转机械设备的故障检测方法。
[0144] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0145] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
[0146] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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。
[0147] 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。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(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0148] 本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0149] 最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于支持向量机的天气雷达电磁干扰回波识别方法 | 2020-05-08 | 497 |
| 基于耦合方法的水下声音传播模拟方法 | 2020-05-11 | 274 |
| 收音设备自动搜台方法、装置及收音设备 | 2020-05-11 | 819 |
| 基于阶梯相位反射镜的快照成像光谱仪及制作方法 | 2020-05-12 | 849 |
| 基于加权联合距离时频变换的室内人体姿态识别方法 | 2020-05-12 | 900 |
| 一种连续语音流中的叠音检测方法 | 2020-05-11 | 337 |
| 用户设备、基站和无线通信方法 | 2020-05-11 | 768 |
| 一种8-羟基喹啉硼化锂修饰的聚合物传感器阵列的构建方法及应用 | 2020-05-11 | 93 |
| 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统 | 2020-05-11 | 196 |
| 基于递归压缩感知的电力线通信系统脉冲噪声抑制方法 | 2020-05-08 | 136 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
离散傅立叶变换热门专利
QQ群二维码
意见反馈
意见反馈