[發明專利]一種旋轉機械故障的智能診斷方法及智能診斷系統

有效

• 申請號: 201910601823.2
• 申請日: 2019-07-08
• 公開（公告）號: CN110441081B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 楊彥利
• 申請（專利權）人: 大連圣力來監測技術有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種旋轉機械故障的智能診斷方法及智能診斷系統。本發明利用三個深度神經網絡故障識別子模型從頻域、小波域和包絡譜角度分別進行故障識別，再結合相關系數評估故障識別子模型的識別結果，并通過融合處理三個故障識別子模型的評估結果來實現對故障的診斷。本發明提供的旋轉機械故障的智能診斷方法及智能診斷系統，從多個角度對故障信號進行識別，并結合相關系數進行綜合判斷，能夠有效提高故障識別的準確性和可靠性，整個過程自動提取特征，自動實現對故障信號識別，具有廣闊的工業應用前景。

技術領域

本發明涉及旋轉機械故障診斷領域，特別是涉及一種旋轉機械故障的智能診斷方法及智能診斷系統。

背景技術

旋轉機械是工業上應用最廣泛的機械，是指依靠旋轉動作完成特定功能的機械。典型的旋轉機械有汽輪機、燃氣輪機、離心壓縮機、風機、泵、水輪機、電動機、發電機和航空發動機等。由于現代化的工程技術系統正朝大規模、復雜化方向發展，現代生產機械日益高速化、大型化、精密化、集中化和自動化，機械設備的可靠性與安全性日益受到重視。

旋轉機械廣泛應用于石油、化工、電力、冶金等行業，一些設備已成為這些行業的核心設備。旋轉機械通常由眾多零部件組成。由于長時間工作，零部件的性能會隨運行時間而逐漸退化。任何一個零部件出現故障都可能導致整個設備工作異常，甚至是造成設備出現嚴重故障，影響企業的正常生產活動。因此，采用先進的故障診斷技術，對設備運行狀態進行跟蹤，實時發現問題已成為生產正常進行的必要保障，能為企業帶來巨大的經濟效益和社會效益。

在經歷了事后維修、定期檢修，故障診斷目前已發展到預知維修階段。預知維修建立在設備狀態的實時監測和智能故障診斷基礎之上，實現預知維修的關鍵是對設備運行狀態進行準確的判斷。現有的旋轉機械故障診斷主要由專業人員來完成，依賴于專業人員的技術和經驗，導致故障診斷的智能化程度低。

因此，如何提供一種旋轉機械故障的智能診斷方法及智能診斷系統，成為本領域技術人員亟需解決的技術問題。

發明內容

本發明的目的是提供一種旋轉機械故障的智能診斷方法及智能診斷系統，從多個角度對故障信號進行識別，并結合相關系數進行綜合判斷，能夠有效提高故障識別的準確性和可靠性，整個過程自動提取特征，自動實現對故障信號的識別，具有廣闊的工業應用前景。

為實現上述目的，本發明提供了如下方案：

一種旋轉機械故障的智能診斷方法，所述智能診斷方法包括：

獲取表征旋轉機械故障的時域振動信號；

對所述時域振動信號進行處理，將時域信號變換到頻域、小波域、包絡譜，獲得頻譜特征、小波包特征和包絡譜特征；

將各個所述頻譜特征、小波包特征和包絡譜特征分別輸入到深度神經網絡(DNN)故障識別模型進行故障模式識別，獲得旋轉機械故障信號的識別結果；其中，所述深度神經網絡故障識別模型的輸入分別為頻譜特征、小波包特征和包絡譜特征，所述深度神經網絡故障識別模型的輸出為故障信號的識別結果；所述深度神經網絡故障識別模型是根據深度神經網絡算法和相關系數建立而成；所述深度神經網絡故障識別模型的建立方法具體包括：

獲取待識別故障信號，所述待識別故障信號為時域振動信號；

加載訓練好的深度神經網絡故障識別模型；所述訓練好的深度神經網絡故障識別模型，包括三個故障識別子模型，分別是基于頻域特征的深度神經網絡故障識別子模型，基于小波域特征的深度神經網絡故障識別子模型，和基于包絡譜特征的深度神經網絡故障識別子模型；

判斷加載的訓練好的深度神經網絡故障識別模型是否需要訓練，如果需要訓練，就對深度神經網絡故障識別模型進行訓練；

對所述待識別信號進行處理，獲得待識別信號的頻譜特征、小波包特征和包絡譜特征；