[發明專利]設備故障聲譜分析診斷方法

在審

• 申請號: 202110942227.8
• 申請日: 2021-08-17
• 公開（公告）號: CN113551765A
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 張德鋒
• 申請（專利權）人: 中冶北方（大連）工程技術有限公司
• 主分類號: G01H17/00
• 分類號: G01H17/00;G06N20/00
• 代理公司: 鞍山貝爾專利代理有限公司 21223
• 代理人: 顏偉

本發明涉及一種設備故障聲譜分析診斷方法，包括被監控設備、聲譜采集儀和計算機處理系統，其特征在于包括下列步驟：a：采用聲譜監控儀，實時采集設備的聲譜信號；b、通過PYTHON對聲譜信號進行處理，將聲譜振動信號轉化為時域圖與頻域圖；c、根據時域圖與頻域圖建立故障數據圖庫，將故障數據圖庫作為深度學習的數據；d、采用深度學習ResNet算法對故障數據圖庫進行學習訓練，根據訓練結果生成診斷模型；e、利用得到的診斷模型，對實時聲譜數據進行設備故障預知與診斷，判斷設備運行是否正常，若正常，則繼續采集聲譜振動信號數據，進入步驟a，若不正常，則輸出故障類型并報警。做到實時預知及報警，避免重大損失發生。

技術領域

本發明涉及設備故障診斷方法，尤其涉及一種設備故障聲譜分析診斷方法。

背景技術

對于工業大型設備來說，如電機、風機等一旦發生故障，而沒有及時采取措施，會造成設備的損壞，直接導致大規模停產事件發生，造成重大經濟損失。若能準確及時識別運行過程中萌生和演變的故障，則有可能在故障發生前對設備進行必要的維護，做到防患于未然。因此，建立穩定可靠的機械設備健康監測及診斷系統具有非常重要的意義。

工業大型設備故障診斷技術是一門綜合性極強、覆蓋面極廣的交叉學科，集合了傳感器技術、信號處理技術、計算機技術。

目前市場上對于大型設備的故障監測大多停留在設置固定傳感器的單點監控階段，且故障預知能力欠缺。

人工智能方法是風機故障診斷中重要類別，如BP神經網絡、支持向量機和最小二乘向量機等。中國專利201710142440.4公開了一種風機齒輪箱故障診斷模型建立方法及裝置，該方法首先將振動信號進行平滑和降噪處理，再對處理后的振動信號進行分解，并提取振動信號的特征向量。然后將提取的特征向量分為訓練數據集和測試數據集，并利用果蠅算法對徑向基神經網絡模型的參數進行優化，最終利用徑向基神經網絡對風機齒輪箱故障進行診斷。上述人工智能診斷方法一般僅利用了振動信號的時域特征值或頻域特征值，而且訓練集和測試即數據量有限，因而存在網絡訓練收斂滿、故障識別效率低和準確率低等缺點。

發明內容

本發明的目的是提供一種設備故障聲譜分析診斷方法，基于聲譜分析原理，經過有效濾波可以有效排除環境干擾，準確的自動在線分析診斷大型設備運行時的聲音信息，采用深度學習算法對實時聲譜進行分析，做到實時預知及報警，避免重大損失發生。

本發明是這樣實現的。

本發明的一種設備故障聲譜分析診斷方法，包括被監控設備，設置在被監控設備周邊的聲譜采集儀和與聲譜采集儀電性連接的計算機處理系統，其特征在于包括下列步驟：

步驟a：采用聲譜采集儀，實時采集設備的聲譜信號；

步驟b、通過PYTHON對聲譜信號進行處理，將聲譜振動信號轉化為時域圖與頻域圖；

步驟c、根據時域圖與頻域圖建立故障數據圖庫，將故障數據圖庫作為深度學習的數據；

步驟d、采用深度學習ResNet算法對故障數據圖庫進行學習訓練，根據訓練結果生成診斷模型；

步驟e、利用得到的診斷模型，對實時聲譜數據進行設備故障預知與診斷，判斷設備運行是否正常，若正常，則繼續采集聲譜振動信號數據，進入步驟a，若不正常，則輸出故障類型并報警。

優選地，所述的計算機處理系統包括：聲音頻譜預處理模塊、故障數據圖庫模塊、聲譜深度學習模塊和實時數據分析模塊，所述的聲音頻譜預處理模塊用于把聲譜振動信號的時域圖轉化為頻域圖；所述的故障數據圖庫模塊用于故障數據圖庫的建立及實時更新；所述的聲譜深度學習模塊用于對故障數據進行深度學習；所述的實時數據分析模塊用于對實時采集數據進行分析及報警。

優選地，所述的聲譜采集儀為YK-DM801E型號的聲譜采集。