【技术实现步骤摘要】
一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质
本专利技术涉及一种旋转设备故障诊断方法,尤其涉及一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质。
技术介绍
随着我国综合实力的提升和科技水平的不断进步,现代工业对高质量、低成本产品和安全生产的需求越来越高,工业旋转设备的维护也快速从预防性维护转向为基于旋转设备状态的实时监测与智能故障诊断,旋转机械是旋转设备中最广泛普遍的类型之一,在工业应用中具有不可替代的地位,而基于旋转旋转设备的状态监测和故障维护可以有效减少运行机组突发性停机次数,甚至避免事故的发生,因此,旋转设备的故障诊断对于确保工业设备的安全高效的运行具有十分重要的意义。现有的旋转设备故障诊断,仅仅是对旋转设备进行简单的振动信号的检测,并以此为依据对旋转设备状态进行评估,此种方式,监测的旋转设备故障诊断偏差较大,难以精确有效的确定旋转设备故障类型,此外在旋转设备运行过程中,其本身就具有一定的噪声,旋转设备本身的噪声也会相应的影响旋转设备故障的判断。为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制,通过卷积神经网络模型能够克服噪声干扰,将不同故障信号进行特征提取与信息融合,并通过图像识别振动数据,进行神经网络模型的训练,提高故障诊断准确率,如何对旋转设备故障诊断实现精准控制,是亟不可待要解决的问题。
技术实现思路
本专利技术克服了现有技术的不足,提供一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质。为达到上述目的, ...
【技术保护点】
1.一种基于网络模型的旋转设备故障诊断方法,其特征在于,包括:/n采集设备图像信息,获取旋转设备初始参数信息,建立网络模型;/n获取旋转设备全寿命振动数据,提取振动数据特征;/n利用频谱分析法对数据特征进行分析;/n当数据特征出现调制现象,则生成故障数据,得到故障信息;/n将故障信息按照预设方式进行显示。/n
【技术特征摘要】
1.一种基于网络模型的旋转设备故障诊断方法,其特征在于,包括:
采集设备图像信息,获取旋转设备初始参数信息,建立网络模型;
获取旋转设备全寿命振动数据,提取振动数据特征;
利用频谱分析法对数据特征进行分析;
当数据特征出现调制现象,则生成故障数据,得到故障信息;
将故障信息按照预设方式进行显示。
2.根据权利要求1所述的一种基于网络模型的旋转设备故障诊断方法,其特征在于,还包括:
获取旋转设备振动信号,对振动信号进行降噪处理,并提取振动信号频域特征;
对振动信号进行重叠区域分段截取,增加信号宽度;
通过网络模型对振动信号进行迭代,直至收敛,得到结果信息;
将结果信息进行频谱分析,得到故障信息;
所述网络模型为卷积神经网络模型。
3.根据权利要求2所述的一种基于网络模型的旋转设备故障诊断方法,其特征在于:获取旋转设备全寿命振动数据,提取振动数据特征;具体包括:
建立多点测量与多速度功率谱熵进行监测设备振动变化规律,得到设备振动信号;
将设备振动信号分解为高共振分量信号与低共振分量信号,并各自分析高共振分量信号与低共振分量信号的波形特点与振荡属性;
通过稀疏共振分解法对高共振分量信号与低共振分量信号进行滤波处理;
根据正交匹配追踪算法表征旋转设备振动数据。
4.根据权利要求1所述的一种基于网络模型的旋转设备故障诊断方法,其特征在于:当数据特征出现调制现象,则生成故障数据,得到故障信息具体包括:
采集设备振动信号,通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和,单分量信号包括一个包络信号与一个调频信号的乘积,其瞬时幅值对应包络信号,瞬时频率由对应的调频函数求出。
5.根据权利要求4所述的一种基于网络模型的旋转设备故障诊断方法,其特征在于:局部均值分解算法具体包括:
选定一个原始信号x(t),t表示采样时间,找出该信号全部极值点mj,其中j表示序列号,j=1、2、3……,计算得出相邻极值点间的局部均值点即
将全部的局部均值点用直线连接,再用滑动平均方法完成多次平滑处理,得局部均值函数mx,通过局部均值函数mx计算得到新的信号g(t);
g(t)=x(t)-mx;
通过极值点计算对应的包络估计点mk,得到估计函数my,其中
通过估计函数计算得到处理后的信号pn(t),
判断pn(t)是否为纯调频信号,若估计函数满足my=1,则表示p(t)为纯调频信号,若不满足,则将pn(t)作为原始信号进行迭代计算直至my=1...
【专利技术属性】
技术研发人员:刘立斌,付俊宇,
申请(专利权)人:苏州容思恒辉智能科技有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。