【技术实现步骤摘要】
本专利技术涉及动设备多维度监测，具体来说，涉及基于振动信号融合多源信息的动设备智能监测与维护系统及方法。
技术介绍
1、动设备在工业中使用广泛，但设备的复杂工况及多变的外部环境常导致设备出现多种形式的故障，如空化、叶轮破损、机械密封失效等，这些故障均可能影响设备的正常运行与效率，甚至造成安全隐患；
2、传统监测方法多基于单一的振动信号或压力脉动信号，但由于动设备的故障类型多样且往往伴随不同的故障模式，旋转类机械故障主要体现在振动异常和电磁场变化上，传统单一信号源监测方法难以全面反映设备的运行状态及故障模式，存在实用性与功能性低下的问题，因此，亟需一种能够融合多源信息的监测系统来提升动设备运行过程中监测的全面性和准确性；
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出基于振动信号融合多源信息的动设备智能监测与维护系统及方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、基于振动信号融合多源信息的动设备智能监测与维护方法，该方法包括以下步骤：
4、s1、通过非侵入式信号采集方案，采集正常动设备以及故障动设备运行过程中的参数，包括振动信号、外磁场信号、温度信号以及声音信号；
5、s2、在采集的当前故障动设备振动、外磁场、声音和温度信号中提取关键特征，通过算法筛选与动设备不同故障状态关联度最高的特征指标，并构建
6、s3、基于动设备不同故障状态下的特征向量，构建动设备故障判定模型，基于采集的当前动设备的运行参数特征，结合动设备故障判定模型，对动设备运行过程中未发生的潜在故障进行多维度判定，并对已经发生的故障进行诊断。
7、作为优选的实施方式，所述s1包括以下子步骤：
8、s11、通过高灵敏度振动传感器放置于动设备的关键部位，包括轴承部位、转子部位、机械密封处以及叶轮位置，以采集动设备在不同状态下的振动特征，包括振动频率、振幅、振动相位以及频谱特征；
9、s12、基于电磁感应原理，通过安装于动设备电机外部的感应线圈采集不同状态下动设备外磁场信号，包括特征频率、振幅；
10、s13、通过非接触式红外温度传感器监测不同动设备外部的温度分布，并结合内部温度传感器采集的数据，获得不同状态下动设备的温度变化量；
11、s14、通过在不同状态下动设备外部设置指向性麦克风，非接触地采集动设备的运行声音信号。
12、作为优选的实施方式，所述s2包括以下步骤：
13、s21、针对采集的正常状态下的动设备振动信号、外磁场信号、温度信号以及声音信号，分别提取振动信号、外磁场信号、温度信号以及声音信号的关键特征作为动设备基准状态参数特征；
14、s22、针对采集的不同故障状态下的动设备振动信号、外磁场信号、温度信号以及声音信号，分别提取振动信号、外磁场信号、温度信号以及声音信号的关键特征，基于马氏距离结合动设备基准状态参数特征，筛选不同故障状态下的关联度特征指标，构建不同故障特征向量。
15、作为优选的实施方式，所述s21包括以下步骤：
16、s211、针对采集的正常状态下的动设备振动信号，对振动信号中的时域特征以及频域特征进行提取，其中时域特征包括均值、标准差、峰值、峭度，频域特征包括主频、频谱、频率中心；
17、s212、针对采集的正常状态下的动设备外磁场信号，对外磁场信号中的特征参数进行提取，包括峰值、最大强度变化率、主频率变化、谐波特征、偏移量、波动幅度；
18、s213、针对采集的正常状态下的动设备温度信号，提取趋势特征与动态特征，其中趋势特征包括温度均值、温度变化率、温度最大值、温度最小值，动态特征包括温度波动幅度、温升率、温度梯度；
19、s214、针对采集的正常状态下的声音信号，进行特征参数提取，包括短时能量、信号过零率、频谱中心频率、频带宽度、mel频率倒谱系数；
20、s215、对正常动设备提取的组振动信号特征、外磁场信号特征、温度信号特征和声音信号特征参数数值进行均值处理，将均值后的特征数值作为动设备基准状态参数特征向量：
21、；
22、其中，代表动设备基准状态参数特征向量，分别代表振动信号、外磁场信号、温度信号和声音信号均值处理后的关键特征。
23、作为优选的实施方式，所述s22包括以下步骤：
24、s221、针对不同故障状态下的动设备振动信号、外磁场信号、温度信号以及声音信号进行组采集，并基于故障类型进行分组，通过分别建立不同故障类型档案，对同一故障类型下动设备采集的组参数进行均值处理，并将均值后的特征参数值记录在对应的故障类型档案中，构建故障状态特征向量：
25、；
26、其中，代表第个故障类型档案下的故障状态特征向量，分别代表第个故障类型档案下均值处理后的振动信号、外磁场信号、温度信号和声音信号的关键特征；
27、s222、基于马氏距离算法结合动设备基准状态参数特征，分别计算不同故障类型档案下动设备采集参数与基准状态参数特征的马氏距离，其算法公式为：
28、；
29、其中，代表基准状态参数特征向量的协方差矩阵，代表第个故障类型档案下各个特征与基准状态参数特征的马氏距离；
30、s223、基于马氏距离阈值，筛选与各个故障状态关联度高的特征指标，其具体的步骤为：
31、统计所有＞的特征参数，这些特征即为不同故障状态下的关联度高特征指标，基于筛选出的关联度特征指标，构建不同故障状态下的关联特征向量：
32、；
33、其中，即为第个故障类型档案下的关联特征向量，分别代表第个故障类型档案下与故障状态关联度高的振动、磁场、温度和声音特征。
34、作为优选的实施方式，所述s3包括以下子步骤：
35、s31、基于动设备不同故障状态下的特征向量，构建动设备故障判定模型，其具体的步骤为：
36、将正常状态和不同故障状态的特征向量进行标注，其中正常状态下的标签为0，故障状态下的标签为1至n，基于关联特征向量，选择与故障相关的特征参数，构建输入特征矩阵：
37、；
38、基于神经网络构建动设备故障判定模型，输入层的输出为输入特征向量，对隐藏层每一层的输出通过激活函数进行非线性变换，输出层的神经元数量等于类别的数量，为n+1个类别，包括正常状态和n种故障状态，同时输出层的输出通过激活函数进行概率分布转换，将标注好的特征矩阵与故障状态下的标签输入神经模型进行训练，获得动设备故障判定模型；
39、s32、采集当前动设备运行过程中的振动信号、外磁场信号、声音信号、温度信号，并提取特征参数，构建当前特征向量，基于获得的动设备故障判定模型，对动设备运行过程的未发生的潜在本文档来自技高网...
【技术保护点】
1.基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S1包括以下子步骤：
3.根据权利要求1所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求3所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S21包括以下步骤：
5.根据权利要求4所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S22包括以下步骤：
6.根据权利要求5所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S3包括以下子步骤：
7.根据权利要求6所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述S32包括以下步骤：
8.基于振动信号融合多源信息的动设备智能监测与维护系统，其特征在于，该系统采用如权利要求1-7任意一项所述的基于振动信号融合多源信息的动设
...【技术特征摘要】
1.基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述s1包括以下子步骤：
3.根据权利要求1所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述s2包括以下步骤：
4.根据权利要求3所述的基于振动信号融合多源信息的动设备智能监测与维护方法，其特征在于，所述s21包括以下步骤：
5.根据权利要求4所述的基于振动信号融合多源信息的动设备智能...
【专利技术属性】
技术研发人员：刘永才，吴中华，李楠，王飞，乔常明，郭卫猛，吕宗才，曾祥茂，陈铖，刘辛酉，
申请(专利权)人：深圳市佳运通电子有限公司，
类型：发明
国别省市：
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。