CN105606353A - 一种机械故障诊断方法及*** - Google Patents

Abstract

本发明公开了一种机械故障诊断方法及***，其方法为：首先构建包含目前全部已知诊断样本的诊断样本库，而且还根据已知诊断样本，构建若干未知诊断样本，用于表征机械的未知运行状态，再根据诊断样本库中所有的已知诊断样本和未知诊断样本，训练并生成故障诊断算法，并运用训练生成的故障诊断算法诊断从现场获取的表征机械当前运行状态的诊断样本；若诊断结果为未知运行状态，利用专家分析或现场分析等技术，确定机械运行状态后，将诊断样本更新为已知诊断样本，并重新训练故障诊断算法。本发明能够实现诊断样本库和故障诊断算法的动态完善，从而提高了故障诊断的准确率，从而提升机械设备的运行质量，降低停机时间，提高生产效率。

Description

一种机械故障诊断方法及***

技术领域

本发明涉及机械故障检测领域，特别涉及一种机械故障诊断方法及***。

背景技术

随着现代工业及科学技术的迅速发展,现代设备的结构越来越复杂,功能越来越完善,自动化程度越来越高,不仅同一设备的不同部分之间互相关联,紧密祸合,而且不同设备之间还存在着紧密的关系,在生产过程中形成一个整体。因此,一处故障就有可能引起链式反应,导致整个设备甚至整个生产过程不能正常运行,所以机械故障诊断具有重要的意义。

故障诊断是从医学检验和诊断中受到启发,并随着***工程、信息论、控制论、电子技术、计算机技术、信息处理、人工智能等现代科学技术的发展而发展起来的一门新兴综合***叉学科,其研究内容涉及故障机理、传感器与检测技术、信号分析与数据处理、自动控制、***辨识、专家***和计算机软硬件等技术领域。

目前由于技术的限制以及故障样本相对缺乏的原因，实际生产过程中应用的故障诊断技术总存在误诊断的问题，这在个别领域是无法接受的，为此建立一个完善的故障样本库，设计出诊断准确率高的故障诊断算法就成为迫切需要解决的问题。

发明内容

本发明的目的在于：针对目前机械故障识别准确度低，故障样本不完善的技术问题，提供一种机械故障诊断方法及***。

为了实现上述发明目的，本发明采用的技术方案为：一种机械故障诊断方法，首先构建包含目前全部已知诊断样本的诊断样本库，所述已知诊断样本分别用于表征机械的已知正常状态、已知潜在故障状态和已知故障状态，其特征在于，包括如下步骤，

第一步：根据所述已知诊断样本，构建若干未知诊断样本，并将所述未知诊断样本保存在所述诊断样本库中，其中所述未知诊断样本用于表征机械的未知运行状态；

第二步：根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，并且所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及所述未知运行状态相对应；

第三步：运用第二步中生成的所述故障诊断算法诊断从现场获取的表征机械当前运行状态的诊断样本，最终输出诊断结果；

第四步：若第三步中的所述诊断结果为所述未知运行状态，则确定所述诊断样本表征的机械运行状态，并将已确定所表征的机械运行状态的所述诊断样本更新为所述已知诊断样本后，跳转至第一步。

根据一种具体的实施方式，在所述第一步中，对表征所述已知正常状态的所述已知诊断样本，进行变异处理，以构建所述未知诊断样本；其中，

所述变异处理为：将表征所述已知故障状态的所述已知诊断样本，经过小波分析后得到的小波包随机叠加到表征所述已知正常状态的所述已知诊断样本上；或者将表征所述已知故障状态的所述已知诊断样本，经过EMD分解后得到的本征模态函数叠加到表征所述已知正常状态的所述已知诊断样本上。

根据一种具体的实施方式，在所述第四步中，通过故障诊断专家***，或通过现场人员或者专家人员对所述诊断样本进行分析，以确定所述诊断样本表征的机械运行状态，确定后，将所述诊断样本更新为已知诊断样本。

根据一种具体的实施方式，将所述诊断样本更新为所述已知诊断样本后，即所述诊断样本库中的所述已知诊断样本的数量增加，则删除之前所构建的全部所述未知诊断样本，而且删除后再跳转至所述第一步。

根据一种具体的实施方式，训练生成所述故障诊断算法包括：

提取所述已知诊断样本和所述未知诊断样本的故障特征，并以所述故障特征为所述故障诊断算法的输入，训练所述故障诊断算法的诊断结果分别与所述已知诊断样本表征的所述已知正常状态或所述已知潜在故障状态或已知故障状态，或者所述未知诊断样本表征的未知运行状态相对应；

训练生成所述故障诊断算法后，通过验证样本库验证训练生成的所述故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，否则调整所述故障诊断算法，并重新进行训练，直至训练成功。

基于机械故障诊断方法，本发明还提供一种机械故障诊断***，其包括现场处理单元和服务器，其中，

所述现场处理单元，用于从现场获取表征机械当前运行状态的诊断样本和从所述服务器获取故障诊断算法，并运用所述故障诊断算法诊断所述诊断样本，最终输出诊断结果，若所述诊断样本的诊断结果为未知运行状态，则将本次故障诊断的所述诊断样本发送至所述服务器；

所述服务器，用于构建包含目前全部已知诊断样本的诊断样本库，和确定所述诊断样本表征的机械的运行状态为正常状态或潜在故障状态或故障状态，并在确定后，将所述诊断样本更新为已知诊断样本，以及根据所述已知诊断样本，构建若干未知诊断样本，并根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，其中所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及未知运行状态相对应。

根据一种具体的实施方式，所述现场处理单元包括，

采集子单元，用于从现场获取表征机械当前运行状态的所述诊断样本；

存储子单元，用于保存用于本次诊断的所述诊断样本，以及保存从所述服务器获取的所述故障诊断算法；

运算子单元，用于调用所述存储子单元中的所述故障诊断算法和用于本次诊断的所述诊断样本，并运用所述故障诊断算法对所述诊断样本进行诊断，最终输出所述诊断结果；

通信子单元，用于从所述服务器获取故障诊断算法，以及在本次诊断的所述诊断结果为未知运行状态时，用于将本次诊断的所述诊断样本发送至所述服务器。

根据一种具体的实施方式，所述服务器包括，

网络单元，用于建立与所述通信子单元的通信连接；

数据库单元，用于构建包含目前全部已知诊断样本的诊断样本库，以及存储已知诊断样本、未知诊断样本和所述故障诊断算法；

运行状态确认单元，用于确定所述诊断样本表征的机械的运行状态，并将所述诊断样本更新为已知诊断样本；

未知诊断样本构建单元，用于对表征所述已知正常状态的所述已知诊断样本，进行变异处理，以构建所述未知诊断样本；

故障诊断算法训练单元，用于根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，其中所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及所述未知运行状态相对应；

故障诊断算法验证单元，用于验证样本库验证训练生成的所述故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，并将所述故障诊断算法存储在数据库单元，否则调整所述故障诊断算法，并重新进行训练，直至训练成功；

根据一种具体的实施方式，所述服务器还包括更新信息发送单元，用于在所述故障诊断训练单元训练成功后，将更新所述故障诊断算法的信息，通过所述网络单元，发送至所述现场处理单元，以使所述现场处理单元将当前的所述故障诊断算法替换为训练成功后的所述故障诊断算法。

与现有技术相比，本发明的有益效果：

本发明能够实现诊断样本库的动态完善，同时根据完善后的诊断样本库的诊断样本，完善故障诊断算法，并将完善后的故障诊断算法更新至现场处理单元，提高了故障诊断的准确率，从而提升机械设备的运行质量，降低停机时间，提高生产效率。

附图说明

图1是本发明方法的流程示意图；

图2是本发明方法的一种实施方式的流程示意图；

图3是本发明***的结构示意图；

图4是本发明***的一种实施方式的结构图；

图5是本发明***的现场处理单元的结构图；

图6是本发明***的服务器的结构图。

具体实施方式

下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

结合图1所示的本发明的流程图；其中，本发明的机械故障诊断方法，首先构建包含目前全部已知诊断样本的诊断样本库，并且诊断样本库中的已知诊断样本分别用于表征机械的已知正常状态、已知潜在故障状态和已知故障状态。本发明的机械故障诊断方法还包括以下步骤：

第一步：根据已知诊断样本，构建若干未知诊断样本，并将未知诊断样本保存在诊断样本库中，其中未知诊断样本用于表征机械的未知运行状态。

在实施例中，第一步中构建未知诊断样本的方式是：对表征已知正常状态的已知诊断样本，进行变异处理，以构建未知诊断样本。

具体的，变异处理为：将表征已知故障状态的已知诊断样本，经过小波分析后得到的小波包随机叠加到表征已知正常状态的已知诊断样本上；或者将表征已知故障状态的已知诊断样本，经过EMD分解后得到的本征模态函数叠加到表征已知正常状态的已知诊断样本上。

第二步：根据诊断样本库中所有的已知诊断样本和未知诊断样本，训练并生成故障诊断算法，并且故障诊断算法的诊断结果分别与已知正常状态、已知潜在故障状态、已知故障状态以及未知运行状态相对应。

在实施例中，训练生成故障诊断算法包括：提取已知诊断样本和未知诊断样本的故障特征，并以故障特征为故障诊断算法的输入，训练故障诊断算法的诊断结果分别与已知诊断样本表征的已知正常状态或已知潜在故障状态或已知故障状态，或者未知诊断样本表征的未知运行状态相对应。

训练生成故障诊断算法后，通过验证样本库验证训练生成的故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，否则调整故障诊断算法，并重新进行训练，直至训练成功。

在本实施例中，故障特征提取方法可以选择短时傅立叶变换、小波变换、IHT方法、EMD方法提取振动信号频谱，再利用融合能量谱、小波包频带能量、本征模态函数能量等方法构建故障特征向量。而验证样本库可以从诊断样本库中选取的若干诊断样本，使用训练生成的故障诊断算法诊断这些诊断样本，并计算出诊断准确率，来客观评价训练生成的故障诊断算法的故障诊断的准确性。

以采用三层BP神经网络故障诊断算法对诊断样本库进行训练为例，根据诊断样本库中所有的已知诊断样本和未知诊断样本，生成三层BP神经网络故障诊断算法，再通过验证样本库进行验证，并不断修改BP神经网络隐含层节点数量，直到诊断准确度达到设计要求，从而确保训练生成的BP神经网络算法的诊断准确性。当然本发明也可以采用现有技术当中的支持向量机算法等人工智能算法。

第三步：运用第二步中生成的故障诊断算法诊断从现场获取的表征机械当前运行状态的诊断样本，最终输出诊断结果。

在实施例中，通常以一定的频率，从现场获取表征机械当前运行状态的诊断样本，运用故障诊断算法对诊断样本进行诊断，若诊断结果为已知正常状态或已知潜在故障状态或已知故障状态，则表示机械当前运行状态的诊断样本为正常状态或潜在故障状态或故障状态，同时，等待下次获取诊断样本时，再运用故障诊断算法进行诊断。若诊断结果为未知运行状态，则进入第四步。

第四步：若第三步中的诊断结果为所述未知运行状态，则确定诊断样本表征的机械运行状态，并将已确定所表征的机械运行状态的诊断样本更新为已知诊断样本后，跳转至第一步。

在实施例中，在第四步中，通过故障诊断专家***，或通过现场人员或者专家人员对所述诊断样本进行分析，以确定所述诊断样本表征的机械运行状态为正常状态或潜在故障状态或故障状态中的一种，确定后，将诊断样本更新为已知诊断样本，则该诊断样本表征的机械运行状态确定为已知正常状态或已知潜在故障状态或已知故障状态中的一种。而且，本实施例中，还可以通过机械故障诊断的专家人员分析诊断样本，从而确定诊断样本表征的机械的运行状态，或是通过现场操作人员结合现场状况，分析诊断样本，从而确定诊断样本表征的机械的运行状态。

本发明具体实施时，若出现诊断结果为已知正常运行状态，而实际上机械当前的运行状态出现故障，则由现场技术人员对该未识别的故障状态进行分析处理，并将该故障状态下对应的诊断样本，更新为已知诊断样本并发送至服务器，从而提高本发明的实用性。

本发明中，将机械的运行状态分为正常状态、潜在故障状态和故障状态，是指将机械所有的正常情形归纳为正常状态，将机械所有的潜在故障情形归纳为潜在故障状态，将机械所有的故障情形归纳为故障状态。其中，潜在故障情形是指虽然机械偏离正常情形却仍能这种情形下工作，并具有发生故障情形的风险。

结合图2所示的本发明方法的一种实施方式的流程示意图；其中，将所述诊断样本更新为所述已知诊断样本后，即所述诊断样本库中的所述已知诊断样本的数量增加，则删除之前所构建的全部所述未知诊断样本，删除后再跳转至第一步。并且，当再次执行第一步时，根据更新后的诊断样本库中的已知诊断样本，重新构建未知诊断样本，不仅实现已知诊断样本的动态改善，还实现了未知诊断样本的动态改善，从而提高诊断样本库的改善效率，加快提高故障诊断准确率。

基于与本发明的机械故障诊断方法的同一发明构思，本发明还提供一种机械故障诊断***。结合图3所示的本发明***的结构示意图；其中，本发明的机械故障诊断***包括现场处理单元和服务器。

其中，现场处理单元，用于从现场获取表征机械当前运行状态的诊断样本和从服务器获取故障诊断算法，并运用故障诊断算法诊断所述诊断样本，最终输出诊断结果，若诊断样本的诊断结果为未知运行状态，则将本次故障诊断的诊断样本发送至服务器。

服务器，用于构建包含目前全部已知诊断样本的诊断样本库，和确定诊断样本表征的机械的运行状态为正常状态或潜在故障状态或故障状态，并在确定后，将诊断样本更新为已知诊断样本，以及根据已知诊断样本，构建若干未知诊断样本，并根据诊断样本库中所有的已知诊断样本和未知诊断样本，训练并生成故障诊断算法，其中故障诊断算法的诊断结果分别与已知正常状态、已知潜在故障状态、已知故障状态以及未知运行状态相对应。

结合图4所示的本发明***的一种实施方式的结构图，其中，由多个服务器构成一个服务器集群，并对机械设备和现场处理单元进行编号，其中，所有机械设备均是同一型号的设备或者同一设备的某个特定部件。由于***中纳入了大量的机械设备，其发生未知运行状况的概率增大，从而加快诊断样本库的完善。

结合图5所示的本发明***的现场处理单元的结构图；其中，现场处理单元包括采集子单元、存储子单元、运算子单元和通信子单元。

其中，采集子单元用于从现场获取表征机械当前运行状态的诊断样本，并将获取的诊断样本保存在存储子单元中。存储子单元用于保存用于本次诊断的诊断样本，以及保存从服务器获取的故障诊断算法。运算子单元用于调用存储子单元中的故障诊断算法和用于本次诊断的诊断样本，并运用故障诊断算法对诊断样本进行诊断，最终输出诊断结果。通信子单元用于从服务器获取故障诊断算法，以及在本次诊断的诊断结果为未知运行状态时，用于将本次诊断的诊断样本发送至服务器。

结合图6所示的本发明***的服务器的结构图；其中，服务器包括网络单元、数据库单元、运行状态确认单元、未知诊断样本构建单元、故障诊断算法训练单元以及故障诊断算法验证单元。

其中，网络单元用于建立与通信子单元的通信连接，并且，网络单元同时能够实现与多个通信子单元的连接。数据库单元用于构建包含目前全部已知诊断样本的诊断样本库，以及存储已知诊断样本、未知诊断样本和故障诊断算法。运行状态确认单元用于确定所述诊断样本表征的机械的运行状态，并将所述诊断样本更新为已知诊断样本。未知诊断样本构建单元用于根据已知诊断样本，构建若干未知诊断样本。

故障诊断算法训练单元，用于根据诊断样本库中所有的已知诊断样本和未知诊断样本，训练并生成故障诊断算法，其中故障诊断算法的诊断结果分别与已知正常状态、已知潜在故障状态、已知故障状态以及未知运行状态相对应。

故障诊断算法验证单元，用于验证样本库验证训练生成的故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，并将故障诊断算法存储在数据库单元，否则调整故障诊断算法，并重新进行训练，直至训练成功。

在实施例中，服务器还包括更新信息发送单元，用于在故障诊断训练单元训练成功后，将更新故障诊断算法的信息，通过网络单元，发送至现场处理单元，以使现场处理单元将当前的故障诊断算法替换为训练成功后的故障诊断算法。

本发明能够实现诊断样本库的动态完善，同时根据完善后的诊断样本库的诊断样本，完善故障诊断算法，并将完善后的故障诊断算法更新至现场处理单元，提高了故障诊断的准确率，从而提升机械设备的运行质量，降低停机时间，提高生产效率。

上面结合附图对本发明的具体实施方式进行了详细说明，但本发明并不限制于上述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作出各种修改或改型。

Claims (9)

1.一种机械故障诊断方法，首先构建包含目前全部已知诊断样本的诊断样本库，机械的运行状态分为正常状态、潜在故障状态和故障状态，所述已知诊断样本分别用于表征机械的已知正常状态、已知潜在故障状态和已知故障状态，其特征在于，包括如下步骤，

第一步：根据所述已知诊断样本，构建若干未知诊断样本，并将所述未知诊断样本保存在所述诊断样本库中，其中所述未知诊断样本用于表征机械的未知运行状态；

第二步：根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，并且所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及所述未知运行状态相对应；

第三步：运用第二步中生成的所述故障诊断算法诊断从现场获取的表征机械当前运行状态的诊断样本，最终输出诊断结果；

第四步：若第三步中的所述诊断结果为所述未知运行状态，则确定所述诊断样本表征的机械运行状态，并将已确定所表征的机械运行状态的所述诊断样本更新为所述已知诊断样本后，跳转至第一步。

2.如权利要求1所述的机械故障诊断算法，其特征在于，在所述第一步中，对表征所述已知正常状态的所述已知诊断样本，进行变异处理，以构建所述未知诊断样本；其中，

所述变异处理为：将表征所述已知故障状态的所述已知诊断样本，经过小波分析后得到的小波包随机叠加到表征所述已知正常状态的所述已知诊断样本上；或者将表征所述已知故障状态的所述已知诊断样本，经过EMD分解后得到的本征模态函数叠加到表征所述已知正常状态的所述已知诊断样本上。

3.如权利要求2所述的机械故障诊断算法，其特征在于，在所述第四步中，通过故障诊断专家***，或通过现场人员或者专家人员对所述诊断样本进行分析，以确定所述诊断样本表征的机械运行状态，确定后，将所述诊断样本更新为已知诊断样本。

4.如权利要求3所述的机械故障诊断算法，其特征在于，将所述诊断样本更新为所述已知诊断样本后，即所述诊断样本库中的所述已知诊断样本的数量增加，则删除之前所构建的全部所述未知诊断样本，而且删除后再跳转至所述第一步。

5.如权利要求1所述的机械故障诊断算法，其特征在于，训练生成所述故障诊断算法包括：

提取所述已知诊断样本和所述未知诊断样本的故障特征，并以所述故障特征为所述故障诊断算法的输入，训练所述故障诊断算法的诊断结果分别与所述已知诊断样本表征的所述已知正常状态或所述已知潜在故障状态或已知故障状态，或者所述未知诊断样本表征的未知运行状态相对应；

训练生成所述故障诊断算法后，通过验证样本库验证训练生成的所述故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，否则调整所述故障诊断算法，并重新进行训练，直至训练成功。

6.一种机械故障诊断***，其特征在于，包括现场处理单元和服务器，其中，

所述现场处理单元，用于从现场获取表征机械当前运行状态的诊断样本和从所述服务器获取故障诊断算法，并运用所述故障诊断算法诊断所述诊断样本，最终输出诊断结果，若所述诊断样本的诊断结果为未知运行状态，则将本次故障诊断的所述诊断样本发送至所述服务器；

所述服务器，用于构建包含目前全部已知诊断样本的诊断样本库，和确定所述诊断样本表征的机械的运行状态为正常状态或潜在故障状态或故障状态，并在确定后，将所述诊断样本更新为已知诊断样本，以及根据所述已知诊断样本，构建若干未知诊断样本，并根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，其中所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及未知运行状态相对应。

7.如权利要求6所述的机械故障诊断***，其特征在于，所述现场处理单元包括，

采集子单元，用于从现场获取表征机械当前运行状态的所述诊断样本；

存储子单元，用于保存用于本次诊断的所述诊断样本，以及保存从所述服务器获取的所述故障诊断算法；

运算子单元，用于调用所述存储子单元中的所述故障诊断算法和用于本次诊断的所述诊断样本，并运用所述故障诊断算法对所述诊断样本进行诊断，最终输出所述诊断结果；

通信子单元，用于从所述服务器获取故障诊断算法，以及在本次诊断的所述诊断结果为未知运行状态时，用于将本次诊断的所述诊断样本发送至所述服务器。

8.如权利要求7所述的机械故障诊断***，其特征在于，所述服务器包括，

网络单元，用于建立与所述通信子单元的通信连接；

数据库单元，用于构建包含目前全部已知诊断样本的诊断样本库，以及存储已知诊断样本、未知诊断样本和所述故障诊断算法；

运行状态确认单元，用于确定所述诊断样本表征的机械的运行状态，并将所述诊断样本更新为已知诊断样本；

未知诊断样本构建单元，用于对表征所述已知正常状态的所述已知诊断样本，进行变异处理，以构建所述未知诊断样本；

故障诊断算法训练单元，用于根据所述诊断样本库中所有的所述已知诊断样本和所述未知诊断样本，训练并生成故障诊断算法，其中所述故障诊断算法的诊断结果分别与所述已知正常状态、所述已知潜在故障状态、所述已知故障状态以及所述未知运行状态相对应；

故障诊断算法验证单元，用于对验证样本库进行故障诊断，验证训练生成的所述故障诊断算法的诊断准确率，若诊断准确率不小于设计值，则训练成功，并将所述故障诊断算法存储在数据库单元，否则调整所述故障诊断算法，并重新进行训练，直至训练成功。

9.如权利要求8所述的机械故障诊断***，其特征在于，所述服务器还包括更新信息发送单元，用于在所述故障诊断训练单元训练成功后，将更新所述故障诊断算法的信息，通过所述网络单元，发送至所述现场处理单元，以使所述现场处理单元将当前的所述故障诊断算法替换为训练成功后的所述故障诊断算法。