CN105740822A - 一种机械故障诊断优化方法及*** - Google Patents
一种机械故障诊断优化方法及*** Download PDFInfo
- Publication number
- CN105740822A CN105740822A CN201610069441.6A CN201610069441A CN105740822A CN 105740822 A CN105740822 A CN 105740822A CN 201610069441 A CN201610069441 A CN 201610069441A CN 105740822 A CN105740822 A CN 105740822A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- sample
- fault
- diagnostic
- diagnostic sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种机械故障诊断优化方法及***,其方法为包括准备步骤和诊断步骤,并且在准备步骤中,构建包含目前全部已知诊断样本的诊断样本库和构建若干未知诊断样本,再根据已知诊断样本和未知诊断样本,训练并生成故障诊断算法;在诊断步骤中,运用训练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,并将诊断样本更新为已知诊断样本,而且在删除与最近更新的已知诊断样本相似的未知诊断样本后,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,提高了故障诊断的准确率,从而提升机械设备的运行质量,提高生产效率。
Description
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优化方法及***。
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优化方法及***。
为了实现上述发明目的,本发明采用的技术方案为:一种机械故障诊断优化方法,包括准备步骤与诊断步骤,所述准备步骤包括:首先构建包含目前全部已知诊断样本的诊断样本库,然后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,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,所述未知诊断样本用于表征机械的未知运行状态;
最后,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;
所述诊断步骤包括:
第一步:运用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;
第二步:若第一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;
第三步:删除与最近更新的所述已知诊断样本相似的所述未知诊断样本后,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,重新训练并生成故障诊断算法;
第四步:将当前的所述故障诊断算法替换为第三步中重新训练生成的所述故障诊断算法。
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,在所述第二步中,通过故障诊断专家***或专家人员对所述诊断样本进行分析,或者通过现场维修人员对诊断为未知运行状态的机械设备进行检修,以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。
根据一种具体的实施方式,在所述第三步中,通过提取最近更新的所述已知诊断样本与所述诊断样本库中的所述未知诊断样本的故障特征,并比较所述未知诊断样本与最近更新的所述已知诊断样本的所述故障特征的频带能量比,删除所述的故障特征的频带能量比超出设定范围的所述未知诊断样本。
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。
根据一种具体的实施方式,在所述诊断步骤中,运用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,最终输出所述诊断结果后,若所述诊断结果与所述诊断样本表征的机械当前运行状态不相符时,则重新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。
根据一种具体的实施方式,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,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,用于在准备步骤中,构建包含目前全部已知诊断样本的诊断样本库和构建若干未知诊断样本,并且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,所述未知诊断样本用于表征机械的未知运行状态;和在诊断步骤中,所述现场处理单元对所述诊断样本进行诊断后得到的所述诊断结果为所述未知运行状态时,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,而且将所述诊断样本更新为已知诊断样本后,删除与最近更新的所述已知诊断样本相似的所述未知诊断样本;以及分别在所述准备步骤和所述诊断步骤中,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。
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为正常状态或潜在故障状态或故障状态,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;
未知诊断样本删除单元,用于提取最近更新的所述已知诊断样本与所述诊断样本库中的所述未知诊断样本的故障特征后,比较所述未知诊断样本与最近更新的所述已知诊断样本的所述故障特征的频带能量比,并删除所述的故障特征的频带能量比超出设定范围的所述未知诊断样本;
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;
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。
根据一种具体的实施方式,所述现场处理子单元还包括样本修改子单元,用于在所述诊断步骤中,所述诊断样本表征的机械当前运行状态与所述诊断结果不相符时,并由现场检修人员确定并修改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后,将所述诊断样本通过所述通信子单元发送至所述服务器,并将所述诊断样本更新为所述已知诊断样本。
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,提升机械设备的运行质量,降低停机时间,提高生产效率。同时本发明每完善一次诊断样本库,则删除诊断样本库中与更新的诊断样本相似的未知诊断样本,精简故障诊断算法,提高故障诊断的准确率。
附图说明
图1是本发明方法的流程示意图;
图2是本发明方法诊断步骤的一种实施方式的流程图;
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***现场处理单元的结构图;
图6是本发明***现场处理单元的一种实施方式的结构图;
图7是本发明***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所示的本发明方法的流程示意图;其中,本发明的机械故障诊断优化方法,包括准备步骤与诊断步骤。
其中,准备步骤包括:首先,构建包含目前全部已知诊断样本的诊断样本库,然后根据诊断样本库中的已知诊断样本,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,机械的运行状态分为正常状态、潜在故障状态和故障状态,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,未知诊断样本用于表征机械的未知运行状态。
最后,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,准备步骤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。
本发明的诊断步骤包括:
第一步:运用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已知故障状态,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,则进入第二步。
第二步:若第一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。
在实施例中,在第二步中,通过故障诊断专家***或专家人员对所述诊断样本进行分析,或者通过现场维修人员对诊断为未知运行状态的机械设备进行检修,以确定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。并且,当该诊断样本所表征的机械运行状态确定后,将所述诊断样本更新为所述已知诊断样本。
第三步:删除与最近更新的已知诊断样本相似的未知诊断样本后,根据诊断样本库中所有的已知诊断样本和未知诊断样本,重新训练并生成故障诊断算法。
在实施时,删除与最近更新的已知诊断样本相似的未知诊断样本的方式为:通过提取最近更新的已知诊断样本与诊断样本库中的未知诊断样本的故障特征,并比较未知诊断样本与最近更新的已知诊断样本的故障特征的频带能量比,删除的故障特征的频带能量比超出设定范围的未知诊断样本。由于每更新完善一次诊断样本库,则删除诊断样本库中与更新的诊断样本相似的未知诊断样本,从而精简故障诊断算法,提高故障诊断的准确率。
在实施时,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。
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。
在具体实施时,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。而且,训练生成故障诊断算法的过程中,采用的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。
第四步:将当前的故障诊断算法替换为第三步中重新训练生成的故障诊断算法。从而完善故障诊断算法,提升机械设备的运行质量,降低停机时间,提高生产效率。
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所示的本发明方法诊断步骤的一种实施方式的流程图;其中,在诊断步骤中,运用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,最终输出诊断结果后,若诊断结果与诊断样本表征的机械当前运行状态不相符时,则重新确定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,并在确定后,将诊断样本更新为已知诊断样本。从而拓宽本发明的诊断样本的来源,并修改错误的诊断样本,提高故障诊断算法的诊断准确率,提高本发明的实用性。
基于与本发明的机械故障诊断优化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诊断样本,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。
服务器用于在准备步骤中,构建包含目前全部已知诊断样本的诊断样本库和构建若干未知诊断样本,并且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,未知诊断样本用于表征机械的未知运行状态。
服务器还用于在诊断步骤中,现场处理单元对诊断样本进行诊断后得到的诊断结果为未知运行状态时,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,而且将诊断样本更新为已知诊断样本后,删除与最近更新的已知诊断样本相似的未知诊断样本。
而且服务器分别在准备步骤和诊断步骤中,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,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。
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***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***现场处理单元的一种实施方式的结构图;其中,现场处理子单元还包括样本修改子单元,用于在诊断步骤中,诊断样本表征的机械当前运行状态与诊断结果不相符时,通过现场检修人员确定并修改诊断样本表征的机械运行状态后,将诊断样本通过通信子单元发送至服务器,并将诊断样本更新为已知诊断样本。
结合图7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、故障诊断算法验证单元、未知诊断样本删除单元以及更新信息发送单元。
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。
未知诊断样本删除单元,用于提取最近更新的已知诊断样本与诊断样本库中的未知诊断样本的故障特征后,比较未知诊断样本与最近更新的已知诊断样本的故障特征的频带能量比,并删除的故障特征的频带能量比超出设定范围的未知诊断样本。
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。
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 (10)
1.一种机械故障诊断优化方法,其特征在于,包括准备步骤和诊断步骤,其中,
所述准备步骤包括:首先构建包含目前全部已知诊断样本的诊断样本库,然后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,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,所述未知诊断样本用于表征机械的未知运行状态;
最后,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;
所述诊断步骤包括:
第一步:运用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;
第二步:若第一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;
第三步:删除与最近更新的所述已知诊断样本相似的所述未知诊断样本后,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,重新训练并生成故障诊断算法;
第四步:将当前的所述故障诊断算法替换为第三步中重新训练生成的所述故障诊断算法。
2.如权利要求1所述的机械故障诊断优化方法,其特征在于,在所述准备步骤中,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优化方法,其特征在于,在所述第二步中,通过故障诊断专家***或专家人员对所述诊断样本进行分析,或者通过现场维修人员对诊断为未知运行状态的机械设备进行检修,以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。
4.如权利要求3所述的机械故障诊断算法,其特征在于,在所述第三步中,通过提取最近更新的所述已知诊断样本与所述诊断样本库中的所述未知诊断样本的故障特征,并比较所述未知诊断样本与最近更新的所述已知诊断样本的所述故障特征的频带能量比,删除所述的故障特征的频带能量比超出设定范围的所述未知诊断样本。
5.如权利要求1所述的机械故障诊断优化方法,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.如权利要求1所述的机械故障诊断优化方法,其特征在于,在所述诊断步骤中,运用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,最终输出所述诊断结果后,若所述诊断结果与所述诊断样本表征的机械当前运行状态不相符时,则重新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。
7.一种利用如权利要求1所述的机械故障诊断优化方法的机械故障诊断***,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,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,用于在准备步骤中,构建包含目前全部已知诊断样本的诊断样本库和构建若干未知诊断样本,并且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,所述未知诊断样本用于表征机械的未知运行状态;和在诊断步骤中,所述现场处理单元对所述诊断样本进行诊断后得到的所述诊断结果为所述未知运行状态时,确定所述诊断样本表征的机械的运行状态,而且将所述诊断样本更新为已知诊断样本后,删除与最近更新的所述已知诊断样本相似的所述未知诊断样本;以及分别在所述准备步骤和所述诊断步骤中,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。
8.如权利要求7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。
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;
未知诊断样本删除单元,用于提取最近更新的所述已知诊断样本与所述诊断样本库中的所述未知诊断样本的故障特征后,比较所述未知诊断样本与最近更新的所述已知诊断样本的所述故障特征的频带能量比,并删除所述的故障特征的频带能量比超出设定范围的所述未知诊断样本;
故障诊断算法训练单元,用于根据所述诊断样本库中的所有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;
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。
10.如权利要求8或9所述的机械故障诊断***,其特征在于,所述现场处理子单元还包括样本修改子单元,用于在所述诊断步骤中,所述诊断样本表征的机械当前运行状态与所述诊断结果不相符时,并由现场检修人员确定并修改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后,将所述诊断样本通过所述通信子单元发送至所述服务器,并将所述诊断样本更新为所述已知诊断样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069441.6A CN105740822B (zh) | 2016-02-01 | 2016-02-01 | 一种机械故障诊断优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069441.6A CN105740822B (zh) | 2016-02-01 | 2016-02-01 | 一种机械故障诊断优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740822A true CN105740822A (zh) | 2016-07-06 |
CN105740822B CN105740822B (zh) | 2019-02-19 |
Family
ID=56242124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610069441.6A Active CN105740822B (zh) | 2016-02-01 | 2016-02-01 | 一种机械故障诊断优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740822B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092247A (zh) * | 2017-06-16 | 2017-08-25 | 温州大学 | 一种基于状态数据的包装生产线故障诊断方法 |
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050050423A1 (en) * | 2003-07-14 | 2005-03-03 | Fuji Xerox Co., Ltd. | Fault diagnosis apparatus |
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN103743554A (zh) * | 2013-06-28 | 2014-04-23 | 国家电网公司 | 一种基于振动信号分析的高压断路器机械故障诊断方法 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
-
2016
- 2016-02-01 CN CN201610069441.6A patent/CN105740822B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050050423A1 (en) * | 2003-07-14 | 2005-03-03 | Fuji Xerox Co., Ltd. | Fault diagnosis apparatus |
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN103743554A (zh) * | 2013-06-28 | 2014-04-23 | 国家电网公司 | 一种基于振动信号分析的高压断路器机械故障诊断方法 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
Non-Patent Citations (1)
Title |
---|
田涛等: "基于智能理论的高压断路器机械故障诊断", 《江苏电机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092247A (zh) * | 2017-06-16 | 2017-08-25 | 温州大学 | 一种基于状态数据的包装生产线故障诊断方法 |
CN107092247B (zh) * | 2017-06-16 | 2019-11-22 | 温州大学 | 一种基于状态数据的包装生产线故障诊断方法 |
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与*** |
CN110207967B (zh) * | 2019-06-13 | 2020-12-01 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN105740822B (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107770797A (zh) | 一种无线网络告警管理的关联分析方法及*** | |
CN106104398A (zh) | 过程控制***中的分布式大数据 | |
CN110296124B (zh) | 基于专家***的远程故障诊断***及方法 | |
RU2755354C1 (ru) | Диагностическая система и способ обработки данных транспортного средства | |
Ghosh et al. | FBMTP: An automated fault and behavioral anomaly detection and isolation tool for PLC-controlled manufacturing systems | |
DE102019135608A1 (de) | Verfahren, Vorrichtung und System zur Detektion von anomalen Betriebszuständen eines Geräts | |
WO2023125851A1 (zh) | 远程诊断方法及装置、电子设备和存储介质 | |
CN116610092A (zh) | 用于车辆分析的方法和*** | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN113935487B (zh) | 可视化卫星故障诊断知识的生成方法、装置及*** | |
CN104462842A (zh) | 一种基于贝叶斯网络的故障数据挖掘诊断方法 | |
CN111123223A (zh) | 用于雷达健康管理的通用开发平台、管理***及方法 | |
CN116703167B (zh) | 养殖设备告警监测处理方法、装置、设备及存储介质 | |
CN112860676A (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN105740822A (zh) | 一种机械故障诊断优化方法及*** | |
DE102022201663A1 (de) | Erzeugen synthetischer Prüffälle zur Fuzz-Prüfung | |
CN114238474A (zh) | 基于排水***的数据处理方法、装置、设备及存储介质 | |
JP2016029516A (ja) | データ分析方法、及びデータ分析システム | |
CN105606353A (zh) | 一种机械故障诊断方法及*** | |
EP3885854B1 (en) | Data analysis method, device and system | |
CN108427744B (zh) | 一种基于信息运维的智能数据关联关系确定方法 | |
CN114019946A (zh) | 工控终端的监控数据处理方法及装置 | |
US20230319085A1 (en) | Attack path generation method and attack path generation device | |
Hu et al. | Research on application of equipment fault diagnosis technology based on FTA | |
CN114048076B (zh) | 航空通信电子人机协同排故*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An optimization method and system for mechanical fault diagnosis Effective date of registration: 20220217 Granted publication date: 20190219 Pledgee: Zhejiang Xiaoshan rural commercial bank Limited by Share Ltd. Jingjiang branch Pledgor: HANGZHOU JIE DRIVE TECHNOLOGY Co.,Ltd. Registration number: Y2022330000233 |