CN111401584B - 一种设备故障自动诊断方法及*** - Google Patents

Abstract

本发明涉及一种设备故障自动诊断方法及***。该诊断方法包括：获取设备的诊断模型；获取待检测设备中每个部件的部件参数；获取所述待检测设备对应的故障模型矩阵；获取每个故障码对应的基线值；获取待检测设备的振动数据；对于第i个部件，根据部件的故障码信息和每个故障码对应的基线值，对部件的振动数据进行筛选，得到部件对应的数据筛选表；利用部件的特征参数提取规则对部件的数据筛选表进行提取，生成部件的特征参数提取表；利用部件的故障诊断规则，对部件的特征参数提取表的数据进行逻辑运算和算术运算，确定部件对应的故障模式和故障等级；得到故障检测结果。本发明可以实现对通用设备的故障诊断，同时提高故障检测的准确度。

Description

一种设备故障自动诊断方法及***

技术领域

本发明涉及设备维护领域，特别是涉及一种设备故障自动诊断方法及***。

背景技术

随着科技发展水平的不断提升和生产制造的需求升级，各种生产设备不断向大规模、自动化、智能化方向发展，特别是在连续化生产的工业领域，对设备可靠性的要求越来越高。一旦设备发生故障，轻则生产线停工，造成重大经济损失，重则发生设备事故，危及设备和人身安全。因此，越来越多的行业和企业对设备运行状态越来越关注，逐渐引进各类状态监测***实现对重要设备的状态监测和故障预知，科学安排停机，预防设备事故，提升设备可靠度。

过去，对设备运行维护过程中主要靠传统的听、摸、看等简单手段来判断旋转设备运行的状态好坏。这种感性判断与设备实际运行状态相差很远，设备振动的波形和频谱的变化不能凭人的听、摸、看检查出来，因此，经常出现一些突发性故障，例如最常见的轴承故障、齿轮故障、叶片脱落及动平衡等故障，使我们常处于一种被动检修状态，使小问题酿成大事故。特别是一些具有连续性生产的流程工业，往往会由于一台设备的损坏处理不及时造成其它设备损坏的连锁反应，给安全生产和检修工作带来繁重的负担。

因此，国内外的机械专家和设备管理人员都在寻求一种较好的解决办法，在故障初始状态就能准确判断事故的原因，使设备能够进行预维修，变被动为主动。经过广泛的探索和不断的实践，振动分析***在旋转机械设备故障检测与诊断领域内得到广泛应用。设备的状态监测和故障诊断是在机械运行中或基本不拆卸机械结构的情况下，对机械技术状态进行定量测定，通过对所测信号的处理和分析，并结合诊断对象的历史状况，来定量识别机械设备及其零件、部件的实时技术状态，预测机械的异常及未来技术状态，并对故障部位、原因进行分析和判断，及时确定必要对策和最适宜的修理时间。

设备状态监测故障诊断技术有利于企业实行现代设备管理，克服维修工作中“过剩维修”及“维修不足”现象，从而达到设备寿命周期内，实现费用最为经济和设备综合效率最高的目标。

目前，振动分析技术在对旋转机械设备故障进行诊断中已日臻成熟，振动分析技术是使用专业的仪器，利用压电加速度传感器将振动信号转换为电信号，对振动信号进行处理和分析，得到设备各种振动量的准确值，进而判断这些设备运转状态是否良好，故障的部位和故障原因、以及检修的方法。为了更好地应用振动分析设备故障诊断技术，首先要对振动理论、机械原理、信号处理、计算机应用等有一定的了解，熟练识读时域波形图、频谱图等各种专业图谱，熟悉脉冲指标、峰值因数、峭度指标等专门参数的意义和使用，专业性强，对专业知识要求高，需经过专门***的训练和大量的实践积累，一般人员难以掌握。另外，在状态监测工作中，往往存在着一次性获取到的数据量大，采用人工分析时耗时耗力，及时性不足，只能把重点放在报警值上，对状态参数达到报警阈值的机器重点关注、重点分析，而忽略那些有故障隐患而尚未明显表现的设备，状态监测的聚焦点不够，难以发现机器早期故障隐患。

为解决上述人工分析的不足，很多振动分析技术厂商开发了一系列自动诊断***，通过对仪器获取到的数据进行一些必要的处理后，应用振动分析理论、故障的机理和表现、故障图谱的表现特征等纯理论知识，进行自动诊断，给出当前机器可能存在的故障类型，有一些厂商能够在此基础上对诊断结论更进一步，给出一些必要的处理措施。传统的自动诊断***中，故障的诊断往往从纯理论分析的角度进行推理，缺乏对实际工况、机器特性的充分考量，诊断结果也是以可信度的方式逐一列举可能存在的故障，结论是模糊的，不确定性较大，再由用户根据结论结合实际测试数据进行取舍，这对用户或直接使用者提出了较高的专业要求；给出的结论很少能够量化出故障的严重程度，需要用户根据获取的数据凭借经验再进行人工评价；对给出的进一步的处理措施，往往缺乏针对性，多是一些通用的解决方案，与诊断结论和机器实际状态的结合性较小，缺乏指导作用。但是，在传统的自动诊断***中，大多采用“绝对标准”来判断故障是否存在，缺乏对机器实际工况、运行条件、布置方式、安装维护等不同背景下状态参数差异性的考虑，诊断结论是“静态的”，是“死的”，不能与设备实际相适应。比如：某机器长期在较高振动下运行，但其各部件可能均处于正常状态，高振动就是这台机器的特殊工况；又如某机器振动很低，但其内部可能存在较高的冲击，经常性发生轴承磨损等故障。传统诊断***采用“绝对标准”造成对这两种机器诊断的准确性很差，甚至给用户造成错误的引导，导致不必要的损失。

在传统的自动诊断***发展中，还出现了针对某一类设备或某些专用设备的自动诊断***，其准确性和实用性也得到了实践的验证。这类***往往是一种专家诊断***，是能以人类专家级水平进行故障的智能计算机程序，由于其针对的对象和应用场景往往是一些大型复杂的专用设备，在人类专家的知识下，由计算机进行推理，诊断效率高，诊断水平高，代表了一定的先进性。但是，这类***主要应用于特殊和专用设备，如汽轮发电机组、汽车或铁路机车、大型工程机械等，多用于综合性诊断。其逻辑和规则的可复制性和可移植性差，仅适用于这一类机器，而不能诊断其他类型机器，普遍适用性差，对用户而言就是使用成本较高。而在工业领域，各类通用机械，如各种泵、风机、压缩机、电动机、齿轮箱等设备，被大量应用，这类诊断***很明显不能适用于这些通用机械的自动诊断。另一方面，这类***的诊断逻辑往往通过程序代码内置到软件中，不具备或少量具备对逻辑的维护功能，只能寄希望于对整个软件程序的升级。相关规则是封闭的，规则的形成往往需要具备一定的计算机编程能力，需要编写一些代码，仅靠业务人员或诊断专家难以实现规则的建立。

发明内容

本发明的目的是提供一种设备故障自动诊断方法及***，以通过可以更新的基线数据，提高故障诊断的准确度。

为实现上述目的，本发明提供了如下方案：

一种设备故障自动诊断方法，包括：

获取设备的诊断模型；所述诊断模型包括每个部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息；所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码；

根据所述诊断模型，获取待检测设备中每个部件的部件参数；

根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵；所述故障模型矩阵包括特征参数提取规则和故障诊断规则；所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应；所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应；

根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据；所述待检测设备的基线数据包括每个故障码对应的基线值；所述基线值为所述故障码对应的频率成分信息的峰值基线；

获取待检测设备的振动数据；所述待检测设备的振动数据包括每个部件在多个检测点位置的振动数据，包含了频谱数据、时域数据、通频值数据、常用评价指标数据等；

对于第i个部件，根据所述部件的故障码信息和所述基线数据，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表；

利用所述部件的特征参数提取规则对所述部件的数据筛选表进行提取，生成所述部件的特征参数提取表；

利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级；所述部件的故障模式为所述逻辑运算的结果，所述部件的故障等级为所述算术运算的结果；

获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果。

可选的，所述根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵，之前还包括：

根据所述部件的部件代码，确定所述特征参数提取规则；

根据所述部件的部件代码和特性代码，确定所述故障诊断规则。

可选的，所述根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据，之前还包括：

获取待检测设备的历史数据；所述历史数据包括所述待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征；

根据所述待检测设备的历史数据中的特定数据，动态调整所述基线数据，对所述待检测设备的基线数据进行更新，使用新的基线数据进行计算；所述特定数据为用户从所述历史数据中选定的数据或根据筛选条件从所述历史数据中筛选的数据。

可选的，所述对于第i个部件，根据所述部件的故障码信息，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表，具体包括：

根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息；

在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的幅值较高的多个频率成分信息，并按幅值大小降序排列；

计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值；所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与所述故障码对应的基线值之间的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与所述非故障码频率成分信息对应的基线值的差值；

获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空；

根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表。

可选的，所述故障模型矩阵还包括行动建议规则，所述行动建议规则为利用故障模式和故障等级通过逻辑运算和算术运算生成行动建议及优先级的规则，与部件代码对应；

所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级。

可选的，所述对所有部件对应的故障模式和故障等级，采用行动建议规则的逻辑运算，得到所述待检测设备的行动建议，之后还包括：

获取用户输入的新的行动建议规则的结构化编码；

采用所述新的行动建议规则更新所述故障模型矩阵中的行动建议规则。

可选的，所述利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级，具体包括：

根据所述部件的故障诊断规则中的运算符的运算规则，对所述部件的特征参数提取表的数据进行运算，确定所述部件对应的故障模式和故障等级；所述运算符包括比较运算符、算术逻辑运算符、逻辑运算符和算术运算符；所述算术逻辑运算符用于同时进行逻辑运算和算术运算；所述逻辑运算符用于进行逻辑运算；所述算术运算符用于进行算术运算。

可选的，所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

获取用户拖动选用的图形化运算符；所述图像化运算符包括：比较运算符、算术逻辑运算符、逻辑运算符和算术运算符；所述算术逻辑运算符用于同时进行逻辑运算和算术运算；所述逻辑运算符用于进行逻辑运算；所述算术运算符用于进行算术运算；

根据所述用户拖动选用的图像化运算符生成新的故障诊断规则；

采用所述新的故障诊断规则更新所述故障模型矩阵中的故障诊断规则。

可选的，所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

获取用户选择的每个故障码对应的提取参数；不同的提取参数对应不同的参数提取算法；

根据所述用户选择的每个故障码对应的提取参数，生成新的特征参数提取规则；

采用所述新的特征参数提取规则更新所述故障模型矩阵中的特征参数提取规则。

本发明还提供一种设备故障自动诊断***，包括：

诊断模型获取模块，用于获取设备的诊断模型；所述诊断模型包括每个部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息；所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码；

部件参数获取模块，用于根据所述诊断模型，获取待检测设备中每个部件的部件参数；

故障模型矩阵获取模块，用于根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵；所述故障模型矩阵包括特征参数提取规则和故障诊断规则；所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应；所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应；

基线数据获取模块，用于根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据；所述待检测设备的基线数据包括每个故障码对应的基线值；所述基线值为所述故障码对应的频率成分信息的峰值基线；

振动数据获取模块，用于获取待检测设备的振动数据；所述待检测设备的振动数据包括每个部件在多个检测点位置的振动数据；

数据筛选模块，用于对于第i个部件，根据所述部件的故障码信息和所述基线数据，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表；

参数提取模块，用于利用所述部件的特征参数提取规则对所述部件的数据筛选表进行提取，生成所述部件的特征参数提取表；

故障诊断模块，用于利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级；所述部件的故障模式为所述逻辑运算的结果，所述部件的故障等级为所述算术运算的结果；

故障检测结果获取模块，用于获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果。

可选的，还包括：

特征参数提取规则确定模块，用于在根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵之前，根据所述部件的部件代码，确定所述特征参数提取规则；

故障诊断规则确定模块，用于根据所述部件的部件代码和特性代码，确定所述故障诊断规则。

可选的，还包括：

待检测设备历史数据获取模块，用于在根据每个部件的故障码信息，获取每个故障码对应的基线值之前，获取待检测设备的历史数据；所述历史数据包括所述待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征；

基线数据更新模块，用于根据所述待检测设备的历史数据中的特定数据，动态调整所述基线数据，对所述待检测设备的基线数据进行更新；所述特定数据为用户从所述历史数据中选定的数据或根据筛选条件从所述历史数据中筛选的数据。所述基线数据包含了频谱基线数据、时域基线数据、通频值基线数据、常用评价指标基线数据等；基线数据通过对历史振动数据的统计计算得到，包含了历史数据的故障特征。

可选的，所述数据筛选模块，具体包括：

故障码峰值数据提取单元，用于根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息；

非故障码峰值数据提取单元，用于在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的多个频率成分信息；

差值计算单元，用于计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值；所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与所述故障码对应的基线值之间的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与所述非故障码频率成分信息对应的基线值的差值；

标记值获取单元，用于获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空；

数据筛选表生成单元，用于根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表。

可选的，所述故障模型矩阵还包括行动建议规则，所述行动建议规则为利用故障模式和故障等级通过逻辑运算和算术运算生成行动建议及优先级的规则，与部件代码对应；

所述设备故障的诊断***还包括：

行动建议获取模块，用于在获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果之后，对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

应用本发明，不仅能诊断出故障，更进一步地计算出故障的严重程度及相应的维护建议，真正解决了用户关心的五大问题——“有没有故障？”、“哪里有故障？”、“是什么故障？”、“故障有多严重？”以及“该怎么办？”。这与传统的自动诊断***仅能诊断出故障类型相比更进一步深入，不仅推送出机器上所有的故障，并对这些故障进行分级量化，针对严重性不同的故障给出解决方案，真正解决实际应用中用户最关心的问题，做到对机器健康状态心中有数。而且用户可以根据实际的工况，随时调整故障诊断的基线数据，进而使得不同工况下的故障诊断更加准确。

本发明能够替代或协助从业人员完成以前需要依靠专门技术或专家才能完成的工作，帮助从业人员摆脱对技术专家的依赖，强化设备状态管理能力和设备健康管理能力，从繁琐重复的工作中解放出来，把更大精力投入专业治理和设备管理活动，同时在提升设备可靠度和安全性、降低维护费用和生产成本、延长设备寿命等方面产生积极而重大的社会效益。

此外，本发明采用开放的规则编辑***，运用逻辑组态图的方式实现诊断逻辑编写，直观开放，可以使用户随时对规则进行设计，对规则的编辑和修改不需要修改程序代码，不需要编程专业知识，更便于诊断技术人员对规则的维护；人类专家可以方便的维护知识库内容，通过对知识库的不断更新和持续升级，持续产品性能和用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明设备故障自动诊断方法的流程示意图；

图2为本发明待检测设备的部分结构示意图；

图3为数据源码与为位置码的关系图；

图4为故障诊断规则中其中一个故障模式的逻辑结构图；

图5为行动建议规则的逻辑结构图；

图6为本发明设备故障自动诊断***的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明设备故障自动诊断方法的流程示意图。如图1所示，本发明设备故障自动诊断方法包括以下步骤：

步骤100：获取设备的诊断模型。大多数机器或者设备按照结构特征分解为多个部件，通常部件都是通用的。例如，根据某一台水泵的结构特征，分解为电动机(MTR)、联轴器(CPL)和离心泵(PUM)三个部件。本发明通过对通用部件的故障进行检测，进而得到整个待检测设备的故障检测结果。本发明的诊断模型包括每个通用部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息。其中，所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码。

在机器实际运转中，必然存在着一些特定的频率成分或高或低，这些成分来自于机器/部件内部结构零件工作过程中的激发频率，这些频率成分的存在往往是诊断故障的依据之一。本发明采用故障码来定义这些成分，用不同的代码来标识一些特定的频率成分，如1倍频及/或谐波、齿轮啮合频率、叶片通过频率等，每一类部件的特殊频率成分都进行分类定义，形成统一的故障代码表。每一个故障码在特定的机器测试数据中，都有唯一的频率成分与之对应。在制定诊断规则及执行诊断流程中，一律使用这些特定的故障码来识别特定的频率成分。因此，本发明的故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码。

步骤200：根据诊断模型，获取待检测设备中每个部件的部件参数。诊断模型中每个每个部件的部件参数，因此，根据待检测设备的部件，可以从诊断模型中提取待检测设备每个部件对应的部件参数。

步骤300：根据待检测设备中每个部件的部件参数，获取待检测设备对应的故障模型矩阵。故障模型矩阵包括特征参数提取规则和故障诊断规则。所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应。因此，在诊断时根据部件的部件代码，可以确定所述特征参数提取规则。所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应。在诊断时，根据部件的部件代码和特性代码，可以直接确定所述故障诊断规则

步骤400：根据待检测设备中每个部件的故障码信息，获取待检测设备的基线数据。待检测设备的基线数据包括每个故障码对应的基线值；基线值为故障码对应的频率成分信息的峰值基线。本发明采用“动态基线”的诊断模式，在进行数据处理之前，可以根据待检测设备的实时工况调节每个故障码对应的基线值，进而精确调整故障检测的基准，以提高后续故障检测的准确度。具体的，用户可以手动选择或根据特定筛选规则自动筛选待检测设备的历史数据，包括待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征，根据特定的历史数据，可以自动生成新的基线数据，进而实现动态调整的功能。本发明通过人工手动地或计算机自动地更新平均频谱来调整基线数据，以适应不同工况下机器诊断的“动态基线”的需要。比如：某机器长期在较高振动下运行，高振动是这台机器的特殊工况，那么就可以通过更新平均线修改这台机器的基线数据，这台设备的诊断结论就可以与实际工况相适应了。又如某机器振动很低，诊断结论是正常的或轻度的故障，通过更新平均线修改这台机器的基线数据后，就可以诊断出故障或令故障的严重等级与实际相适应。本发明采用“动态基线”的方法，可以根据不同设备的工况方便的调整基线数据，让结论更准确。

机器在初始时是没有平均值的，那么本发明为每一类设备都制定了一组人工基线。人工基线来自于大量的诊断实践，适用于广泛使用的机器工况，当机器的工况变化或工况特殊时，使用人工基线的诊断结论是不精确的，因此仍需使用“动态基线”的方法。

步骤500：获取待检测设备的振动数据。待检测设备的振动数据包括每个部件在多个检测点位置的振动数据。部件的振动数据都位于确定的测点上，可以是单向数据即一个测点仅有一个方向的数据，也可以是多向数据即一个测点上有两个及以上方向的数据。

本发明中待检测设备的振动数据是每个部件各测点数据的集合，而部件的各测点的分布都与部件密切相关。以图2为例，图2为本发明待检测设备的部分结构示意图。如图2所示，待检测设备的测试数据来自于电动机1和离心泵2，待检测设备的振动数据就是分解到部件上的振动数据。在实践中，机器测点码的定义完全是随机的，由测试人员根据一些约定成俗的习惯及现场设备实际情况随机确定，而这些数据必须能够正确的分解到部件上，才能进行正确的诊断。因此，需要有一个固定的规则来分配数据满足诊断的需要。本发明采用了数据源码对测试数据进行转换。数据源码依附于部件存在，机器的每一个部件都要按照相应的逻辑分配给一个数据源码，数据源码本身是由部件上对应的机器测点编码组成的序列，包含了部件本身的测点码及与其本身邻近部件的测点码，按照特定的顺序排列。如图2所示的待检测设备，电动机1的数据源码(DS Code)为：1，4；联轴器的数据源码(DS Code)为：1，4；离心泵的数据源码(DS Code)为4，1。

数据源码的长度和排列顺序不是固定的，根据部件上测点的数量、诊断所需数据等对每类部件的数据源码分别进行了统一规定。数据源码虽然使用了机器的测点码，但本发明在诊断过程中使用的是位置码。以图3为例，图3为数据源码与为位置码的关系图。图3中，数据源码的A、B、C、D是机器的测点码，位置码是机器测点码在数据源码的位置。如图2中电动机MTRAC的DS Code为1，4，那么它的位置码分别为1，2。通过数据源码，将机器/部件的测点码进行统一，使测点码定义的随机性不会影响到诊断数据的混乱。诊断过程通过位置码与测点码A、B、C、D的对应关系获取到机器对应测点上的数据，如某规则为泵转子不平衡，诊断规则中使用了1R、1A数据诊断，对应于测点编码为4R、4A的数据，从图2可以看出，就是用离心泵的数据诊断了待检测设备的故障。

步骤600：对于第i个部件，根据部件的故障码信息和待检测设备的基线数据，对部件的振动数据进行筛选，得到部件对应的数据筛选表。部件的数据筛选表是按照部件的振动数据提取相应的故障码下对应的峰值数据及一些其他的峰值数据得到的，包括了一些固定算法的峰值、除故障码外较高的一些峰值，这些数据根据测点分布分别提取。

不同的部件对应不同的故障码信息，对于第i个部件来说，筛选的具体过程如下：

根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息。

在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的峰值较高的多个频率成分信息。

根据每个故障码频率成分信息的基线数据和每个非故障码频率成分信息的基线数据，计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值。所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与该故障码对应的基线值的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与基线值的差值。

获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空。

根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表。数据筛选表如表1所示。

表1数据筛选表示例

表1中，Loc列是测试数据对应的测点码及数据方向；1X～9X为不同的故障码，Peak1～Peak4为除故障码对应的峰值之外的4个大的峰值，()内的数是Peak对应的频率(以阶次表示)。如表1所示，数据筛选表的行数根据测试数据点位及方向确定，通常的，机器测试的振动数据最多有三个方向的数据，分别为轴向A、水平方向T和垂直方向R，因此，每个测点占3组，每组3行(表1中将标记行省略，因此每组占2行)，各组的数据结构是一致的。各组第一行为实测数据即振动数据Real，第二行为实测数据与基线数据的差值Byd，第三行为标记行，当实测值大于基线值时做一特定标记。以测点2为例，测点2包括2A、2R和2T三组数据，对于2A组数据来说，2AReal表示振动数据，2AByd表示振动数据与基线数据的差值，标记行省略。基线数据的来源有两个：(1)由多组数据平均得出的平均值或平均线。(2)没有平均值或平均线时，采用默认的人工基线。

本步骤中故障码频率成分信息的差值和非故障码频率成分信息的差值的计算，均在统一的对数坐标内进行，在获取振动数据和基线数据过程中，应首先完成数据单位和坐标的统一。

步骤700：利用部件的特征参数提取规则对部件的数据筛选表进行提取，生成部件的特征参数提取表。特征参数提取表是一个按照部件分类的二维矩阵，后面故障诊断用到的所有参数都直接来自特征参数提取表。特征参数提取表的行和列不是固定不变的。行根据数据源码的长度确定，列由诊断所需的参数决定。特征参数提取表的示例如表2所示。

表2特征参数提取表示例

/>

/>

表2中每个列号均对应于一个诊断参数，诊断参数下对应值的计算由特征参数提取规则确定。特征参数提取表的行号和列号可分别对应于不同的名称(行标)，以便于后续在故障诊断规则编辑过程中去快速识读。但在诊断使用数据时仅有行号和列号就足够了。

在诊断开始前或者诊断结束后，用户也可以对特征参数提取规则进行更新，用户可增加新的特征参数(列)或修改已有的特征参数，设置新的或修改现有的对应的提取参数，进而生成新的特征参数提取规则，采用新的特征参数提取规则替换故障模型矩阵中特征参数提取规则，以使诊断结果更准确。

生成特征参数提取表的方法：通过设置提取识别码(故障码)并指定识别码的类别及固定频率的成分，为每一个识别码设置相应的提取参数，实现对诊断特征参数的提取。特征参数提取表的列可以通过文字命名方式便于识读。特征参数提取表各列均代表不同的提取参数，每一个提取参数对应不同的参数提取算法，这些算法对应的规则即特征参数提取规则，主要包括：

1、指定识别码：包括指定识别码的类型和识别码。识别码的类型是指识别码是基频还是谐波、是中心频率还是边带、是以阶次计算还是以频率计算。当指定为谐波或中心频率时，识别码将作为谐波的基频或中心频率的基频，与后面的规则组合后进行提取；当指定为边带时，识别码将作为以谐波或中心频率指定的识别码为中心的边带的基频，与谐波或中心频率指定的识别码成分做和差运算。指提取特征值时要引用的故障码，这个/些识别码对应的频率即为基频。当识别码类型为阶次时，识别码为故障码；当识别码类型为频率时，识别码为具体的频率Hz。

2、给定倍率：基频谐波的倍率范围，表示一系列的谐波频率，当提取特征值时，提取符合与对应基频成设定倍率关系的频率成分。

3、设定条件：提取符合条件的数据，包括：

(1)是否是特殊标记：仅提取数据筛选表中每组第三行有特殊标记的数值。

(2)是否是精准倍频：提取数据的频率成分是否与基频成“给定倍率”的关系。

4、数据的范围或来源：从哪里取符合条件的数据，包括：

故障码下对应的数据：提取数据时仅会已有故障码标识的数据时提取。

故障码外N个较大峰值下的数据：提取数据时从DSS中故障码对应的峰值之外的N个大的峰值中提取数据，通常为最大的两个。

5、是否有特殊计算：提取到数据是否要经过一些特殊计算，包括：

单独计算轴向占比：符合条件的数据如果存在轴向数据，计算轴向数值在三个方向(或所有方向)数据和的比值。

排除扰频：当从一定范围内的频率提取特征值时，如果在此范围内有特定的故障频率(由专门的故障码标识)，那么这个峰值将不予考虑。考虑到这是机器/部件特有的成分。

6、提取时的优先级：提取数据时，按照定义的优先级提取。优先级数值越小，提取时越优先。一旦某一成分已经被优先级小的参数提取了，那么这个成分不会被优先级更大的参数再次提取。

上述1、2、3、4、5、6即为提取参数，每个提取参数表示相应的参数提取算法。通过上述这些规则或算法，从数据筛选表中提取相关的数据进行必要计算后填入上表，生成部件的特征参数提取表。

步骤800：利用部件的故障诊断规则，对部件的特征参数提取表的数据进行逻辑运算和算术运算，确定部件对应的故障模式和故障等级。部件的故障模式为逻辑运算的结果，部件的故障等级为算术运算的结果。故障诊断规则中存储的是故障模型矩阵，矩阵中每一个故障模式均对应于这个故障的诊断逻辑。如图4所示，图4为故障诊断规则中其中一个故障模式的逻辑结构图。图4对应的故障模式为电动机不平衡。

故障诊断规则是一组逻辑公式，通过解析公式里的参数，从特征参数提取表中直接匹配对应的值，计算每个节点的结果，并根据相应的逻辑处理，得到最终的诊断结论。故障诊断规则中的运算符包括比较运算符、算术逻辑运算符、逻辑运算符和算术运算符。故障诊断规则里可能配置了多个诊断方式作为一个组合的诊断依据，那么要分别计算每个诊断方式的结果，最终通过计算组合的结果，得到结论。

故障诊断规则中，一个故障模式，可以包含N个部件小类，反之，一个部件小类也可以属于多个故障模式，即故障模式与部件小类之间是N对N的关系。通过一个设备的组成部件小类，可以得到N个故障模式，最终根据每个故障模式计算得到的N个诊断结论，即为该设备的最终诊断结论。部件小类的不同是根据特性代码区分的。

每个诊断逻辑同时完成两个运算，逻辑运算和算术运算。逻辑运算用于判断当前的逻辑是否成立，成立则故障模式正确可作为诊断结果；算术运算计算该故障模式对应的严重程度，用于故障量化分级。当逻辑运算成立时，其算术运算的结果才有意义，否则算术运算结果无任何意义。每一个故障模式或诊断逻辑下都设置了用于评价故障严重程度的门限值，逻辑的算术运算结果与设定的门限去比较，当满足相应级别严重程度的评价门限值时，该故障模式的严重程度就确定了。

本发明为解决故障量化分级的问题，采用一些专门的算术逻辑运算符来完成上面的功能，算术逻辑运算符用于同时进行逻辑运算和算术运算。算术逻辑运算符可以是图形化的，也可以是符号化的，或其他形式的。本发明的算术逻辑运算功能包括：

和与(SAND)运算，对输入的N个逻辑值进行“与”运算，当全部输入为“真时，输出为“真”，同时对所有输入分支的算术值求和。

和或(SOR)运算，对输入的N个逻辑值进行“或”运算，当任一输入为“真”时，输出为“真”，同时对输入逻辑值为“真”的分支的算术值求和。

和异或(SXOR)运算，对输入的2个逻辑值进行“异或”运算，当且仅当一个输入为“真”时，输出为“真”，同时对输入逻辑值为“真”的分支的算术值求和。

和非(SNOT)运算，对输入的N个逻辑值进行“非”运算，当全部输入为“假”时，输出为“真”，同时对所有输入分支的算术值求和。

比较运算功能包括：

正向参数比较，判断参数或参数表达式是否大于设定值(逻辑值)，及参数或参数表达式减去设定值的差值(算术值)。

反向参数比较，判断参数或参数表达式是否小于设定值(逻辑值)，及设定值减去参数或参数表达式的差值(算术值)。

比较运算功能同时完成两个运算，输出两个结果：一是逻辑运算：判断左侧是否大于右侧，输出逻辑值；二是算术运算：参数或参数表达式结果与设定值的差值，输出算术值。比较运算功能的参数直接取自CFET，通过指定CFET的行号(或行标)和列号(列标)得到矩阵中确定的元素。比较运算功能支持简单的公式运算，可以通过多个矩阵元素的加减运算完成复杂的比较运算。

另外，还采用了传统的逻辑运算功能和简单算术运算功能，包括：逻辑与(AND)、逻辑或(OR)、逻辑非(NOT)、逻辑异或(XOR)、算术求和(SUM)和算术求反(OPP)，这些功能与逻辑运算功能可实现几乎所有规则的编辑。

逻辑运算中，输入仅为逻辑值，输出为逻辑值。当输入为逻辑值和算术值的混合时，仅取其中的逻辑值作为输入，输出依然为逻辑值。

算术逻辑运算中，输入为算术值和逻辑值，输出为算术值和逻辑值。当每个输入为逻辑值和算术值的混合时，输出则分别输出逻辑值和算术值和值。当N个输入中，有m个仅为算术值，k个仅为逻辑值，N-m-k个为算术逻辑值，则输出为m个算术值与N-m-k个算术逻辑之中算术值的和值及k个逻辑值和N-m-k个算术逻辑值中逻辑值的运算结果。特殊情况：(1)当所有输入仅为算术值时，输出为算术值和值，等同于SUM算术求和运算；(2)当所有输入仅为逻辑值时，输出为逻辑值结果，等同于逻辑运算。

算术运算中，输入仅为算术值，输出为算术值。当输入为逻辑值和算术值的混合时，仅取其中的算术值作为输入，输出依然为算术值。

通过上面的这些逻辑组合，为故障模式设定相应的逻辑规则，计算机去解析这些规则完成运算，逻辑运算的结果即为故障模式，算术运算的结果即为严重等级。

步骤900：获取每个部件对应的故障模式和故障等级，得到待检测设备的故障检测结果。

当得到待检测设备的故障检测结果之后，还可以进一步对所有部件对应的故障模式和故障等级，采用行动建议规则的逻辑运算，得到所述待检测设备的行动建议。如图5所示，图5为行动建议规则的逻辑结构图。行动建议规则是一组逻辑公式，通过输入的故障模式和严重等级，计算每个节点的结果，得到最终的行动建议。图5中最终得到的行动建议为：检查联轴器对中。行动建议规则为开放式的，用户可以根据需求构建新的行动建议，用户通过输入新的行动建议的结构化编码，运用故障诊断结论及其严重等级，通过编辑逻辑运算，便可以生成新的行动建议对行动建议规则库进行更新。

作为具体的实施例，本发明还可以提供用户自主定义规则的功能。用户通过拖动选用图形化运算符，进而可以根据所述用户拖动选用的图像化运算符生成新的故障诊断规则，然后采用所述新的故障诊断规则对故障模型矩阵中原有的故障诊断规则进行更新。

本发明还提供一种设备故障自动诊断***，如图6所示，图6为本发明设备故障自动诊断***的结构示意图，本发明设备故障自动诊断***包括：

诊断模型获取模块601，用于获取设备的诊断模型；所述诊断模型包括每个部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息；所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码。

部件参数获取模块602，用于根据所述诊断模型，获取待检测设备中每个部件的部件参数。

故障模型矩阵获取模块603，用于根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵；所述故障模型矩阵包括特征参数提取规则和故障诊断规则；所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应；所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应。

基线数据获取模块604，用于根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据；所述待检测设备的基线数据包括每个故障码对应的基线值；所述基线值为所述故障码对应的频率成分信息的峰值基线。

振动数据获取模块605，用于获取待检测设备的振动数据；所述待检测设备的振动数据包括每个部件在多个检测点位置的振动数据。

数据筛选模块606，用于对于第i个部件，根据所述部件的故障码信息和所述基线数据，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表。

参数提取模块607，用于利用所述部件的特征参数提取规则对所述部件的数据筛选表进行提取，生成所述部件的特征参数提取表。

故障诊断模块608，用于利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级；所述部件的故障模式为所述逻辑运算的结果，所述部件的故障等级为所述算术运算的结果。

故障检测结果获取模块609，用于获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果。

作为另一实施例，本发明的设备故障自动诊断***还包括：

特征参数提取规则确定模块，用于在根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵之前，根据所述部件的部件代码，确定所述特征参数提取规则。

故障诊断规则确定模块，用于根据所述部件的部件代码和特性代码，确定所述故障诊断规则。

作为另一实施例，本发明的设备故障自动诊断***还包括：

待检测设备历史数据获取模块，用于在根据每个部件的故障码信息，获取每个故障码对应的基线值之前，获取待检测设备的历史数据；所述历史数据包括所述待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征。

基线数据更新模块，用于根据所述待检测设备的历史数据中的特定数据，动态调整所述基线数据，对所述待检测设备的基线数据进行更新；所述特定数据为用户从所述历史数据中选定的数据或根据筛选条件从所述历史数据中筛选的数据。基线数据包含了频谱基线数据、时域基线数据、通频值基线数据、常用评价指标基线数据等；基线数据通过对历史振动数据的统计计算得到，包含了历史数据的故障特征。

作为另一实施例，本发明的设备故障自动诊断***的所述数据筛选模块605，具体包括：

故障码峰值数据提取单元，用于根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息。

非故障码峰值数据提取单元，用于在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的多个频率成分信息。

差值计算单元，用于计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值；所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与所述故障码对应的基线值之间的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与所述非故障码频率成分信息对应的基线值的差值。

标记值获取单元，用于获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空。

数据筛选表生成单元，用于根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表。

作为另一实施例，本发明的设备故障的诊断***中所述故障模型矩阵还包括行动建议规则，所述行动建议规则为利用故障模式和故障等级通过逻辑运算和算术运算生成行动建议及优先级的规则，与部件代码对应。

所述设备故障的诊断***还包括：

行动建议获取模块，用于在获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果之后，对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级。

作为另一实施例，本发明的设备故障的诊断***还包括：

用户拖动选中信息获取模块，用于在获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果之后，获取用户拖动选中的图形化运算符。

新的故障诊断规则获取模块，用于根据所述用户拖动选用的图像化运算符生成新的故障诊断规则。

故障诊断规则更新模块，用于采用所述新的故障诊断规则更新所述故障模型矩阵中的故障诊断规则。

本发明的***采用诊断建模工具DMA构建诊断模型。DMA是一个图形化的设备模型建模工具，按部件分类存放规则的部件通过部件图形元素的组态方式来完成诊断模型建模。每一个部件图形元素均对应于相应的属性，通过对选定部件的属性进行编辑、设置，完成部件代码(Component Code)、特性代码(Speciality Code)、故障码(Fault Code)、数据源码(DS Code)的设置，形成模型信息并存储至相关数据库，在进行自动诊断时的输入参数读取数据库中相应的模型信息匹配诊断规则。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种设备故障自动诊断方法，其特征在于，包括：

获取设备的诊断模型；所述诊断模型包括每个部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息；所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码；

根据所述诊断模型，获取待检测设备中每个部件的部件参数；

根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵；所述故障模型矩阵包括特征参数提取规则和故障诊断规则；所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应；所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应；

根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据；所述待检测设备的基线数据包括每个故障码对应的基线值；所述基线值为所述故障码对应的频率成分信息的峰值基线；

所述根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据，之前还包括：

获取待检测设备的历史数据；所述历史数据包括所述待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征；

根据所述待检测设备的历史数据中的特定数据，动态调整所述基线数据，对所述待检测设备的基线数据进行更新；所述特定数据为用户从所述历史数据中选定的数据或根据筛选条件从所述历史数据中筛选的数据；

获取待检测设备的振动数据；所述待检测设备的振动数据包括每个部件在多个检测点位置的振动数据；

对于第i个部件，根据所述部件的故障码信息和所述基线数据，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表；具体包括：

根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息；

在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的多个频率成分信息；计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值；所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与所述故障码对应的基线值之间的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与所述非故障码频率成分信息对应的基线值的差值；

获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空；

根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表；

利用所述部件的特征参数提取规则对所述部件的数据筛选表进行提取，生成所述部件的特征参数提取表；

利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级；所述部件的故障模式为所述逻辑运算的结果，所述部件的故障等级为所述算术运算的结果；

获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果。

2.根据权利要求1所述的设备故障自动诊断方法，其特征在于，所述根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵，之前还包括：

根据所述部件的部件代码，确定所述特征参数提取规则；

根据所述部件的部件代码和特性代码，确定所述故障诊断规则。

3.根据权利要求1所述的设备故障自动诊断方法，其特征在于，所述故障模型矩阵还包括行动建议规则，所述行动建议规则为利用故障模式和故障等级通过逻辑运算和算术运算生成行动建议及优先级的规则，与部件代码对应；

所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级。

4.根据权利要求3所述的设备故障自动诊断方法，其特征在于，对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级，之后还包括：

获取用户输入的新的行动建议规则的结构化编码；

采用所述新的行动建议规则更新所述故障模型矩阵中的行动建议规则。

5.根据权利要求1所述的设备故障自动诊断方法，其特征在于，所述利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级，具体包括：

根据所述部件的故障诊断规则中的运算符的运算规则，对所述部件的特征参数提取表的数据进行运算，确定所述部件对应的故障模式和故障等级；所述运算符包括比较运算符、算术逻辑运算符、逻辑运算符和算术运算符；所述算术逻辑运算符用于同时进行逻辑运算和算术运算；所述逻辑运算符用于进行逻辑运算；所述算术运算符用于进行算术运算。

6.根据权利要求1所述的设备故障自动诊断方法，其特征在于，所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

获取用户拖动选用的图像化运算符；所述图像化运算符包括：比较运算符、算术逻辑运算符、逻辑运算符和算术运算符；所述算术逻辑运算符用于同时进行逻辑运算和算术运算；所述逻辑运算符用于进行逻辑运算；所述算术运算符用于进行算术运算；

根据所述用户拖动选用的图像化运算符生成新的故障诊断规则；

采用所述新的故障诊断规则更新所述故障模型矩阵中的故障诊断规则。

7.根据权利要求1所述的设备故障自动诊断方法，其特征在于，所述获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果，之后还包括：

获取用户选择的每个故障码对应的提取参数；不同的提取参数对应不同的参数提取算法；

根据所述用户选择的每个故障码对应的提取参数，生成新的特征参数提取规则；

采用所述新的特征参数提取规则更新所述故障模型矩阵中的特征参数提取规则。

8.一种设备故障自动诊断***，其特征在于，包括：

诊断模型获取模块，用于获取设备的诊断模型；所述诊断模型包括每个部件对应的部件参数，所述部件参数包括部件代码、特性代码、数据源码和故障码信息；所述部件代码表征部件的类型；所述特性代码表征部件的局部属性；所述数据源码表征部件诊断所需数据的索引位置；所述故障码信息为每个故障码对应的频率成分信息，每个部件包括多个故障码；

部件参数获取模块，用于根据所述诊断模型，获取待检测设备中每个部件的部件参数；故障模型矩阵获取模块，用于根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵；所述故障模型矩阵包括特征参数提取规则和故障诊断规则；所述特征参数提取规则为诊断部件故障所需的参数计算和数据筛选规则，与所述部件代码对应；所述故障诊断规则包括逻辑运算规则和算术运算规则，是利用特征参数通过逻辑和算数运算生成故障模式和故障等级的规则，与所述部件代码和所述特性代码组合后的代码相对应；

基线数据获取模块，用于根据所述待检测设备中每个部件的故障码信息，获取所述待检测设备的基线数据；所述待检测设备的基线数据包括每个故障码对应的基线值；所述基线值为所述故障码对应的频率成分信息的峰值基线；

待检测设备历史数据获取模块，用于在根据每个部件的故障码信息，获取每个故障码对应的基线值之前，获取待检测设备的历史数据；所述历史数据包括所述待检测设备在稳定状态下的历史振动数据和/或所述历史振动数据对应的故障特征；

基线数据更新模块，用于根据所述待检测设备的历史数据中的特定数据，动态调整所述基线数据，对所述待检测设备的基线数据进行更新；所述特定数据为用户从所述历史数据中选定的数据或根据筛选条件从所述历史数据中筛选的数据；

振动数据获取模块，用于获取待检测设备的振动数据；所述待检测设备的振动数据包括每个部件在多个检测点位置的振动数据；

数据筛选模块，用于对于第i个部件，根据所述部件的故障码信息和所述基线数据，对所述部件的振动数据进行筛选，得到所述部件对应的数据筛选表；具体包括：

故障码峰值数据提取单元，用于根据所述第i个部件的每个故障码对应的频率成分信息，在每一条振动数据中提取每个故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个故障码峰值数据；所述故障码频率成分信息为所述故障码对应的频率成分信息；

非故障码峰值数据提取单元，用于在每一条振动数据中提取多个非故障码频率成分信息的峰值数据，得到每一条振动数据对应的多个非故障码峰值数据；所述非故障码频率成分信息为除所述故障码对应的频率成分信息之外的多个频率成分信息；

差值计算单元，用于计算每一条振动数据中每个故障码频率成分信息的差值和每个非故障码频率成分信息的差值；所述故障码频率成分信息的差值为所述故障码频率成分信息的峰值数据与所述故障码对应的基线值之间的差值，所述非故障码频率成分信息的差值为所述非故障码频率成分信息的峰值数据与所述非故障码频率成分信息对应的基线值的差值；

标记值获取单元，用于获取每一条振动数据对应的标记值；当故障码频率成分信息的差值大于零时所述故障码频率成分信息对应的标记值不为空，当故障码频率成分信息的差值不大于零时所述故障码频率成分信息对应的标记值为空；当非故障码频率成分信息的差值大于零时所述非故障码频率成分信息对应的标记值不为空，当非故障码频率成分信息的差值不大于零时所述非故障码频率成分信息对应的标记值为空；

数据筛选表生成单元，用于根据所述第i个部件每一条振动数据对应的故障码峰值数据、非故障码峰值数据、故障码频率成分信息的差值、非故障码频率成分信息的差值和标记值，生成所述第i个部件对应的数据筛选表；

参数提取模块，用于利用所述部件的特征参数提取规则对所述部件的数据筛选表进行提取，生成所述部件的特征参数提取表；

故障诊断模块，用于利用所述部件的故障诊断规则，对所述部件的特征参数提取表的数据进行逻辑运算和算术运算，确定所述部件对应的故障模式和故障等级；所述部件的故障模式为所述逻辑运算的结果，所述部件的故障等级为所述算术运算的结果；

故障检测结果获取模块，用于获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果。

9.根据权利要求8所述的设备故障自动诊断***，其特征在于，还包括：

特征参数提取规则确定模块，用于在根据所述待检测设备中每个部件的部件参数，获取所述待检测设备对应的故障模型矩阵之前，根据所述部件的部件代码，确定所述特征参数提取规则；

故障诊断规则确定模块，用于根据所述部件的部件代码和特性代码，确定所述故障诊断规则。

10.根据权利要求8所述的设备故障自动诊断***，其特征在于，所述故障模型矩阵还包括行动建议规则，所述行动建议规则为利用故障模式和故障等级通过逻辑运算和算术运算生成行动建议及优先级的规则，与部件代码对应；

所述设备故障的诊断***还包括：

行动建议获取模块，用于在获取每个部件对应的故障模式和故障等级，得到所述待检测设备的故障检测结果之后，对所有部件对应的故障模式和故障等级，采用所述行动建议规则的逻辑运算与算术运算，得到所述待检测设备的行动建议与优先级。