CN112446389A - 一种故障判别方法及装置 - Google Patents

一种故障判别方法及装置 Download PDF

Info

Publication number
CN112446389A
CN112446389A CN201910754270.4A CN201910754270A CN112446389A CN 112446389 A CN112446389 A CN 112446389A CN 201910754270 A CN201910754270 A CN 201910754270A CN 112446389 A CN112446389 A CN 112446389A
Authority
CN
China
Prior art keywords
preset
fault
frequency spectrum
vibration signal
characteristic value
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.)
Pending
Application number
CN201910754270.4A
Other languages
English (en)
Inventor
李金诺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201910754270.4A priority Critical patent/CN112446389A/zh
Publication of CN112446389A publication Critical patent/CN112446389A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G01H1/14—Frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G01H1/16—Amplitude
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明实施例提供了一种故障判别方法及装置。所述方法包括：获取目标动设备的振动信号频谱；根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。本发明实施例解决了现有技术中，油田动设备故障判断过程中，依赖人工判断的问题。

Description

一种故障判别方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种故障判别方法及装置。
背景技术
在油田的生产活动中，油田动设备发挥着较为重要的作用。油田动设备通常指由驱动机带动的转动设备，在动设备工作过程中若出现故障，通常需要中断油田的生产活动，花费较长的时间进行故障处理，在很大程度上影响油田生产活动的进行。因此，动设备的故障检测在油田的生产过程中显得尤为重要。
目前，多数油田动设备的故障诊断过程通常是基于设备的运行情况人工判断；然而，人工判断受判断人员的经验影响较大，判断结果不够客观，难以达到统一判断标准，容易导致判断失误等情况。
发明内容
本发明实施例提供一种故障判别方法及装置，以解决现有技术中，油田动设备故障判断过程中，依赖人工判断的问题。
一方面，本发明实施例提供了一种故障判别方法，所述方法包括：
获取目标动设备的振动信号频谱；
根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；
将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
可选地，所述根据预设信号处理规则，提取所述振动信号频谱中的特征值的步骤，包括：
根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
根据预设特征提取规则，提取所述处理后的频谱中的特征值。
可选地，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
可选地，所述方法还包括：
接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型；
响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
可选地，所述得到所述目标动设备的故障判别结果的步骤之后，所述方法还包括：
将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
另一方面，本发明实施例还提供一种故障判别装置，所述装置包括：
频谱获取模块，用于获取目标动设备的振动信号频谱；
特征提取模块，用于根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；
故障判别模块，用于将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
可选地，所述特征提取模块包括：
噪声处理子模块，用于根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
提取子模块，用于根据预设特征提取规则，提取所述处理后的频谱中的特征值。
可选地，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
可选地，所述装置还包括：
操作接收模块，用于接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型；
模型训练模块，用于响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
可选地，所述装置还包括：
数据存储模块，用于将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
又一方面，本发明实施例还提供一种电子设备，该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的故障判别方法中的步骤。
再一方面，本发明实施例还提供一种存储介质，该读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的故障判别方法中的步骤。
在本发明实施例中，获取目标动设备的振动信号频谱；然后根据预设信号处理规则，提取所述振动信号频谱中的特征值，所述特征值为所述振动信号频谱中预设特征频率的幅值；最后将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的，通过机器学习得到故障判别模型精确度较高，形成故障判别的同一标准；本发明实施例实现了故障判别的智能化处理，通过故障判别模型输出客观的判别结果，避免判别过程受工作人员的主观因素影响，且相较于人工判断节约了人工成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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为本发明实施例提供的故障判别方法的步骤流程图之一；
图2为本发明实施例提供的故障判别方法的步骤流程图之二；
图3为本发明实施例提供的故障判别装置的结构框图；
图4为本发明实施例提供的电子设备的结构框图。
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作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。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图1，本发明实施例提供了一种故障判别方法，所述方法可应用于上位机或服务器等执行故障判别、诊断的设备；
所述方法包括：
步骤101，获取目标动设备的振动信号频谱。
其中，目标动设备可以为油田动设备；频谱即频率谱密度，频率的分布曲线，通常通过频谱来反应振动的情况；可选地，可在目标动设备侧设置传感器，用于采集目标动设备的振动信号，得到目标动设备的振动信号频谱。
可选地，可以为每个目标动设备设置采集周期，在每个采集周期内采集的振动信号频谱，用于下一周期动设备的故障判别。
步骤102，根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值。
其中，根据预设信号处理规则，对振动信号频谱进行信号处理，得到其中的特征值，特征值为所述振动信号频谱中预设特征频率的幅值，幅值即振动的幅度。
预设特征频率为预先设定的，能反映振动特征的频率值，即有数据意义的频率值，比如基准频率的整数倍位置处的频率值，通常能反映振动的特征；通过提取特征值，以分析动设备的振动情况。
步骤103，将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
其中，将特征值输入至预设的故障判别模型，故障判别模型得到所述目标动设备的故障判别结果；可选地，故障判别结果可以包括所述目标动设备的发生故障的概率和/或故障类型。
故障判别模型为通过对样本数据进行机器学习得到的，机器学习的模型可以是卷积神经网络(Convolutional Neural Network，CNN)，具体地，机器学习的过程中，采用有监督的学习方式，将大量的样本数据分为训练数据集和测试数据集，训练数据集用于训练初始CNN得到故障判别模型，测试数据集用于对故障判别模型的精确度进行测试；在训练的过程中，将训练数据集中的数据循环输入至初始CNN，并将初始CNN的输出结果与已知的结果进行比对，输出结果包括多测试数据进行故障判别后，该组测试数据对应的动设备发生故障的概率和/或故障类型；已知的结果为预先测定的该组测试数据对应的动设备发生故障的概率和/或故障类型；根据比对结果中，测试结果与已知结果之间的差距，反向对CNN进行优化，使得CNN中的损失函数趋向于最小值，最终得到符合精确度要求的CNN，则此时的CNN即故障判别模型。
可以理解的是，机器学习的模型还可以是随机森林模型或支持向量机模型，在此不再赘述。
因此，基于故障判别模型对目标动设备进行判别，其精确度较高，可取代人工判断，且对于同一型号的动设备，可训练一个单独的故障判别模型，形成一个统一的故障判别标准，避免故障判别时受工作人员的主观因素影响。
本发明上述实施例中，获取目标动设备的振动信号频谱；然后根据预设信号处理规则，提取所述振动信号频谱中的特征值，所述特征值为所述振动信号频谱中预设特征频率的幅值；最后将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的，通过机器学习得到故障判别模型精确度较高，形成故障判别的同一标准；本发明实施例实现了故障判别的智能化处理，通过故障判别模型输出客观的判别结果，避免判别过程受工作人员的主观因素影响，且相较于人工判断节约了人工成本。本发明实施例解决了现有技术中，油田动设备故障判断过程中，依赖人工判断的问题。
可选地，本发明实施例中，所述根据预设信号处理规则，提取所述振动信号频谱中的特征值的步骤，包括：
根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
根据预设特征提取规则，提取所述处理后的频谱中的特征值。
其中，去噪声处理主要基于滤波器来实现，滤波器包括低通滤波器、高通滤波器和带通滤波器等；通过滤波器根据预设去噪声规则，剔除振动信号频谱中的噪声信号，避免噪声信号对故障判别造成影响。
滤除噪声信号，得到处理后的频谱之后，提取频率中的特征值；具体地，提取特征值的过程中，根据预设特征提取规则，提取处理后的频谱中的中预设特征频率的幅值；预设特征频率为预先设定的，能反映振动特征的频率值，即有数据意义的频率值，比如基准频率的整数倍位置处的频率值，通常能反映振动的特征；通过提取特征值，以分析动设备的振动情况。
进一步地，本发明实施例中，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
其中，1倍频即1X基准频率，10倍频即10X基准频率。倍频即产生的输出信号频率是输入信号频率的整数倍。比如，输入信号频率为n，则第一个倍频为2n，相应地3n，4n，……，等均称为倍频。对于动设备来说，相当一部分振动来自于1倍频，1倍频至10倍频之间的振动信号异常则会表明动设备可能发生故障，因此，在故障分析时，采集1倍频至10倍频之间的频率特征值作为故障分析的依据。
参见图2，本发明又一实施例提供了一种故障判别方法，所述方法包括：
步骤201，接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型。
其中，模型训练操作即通过机器学习的方式训练故障判别模型，预设样本库包括第一预设数目组所述样本数据，第一预设数目可以设置为较大的数值，以提高所训练模型的精确度。
每组所述样本数据包括动设备的振动信号频谱中的特征值，还包括所述样本数据的已知判别结果，即样本数据对应的动设备发生故障的概率和/或故障类型。
此外，若所训练的故障判别模型为针对一种型号的动设备的模型，则所述样本数据应为该型号动设备的振动信号频谱中的数据。
可选地，每组样本数据可以为每个动设备的预设采集周期内的数据，在每个采集周期内采集动设备的振动信号频谱作为一组样本数据。
步骤202，响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
其中，机器学习的过程中，采用有监督的学习方式，将预设样本库中的样本数据分为训练数据集和测试数据集，训练数据集用于训练初始CNN得到故障判别模型，测试数据集用于对故障判别模型的精确度进行测试。
在训练的过程中，将训练数据集中的样本数据循环输入至初始CNN；具体地，首先将第一组样本数据中的特征值输入至初始CNN，得到初始CNN的输出结果；然后将初始CNN的输出结果与第一组样本数据中的已知的结果进行比对，已知的结果为预先测定的该组测试数据对应的动设备发生故障的概率和/或故障类型；根据比对结果中，测试结果与已知结果之间的差距，反向对CNN进行优化，调整CNN内部结构和/参数，得到优化后的CNN；再将第二组样本数据的特征值迭代至化后的CNN，……，如此迭代、优化，至CNN中的损失函数趋向于预设的损失函数最小值，最终得到符合精确度要求的CNN，则此时的CNN即故障判别模型。
步骤203，获取目标动设备的振动信号频谱。
其中，目标动设备可以为油田动设备，优选为与预设样本库中的样本数据的来源设备相同型号的设备；频谱即频率谱密度，频率的分布曲线，通常通过频谱来反应振动的情况；可选地，可在目标动设备侧设置传感器，用于采集目标动设备的振动信号，得到目标动设备的振动信号频谱。
可选地，可以为每个目标动设备设置采集周期，在每个采集周期内采集的振动信号频谱，用于下一周期动设备的故障判别。
步骤204，根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值。
其中，根据预设信号处理规则，对振动信号频谱进行信号处理，得到其中的特征值，特征值为所述振动信号频谱中预设特征频率的幅值，幅值即振动的幅度。
预设特征频率为预先设定的，能反映振动特征的频率值，即有数据意义的频率值，比如基准频率的整数倍位置处的频率值，通常能反映振动的特征；通过提取特征值，以分析动设备的振动情况。
步骤205，将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
其中，将特征值输入至预设的故障判别模型，故障判别模型得到所述目标动设备的故障判别结果；可选地，故障判别结果可以包括所述目标动设备的发生故障的概率和/或故障类型。
基于故障判别模型对目标动设备进行判别，其精确度较高，可取代人工判断，且对于同一型号的动设备，可训练一个单独的故障判别模型，形成一个统一的故障判别标准，避免故障判别时受工作人员的主观因素影响。
进一步地，本发明实施例中，所述得到所述目标动设备的故障判别结果的步骤之后，所述方法还包括：
将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
其中，在每次进行故障判别后或进一步进行故障维修结束后，将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中，用于后续进行模型的训练和优化升级，进一步提高故障判别模型的精确度。
基于本发明实施例提供的故障判别方法，可以建立一套从传感器、远程终端单元(Remote Terminal Unit，RTU)、可编程逻辑控制器(Programmable Logic Controller，PLC)、分布式控制***(Distributed Control System，DCS)到故障诊断***的通讯链路，传感器采集数据，RTU、PLC、DCS执行数据处理、传输，最终由故障诊断***执行故障判别。
本发明上述实施例中，获取目标动设备的振动信号频谱；然后根据预设信号处理规则，提取所述振动信号频谱中的特征值，所述特征值为所述振动信号频谱中预设特征频率的幅值；最后将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的，通过机器学习得到故障判别模型精确度较高，形成故障判别的同一标准；本发明实施例实现了故障判别的智能化处理，通过故障判别模型输出客观的判别结果，避免判别过程受工作人员的主观因素影响，且相较于人工判断节约了人工成本。本发明实施例解决了现有技术中，油田动设备故障判断过程中，依赖人工判断的问题。
以上介绍了本发明实施例提供的故障判别方法，下面将结合附图介绍本发明实施例提供的故障判别装置。
参见图3，本发明实施例还提供了一种故障判别装置，所述装置可应用于上位机或服务器等执行故障判别、诊断的设备；所述装置包括：
频谱获取模块301，用于获取目标动设备的振动信号频谱。
其中，目标动设备可以为油田动设备；频谱即频率谱密度，频率的分布曲线，通常通过频谱来反应振动的情况；可选地，可在目标动设备侧设置传感器，用于采集目标动设备的振动信号，得到目标动设备的振动信号频谱。
可选地，可以为每个目标动设备设置采集周期，在每个采集周期内采集的振动信号频谱，用于下一周期动设备的故障判别。
特征提取模块302，用于根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值。
其中，根据预设信号处理规则，对振动信号频谱进行信号处理，得到其中的特征值，特征值为所述振动信号频谱中预设特征频率的幅值，幅值即振动的幅度。
预设特征频率为预先设定的，能反映振动特征的频率值，即有数据意义的频率值，比如基准频率的整数倍位置处的频率值，通常能反映振动的特征；通过提取特征值，以分析动设备的振动情况。
故障判别模块303，用于将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
其中，将特征值输入至预设的故障判别模型，故障判别模型得到所述目标动设备的故障判别结果；可选地，故障判别结果可以包括所述目标动设备的发生故障的概率和/或故障类型。
故障判别模型为通过对样本数据进行机器学习得到的，机器学习的模型可以是卷积神经网络(Convolutional Neural Network，CNN)，具体地，机器学习的过程中，采用有监督的学习方式，将大量的样本数据分为训练数据集和测试数据集，训练数据集用于训练初始CNN得到故障判别模型，测试数据集用于对故障判别模型的精确度进行测试；在训练的过程中，将训练数据集中的数据循环输入至初始CNN，并将初始CNN的输出结果与已知的结果进行比对，输出结果包括多测试数据进行故障判别后，该组测试数据对应的动设备发生故障的概率和/或故障类型；已知的结果为预先测定的该组测试数据对应的动设备发生故障的概率和/或故障类型；根据比对结果中，测试结果与已知结果之间的差距，反向对CNN进行优化，使得CNN中的损失函数趋向于最小值，最终得到符合精确度要求的CNN，则此时的CNN即故障判别模型。
因此，基于故障判别模型对目标动设备进行判别，其精确度较高，可取代人工判断，且对于同一型号的动设备，可训练一个单独的故障判别模型，形成一个统一的故障判别标准，避免故障判别时受工作人员的主观因素影响。
可选地，本发明实施例中，所述特征提取模块302包括：
噪声处理子模块，用于根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
提取子模块，用于根据预设特征提取规则，提取所述处理后的频谱中的特征值。
其中，去噪声处理主要基于滤波器来实现，滤波器包括低通滤波器、高通滤波器和带通滤波器等；通过滤波器根据预设去噪声规则，剔除振动信号频谱中的噪声信号，避免噪声信号对故障判别造成影响。
滤除噪声信号，得到处理后的频谱之后，提取频率中的特征值；具体地，提取特征值的过程中，根据预设特征提取规则，提取处理后的频谱中的中预设特征频率的幅值；预设特征频率为预先设定的，能反映振动特征的频率值，即有数据意义的频率值，比如基准频率的整数倍位置处的频率值，通常能反映振动的特征；通过提取特征值，以分析动设备的振动情况。
可选地，本发明实施例中，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
其中，1倍频即1X基准频率，10倍频即10X基准频率。倍频即产生的输出信号频率是输入信号频率的整数倍。比如，输入信号频率为n，则第一个倍频为2n，相应地3n，4n，……，等均称为倍频。对于动设备来说，相当一部分振动来自于1倍频，1倍频至10倍频之间的振动信号异常则会表明动设备可能发生故障，因此，在故障分析时，采集1倍频至10倍频之间的频率特征值作为故障分析的依据。
可选地，本发明实施例中，所述装置还包括：
操作接收模块，用于接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型；
模型训练模块，用于响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
其中，模型训练操作即通过机器学习的方式训练故障判别模型，预设样本库包括第一预设数目组所述样本数据，第一预设数目可以设置为较大的数值，以提高所训练模型的精确度。
每组所述样本数据包括动设备的振动信号频谱中的特征值，还包括所述样本数据的已知判别结果，即样本数据对应的动设备发生故障的概率和/或故障类型。
此外，若所训练的故障判别模型为针对一种型号的动设备的模型，则所述样本数据应为该型号动设备的振动信号频谱中的数据。
可选地，每组样本数据可以为每个动设备的预设采集周期内的数据，在每个采集周期内采集动设备的振动信号频谱作为一组样本数据。
机器学习的过程中，采用有监督的学习方式，将预设样本库中的样本数据分为训练数据集和测试数据集，训练数据集用于训练初始CNN得到故障判别模型，测试数据集用于对故障判别模型的精确度进行测试。
在训练的过程中，将训练数据集中的样本数据循环输入至初始CNN；具体地，首先将第一组样本数据中的特征值输入至初始CNN，得到初始CNN的输出结果；然后将初始CNN的输出结果与第一组样本数据中的已知的结果进行比对，已知的结果为预先测定的该组测试数据对应的动设备发生故障的概率和/或故障类型；根据比对结果中，测试结果与已知结果之间的差距，反向对CNN进行优化，调整CNN内部结构和/参数，得到优化后的CNN；再将第二组样本数据的特征值迭代至化后的CNN，……，如此迭代、优化，至CNN中的损失函数趋向于预设的损失函数最小值，最终得到符合精确度要求的CNN，则此时的CNN即故障判别模型。
可选地，本发明实施例中，所述装置还包括：
数据存储模块，用于将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
其中，在每次进行故障判别后或进一步进行故障维修结束后，将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中，用于后续进行模型的训练和优化升级，进一步提高故障判别模型的精确度。
本发明实施例提供的故障判别装置能够实现图1至图2的方法实施例中故障判别装置实现的各个过程，为避免重复，这里不再赘述。
本发明的实施例中，频谱获取模块301获取目标动设备的振动信号频谱；特征提取模块302根据预设信号处理规则，提取所述振动信号频谱中的特征值，所述特征值为所述振动信号频谱中预设特征频率的幅值；故障判别模块303将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的，通过机器学习得到故障判别模型精确度较高，形成故障判别的同一标准；本发明实施例实现了故障判别的智能化处理，通过故障判别模型输出客观的判别结果，避免判别过程受工作人员的主观因素影响，且相较于人工判断节约了人工成本。
另一方面，所述故障判别装置包括处理器和存储器，上述频谱获取模块、特征提取模块、故障判别模块、噪声处理子模块和提取子模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现故障判别的智能化处理。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述故障判别方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述故障判别方法。
参见图4，本发明实施例提供了一种电子设备400，电子设备400包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的故障判别方法。本文中的设备400可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取目标动设备的振动信号频谱；
根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；
将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
以及
根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
根据预设特征提取规则，提取所述处理后的频谱中的特征值。
其中，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
以及
接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型；
响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
以及
将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种故障判别方法，其特征在于，包括：
获取目标动设备的振动信号频谱；
根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；
将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
2.根据权利要求1所述的故障判别方法，其特征在于，所述根据预设信号处理规则，提取所述振动信号频谱中的特征值的步骤，包括：
根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
根据预设特征提取规则，提取所述处理后的频谱中的特征值。
3.根据权利要求1所述的故障判别方法，其特征在于，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
4.根据权利要求1所述的故障判别方法，其特征在于，所述方法还包括：
接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目组所述样本数据；每组所述样本数据包括动设备的振动信号频谱中的特征值以及，所述样本数据对应的动设备发生故障的概率和/或故障类型；
响应于所述模型训练操作，根据样本数据，按照预设规则训练故障判别模型。
5.根据权利要求4所述的故障判别方法，其特征在于，所述得到所述目标动设备的故障判别结果的步骤之后，所述方法还包括：
将所述故障判别结果与所述目标动设备的振动信号频谱的特征值，作为一组样本数据存储至所述预设样本库中。
6.一种故障判别装置，其特征在于，包括：
频谱获取模块，用于获取目标动设备的振动信号频谱；
特征提取模块，用于根据预设信号处理规则，提取所述振动信号频谱中的特征值；其中，所述特征值为所述振动信号频谱中预设特征频率的幅值；
故障判别模块，用于将所述特征值输入至预设的故障判别模型，得到所述目标动设备的故障判别结果；其中，所述故障判别模型为通过对样本数据进行机器学习得到的。
7.根据权利要求6所述的故障判别装置，其特征在于，所述特征提取模块包括：
噪声处理子模块，用于根据预设去噪声规则，对所述振动信号频谱进行去噪声处理，得到处理后的频谱；
提取子模块，用于根据预设特征提取规则，提取所述处理后的频谱中的特征值。
8.根据权利要求6所述的故障判别装置，其特征在于，所述预设特征频率为预设基准频率的1倍频至10倍频之间的频率；
所述预设基准频率为所述目标动设备的基准频率。
9.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的故障判别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的故障判别方法的步骤。
CN201910754270.4A 2019-08-15 2019-08-15 一种故障判别方法及装置 Pending CN112446389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910754270.4A CN112446389A (zh) 2019-08-15 2019-08-15 一种故障判别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910754270.4A CN112446389A (zh) 2019-08-15 2019-08-15 一种故障判别方法及装置

Publications (1)

Publication Number Publication Date
CN112446389A true CN112446389A (zh) 2021-03-05

Family

ID=74740913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910754270.4A Pending CN112446389A (zh) 2019-08-15 2019-08-15 一种故障判别方法及装置

Country Status (1)

Country Link
CN (1) CN112446389A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114046970A (zh) * 2021-10-26 2022-02-15 山东浪潮通软信息科技有限公司 矿用轴流式通风机的转轴不对中检测方法及装置
CN114543982A (zh) * 2022-03-11 2022-05-27 珠海格力电器股份有限公司 设备的振动检测方法、装置、振动检测设备及存储介质
CN117054872A (zh) * 2023-09-15 2023-11-14 合肥融讯电子科技有限公司 一种基于数据模型的电机故障预测检测***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108757426A (zh) * 2018-07-04 2018-11-06 温州大学 石油矿场注水柱塞泵故障诊断方法
US20190204818A1 (en) * 2016-11-30 2019-07-04 Hitachi, Ltd. Data collection system, abnormality detection method, and gateway device
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190204818A1 (en) * 2016-11-30 2019-07-04 Hitachi, Ltd. Data collection system, abnormality detection method, and gateway device
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及***
CN108757426A (zh) * 2018-07-04 2018-11-06 温州大学 石油矿场注水柱塞泵故障诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114046970A (zh) * 2021-10-26 2022-02-15 山东浪潮通软信息科技有限公司 矿用轴流式通风机的转轴不对中检测方法及装置
CN114543982A (zh) * 2022-03-11 2022-05-27 珠海格力电器股份有限公司 设备的振动检测方法、装置、振动检测设备及存储介质
CN114543982B (zh) * 2022-03-11 2023-09-08 珠海格力电器股份有限公司 设备的振动检测方法、装置、振动检测设备及存储介质
CN117054872A (zh) * 2023-09-15 2023-11-14 合肥融讯电子科技有限公司 一种基于数据模型的电机故障预测检测***

Similar Documents

Publication Publication Date Title
CN108731923B (zh) 一种旋转机械设备的故障检测方法及装置
CN112446389A (zh) 一种故障判别方法及装置
CN112346941A (zh) 一种故障诊断方法及装置
CN109765055B (zh) 基于ewt、谱有效值和knn的滚动轴承故障检测方法及***
CN110261080B (zh) 基于多模态数据的异构旋转型机械异常检测方法及***
CN110133500B (zh) 基于多层架构的电机在线监测与故障前兆诊断***及方法
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN110909826A (zh) 一种能源设备的诊断监测方法、装置及电子设备
CN109213034B (zh) 设备健康度监控方法、装置、计算机设备及可读存储介质
CN110008049A (zh) 一种基于互联网平台的数据修正方法、终端设备及介质
CN116304909A (zh) 一种异常检测模型训练方法、故障场景定位方法及装置
CN108009063B (zh) 一种电子设备故障阈值检测的方法
CN109643087B (zh) 用于选择用于设备操作安全的可控参数的***和方法
CN113239970A (zh) 一种模型训练方法、设备振动异常检测方法和装置
CN114639391A (zh) 机械故障提示方法、装置、电子设备及存储介质
CN111291918B (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
CN114021448A (zh) 半导体设备的检测方法、处理器与半导体设备
CN116415126A (zh) 用于造纸机的刮刀的异常检测的方法、装置和计算设备
CN116578869A (zh) 电力***的故障诊断方法、故障诊断装置与电子装置
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN111176226A (zh) 一种基于运行工况的设备特征参数报警阈值自动分析方法
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN108009582B (zh) 一种电子设备标准工作指标设置的方法
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN105404567A (zh) 一种Linux***下自动控制服务器老化时间的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination