故障智能诊断方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115931318A(43)申请公布日2023.04.07(21)申请号202211284564.3(74)专利代理机构合肥市浩智运专利代理事务(22)申请日2022.10.17所(普通合伙)34124专利代理师闫客(71)申请人中国大唐集团科学技术研究总院有限公司华东电力试验研究院(51)Int.Cl.地址236000安徽省合肥市高新区柏堰科G01M13/00(2019.01)技园明珠大道669号G01M13/045(2019.01)申请人中国大唐集团科学技术研究总院有G01H17/00(2006.01)限公司G06F18/241(2023.01)广东大唐国际雷州发电有限责任公G06N20/00(2019.01)司大唐锅炉压力容器检验中心有限公司(72)发明人司翔宇陈悦张剑袁昊匡磊吕长虹庞靖李敬豪邢海波权利要求书2页说明书9页附图4页(54)发明名称故障智能诊断方法、装置、设备及存储介质(57)摘要本发明公开一种故障智能诊断方法，包括：采集待测设备的振动信号，并采用数据处理算法提取振动信号的振动特征信息；利用预先训练好的机器学习分类模型对振动特征信息进行处理，判断转子轴系是否发生故障；若是则输出转子轴系故障原因；若否则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；若是则输出轴承故障原因；若否则故障诊断结果为无故障。本发明不仅适用于轴承相关的故障诊断，也适用于转子轴系相关的故障诊断；并且前置机器学习分类模型判断，后置深度学习分类模型判断，对计算机资源要求低。CN115931318ACN115931318A权利要求书1/2页1.一种故障智能诊断方法，其特征在于，所述方法包括以下步骤：采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；利用预先训练好的机器学习分类模型对所述振动特征信息进行处理，判断转子轴系是否发生故障；若是，则输出转子轴系故障原因；若否，则利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；若是，则输出轴承故障原因；若否，则故障诊断结果为无故障。2.如权利要求1所述的故障智能诊断方法，其特征在于，所述振动信号的采样频率大于或等于轴承及转子的固有频率，以及大于或等于所述故障设备最大转频的两倍。3.如权利要求1所述的故障智能诊断方法，其特征在于，所述采集故障设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息，包括：对所述振动信号进行快速傅里叶变换及小波分析，得到所述振动信号的时域及频域信息；从所述振动信号的时域及频域信息，提取得到所述振动特征信息，所述振动特征信息包括振动通频值以及各个倍频的振动幅值。4.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型采用决策树模型或支持向量机模型或朴素贝叶斯模型或随机森林模型。5.如权利要求1所述的故障智能诊断方法，其特征在于，所述深度学习分类模型采用前馈神经网络模型或循环神经网络模型或卷积神经网络模型或长短时记忆神经网络模型。6.如权利要求1所述的故障智能诊断方法，其特征在于，所述机器学习分类模型的预先训练过程包括：采集故障设备的故障振动信号，基于所述故障振动信号建立第一故障数据集，并根据现场实际故障类型建立故障标签；提取所述故障振动信号的故障振动特征信息，并基于所述故障振动特征信息建立第二故障数据集；采用专家经验判断故障产生原因，并将判断成功率大于设定阈值的故障类型作为所述第二故障数据集的故障标签；利用带故障标签的所述第二故障数据集对所述机器学习分类模型进行学习训练，得到所述预先训练好的机器学习分类模型。7.如权利要求6所述的故障智能诊断方法，其特征在于，所述深度学习分类模型的预先训练过程包括：利用公开数据集和带故障标签的所述第一故障数据集，对所述深度学习分类模型进行学习训练，得到所述预先训练好的深度学习分类模型。8.一种故障智能诊断装置，其特征在于，所述装置包括：采集模块，用于采集待测设备的振动信号，并采用数据处理算法提取所述振动信号的振动特征信息；第一判断模块，用于利用预先训练好的机器学习分类模型对所述振动特征信息进行处2CN115931318A权利要求书2/2页理，判断转子轴系是否发生故障；故障结果输出模块，用于在所述第一判断模块输出结果为是时，输出转子轴系故障原因；第二判断模块，用于在所述第一判断模块输出结果为否时，利用预先训练好的深度学习分类模型对所述振动信号进行处理，判断轴承是否发生故障；所述故障结果输出模块，用于在所述第二判断模块输出结果为是时，输出轴承故障原因；以及用于在所述第二判断模块输出结果为否时，输出故障诊断结果为无故障。9.一种故障智能诊断设备，其特征在于，所述设备包括存储器、处