本發明涉(she)及金(jin)屬熱變形領域，尤其涉(she)及一種(zhong)變工況和復雜環境下的軸系設(she)備不對中(zhong)故障(zhang)診斷方法。

背景技術：

1、傳統(tong)(tong)信號分(fen)析(xi)(xi)(xi)技術，如時域分(fen)析(xi)(xi)(xi)、頻域分(fen)析(xi)(xi)(xi)和時頻域分(fen)析(xi)(xi)(xi)，在軸系故(gu)障診(zhen)斷中發揮著不(bu)可或缺的(de)(de)作用。它們(men)通過(guo)對設備振動信號的(de)(de)細(xi)致分(fen)析(xi)(xi)(xi)，提取出關鍵的(de)(de)特征參數，為(wei)故(gu)障的(de)(de)診(zhen)斷提供(gong)了(le)重要(yao)的(de)(de)依據(ju)。例如，時域分(fen)析(xi)(xi)(xi)通過(guo)統(tong)(tong)計參數如有效(xiao)值(zhi)(zhi)、峰值(zhi)(zhi)等，直觀(guan)地反映了(le)設備的(de)(de)運行(xing)狀態；頻域分(fen)析(xi)(xi)(xi)則(ze)利用信號的(de)(de)頻率特性，幫助區分(fen)設備的(de)(de)正(zheng)常與故(gu)障狀態。

2、同時(shi)，基于(yu)特征提取與(yu)機器學習的(de)故障診(zhen)斷(duan)(duan)方法逐(zhu)漸嶄露頭角(jiao)，這種方法通(tong)過傳統的(de)信號處(chu)理技術提取出故障特征，然后(hou)利(li)用機器學習算法對(dui)(dui)這些特征進(jin)行(xing)分類和識別(bie)，而利(li)用大數據技術對(dui)(dui)海量數據進(jin)行(xing)分析(xi)和挖掘，并結(jie)合深度學習算法進(jin)行(xing)智能診(zhen)斷(duan)(duan)。同時(shi)，我們還結(jie)合傳統的(de)信號分析(xi)技術，對(dui)(dui)診(zhen)斷(duan)(duan)結(jie)果進(jin)行(xing)驗證和優化(hua)，可(ke)以(yi)確(que)保診(zhen)斷(duan)(duan)結(jie)果的(de)準確(que)性和可(ke)靠性。

3、基于上述原(yuan)因，本發明設計(ji)了一種變工況和復雜環境下的軸(zhou)系(xi)設備不對中故障(zhang)診斷方法，該(gai)方案還包括一個(ge)預(yu)警機制(zhi)，當(dang)設備出現(xian)異(yi)常時(shi)，能(neng)夠及時(shi)發出預(yu)警信號，提醒(xing)維修人員(yuan)進行(xing)處(chu)理(li)。

技術實現思路

1、本發明的(de)(de)目的(de)(de)是解決現有技術中的(de)(de)問題，而提出的(de)(de)一種變工況和復雜環境下的(de)(de)軸系設備不(bu)對中故(gu)障(zhang)診(zhen)斷方法。

2、一種變(bian)工況和復(fu)雜環境下的(de)軸系設備不對中故障診斷方法，包括(kuo)在線監測測點部(bu)(bu)署部(bu)(bu)分(fen)、基(ji)于(yu)efk-mckd的(de)信號去(qu)噪處理部(bu)(bu)分(fen)、特征提取及融合(he)部(bu)(bu)分(fen)、svm和wdcnn聯(lian)合(he)模型訓練部(bu)(bu)分(fen)、在線實時推理診斷部(bu)(bu)分(fen)，包括(kuo)以下步驟(zou)：

3、s1：從邊緣(yuan)端獲取采集的振動(dong)信號(hao)數據(ju)；

4、s2：初始化重構點數rescot1＝5，累加點數addcot＝5，截(jie)止(zhi)點數endcot＝60，j＝1；

5、s3：設含噪聲的周期性沖擊信號(hao)為y(t)，計算頻(pin)譜(pu)y(f)＝fft(y(t))及關鍵函數k(f)＝fft(y(f))，其中fft為快速傅(fu)里葉變換；

6、s4：根據重構點數(shu)rescotj計(ji)算頻譜(pu)的趨(qu)勢成分，其中，ifft為逆快速(su)傅里葉變(bian)換；

7、s5：求(qiu)取趨勢成分的(de)極(ji)小(xiao)值點序列并(bing)作為(wei)邊界數組，并(bing)將二(er)維邊界數組歸(gui)一化至[0，π]，建立(li)自適應濾(lv)波(bo)器分解信號；

8、s6：設定mckd的(de)濾波器長(chang)度參數l和解卷積周期t的(de)尋(xun)優(you)范圍；

9、s7：得到(dao)mckd的最(zui)優(you)濾波器長度參數best_l和最(zui)優(you)解卷積周期(qi)best_t，并對最(zui)優(you)分量(liang)進(jin)行(xing)mckd分析，最(zui)終(zhong)對解卷積后(hou)的信號進(jin)行(xing)解調(diao)；

10、s8：提取時域(yu)、頻域(yu)、時頻域(yu)特征；

11、s9：對數據集d，劃分70％訓(xun)練集dt和30％測試集dt；

12、s10：利用(yong)訓(xun)練(lian)集dt訓(xun)練(lian)得(de)到2種(zhong)基分(fen)(fen)(fen)類器svm和(he)wdcnn，由(you)分(fen)(fen)(fen)類器svm和(he)wdcnn分(fen)(fen)(fen)別(bie)對測(ce)試(shi)集dt中每(mei)個樣(yang)本(ben)的類別(bie)進行分(fen)(fen)(fen)類，得(de)到預測(ce)值p1(i)和(he)p2(i)；

13、s11：若p1(i)和(he)p2(i)的結果(guo)相同(tong)，則(ze)取任一結果(guo)作(zuo)為(wei)最終預測值(zhi)，若p1(i)和(he)p2(i)的結果(guo)不同(tong)，則(ze)取兩種(zhong)分類器(qi)softmax中概率最大的值(zhi)作(zuo)為(wei)最終預測值(zhi)。

14、在上述變(bian)工況和復雜(za)環(huan)境(jing)下的軸(zhou)系設備不對中故障診斷方法(fa)中，重復s3～s8的操(cao)作對數據(ju)進行去噪(zao)。

15、在上述(shu)變工況和復(fu)雜(za)環(huan)境下的軸系設備不(bu)對中故障診斷方法中，將訓練(lian)得到(dao)的2個弱分類(lei)(lei)器對數據進行分類(lei)(lei)，得到(dao)2個預測值p1(i)和p2(i)。

16、在上(shang)述變(bian)工況和(he)復雜環境下(xia)的軸系設(she)備不(bu)對中故障診斷方法中，按照s10的步驟得到實時推(tui)理(li)結(jie)(jie)果，并(bing)將推(tui)理(li)結(jie)(jie)果入(ru)庫。

17、在上述變工(gong)況和復雜(za)環境下的軸(zhou)系設(she)備不(bu)對(dui)中故障診斷方法中，在步驟s6中，利(li)用粒子群優化算法對(dui)mckd算法的參數(shu)進行(xing)尋優。

18、在上述變工況和(he)復雜環境(jing)下的軸系設備不(bu)對中(zhong)故(gu)障診(zhen)斷方法(fa)中(zhong)，在線(xian)(xian)實時推(tui)理診(zhen)斷部分中(zhong)，對采集到(dao)的最新(xin)數(shu)據進行(xing)實時故(gu)障診(zhen)斷，并(bing)將故(gu)障診(zhen)斷結果寫入數(shu)據庫，同時推(tui)送到(dao)在線(xian)(xian)監(jian)測系統和(he)智(zhi)慧運維平臺，供相(xiang)關(guan)工作人員實時掌握聯軸器健康狀況。

19、與現有(you)的技(ji)術相(xiang)比，本發明(ming)優點在于：

20、1、自動化程度高：通(tong)過物聯(lian)網技(ji)術(shu)實時(shi)采(cai)集數據，并通(tong)過大(da)數據平臺和深度學習模(mo)型進行自動分(fen)析和診斷，無(wu)需人工干預，大(da)大(da)提高了檢測效率。

21、2、診斷(duan)準確率高：深度學(xue)習(xi)模型能夠(gou)自動(dong)學(xue)習(xi)數據中的復雜模式，并準確識(shi)別(bie)故障(zhang)類(lei)型，避免了人為判斷(duan)的主觀(guan)性和誤(wu)差。

22、3、適用性廣(guang)：該方案(an)可以應用于各(ge)種類型(xing)的(de)軸承系統，不受設備型(xing)號、工(gong)作環境等因素的(de)限(xian)制(zhi)，具有(you)較強的(de)通用性和可擴展性。

23、4、實(shi)時(shi)性強：通過(guo)大(da)數(shu)據平臺(tai)的(de)實(shi)時(shi)處理能力(li)，可(ke)以實(shi)現(xian)對軸承系統狀態的(de)實(shi)時(shi)監控和預警，及時(shi)發現(xian)并處理潛在故障。

技術特征：

1.一種變工況(kuang)和(he)(he)復雜環境下的(de)軸系設備不(bu)對中故障診斷(duan)方法，其特征(zheng)(zheng)在于，包(bao)括在線監測測點(dian)部署部分(fen)(fen)、基(ji)于efk-mckd的(de)信號去噪(zao)處理(li)部分(fen)(fen)、特征(zheng)(zheng)提(ti)取(qu)及融合部分(fen)(fen)、svm和(he)(he)wdcnn聯合模型訓練部分(fen)(fen)、實時推理(li)診斷(duan)部分(fen)(fen)，包(bao)括以下步驟：

2.根據(ju)權利(li)要求(qiu)1所述的(de)一種變工況和復(fu)雜(za)環境下(xia)的(de)軸系設(she)備不對(dui)中故障(zhang)診(zhen)斷方法，其特征在于：重復(fu)s3～s8的(de)操作對(dui)數據(ju)進(jin)行(xing)去(qu)噪。

3.根(gen)據(ju)權(quan)利要求2所述的一種變工(gong)況和復(fu)雜環境下(xia)的軸系設備不對中故障診斷方法，其特(te)征在(zai)于：將訓練得到的2個(ge)(ge)弱分類器對數(shu)據(ju)進(jin)行(xing)分類，得到2個(ge)(ge)預測值(zhi)p1(i)和p2(i)。

4.根據權利要求3所述的一(yi)種變工況和(he)復雜環境(jing)下的軸系(xi)設(she)備不對中故(gu)障(zhang)診斷方法(fa)，其(qi)特征在于：按照s10的步驟得到實時推理結果(guo)，并(bing)將推理結果(guo)入(ru)庫(ku)。

5.根據權利(li)要求1所述的(de)一(yi)種變工況(kuang)和復雜環境下的(de)軸系設備(bei)不對中故障診斷方法，其(qi)特征在(zai)于：在(zai)步驟s6中，利(li)用粒子群(qun)優化(hua)算法對mckd算法的(de)參數進行尋優。

6.根(gen)據(ju)(ju)權(quan)利(li)要求1所述的(de)一種變工況和復(fu)雜環境(jing)下(xia)的(de)軸系(xi)設備不對中故(gu)障診(zhen)斷(duan)方法，其特征在(zai)于：在(zai)推(tui)理診(zhen)斷(duan)部(bu)分中，對采集到的(de)最新數據(ju)(ju)進行實時(shi)故(gu)障診(zhen)斷(duan)，并將(jiang)故(gu)障診(zhen)斷(duan)結果寫入數據(ju)(ju)庫，同時(shi)推(tui)送到在(zai)線監測系(xi)統和智慧運維平臺，供相關工作人員(yuan)實時(shi)掌(zhang)握聯軸器健康狀況。

技術總結
本發明介紹一種變工況和復雜環境下的軸系設備不對中故障診斷方法，涉及金屬熱處理技術領域，本發明針對在變工況和復雜環境下對軸承不對中的故障診斷準確率的要求，提出了一種融合物聯網、大數據和人工智能深度學習算法，并結合傳統的基于振動分析的時域分析、頻域分析和時頻域等相關算法對軸承不對中進行狀態監測、故障預警、報警處置和故障診斷，可以幫助設備點巡檢工作人員、設備專家和故障診斷分析師以及設備廠家設計人員實現對軸承不對中進行全面、實時遠程監控、遠程診斷，并幫助開發人員和算法工程師等進行高效優化模型算法。

技術研發人員：張定平,劉振宇,劉清華,周震,姚錫林,李榮勛,于樹?
受保護的技術使用者：泰智維新（上海）數字科技有限公司
技術研發日：
技術公布日：2024/9/19