[发明专利]一种旋转机械故障诊断方法、系统及存储介质

说明书

本发明公开了一种旋转机械故障诊断方法、系统及存储介质，包括：S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型。本发明以时空图结合拉普拉斯矩阵来提取故障特征，大大提高了计算效率和分类准确率，适用于复杂工况下的故障诊断。

技术领域

本发明属于旋转机械故障诊断技术领域，更具体地，涉及一种旋转机械故障诊断方法、系统及存储介质。

背景技术

旋转机械作为机器传动环节的关键组件，被广泛用于现代制造和工业过程中。在大多数实际应用中，旋转机械工作在恶劣或复杂的环境下，例如高温、高压环境，变速和可变负载。旋转机械在长时间运行后可能会出现各种损坏和故障，这些故障将会影响系统性能，严重会损坏机器。

旋转机械故障诊断方法包括基于知识经验特征计算的方法和基于特征自学习的方法。其中，基于知识经验特征计算的方法首先根据先验知识和工程经验来选择和计算故障特征，再将将故障特征输入到分类算法以进行故障诊断。该方法包括信号预处理、特征计算、特征选择、故障分类四个基本步骤。可以看出，该方法主要基于信号处理，例如傅立叶变换和小波变换；然而，由于振动信号的非线性和非平稳性，该方法获取的特征包含的故障信息少，在进行故障分类时无法提供可靠的诊断结果。此外，其中一些方法需要应用多种信号预处理方法和多个统计特征的计算以获得足够的故障特征，这也增加了方法实施的复杂性。而基于特征自学习的方法可利用维度转换方式，将一维原始监测信号转换为二维数据，然后通过深度学习方法，例如卷积神经网络等多尺度网络，自动对二维数据进行特征学习，提取故障信息，最后，使用分类器进行分类。这种方法由于需要对二维数据进行特征学习，需要大量数据样本和时间进行模型训练，模型训练时间长，计算效率低，难以适用复杂工况。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种旋转机械故障诊断方法、系统及存储介质，其目的在于由此解决现有技术计算效率低，难以适用复杂工况的技术问题。

为实现上述目的，第一方面，本发明提供了一种旋转机械故障诊断方法，包括以下步骤：

S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；

S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；

S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；

S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；

其中，故障诊断模型为机器学习模型。

进一步优选地，上述振动信号的频谱图表示为：

其中，Y(k,m)是在频率为kΔf、时间为mΔM时的频谱幅值；k为频率索引，m为时间索引；x(n)为第n采样时刻的振动信号，N为振动信号的长度，ΔM为时间间隔，Δf为频率间隔，ω为窗函数，*表示共轭运算。

进一步优选地，短时周期图表示为：

其中，P(k,m)为在频率索引为k、时间索引为m时的短时周期图幅值；T为窗口长度。