[发明专利]设备故障声谱分析诊断方法

权利要求书

1.一种设备故障声谱分析诊断方法，包括被监控设备，设置在被监控设备周边的声谱采集仪和与声谱采集仪电性连接的计算机处理系统，其特征在于包括下列步骤：

步骤a：采用声谱采集仪，实时采集设备的声谱信号；

步骤b、通过PYTHON对声谱信号进行处理，将声谱振动信号转化为时域图与频域图；

步骤c、根据时域图与频域图建立故障数据图库，将故障数据图库作为深度学习的数据；

步骤d、采用深度学习ResNet算法对故障数据图库进行学习训练，根据训练结果生成诊断模型；

步骤e、利用得到的诊断模型，对实时声谱数据进行设备故障预知与诊断，判断设备运行是否正常，若正常，则继续采集声谱振动信号数据，进入步骤a，若不正常，则输出故障类型并报警。

2.根据权利1要求所述一种设备故障声谱分析诊断方法，其特征是：计算机处理系统包括：声音频谱预处理模块、故障数据图库模块、声谱深度学习模块和实时数据分析模块，所述的声音频谱预处理模块用于把声谱振动信号的时域图转化为频域图；所述的故障数据图库模块用于故障数据图库的建立及实时更新；所述的声谱深度学习模块用于对故障数据进行深度学习；所述的实时数据分析模块用于对实时采集数据进行分析及报警。

3.根据权利1要求所述一种设备故障声谱分析诊断方法，其特征是：所述的声谱采集仪为YK-DM801E型号的声谱采集。

4.根据权利1要求所述一种设备故障声谱分析诊断方法，其特征是：所述的故障数据图库包括系统采集处理得到故障图和经验型故障图。

5.根据权利1要求所述一种设备故障声谱分析诊断系统，其特征是：所述通过PYTHON对声谱振动信号进行处理，采用PYTHON中pydub，wave，io，numpy，scipy.io包实现波形图转化，即将WAV音频文件转化为实时的时域图与频域图；其时域图转化处理的过程如下：

①采用wave读取音频文件，导入文件信息；

②采用getparams函数获得对应音频文件数据；

③采用numpy存储数据，并生成时域图；

时域图生成后，通过对时域图做傅里叶变换(FFT)运算，实现对时域向频域的转换，生成频域图，具体过程如下：

①采用plt.figure()获得展示窗口，

②设置横坐标为时间轴：Time(s)，纵坐标为频率：Frequency

③对时域图numpy数据做FFT运算，存储数据，

④采用plt.specgram函数将上一步存储数据绘制为频域图，

⑤采用Savefig存储频域图；

处理后的声音时域图及频域图，以时间维度及设备标签的形式存储于计算机系统的服务器中作为图像数据图库，建立故障数据图库模型，并将数据图库上传至云端，作为数据共享，供后期深度学习的依据及实时分析检测用。

6.根据权利1要求所述一种设备故障声谱分析诊断系统，其特征是：

所述采用深度学习ResNet算法对数据图库进行学习训练，根据训练结果生成诊断模型；包括如下步骤：

S1、启用PYTHON：codecs、os、random、shutil、PIL

S2、采用深度学习算法对设备实时的时域图与频域图进行学习分类，算法上采用先进的图像分类算法ResNet模型，对建立好的数据图库进行训练生成模型，训练过程如下：

S2.1、定义模型文件：train.py,

S2.2设置学习算法为：ResNeXt50_32x4d，

S2.3设置数据图像最大容量：150000，

S2.4设置数据图像像素：3,224,224，

S2.5采用学习率下降方式为：piecewise_decay阶梯式下降学习；

S3、读取声谱图形文件：

S3.1设置文件保存目录及文件名，

S3.2设置检测类型为GPU，

S3.3通过fluid.io.load_inference_model调取学习时域图与频域图，

S3.4进行数据处理，将图像数据存储到内存，

S3.5将数据RGB值存到np.array中；

S4划分验证集，将故障数据图库随机划分80％为训练集，20％为验证集

S4.1对故障数据图库进行训练，得到诊断模型

S5.调用诊断模型实时监控设备状态：如果准确率高于85％，保存模型，否则重新训练。