[发明专利]设备故障声谱分析诊断方法

说明书

本发明涉及一种设备故障声谱分析诊断方法，包括被监控设备、声谱采集仪和计算机处理系统，其特征在于包括下列步骤：a：采用声谱监控仪，实时采集设备的声谱信号；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；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；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；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。做到实时预知及报警，避免重大损失发生。

技术领域

本发明涉及设备故障诊断方法，尤其涉及一种设备故障声谱分析诊断方法。

背景技术

对于工业大型设备来说，如电机、风机等一旦发生故障，而没有及时采取措施，会造成设备的损坏，直接导致大规模停产事件发生，造成重大经济损失。若能准确及时识别运行过程中萌生和演变的故障，则有可能在故障发生前对设备进行必要的维护，做到防患于未然。因此，建立稳定可靠的机械设备健康监测及诊断系统具有非常重要的意义。

工业大型设备故障诊断技术是一门综合性极强、覆盖面极广的交叉学科，集合了传感器技术、信号处理技术、计算机技术。

目前市场上对于大型设备的故障监测大多停留在设置固定传感器的单点监控阶段，且故障预知能力欠缺。

人工智能方法是风机故障诊断中重要类别，如BP神经网络、支持向量机和最小二乘向量机等。中国专利201710142440.4公开了一种风机齿轮箱故障诊断模型建立方法及装置，该方法首先将振动信号进行平滑和降噪处理，再对处理后的振动信号进行分解，并提取振动信号的特征向量。然后将提取的特征向量分为训练数据集和测试数据集，并利用果蝇算法对径向基神经网络模型的参数进行优化，最终利用径向基神经网络对风机齿轮箱故障进行诊断。上述人工智能诊断方法一般仅利用了振动信号的时域特征值或频域特征值，而且训练集和测试即数据量有限，因而存在网络训练收敛满、故障识别效率低和准确率低等缺点。

发明内容

本发明的目的是提供一种设备故障声谱分析诊断方法，基于声谱分析原理，经过有效滤波可以有效排除环境干扰，准确的自动在线分析诊断大型设备运行时的声音信息，采用深度学习算法对实时声谱进行分析，做到实时预知及报警，避免重大损失发生。

本发明是这样实现的。

本发明的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。

优选地，所述的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。

优选地，所述的声谱采集仪为YK-DM801E型号的声谱采集。