发动机故障诊断报警系统及装置的制作方法

本发明涉及的发动机故障诊断报警系统及装置，主要是对发动机故障进行诊断、报警和海量数据管理。

背景技术：

航空发动机是一种高度复杂和精密的机械，是为航空器提供推动力或支持力的装置，是航天器的"心脏"，被誉为工业皇冠上的明珠，是推动航空事业快速发展的重要推动力，是航天工业中技术工艺最复杂、技术难度最高和造价最昂贵的部位，同时它的可靠性和安全性要求也是最高的。航空发动机技术的发展对国防和国民经济有着及其重要的作用，人类在航空领域中的每一次重大的革命性进展，无不与航空动力技术的突破和进步密切相关。如未能及时检测到常规飞行振动中存在的潜在故障并没有对其进行有效的排查和修复，不仅会导致航空发动机的损坏加剧，使其无法正常投入使用，严重时甚至可能发生机毁人亡的事故，造成巨大损失。

机电装备朝着大型化、高速化、精密化、系统化和自动化的方向发展。为了维持设备的安全运行，对主要零部件的健康状况必须进行实时监控。《中国制造2025》重点领域技术路线图特别指出：对航空发电机、先进轨道交通装备、发电装备以及农业装备等要实现实时故障诊断。特别是航空发电机，报告明确指出，必须开发具有状态监视、故障诊断与处理、故障预测和寿命管理功能的先进健康管理系统。由于现代化机电装备规模大，监测点多，传感器采样频率高，设备服役周期长检测系统将获得海量的数据。例如，北京化工大学高金吉等人在29个企业共监测1149台设备，总检测点数为18552个，数据量也达到1.52tb；以上例子表明，机电装备的状态监测迈入"大数据"时代。

机电大数据时代给故障诊断带来新的挑战，有以下特点：

(1)数据量大。实际工况下累积的数据量越来越大，而专业分析人员的数量却严重不足，仅依靠人力进行检测已不能满足要求，亟需能够进行自动检测的智能算法。

(2)数据类型多样化。现场数据来源于不同采集设备、采集工况和采集环境等，其数据类型复杂多样，特征难以挖掘，检测的难度也很大。

(3)对数据要求日趋精准。高速率情况下，装备中各零部件的联系更加紧密，一个零件的微小故障很可能引发连锁发应，致使整个设备瘫痪。

在我国，基于振动信号的机械设备故障诊断已经有三十多年的历史了，最初的是工人通过用锤子敲击机械设备来判断故障。然而对于振动信号的分析如果只停留在听觉和触觉的话，分析效果会受到诊断人员的工作经验、周围环境、设备自身条件等多方面因素的影响，导致分析结果误差较大，并且还会耗费大量的人力资源。人们对于振动诊断的需求不断增大促使着振动诊断技术的不断成熟，便出现了振动传感器，工作人员可以利用多通道的振动传感器和数据采集卡来完成数据的采集工作，将模拟信号转换成数字信号，这样采集到的数据精准、误差较小，虽然振动传感器的出现使采集到的数据越来越精准，但是这样集到的数据工作人员不便于直接用对数据进行分析，并且无法将数据保留下来。随着科技的进步，对于设备的维修和管理也需要更趋科学化。所以发动机故障诊断报警系统及装置应运而生。

目前关于基于振动信号的故障诊断存在以下几个方面问题：(1)故障诊断靠经验，自动化程度低：传统的故障诊断是在软件诊断的基础上，工人通过观察各个传感器的频谱，通过经验判断设备是否异常。需要诊断人员随时观察数据并做好记录。使用不便，且耗费了极大的人力物力。(2)海量数据的管理：设备的诊断将产生海量的数据。这些数据需要存档、查看和统计分析。因此需要有效地管理。然而目前企业试车台可能来自不同厂家，相互不能兼容数据无法管理。大多数是用磁盘保存起来，没有发挥应用的作用。(3)故障报警：传统的监测依靠人力资源，人工判断故障，对于故障的出现，系统并不警示。

技术实现要素：

针对上述问题，本发明旨在提供一种发动机故障诊断报警系统及装置，通过故障诊断客户端软件控制采集卡实时读取依附在发动机表面的振动传感器采集到的振动信号，并使用人工智能技术自动化诊断故障，结合软件实现了对故障的实时报警；实现了对振动信号和诊断数据的自动存储与记录展现出来，便于工作人员观看，并对发动机振动产生的海量数据进行管理，最后实现对发动机的故障进行诊断和报警。

发动机故障诊断报警系统及装置包括：信号采集模块，信号显示模块，信号分析模块，数据管理模块，信号回放模块，故障诊断模块，报警模块；系统工作流程图如图1所示：

数据采集模块控制pci板卡实时采集依附在发动机表面的加速度传感器感应到的振动信号；并将采集到的数据传给信号分析模块；

信号分析模块对信号进行频谱分析，于此同时结合数据管理模块，将振动信号实时保存；

故障诊断模块则是对采集振动信号使用深度学习技术自动化诊断故障；报警模块则通过从信号分析模块接收过来的异常点和故障诊断模块识别的故障进行报警；

回放模块可以对曾经采集到的数据进行回放；数据管理模块，是对设备的振动信号采集记录进行管理，日后可以回溯到每个机器的振动情况，从长远角度总结发动机的振动规律。

s1、准备工控机，振动传感器，连接线，pci采集卡与发动机故障诊断客户端软件，将振动加速度传感器安装在发动机的指定位置，并通过连接线与安装在主机上的pci采集卡相连接；

s2、打开工控机里面的客户端软件，选择采集频率、分析频率和谱线数等采集参数，设置每个通道的量程、灵敏度等通道参数，控制采集卡实时采集振动信号；

s3、信号分析模块将采集到的时序信号实时的转化为频域信号，计算出频域信号的频率、峰值和总值，将频域信号交给信号显示模块显示；

s4、数据管理模块实时保存采集到的数据，并对通道参数和采集参数进行保存和管理，数据存储在mysql数据库，并且同步本地数据库到云端服务器，云端服务器汇总各个设备的振动信号；

s5、故障诊断模块是对采集的实时信号进行故障分析与诊断；

s6、报警模板接受s3信号分析模块分析出的频率、峰值或总值的异常点还有s5故障诊断模块识别的故障进行报警；

s7、回放模块是对发动机诊断历史的回放，从数据管理模块拿到数据之后交给信号显示模块显示。

s5、故障诊断模块诊断飞机发动机故障包含四个步骤：

s51、将多个通道两两结合取平均得到均值通道，扩充通道的数量；

s52、将扩充通道后的数据，分别使用一维卷积神经网络(1dcnn)提取特征；

s53、将s52提取的各个通道的特征融合成多维特征，然后使用张量分解，将多维特征分解成一维；

s54、使用高斯混合模型(gmm)对s53的一维特征进行分类，得到故障类型。

发明效果

发动机故障诊断报警系统及装置是一个集传感器、采集卡、信号采集、信号显示、数据云存储、故障诊断、异常故障数据报警于一体的综合系统；通过故障诊断客户端软件控制采集卡实时读取依附在发动机表面的振动传感器采集到的振动信号，并使用人工智能技术自动化诊断故障，结合软件实现了对故障的实时报警；实现了对振动信号和诊断数据的自动存储与记录，解放了工人的双手，极大的提高了对发动机故障诊断的效率和准确率；系统功能性强，涵盖了发动机故障诊断中的各个功能，提供了一个良好的用户接口，人机交互强，并具有良好的可扩展性，多通道多传感器统一管理，硬件允许的情况下支持不限数量的通道扩充。

附图说明

图1系统的工作流程图；

图2软件系统界面；

图3实验方法示意图；

图41dcnn网络的参数图；

具体实施方法

结合以下应用场景对本发明作进一步描述。

发动机故障诊断报警系统及装置，其特征在于，(1)实现了发动机诊断数据的云存储，(2)基于卷积神经网络(convolutionalneuralnetworks，cnn)和高斯混合模型(gaussianmixturemodel，gmm)的旋转机械故障诊断方法，(3)振动信号异常值和故障的实时报警；功能主要包括：信号采集模块，信号显示模块，信号分析模块，数据管理模块，信号回放模块，故障诊断模块，报警模块；系统工作流程图如图1所示：

数据采集模块控制pci板卡实时采集依附在发动机表面的加速度传感器感应到的振动信号；并将采集到的数据传给信号分析模块；

信号分析模块对信号进行频谱分析，于此同时结合数据管理模块，将振动信号实时保存；

故障诊断模块则是对采集振动信号使用深度学习技术自动化诊断故障；报警模块则通过从信号分析模块接收过来的异常点和故障诊断模块识别的故障进行报警；回放模块可以对曾经采集到的数据进行回放；数据管理模块，是对设备的振动信号采集记录进行管理，日后可以回溯到每个机器的振动情况，从长远角度总结发动机的振动规律。

所述故障诊断报警系统及装置包含以下步骤：

s1、准备工控机，慧石科技ca7002a型号的振动加速度传感器，连接线，研华pci-1714u高速采集卡与发动机故障诊断客户端软件，将振动加速度传感器安装在发动机的指定位置，并通过连接线与安装在主机上的研华采集卡相连接；

s2、打开工控机里面的客户端软件，设置采集频率、分析频率和谱线数等采集参数，设置每个通道的量程、灵敏度等通道参数；然后控制采集卡实时采集振动时序信号；

s3、信号分析模块将时序信号实时转化为频域信号，计算出频域信号的频率、峰值和总值，并在显示模块展示；

s4、数据管理模块实时保存采集到的振动时序信号，并管理通道参数和采集参数；数据存储在mysql数据库，并且同步本地数据库到云端服务器，云端服务器汇总各个设备的振动信号；

s5、故障诊断模块对振动信号做故障分析与诊断；

s6、报警模块根据步骤s3和s5的结果分析异常点，并发出警报；

s7、回放模块可以展示发动机的历史诊断信息。下面对本发明实施例进行详细的说明：

1、信号采集模块的原理和功能如下：

采集模块传感器采用的是慧石科技的测振传感器，型号为ca7002a，是一款基于电压的振动加速度传感器；采集卡采用的是研华的pci总线适用的独立式高速模拟输入适配卡，型号是1714u，4通道同步模拟输入卡，实现了多通道采集，每秒钟最低支持23万的采样频率，精度稳定(保证12bit精度，恒定输入无跳码，转换速率可达30mhz)，高中速，多功能，而且基于工控机主机的pci卡槽安装，可根据主机上的pci卡槽做任意扩展；使用我们开发的飞机发动机故障诊断客户端软件，设置完通道参数和采集参数即可点击“开始采集”按钮控制采集卡多通道同时采集振动数据。

2、信号分析模块的原理和功能如下：

时域信号往往不能直观的体现出振动信号的规律，因此使用频域分析；利用快速傅里叶变换(fastfouriertransformation，fft)，将时域信号转换成频域信号，分析出对应频谱图中的峰值、总值、频率；有的发动机振动集中在中低频，有的发动机振动主要集中在中高频，而且当发动机出现故障时，它的频谱会随之发生变化，峰值和频率会骤增，这时候就诊断为异常点，报警模块报警。

3、数据管理模块的原理与功能如下：

软件客户端控制pci采集卡实时采集振动信号，在离线情况下将振动信号实时保存到本地文件，将振动信号采集记录、通道参数、采集参数等项目管理数据以及信号分析模块分析出的各个时间段的频率、峰值和总值数据保存到本地mysql数据库；在联网情况下通过网络将振动信号实时传输到服务器进行保存，同时也将离线时候没有上传到服务器的本地数据库记录上传到服务器，实现云平台对数据的统一管理，日后设备如果出现问题，可以回溯到该设备的诊断记录，从历史记录里面学习和总结故障的诊断方法。

4、基于卷积神经网络和高斯混合模型的旋转机械故障诊断方法步骤如下：

针对旋转机械故障诊断准确率低的问题，使用卷积神经网络(convolutionalneuralnetworks，cnn)从数据中提取深层次的特征信息并结合高斯混合模型(gaussianmixturemodel，gmm)对故障建模，提出了一种融合卷积神经网络和高斯混合模型的故障诊断方法；训练阶段首先利用大量振动信号训练一个卷积神经网络提取振动信号特征，然后为每类故障训练一个gmm；在故障诊断阶段，将多通道两两结合求均值得到均值通道，以扩充数据集；然后将扩充之后的数据集使用训练好的一维卷积神经网络(1dcnn)逐个进行特征提取；将提取之后的特征o1…oi…os，oi经过特征融合成多维特征o＝[o1...oi...os]；然后多维特征o经过张量分解分解为一维特征，将一维特征输入到gmm模型上分类，实现故障诊断；具体步骤如下：

s51、将多个通道两两结合取平均得到均值通道，扩充通道的数量；

s52、将扩充通道后的数据，分别使用一维卷积神经网络(1dcnn)提取特征；

s53、将s52提取的各个通道的特征融合成多维特征，然后使用张量分解，将多维特征分解成一维；

s54、使用高斯混合模型(gmm)对s53的一维特征进行分类，得到故障类型；

经过大量的实验结果表明，该方法的故障识别准确率高于knn算法、svm算法、lstm算法、cnn算法和mfcc与gmm相结合方法的识别准确率，能有效地实现旋转机械设备的故障诊断。

5、报警模块的原理如下：

报警模块是对振动信号异常点和故障进行报警：(1)信号分析模块分析出的频率、峰值和总值总是在一定范围内的，厂内有经验的工作人员为每个型号的发动机设置一个阈值，当频率、峰值和总值超过阈值后，判定设备出现异常，此时软件客户端开始报警，有异常的采集窗口变红色并且闪烁；(2)故障诊断模块返回的对信号的实时故障诊断结果，根据相应故障进行报警；同时保存诊断出的异常点和故障。