设备故障声谱分析诊断方法与流程

1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.本发明是这样实现的。
8.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：
9.步骤a：采用声谱采集仪，实时采集设备的声谱信号；
10.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；
11.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；
12.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；
13.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。
14.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。
15.优选地，所述的声谱采集仪为yk
‑
dm801e型号的声谱采集。
16.优选地，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。
17.优选地，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：
18.①
采用wave读取音频文件，导入文件信息；
19.②
采用getparams函数获得对应音频文件数据；
20.③
采用numpy存储数据，并生成时域图；
21.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：
22.①
采用plt.figure()获得展示窗口，
23.②
设置横坐标为时间轴：time(s)，纵坐标为频率：frequency
24.③
对时域图numpy数据做fft运算，存储数据，
25.④
采用plt.specgram函数将上一步存储数据绘制为频域图，
26.⑤
采用savefig存储频域图；
27.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。
28.优选地，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：
29.s1、启用python：codecs、os、random、shutil、pil
30.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：
31.s2.1、定义模型文件：train.py,
32.s2.2设置学习算法为：resnext50_32x4d，
33.s2.3设置数据图像最大容量：150000，
34.s2.4设置数据图像像素：3,224,224，
35.s2.5采用学习率下降方式为：piecewise_decay阶梯式下降学习；
36.s3、读取声谱图形文件：
37.s3.1设置文件保存目录及文件名，
38.s3.2设置检测类型为gpu，
39.s3.3通过fluid.io.load_inference_model调取学习时域图与频域图，
40.s3.4进行数据处理，将图像数据存储到内存，
41.s3.5将数据rgb值存到np.array中；
42.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
43.s4.1对故障数据图库进行训练，得到诊断模型
44.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。
45.本发明的优点是：
46.本发明基于人工智能深度学习技术，采用一体化设计，将大型设备状态问题归结到声谱分析问题，通过对声谱的采集、分析解析出大型设备的运行状态及故障感知曲线，建立学习模型。最后通过先进的深度学习算法分析预测实时的采集数据，实现上位机的监测、显示、分析，及时做到事故预知、故障未发生前的排除。
47.声谱采集仪采集的声谱信号，通过python对声谱信号进行处理，将声谱振动信号据转化为时域图与频域图；经过有效滤波可以有效排除环境干扰，准确的自动在线监控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。
附图说明
48.图1为本发明的设备故障检测系统流程图。
49.图2为诊断模型训练流程图。
50.图3a为将声谱振动信号转化后的时域图。
51.图3b为将声谱振动信号转化后的频域图。
具体实施方式
52.下面结合附图对本发明作进一步说明。
53.如图1
‑
图2所示，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，计算机处理系统：采用带有gpu处理器的计算机，便于加快深度学习处理能力，配置网络用来做数据读取和写入网络云服务器。
54.本发明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。
55.本发明的设备故障声谱分析诊断方法，包括下列步骤：
56.步骤a：采用声谱采集仪，实时采集设备的声谱信号；
57.所述的声谱采集仪为yk
‑
dm801e型号的声谱采集，采用监听距离15m内，灵敏度30db,可传输1000米，频率响应20～20khz，录音盒输出wav格式文件，录音文件空间40m每小时，适用于主流操作系统。
58.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；
59.如图3a所示，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：
60.①
采用wave读取音频文件，导入文件信息；
61.②
采用getparams函数获得对应音频文件数据；
62.③
采用numpy存储数据，并生成时域图；
63.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，如图3b具体过程如下：
64.①
采用plt.figure()获得展示窗口，
65.②
设置横坐标为时间轴：time(s)，纵坐标为频率：frequency
66.③
对时域图numpy数据做fft运算，存储数据，
67.④
采用plt.specgram函数将上一步存储数据绘制为频域图，
68.⑤
采用savefig存储频域图；
69.步骤c、根据时域图与频域图建立故障数据图库，图库数据来源为：1)系统采集处理得到故障图；2)经验型故障图，将故障数据图库作为深度学习的数据。
70.建立故障数据图库模型
71.需要建立基础设备故障的数据图库以得到有效的分析结果，故障数据图库可实时更新，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，故障数据图库还具体包括设备故障的声音特征信息及具体故障类别，从类别上又分为两类：
72.1.固化式设备故障信息，
73.此类故障为固化的设备声音故障图谱，声音特征包括故障频段的时域及频域图及对应的故障类别，具体又分为机械故障及电气故障。
74.机械故障主要特征及类别如下：
[0075][0076][0077]
电气故障主要特征及类别如下：
[0078]
项目声音情况主要频谱特征对应设备故障
1“嗡嗡”声低频，中低幅电流不平衡2“噼啪”声中频，中高幅定子绕组接触不良或漏电3蚊叫声低频，中低幅绕组端部捆扎或浸漆不好4蛙叫声中频，高幅铁芯内部有气隙或松动
[0079]
此外，将电源频率的倍频故障音、定/转子偏心故障音、槽配合不当引起的齿谐波故障音、风叶与轴配合不牢引起滑差故障音这四项故障音图谱，录入至故障图信息库。
[0080]
对上述机械及电气故障音频信息，通过对典型的声音信号的输入处理，处理方式与实时音频相同，输入改为典型故障音频。此类数据的建立对应频谱分析数据图库，作为基础故障预知的判断初步标准。
[0081]
2.实时采集故障信息
[0082]
本发明采用深度学习算法对设备故障进行分析，对于实时采集的设备声谱，将转化为图谱，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保存至少48小时，如发现设备出现故障，可作为故障样本存入故障数据图库，具体步骤如下：
[0083]
1)设备故障发生，现场检修记录故障原因；
[0084]
2)查询故障发生前12小时设备声谱图序列，提取典型图；
[0085]
3)将典型图与故障原因匹配；
[0086]
4)经分析认证，确认故障类型，将图谱与故障存入数据图库；
[0087]
5)将数据图库数据上传至云端，作为云端数据图库共享，供后期深度学习的依据及实时分析检测用。
[0088]
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，对实时声谱数据进行设备故障预知与诊断。具体实现步骤如下：
[0089]
s1、启用python：codecs、os、random、shutil、pil
[0090]
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：
[0091]
s2.1、定义模型文件：train.py,
[0092]
s2.2设置学习算法为：resnext50_32x4d，
[0093]
s2.3设置数据图像最大容量：150000，
[0094]
s2.4设置数据图像像素：3,224,224，
[0095]
s2.5采用学习率下降方式为：piecewise_decay阶梯式下降学习；
[0096]
s3、读取声谱图形文件：
[0097]
s3.1设置文件保存目录及文件名，
[0098]
s3.2设置检测类型为gpu，
[0099]
s3.3通过fluid.io.load_inference_model调取学习时域图与频域图，
[0100]
s3.4进行数据处理，将图像数据存储到内存，
[0101]
s3.5将数据rgb值存到np.array中；
[0102]
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
[0103]
s4.1对故障数据图库进行训练，得到诊断模型；
[0104]
通过将上述两种数据结合，可建立设备故障诊断用声谱数据图库，并通过设备故
障声谱分析诊断方法的不断运行，不断的积累更新数据图库信息，使被学习数据逐渐完善，学习得到更精准的诊断模型，达到更高的检测率。
[0105]
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。
[0106]
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。
[0107]
模型经过训练后，可对现场设备采集的声音频谱图进行实时检测，进而达到预测性诊断的目的。
[0108]
最后，将预测分析结果输送至上级计算机系统，如plc、dcs、mes或通过网络推送至手机终端，通知相关负责人员及时检查故障隐患，做到及时检修避免重大事故发生的目的。
[0109]
本发明采用先进的深度学习算法，将声谱图像作为数据图库，进行学习训练，所设计的监测系统可以有效排除环境干扰，准确的自动在线监控大型设备的实时声谱，做到实时预知及报警，避免重大损失发生，同时可以取消现场巡检人员，节省大量大力资源。