设备状态检测方法、装置及系统与流程

1.本技术涉及电力设备检测技术领域，具体而言，涉及一种设备状态检测方法、装置及系统。


背景技术：

2.当gis设备存在缺陷时，在开关操作的机械力、负载电流产生的交变电动力等因素的作用下，会产生机械性运动，从而导致设备发生异常振动，这些振动对设备有很大危害，也会产生安全隐患，长期发展将致使事故发生。因此，加强对gis振动缺陷及故障的检测，是保证其安全运行的重要手段。
3.gis异常振动时的特征值与设备正常运行时存在差异性，因此，以gis运行时的振动分析作为切入点，可以进行故障诊断。目前，在基于振动测量的gis故障诊断中，大多都是针对采集的振动信号进行分析和判断，当测量大型设备时，为保证数据采集的完整性和可靠性，传感器的数量需求较大，测试数据也较多，这无疑增加了gis状态检测的难度和工作量，具有局限性，需工作人员分析大量振动信号数据，耗时耗力，且不能发现早期故障，对于排查故障有滞后性，工作人员对所有数据进行人工处理，也会大大增加工作重复度，且效率一般。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种设备状态检测方法、装置及系统，以至少解决相关技术中在检测设备状态时，由人工分析检测数据不仅计算复杂且效率较低的技术问题。
6.根据本技术实施例的一个方面，提供了一种设备状态检测方法，包括：获取目标设备的目标振动信号；对所述目标振动信号进行奇异谱分析，确定所述目标振动信号中的目标分量信号；对所述目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值；将所述时域特征值和频域特征值输入状态诊断模型，通过所述状态诊断模型确定所述目标设备的运行状态，其中，所述状态诊断模型是基于所述目标设备的历史运行数据训练得到的决策树模型。
7.可选地，获取位于所述目标设备上的目标传感器采集的振动信号；对所述振动信号进行模数转换，得到所述目标振动信号。
8.可选地，确定所述目标振动信号对应的第一时间序列，并确定所述第一时间序列的轨迹矩阵；对所述轨迹矩阵进行奇异值分解，将所述轨迹矩阵分解为第一数量的初等矩阵；对所述第一数量的初等矩阵进行分组，并对每组所述初等矩阵进行求和，得到第二数量的合成矩阵，从所述第二数量的合成矩阵中确定目标合成矩阵；通过对角平均计算方式将所述目标合成矩阵转换为第二时间序列，基于所述第二时间序列确定所述目标分量信号。
9.可选地，对所述目标分量信号进行时域分析，得到所述时域特征值，所述时域特征值至少包括以下其中之一：用于表示所述目标分量信号的时域平均值的均值，用于表示所
述目标分量信号的振幅与能量的均方根，用于表示所述目标分量信号的不对称特征的偏度，用于表示所述目标分量信号的峰值的峭度，用于表示所述目标分量信号中的冲击的波峰因子，用于表示所述目标分量信号的形状的形状因子；对所述目标分量信号进行傅里叶变换得到目标频谱信号，并对所述目标频谱信号进行频域分析，得到所述频域特征值，所述频域特征值至少包括以下其中之一：用于表示所述频谱信号的重心的谱矩心，用于表示所述频谱信号的扩散度的谱扩散度，用于表示所述频谱信号的对称性的谱偏度，用于表示所述频谱信号中瞬态信号位置的谱峭度，用于表示所述频谱信号中峰值的指标的谱波峰因子，用于表示所述频谱信号的能量分布的谱熵。
10.可选地，所述状态诊断模型的训练过程包括：获取所述目标设备的所述历史运行数据，所述历史运行数据中包括：历史振动信号和与所述历史振动信号对应的历史运行状态；对所述历史振动信号进行奇异谱分析，确定所述历史振动信号中的历史分量信号，并对所述历史分量信号进行时域分析和频域分析，得到历史时域特征值和历史频域特征值；基于梯度提升决策树算法构建所述决策树模型，并基于所述历史时域特征值、所述历史频域特征值和所述历史运行状态对所述决策树模型进行迭代训练，得到所述状态诊断模型，其中，所述决策树模型包括：根节点、中间节点和叶节点。
11.可选地，将所述历史时域特征值和所述历史频域特征值输入所述决策树模型，通过所述决策树模型输出得到所述设备的预测运行状态；基于所述预测运行状态和所述历史运行状态构建目标损失函数；在迭代训练过程中，通过最小化目标损失函数优化所述决策树模型的模型参数，得到所述状态诊断模型。
12.可选地，在通过所述状态诊断模型确定所述目标设备的运行状态后，在显示设备中展示所述时域特征值、所述频域特征值和所述目标设备的运行状态；在确定所述目标设备的运行状态存在异常时，生成故障预警信息，所述故障预警信息用于提示所述目标设备存在异常需要处理。
13.根据本技术实施例的另一方面，还提供了一种设备状态检测装置，包括：获取模块，用于获取目标设备的目标振动信号；第一分析模块，用于对所述目标振动信号进行奇异谱分析，确定所述目标振动信号中的目标分量信号；第二分析模块，用于对所述目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值；确定模块，用于将所述时域特征值和频域特征值输入状态诊断模型，通过所述状态诊断模型确定所述目标设备的运行状态，其中，所述状态诊断模型是基于所述目标设备的历史运行数据训练得到的决策树模型。
14.根据本技术实施例的另一方面，还提供了一种设备状态检测系统，包括：目标传感器，位于目标设备上，用于采集所述目标设备的振动信号；数据采集设备，用于接收所述目标传感器采集的所述振动信号，并对所述振动信号进行模数转换，得到目标振动信号，通过通讯总线将所述目标振动信号传输至处理器；所述处理器，对所述目标振动信号进行奇异谱分析，确定所述目标振动信号中的目标分量信号；对所述目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值；将所述时域特征值和频域特征值输入状态诊断模型，通过所述状态诊断模型确定所述目标设备的运行状态，其中，所述状态诊断模型是基于所述目标设备的历史运行数据训练得到的决策树模型；将所述时域特征值、所述频域特征值和所述目标设备的运行状态通过通讯总线传输至显示设备；所述显示设备，用于展示所述时域特征值、所述频域特征值和所述目标设备的运行状态；所述通讯总线，用于传输数
据。
15.根据本技术实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述的设备状态检测方法。
16.在本技术实施例中，在获取目标设备的目标振动信号后，先对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号，再对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值，将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，该状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型。本技术方案通过自动化获取振动信号并进行处理分析，可以提高分析效率，同时，利用基于设备历史数据训练的模型进行设备状态诊断，可以提高诊断结果的准确性，从而解决了相关技术中在检测设备状态时，由人工分析检测数据不仅计算复杂且效率较低的技术问题。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例的一种设备状态检测系统的结构示意图；
19.图2是根据本技术实施例的一种设备状态检测方法的流程示意图；
20.图3是根据本技术实施例的一种信号特征值和特征向量的示意图；
21.图4是根据本技术实施例的一种目标分量信号的示意图；
22.图5是根据本技术实施例的一种决策树决策过程的示意图；
23.图6是根据本技术实施例的一种设备状态检测过程的示意图；
24.图7是根据本技术实施例的一种设备状态检测结果的示意图；
25.图8是根据本技术实施例的一种设备状态检测装置的结构示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
27.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.实施例1
29.为了解决相关技术中在检测设备状态时，由人工分析检测数据不仅计算复杂且效率较低的技术问题，本技术提出实施例提出了一种自动化的设备状态检测方案，其可以在获取振动信号后自动进行处理分析，并提取对应的特征值，通过将特征值输入预先训练的状态诊断模型以确定设备运行状态，该方案可以有效提高数据处理效率，并提升设备状态诊断结果的准确性。
30.本技术实施例首先提供了一种可选的设备状态检测系统，如图1所示，该系统中至少包括：目标传感器11，数据采集设备12，处理器13，显示设备14和通讯总线15，其中：
31.目标传感器11，位于目标设备上，用于采集目标设备的振动信号。
32.其中，目标设备可以是gis设备，由于gis外壳的振动信号为电气机械振动信号，综合考虑其振动特性，目标传感器11可以选取灵敏度较高的加速度传感器。
33.数据采集设备12，用于接收目标传感器采集的振动信号，并对振动信号进行模数转换，得到目标振动信号，通过通讯总线15将目标振动信号传输至处理器13。
34.处理器13，对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号；对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值；将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，其中，状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型；将时域特征值、频域特征值和目标设备的运行状态通过通讯总线15传输至显示设备14。
35.显示设备14，用于展示时域特征值、频域特征值和目标设备的运行状态。
36.其中，显示设备14可以是运维人员的计算机显示屏，也可以是监控室的led大屏，其可以将目标设备的振动特征参数和缺陷状态检测结果等进行展示。
37.通讯总线15，用于传输数据。
38.在上述设备状态检测系统的基础上，本技术实施例还提供了一种可选的设备状态检测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
39.图2是根据本技术实施例的一种可选的设备状态检测方法的流程示意图，如图2所示，该方法至少包括步骤s202-s208，其中：
40.步骤s202，获取目标设备的目标振动信号。
41.在本技术一些可选的实施例中，在获取目标设备的目标振动信号时，可以先获取位于目标设备上的目标传感器采集的振动信号，再对振动信号进行模数转换，得到目标振动信号。
42.其中，目标设备可以为gis设备，目标传感器可以为灵敏度较高的加速度传感器。例如，利用数据采集仪对gis设备上的加速度传感器中的振动信号进行采集，并将这些振动信号进行a/d模数转换，得到转换数据，也就是目标振动信号。
43.步骤s204，对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号。
44.奇异谱分析是一种研究非线性时间序列数据的有效方法，其根据所观测到的时间序列构造出轨迹矩阵，并对轨迹矩阵进行分解和重构，从而提取出代表原时间序列不同成分的信号，以此对时间序列的结构进行分析。
45.在本技术一些可选的实施例中，在对目标振动信号进行奇异谱分析时，可以先确定目标振动信号对应的第一时间序列，并确定第一时间序列的轨迹矩阵；对轨迹矩阵进行奇异值分解，将轨迹矩阵分解为第一数量的初等矩阵；对第一数量的初等矩阵进行分组，并对每组初等矩阵进行求和，得到第二数量的合成矩阵，从第二数量的合成矩阵中确定目标合成矩阵；通过对角平均计算方式将目标合成矩阵转换为第二时间序列，基于第二时间序列确定目标分量信号。
46.具体地，假设目标振动信号对应的第一时间序列为y
t
＝(y1，...，yi，...y
t
)，t为序列长度，在对其进行奇异谱分析时可以参考以下算法：
47.s1，嵌入。可以先选择一个适当的窗口长度l，其是一个满足2≤l≤t的整数，通常取然后将一维的第一时间序列y
t
转换为多维序列x1，...，xi，...xk，且xi＝(yi，...y
i+l-1)∈r
l
，k＝t-l+1，由此得到对应的轨迹矩阵：
[0048][0049]
轨迹矩阵x是一个hankel矩阵，即所有沿着反对角线i+j＝const的元素都相同。
[0050]
s2，奇异值分解。计算矩阵c
x
＝xx
t
，得到其特征值λ1≥λ2≥
…
≥λ
l
≥0和对应的特征向量u1，u2，...，u
l
，为轨迹矩阵x的奇异谱，确定第一数量d＝min{l，k}，可以将轨迹矩阵x分解为d个初等矩阵：
[0051][0052]
其中，为轨迹矩阵x的奇异值，ui和vi均为单位正交矩阵，ui称为左矩阵，又称为时间经验正交矩阵(temporal empirical orthogonal function，teof)，称为右矩阵，又称为时间主成分(temporal principal components，tpc)。
[0053]
图3示出了一种处理得到的信号特征值和信号特征向量的示意图，可以看出，特征值下降很快，即对轨迹矩阵x影响较大，也即影响目标振动信号的主要是排在前面的几个特征值和特征向量对应的初等矩阵，后续处理主要考虑这几个初等矩阵即可。
[0054]
s3，分组。对第一数量d的初等矩阵xi进行分组，将每组内的初等矩阵求和，得到第二数量p的合成矩阵，p可以根据经验进行设置，然后从p个合成矩阵中确定目标合成矩阵。例如，将{1，2，...，d}分为p个不相交的子集{i1，...，i
p
}，设i＝{i1，...，in}，则对应于i的合成矩阵xi可定义为：轨迹矩阵x可表示为p个合成矩阵xi之和：其中，可以将对轨迹矩阵x影响较大的几个初等矩阵，如前4个初等矩阵分在第一组进行求和作为目标合成矩阵。
[0055]
s4，重构。对于上述p个合成矩阵中的第k个合成矩阵可以通过对角平均计算方式将其重构为时间序列则第一时间序列y
t
可以重构为其中，的值即为目标振动信号的分量信号。
[0056]
本技术主要考虑在不同状态下更具特征差异性的主导分量信号，因此只需要对上述的目标合成矩阵进行重构得到对应的第二时间序列，该第二时间序列中的值即为目标分量信号。图4为一种处理后的目标分量信号的示意图。
[0057]
其中，对角平均计算方式如下：设a是一个l
×
k的矩阵，其中的元素为a
ij
，1≤i≤l，1≤j≤k，l*＝min{l，k}，k*＝max{l，k}，且t＝l+k-1，则重构的时间序列中的第k个元素为：
[0058][0059]
步骤s206，对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值。
[0060]
在本技术一些可选的实施例中，可以先对目标分量信号进行时域分析，得到时域特征值，该时域特征值至少包括以下其中之一：
[0061]
1)用于表示目标分量信号的时域平均值的均值，表达式为：
[0062][0063]
2)用于表示目标分量信号的振幅与能量的均方根，表达式为：
[0064][0065]
3)用于表示目标分量信号的不对称特征的偏度，表达式为：
[0066][0067]
4)用于表示目标分量信号的峰值的峭度，表达式为：
[0068][0069]
5)用于表示目标分量信号中的冲击的波峰因子，表达式为：
[0070][0071]
6)用于表示目标分量信号的形状的形状因子，表达式为：
[0072][0073]
其中，x(n)为时域离散信号，n为信号的采样数量，x
sd
为信号的样本标准差，x
pcak
为信号的峰值，即max[x(n)]。
[0074]
同时，还可以对目标分量信号进行傅里叶变换得到目标频谱信号，并对目标频谱
信号进行频域分析，得到频域特征值，频域特征值至少包括以下其中之一：
[0075]
1)用于表示频谱信号的重心的谱矩心，表达式为：
[0076][0077]
2)用于表示频谱信号的扩散度的谱扩散度，表达式为：
[0078][0079]
3)用于表示频谱信号的对称性的谱偏度，表达式为：
[0080][0081]
4)用于表示频谱信号中瞬态信号位置的谱峭度，表达式为：
[0082][0083]
5)用于表示频谱信号中峰值的指标的谱波峰因子，表达式为：
[0084][0085]
6)用于表示频谱信号的能量分布的谱熵，表达式为：
[0086][0087]
其中，s(k)为时域离散信号经过傅里叶变换后对应的频域信号，fk为其对应的频率大小，b1、b2为分析频带的上下限。
[0088]
步骤s208，将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，其中，状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型。
[0089]
在本技术一些可选的实施例中，状态诊断模型可以通过以下训练过程得到：获取目标设备的历史运行数据，该历史运行数据中包括：历史振动信号和与历史振动信号对应的历史运行状态；对历史振动信号进行奇异谱分析，确定历史振动信号中的历史分量信号，并对历史分量信号进行时域分析和频域分析，得到历史时域特征值和历史频域特征值；基于梯度提升决策树算法构建决策树模型，并基于历史时域特征值、历史频域特征值和历史
运行状态对决策树模型进行迭代训练，得到状态诊断模型。
[0090]
其中，梯度提升决策树(gradient boosting decision tree，gbdt)算法是一种基于决策树方法和梯度提升方法的机器学习方法，其中，决策树方法用于实现对弱分类器的集成学习，提高模型精度，由于gbdt算法在迭代训练时要拟合的是梯度值，因此决策树主要采用cart回归树；梯度提升方法则可以将弱分类器提升为拟合能力较强的强学习器。通常，构建的决策树模型由多棵决策树组成，通过将所有决策树的结论累加起来，得到最终分类结果。
[0091]
决策树模型通常包括三类节点：根节点、中间节点和叶节点。根节点可以是全部训练数据的集合，也可以是对新数据进行分类和预测的起点；中间节点表示分析对象的一个特征或属性，且可进行分裂；叶节点表示最终分类标签，即数据的类别。图5示出了一种决策树模型针对振动特征进行决策的示意图，其中，将各个振动特征作为根节点，由决策点(即中间节点)对其属性进行分析并进行分类，最终在叶节点处对最终数据分类结果打上标签，确定具体类别标签。
[0092]
在具体训练时，可以将历史时域特征值和历史频域特征值输入决策树模型，通过决策树模型输出得到设备的预测运行状态；基于预测运行状态和历史运行状态构建目标损失函数；在迭代训练过程中，通过最小化目标损失函数优化决策树模型的模型参数，得到状态诊断模型。
[0093]
具体地，构建的决策树模型可以表示为：
[0094][0095]
式中，t(x，θm)表示以(x，θm)为参数的决策树，m则表示决策树的个数。
[0096]
gbdt算法在多分类问题中，对决策树t(x，θm)的常用的损失函数为：
[0097][0098]
式中，yk＝{0，1}表示真实值是否属于第k类，pk(x)表示决策树预测样本x属于第k类的概率，用softmax函数表示为：
[0099][0100]
gbdt算法通过最小化损失函数来确定下一棵决策树参数的最优gbdt算法通过最小化损失函数来确定下一棵决策树参数的最优的计算公式为：
[0101][0102]
在得到训练好的状态诊断模型后，可以将处理得到的目标分量信号的时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态。
[0103]
图6示出一种完整的设备状态检测过程的示意图，其中，通过对历史振动数据进行信号处理和特征提取，基于gbdt算法建立决策树，训练得到分类模型；然后将待测数据进行信号处理和特征提取并输入训练好的分类模型，得到检测结果。图7示出了一种状态预测结
果的示意图。
[0104]
由于本技术在模型训练过程中参考的都是设备的历史振动数据，建立的状态诊断模型的鲁棒性较强，同时对早期故障具有一定的识别能力，能够更加灵敏的进行反应，从而保证最终检测结果的可靠性较高。
[0105]
在本技术的一些可选的实施例中，在通过状态诊断模型确定目标设备的运行状态后，还可以在显示设备上展示对目标分量信号进行时域、频域分析所得到的时域特征值和频域特征值，同时展示目标设备的运行状态；若目标设备的运行状态存在异常时，还可以自动生成故障预警信息，该故障预警信息用于提示运维人员该目标设备存在异常需要处理。
[0106]
在本技术实施例中，在获取目标设备的目标振动信号后，先对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号，再对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值，将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，该状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型。本技术方案通过自动化获取振动信号并进行处理分析，可以提高分析效率，同时，利用基于设备历史数据训练的模型进行设备状态诊断，可以提高诊断结果的准确性，从而解决了相关技术中在检测设备状态时，由人工分析检测数据不仅计算复杂且效率较低的技术问题。
[0107]
实施例2
[0108]
根据本技术实施例，还提供了一种用于实现上述设备状态检测方法的设备状态检测装置，如图8所示，该装置至少包括获取模块81，第一分析模块82,第二分析模块83和确定模块84，其中：
[0109]
获取模块81，用于获取目标设备的目标振动信号。
[0110]
在本技术一些可选的实施例中，获取模块在获取目标设备的目标振动信号时，可以先获取位于目标设备上的目标传感器采集的振动信号，再对振动信号进行模数转换，得到目标振动信号。其中，目标设备可以为gis设备，目标传感器可以为灵敏度较高的加速度传感器，获取模块可以对gis设备上的加速度传感器中的振动信号进行采集，并将这些振动信号进行a/d模数转换，得到转换数据，也就是目标振动信号。
[0111]
第一分析模块82，用于对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号。
[0112]
在对目标振动信号进行奇异谱分析时，第一分析模块可以先确定目标振动信号对应的第一时间序列，并确定第一时间序列的轨迹矩阵；对轨迹矩阵进行奇异值分解，将轨迹矩阵分解为第一数量的初等矩阵；对第一数量的初等矩阵进行分组，并对每组初等矩阵进行求和，得到第二数量的合成矩阵，从第二数量的合成矩阵中确定目标合成矩阵；通过对角平均计算方式将目标合成矩阵转换为第二时间序列，基于第二时间序列确定目标分量信号。
[0113]
第二分析模块83，用于对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值。
[0114]
在本技术一些可选的实施例中，可以先对目标分量信号进行时域分析，得到时域特征值，时域特征值至少包括以下其中之一：用于表示目标分量信号的时域平均值的均值，用于表示目标分量信号的振幅与能量的均方根，用于表示目标分量信号的不对称特征的偏
度，用于表示目标分量信号的峰值的峭度，用于表示目标分量信号中的冲击的波峰因子，用于表示目标分量信号的形状的形状因子。
[0115]
同时，可以对目标分量信号进行傅里叶变换得到目标频谱信号，并对目标频谱信号进行频域分析，得到频域特征值，频域特征值至少包括以下其中之一：用于表示频谱信号的重心的谱矩心，用于表示频谱信号的扩散度的谱扩散度，用于表示频谱信号的对称性的谱偏度，用于表示频谱信号中瞬态信号位置的谱峭度，用于表示频谱信号中峰值的指标的谱波峰因子，用于表示频谱信号的能量分布的谱熵。
[0116]
确定模块84，用于将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，其中，状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型。
[0117]
在本技术一些可选的实施例中，状态诊断模型可以通过以下训练过程得到：获取目标设备的历史运行数据，该历史运行数据中包括：历史振动信号和与历史振动信号对应的历史运行状态；对历史振动信号进行奇异谱分析，确定历史振动信号中的历史分量信号，并对历史分量信号进行时域分析和频域分析，得到历史时域特征值和历史频域特征值；基于梯度提升决策树算法构建决策树模型，并基于历史时域特征值、历史频域特征值和历史运行状态对决策树模型进行迭代训练，得到状态诊断模型。
[0118]
在具体训练时，可以将历史时域特征值和历史频域特征值输入决策树模型，通过决策树模型输出得到设备的预测运行状态；基于预测运行状态和历史运行状态构建目标损失函数；在迭代训练过程中，通过最小化目标损失函数优化决策树模型的模型参数，得到状态诊断模型。
[0119]
可选地，设备状态检测装置中还可以包括：展示模块85，用于展示处理得到的时域特征值、频域特征值和目标设备的运行状态；并在确定目标设备的运行状态存在异常时，生成故障预警信息，该故障预警信息用于提示目标设备存在异常需要处理。
[0120]
需要说明的是，本技术实施例中的设备状态检测装置中的各模块与实施例1中的设备状态检测方法的各实施步骤一一对应，由于实施例1中已经进行了详尽的描述，本实施例中部分未体现的细节可以参考实施例1，在此不再过多赘述。
[0121]
实施例3
[0122]
根据本技术实施例，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行实施例1中的设备状态检测方法。
[0123]
根据本技术实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的设备状态检测方法。
[0124]
可选地，在程序运行时执行实现以下步骤：获取目标设备的目标振动信号；对目标振动信号进行奇异谱分析，确定目标振动信号中的目标分量信号；对目标分量信号进行时域分析和频域分析，得到时域特征值和频域特征值；将时域特征值和频域特征值输入状态诊断模型，通过状态诊断模型确定目标设备的运行状态，其中，状态诊断模型是基于目标设备的历史运行数据训练得到的决策树模型。
[0125]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0126]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有
详述的部分，可以参见其他实施例的相关描述。
[0127]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0128]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0129]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0130]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0131]
以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。