一种设备故障识别方法、装置、设备及计算机系统与流程

本发明涉及故障检测领域，具体涉及一种设备故障识别方法、装置、设备及计算机系统。

背景技术：

随着科技的进步，人们已经研究出一些针对振动设备进行故障检测的方法。对于运行条件恶劣(高磁场，高辐射，高温等)的设备的使用寿命往往比正常条件下的设备的使用寿命更不容易预测，并且，对于一些位置设置得比较隐秘的设备或其零部件，比较难用传统的人工检验方法检测。所以需要一套远程检测方法。

最常见的就是通过加速器对振动设备的振动信号进行分析并从中获取故障信息。理论上来讲振动信号先通过fft(快速傅立叶变换)等方法从时域信号转换成频域信号，再找出每个设备失效模式所对应的特征频率。而在实际应用上跟失效模式相对应的特征频率不是那么的容易找，即使找到，它们与相邻频率的差别也不一定十分的明显。所以以往的研究主要是通过不同的信号处理方法找出或加强特征频率上的信息。最常用的比如包络谱分析等。包络检测或幅度解调是从调幅信号中提取调制信号的技术。

这样做的主要问题是需要振动速度恒定或能够很准确的测量。但很少有人在运行条件恶劣的设备上安装很精确的测速仪，容易造成测速仪的使用寿命缩减甚至不能获得准确的检测结果。所以很多已有的算法不能很好的应用。

技术实现要素：

本发明提出了一种设备故障识别方法、装置、设备及计算机系统，将设备产生的振动信号经过处理后输入到预设的故障识别模型，根据故障识别模型识别出的结果确定故障类别，无需安装测速仪等测速设备，即可实现对运行条件恶劣的设备的故障检测。本发明具体是以如下技术方案实现的：

第一方面，本发明提供了一种设备故障识别方法，包括：

获取设备的振动信号；

将所述振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据；

将所述健康状态指标数据输入到预设的故障识别模型进行故障识别；

根据故障识别模型输出的结果确定故障类别。

可选的，所述振动信号包括：时域振动信号和/或由所述时域振动信号转换成的频域振动信号和时频域振动信号。

可选的，所述预设的故障识别模型包括：基于样本设备的健康状态指标数据和所述样本设备的故障类别标识在预设深度神经网络中训练得到的模型，所述样本设备的健康状态指标数据与所述样本设备的故障类别标识一一对应。

可选的，在将所述振动信号输入到健康状态指标函数之前，所述方法还包括：对所述振动信息进行预处理；

所述预处理至少包括如下之一：滤波、增强、降噪。

可选的，所述设备包括如下至少之一：

轴承、齿轮、齿轮箱、电动机、发动机、风机、风扇、泵、钻头、车床。

可选的，所述健康状态指标函数至少包括下述之一：峰态系数函数、偏态系数函数、峰值系数函数、余隙系数函数、波形系数函数、脉冲指示器函数、变化方差函数、余隙分母函数、绝对值平均值函数。

可选的，在所述根据故障识别模型输出的结果确定故障类别之后，还包括：对所述故障类别进行记录、提示或/和报警。

第二方面，本发明提供了一种设备故障识别装置，包括：

信号获取模块，用于获取设备的振动信号；

健康状态指标获取模块，用于将所述振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据；

故障识别模块，用于将所述健康状态指标数据输入到预设的故障识别模型进行故障识别；

故障类别确定模块，用于根据故障识别模型输出的结果确定故障类别。

可选的，所述装置还包括：

预处理模块，用于对所述振动信息进行预处理；相应的，所述健康状态指标获取模块，用于将预处理后的振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据。

可选的，所述装置还包括：

故障类别处理模块，用于对所述故障类别进行记录、提示或/和报警。

第三方面，本发明提供了一种设备故障识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述第一方面和第二方面所述的设备故障识别方法或装置。

第四方面，本发明提供了一种计算机系统，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述第一方面和第二方面所述的设备故障识别方法或装置。

本发明提供了一种数据处理的方法、装置、设备及计算机系统，具有如下技术效果：

本发明将设备产生的振动信号经过处理后输入到预设的故障识别模型，根据故障识别模型识别出的结果确定故障类别，无需安装测速仪等测速设备，即可实现对运行条件恶劣的设备的故障检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种设备故障识别方法的流程图；

图2是本发明实施例提供的一种多层神经网络的结构示意图；

图3是本发明现有技术提供的一种神经网络的结构示意图；

图4是本发明实施例提供的一种设备故障识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，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。

请参阅图1，图1是本发明实施例提供的一种设备故障识别方法的流程图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：

s101：获取设备的振动信号。

需要说明的是，在本说明书实施例中所提到的设备是设备和设备的零部件的统称。具体可以为以下任意设备：轴承、齿轮、齿轮箱、电动机、发动机、风机、风扇、泵、钻头、车床，具体可以是ct(电子计算机断层扫描)机的球管、冷却泵及其系统、风机、固定架、转动架、轴承、发电机、探测器、病床；mr(核磁共振)机的各线圈、冷却泵及其系统、风机、固定架、轴承、发电机、探测器、扫描器、病床；pet(正电子发射型计算机断层显像)机的冷却泵及其系统、风机、固定架、轴承、发电机、探测器、扫描器、病床。需要强调的是，本发明的方法中的设备并不限于上述例举出的设备，还可以是其他能够根据设备的振动信号判断故障类别的设备，本发明对此不作限定。

具体的，可以通过安装在设备上或者设备周围的传感器获取其振动信号。进一步的，例如可以在冷却泵的外壁安装一个三轴震动传感器。

在该步骤中，振动信号的获取可以是实时的，也可以根据实际需求预设一获取频率，例如，每分钟获取10次。

在本说明书实施例中，振动信号可以指代时域信号，也可以指代时域振动信号和/或由所述时域振动信号转换成的频域振动信号和时频域振动信号。

频域信号和时频域信号的获得基于如下方式至少之一：傅里叶、小波、拉普拉斯、正弦、余弦、z等变换。所述小波分析包括：连续小波变换、离散小波变换或小波包变换。

s103：将所述振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据。

将步骤s101获取的振动信号直接或经过时频域变换输入到健康状态指标函数，得到相应的健康状态指标数据。为了检测结果更准确，可以设置多个健康状态指标函数，从而所述健康状态指标数据也是多个。具体的，所述健康状态指标函数可以包括下述函数中的一个或多个：峰态系数函数、偏态系数函数、峰值系数函数、余隙系数函数、波形系数函数、脉冲指示器函数、变化方差函数、余隙分母函数、绝对值平均值函数。例如，当将步骤s101中的时域振动信号和/或由所述时域振动信号转换成的频域振动信号和时频域振动信号三种信号输入到上述九种健康状态指标函数中时，所述健康状态指标数据则是27个。

在将所述振动信号输入到健康状态指标函数之前，所述方法还包括：对所述振动信息进行预处理。所述预处理至少包括如下之一：滤波、增强、降噪。相应的，步骤s105包括：将预处理后的振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据。

s105：将所述健康状态指标数据输入到预设的故障识别模型进行故障识别。

所述预设的故障识别模型可以包括：基于样本设备的健康状态指标数据和所述样本设备的故障类别标识在预设深度神经网络中训练得到的模型。所述样本设备的健康状态指标数据与所述样本设备的故障类别标识一一对应。例如，设备a的健康状态指标数据为x，其故障类别标识为y。训练过程结束后，当获取到设备新的健康状态指标数据时，可以根据所述故障识别模型得出设备是否出现故障，或者出现故障的概率。

神经网络，比如受限玻尔兹曼机在降维、分类、协同过滤、特征学习和主题建模中得到了应用。根据任务的不同，神经网络可以使用监督学习或无监督学习的方法进行训练。具体的，为了进一步提高检测结果的精准度，我们设置所述预设深度神经网络包括多个受限玻尔兹曼机或其他激活函数，如图2所示。从下到上分别是输入层、多个隐层、输出层，总层数范围可以为几十层。例如，健康状态指标数据为27个时，优选的深度神经网络为10-30层，层数过多容易造成拟合问题，层数过少容易导致检测结果不准确。

图2的示例中，参数d为输入层神经元个数，q和p分别为第一隐层和最后隐层神经元个数，l为输出层神经元个数，min为输入层第i个神经元和第一隐层第k个神经元的连接权值，whj为最后隐层第h个神经元和输出层第j个神经元的连接权值，ck和bh分别为第一隐层和最后隐层神经元的输出。那么第一隐层的第k个神经元的输入为输出层第j个神经元的输入为

其中，参数l、p、q、d的数值可以根据需求任意设定，因此，深度神经网络的的模型架构可以是如图2的火箭形，也可以是金字塔形、凸七边形、凸五边形等，通过灵活地调整神经元的个数，可以满足用户的各种检测精度的需求。

具体的，x1、x2、……、xd为健康状态指标数据，在通过所述深度神经网络进行训练时，y1、y2、……、yl为收敛的分类训练数据，具体的，例如当设备a的健康状态指标数据为x1、x2、……、xd时，设备a出故障的概率为y1、y2、……、yl，其中，分类训练数据可以为一个或多个较接近的数值，例如，当概率为大于70％时，为故障可能性较大，概率为小于30％时，为故障可能性较小，概率为30％-70％之间时，故障可能性中等，此时，可以提醒技术人员进一步观察和确认。在训练过程中，可以根据需要增加或删除隐层的神经元数，以使得所述深度神经网络的结构更符合设备a的故障检测。

输出层可以使用梯度下降法和反向传播算法进行调优。误差反向传播算法的算法基本思想是，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整。

s107：根据故障识别模型输出的结果确定故障类别。

故障类别可以分为存在故障类别和无故障类别，也可以分为无故障类别和故障点类别，其中，故障点表示发生故障的设备或设备零件，具体可以包括步骤s101中列出的设备或设备零件，但并不限于此。

s109：对所述故障类别进行记录、提示或/和报警。

当判断所述设备为无故障类别时，对其故障类别进行记录，以便作为以后使用的训练数据或者便于技术人员查看。

当判断所述设备不是无故障类别后，提示故障情况，对其故障类别进行记录，便于技术人员查看。另外，还可以发出报警信号。所述报警信号包括灯光信号、声音信号、震动信号或者是向预设联系方式发送预设报警通知信息。

所述的产品实施例中的装置与方法实施例基于同样的发明构思。

在医疗设备等领域，需要对一些轴承设备进行故障监测，例如，磁共振成像设备(mr)中需要用到不同的冷却泵降温，mr的冷却泵最主要的损坏模式是其轴承滚珠的损坏。

下面是本发明的一个具体实施例，具体实施步骤如下：

1.振动传感器信号的统计特性

用时域、频域和时频域特征是最常见的信号处理分析方式。时域指的是从传感器上获取的原始信号，x(t)。频域信号x(f)是通过用傅里叶变换(fouriertransform)得到的。

傅里叶变换有很多实践方法，在这里频域信息是用最常用的fft(fastfouriertransform)获取的。

时频域的变换在这里用的是小波转换。cwt、dwt和wpt通常是小波变换族中最流行的几种方法。虽然在震动信号的分析中这几种都比较常用，这里选用的是wpt去产生视频域的信号特征，原因在于它具有较低的分解数维数和增强的高频信号分解能力。wpt实际上是典型dwt的扩展，它把dwt高频区域的详细信息再进一步进行了分解。wpt通过一系列低通高通滤波器将x(t)分解为一组小波包(wp)节点。

所以在这里，旋转机械的振动测量表示为时域、频域和时频域的形式分别为：

由于三个表达方式m(p，q)通常还是很复杂，统计特征可以用作旋转机械的健康状态指示标志。在这里，统计特征选用的是比较常见的，其表达式为：

其中n是q的长度，p(.)是概率密度。f1,p,….f9,p分别是所谓的kurtosis(峰态系数函数),skewnessfactor(偏态系数函数),crestfactor(峰值系数函数),clearancefactor(余隙系数函数),shapefactor(波形系数函数),impulseindicator(脉冲指示器函数),variance(变化方差函数),denominatorofclearancefactor(余隙分母函数)，meanofabsolutevalue(绝对值平均值函数)。

从上可以看出时域，频域，时频域分别有9个统计特征，整个特征组有27个。

2基于玻耳兹曼机的统计特征表示

玻耳兹曼机是一种对数线性(log-linear)能量模型，其中能量函数在其自由参数中是线性的。

为了将玻耳兹曼机限制在没有可见和隐藏连接的机器上，深度学习之父hinton提出了rbm(restrictiveboltzmannmachine)，用于形成深度学习网络。传统的rbm将每个可见和隐藏神经元的状态定义为二进制代码(0和1)。对于实值数据，rbm必须将输入变量归一化为(0，1)，将它们作为概率来处理。在这里，因为不需要将范围锁死在(0，1)之间，奥索辛-贝尔诺尔利神经元更为适合。不同的神经元还按照rbm的形式进行连接，如图3。

图3中，v和h表示可见和隐藏的神经元。其中每一个神经元的energylevel为：

其中，i为当前层神经元的索引，j为上一层的索引，bi和ci表示可见层的偏移，wij表示连接矩阵的权重，σi是与高斯可见神经元vi相关联的标准偏差，hj为第j个下层隐藏神经元的能量级。

3深度统计特征学习与分类

一般来讲，无监督的单层rbm不如监督的多层的深度特征表达模型。为了将多个rbm相互叠加，可以构造一个高斯-伯努利深玻尔兹曼机，用于机械振动信号的深度统计特征学习。

不同于其他基于rbm的深层模型，如深层信念网络(deepbeliefnetwork)和深层自编码器(autoencoder)，gdbm的中间层中的每个神经元都与自顶向下和自底向上的信息连接。

奥索辛-贝尔诺尔利神经元及其构成部分rbm可以使用贪婪(greedy)的逐层无监督学习算法进行预训练。一般情况下，预训练是一个自下而上的无监督的过程。如用于分类，还需要一个监督式的自上而下的调试过程。在这个过程中，最上端的outputlayer被用sigmoid函数的多层感知器(mlp)所代替。

为了适应故障分类任务，可以使用反向传播(bp)算法对所有权值w进行鉴别微调。

此外，如图4，本发明还提供了一种设备故障识别装置，包括：

信号获取模块401，用于获取设备的振动信号；

健康状态指标获取模块403，用于将所述振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据；

故障识别模块405，用于将所述健康状态指标数据输入到预设的故障识别模型进行故障识别；

故障类别确定模块407，用于根据故障识别模型输出的结果确定故障类别。

可选的，所述装置还包括：

预处理模块，用于对所述振动信息进行预处理；相应的，所述健康状态指标获取模块，用于将预处理后的振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据。

可选的，所述装置还包括：

故障类别处理模块，用于对所述故障类别进行记录、提示或/和报警。

此外，本发明还提供了一种设备故障识别设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如前所述的设备故障识别方法和装置。

本发明还提供了一种计算机系统，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如前所述的设备故障识别方法和装置。

由上述本发明提供的本发明提供了一种设备故障识别方法、装置及设备，所述方法包括：获取设备的振动信号；将所述振动信号输入到健康状态指标函数，得到所述设备的健康状态指标数据；将所述健康状态指标数据输入到预设的故障识别模型进行故障识别；根据故障识别模型输出的结果确定故障类别。更进一步的，将多层的深度神经网络的结构用于检测冷却泵等运行环境恶劣的设备中，通过对时域信号的变换处理，并通过多个健康状态指标函数得到多个健康状态指标数据，大大提升了检测结果的精确性。利用本发明提供的技术方案无需安装测速仪等测速设备，即可实现对运行条件恶劣的设备的故障检测。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。