技术特征：
1.一种设备状态检测方法，其特征在于：包括以下步骤：1)获取设备的时域振动信号，并进行时频转换从而得到频域振动信号；2)将时域振动信号进行自相关处理，得到自相关振动信号；3)将获取的时域振动信号、自相关振动信号和频域振动信号输入至设备状态检测模型中进行异常检测，以得到设备状态运行结果，所述设备运行状态结果包括正常和异常。2.根据权利要求1所述的设备状态检测方法，其特征在于：将获取的时域振动信号、自相关振动信号和频域振动信号输入至设备状态检测模型前，还需要进行如下数据处理：对时域振动信号进行截取，以使截取后的时域振动信号长度和频域振动信号长度、自相关振动信号长度均相等，进而将截取后的时域振动信号、频域振动信号和自相关振动信号作为三个通道的输入，以组成初始输入数据；将所述初始输入数据转换为二维图像格式的数据以作为设备状态检测模型的最终输入数据。3.根据权利要求1或2所述的设备状态检测方法，其特征在于：在训练所述设备状态检测模型时，所使用的训练样本为正常工况下的振动信号数据。4.根据权利要求2所述的设备状态检测方法，其特征在于：截取时域振动信号时，截取的时域振动信号为连续的时域振动信号。5.根据权利要求1所述的设备状态检测方法，其特征在于：所述设备状态检测模型使用损失函数中的潜在损失作为异常分数s进行评价振动信号对应的设备状态；具体评价方法如下：s＜t
b
则s≥t
b
则其中，t
b
为异常监测阈值，y_pred
i
＝0表示设备正常，y_pred
i
＝1表示设备异常。6.根据权利要求5所述的设备状态检测方法，其特征在于：异常监测阈值t
b
依据以下方法计算得到：s1.将已标注正常样本和异常样本的数据集，输入训练好的设备状态检测模型中进行测试，以计算每个样本的异常分数s
i
，在所有样本对应的异常分数中求取最小值和最大值，并分别记为s
min
和s
max
；s2.将s
min
≤s≤s
max
中的每个s作为异常监测阈值，分别计算精确度precesion(s)、召回率recall(s)和f1分数f1_score(s)，计算公式如下：率recall(s)和f1分数f1_score(s)，计算公式如下：率recall(s)和f1分数f1_score(s)，计算公式如下：其中，tp为模型正确预测正例的结果；fp为模型错误预测正例的结果；tn为模型正确预测反例的结果；fn为模型错误预测反例的结果；s3.依据计算获得的f1分数f1_score(s)求取异常监测阈值t
b
，计算公式如下：
其中，argmax表示求取s
min
≤s≤s
max
范围内f1分数f1_score(s)的最大值。7.根据权利要求1所述的设备状态检测方法，其特征在于：所述设备状态检测模型采用对抗网络学习模型，所述对抗网络学习模型包括：生成器和判别器；所述生成器包括第一编码器g
e1
、解码器g
d
以及第二编码器g
e2
；所述第一编码器g
e1
用于接收待检测的输入数据x进行特征提取，获得特征数据z；所述解码器g
d
用于对获得的特征数据z进行重解码，以获得重解码数据所述第二编码器g
e2
用于对所述重解码数据再次进行特征提取，以输出特征表示所述判别器d用于判别待检测的输入数据x以及所述重解码数据的真假。8.根据权利要求7所述的设备状态检测方法，其特征在于：在训练所述设备状态检测模型时使用的损失函数为：其中，为对抗损失、为重构损失和为潜在损失，ω
adv
为对抗损失权重，ω
con
表示重构损失权重，ω
enc
表示潜在损失权重，ω
adv
>0，ω
con
>0，ω
enc
>0，对抗损失重构损失和潜在损失的公式分别为：l
con
＝e
x～px
‖x-g(x)‖2其中，e
x～px
d(g(x))为函数d(g(x))在分布px上的期望，g(x)＝g
d
(g
e1
(x))即表示输入数据x对应的重构信号，d(x)为判别器输出，g
e1
(x)为第一编码器输出，g
e2
(g(x))为第二编码器的输出。9.根据权利要求8所述的设备状态检测方法，其特征在于：ω
adv
＝10，ω
con
＝1；ω
enc
＝1。10.根据权利要求1所述的设备状态检测方法，其特征在于：训练所述设备状态检测模型时所使用的训练样本为不同工况下的振动信号，所述不同工况为不同负载和不同转速下的工况。
技术总结
本发明属于机械系统振动状态监测技术领域，具体涉及一种设备状态检测方法，本发明通过采集多工况的正常数据并通过正常数据的学习，通过构建仅使用正常的多工况振动数据训练样本进行对深度学习模型的学习、训练，以实现异常状态的实时在线识别。具体地，通过深度学习网络提取数据的本质特征，然后依据建立的异常监测阈值来实现对各类异常数据的判别。并且本发明方法充分利用了时域、频域、自相关信息，通过深度自编码器进行特征提取可以捕捉到多工况正常样本的本质特征，有效提升在多工况下的振动状态异常检测能力。由此，本发明解决了现有技术中异常检测准确度低的问题。现有技术中异常检测准确度低的问题。现有技术中异常检测准确度低的问题。
技术研发人员：雷文平 胡鑫 李永耀 张君浩 张培 王宏超 陈磊 陈宏 李凌均 王丽雅 韩捷
受保护的技术使用者：郑州恩普特科技股份有限公司
技术研发日：2022.06.13
技术公布日：2022/9/13