本申请涉及工业设备故障检测技术领域，具体涉及一种旋转机械设备的故障检测方法及装置。
背景技术
在工业生产背景中，需要对旋转机械设备例如汽轮机的工作状态进行监控。传统的旋转机械设备状态监控采用的是固定阈值监测和故障判断，该方式可以通用性解决一类状态的监测问题。但是随着被监测状态和参数的复杂化、所处行业生产过程的复杂化以及其他非一致性的客观条件，例如设备老化、型号差异、生产过程差异等，基于传统的固定阈值监测以实现故障检测会存在故障误报、故障漏报等情况，无法做到有效地故障检测。
在现有技术中，还可以采用有经验的人员配合现有的故障检测系统实现人工干预和预判从而进行有效的故障检测，但是增加了人力成本且监测效果受主观因素影响较大，具有一定的局限性。
技术实现要素：
有鉴于此，本申请实施例提供一种旋转机械设备的故障检测方法及装置，以解决现有技术中无法有效进行故障检测的技术问题。
为解决上述问题，本申请实施例提供的技术方案如下：
一种旋转机械设备的故障检测方法，包括：
获取旋转机械设备的原始振动信号；
从所述原始振动信号中提取振动信号特征值；
将所述振动信号特征值以及采集到的所述旋转机械设备的设备数据输入专家决策系统，获得所述旋转机械设备是否存在故障的故障判断结果，所述专家决策系统是根据历史数据、所述历史数据对应的故障判断结果以及专家经验知识构建的，所述历史数据包括历史振动信号特征值以及历史设备数据；
当获取到所述旋转机械设备存在故障的故障判断结果，将所述振动信号特征值以及所述设备数据输入故障分类模型，获得故障分类结果，所述故障分类模型是根据所述历史数据以及所述历史数据对应的故障分类结果训练生成的。
在一种可选的实现方式中，所述方法还包括：
将所述振动信号特征值以及所述设备数据作为所述历史数据，更新所述故障分类模型和/或所述专家决策系统。
在一种可选的实现方式中，所述方法还包括：
根据所述原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将所述时间点作为所述旋转机械设备的寿命估计值。
在一种可选的实现方式中，所述从所述原始振动信号中提取振动信号特征值，包括：
将所述原始振动信号进行预处理，获得预处理后的振动信号，所述预处理包括单位转换处理以及积分处理；
将所述预处理后的振动信号进行低通滤波处理，获得去除噪声的振动信号，所述去除噪声的振动信号包括振动信号时域数据；
将所述去除噪声的振动信号进行快速傅里叶变换，得到振动信号频域数据，所述振动信号频域数据包括振动信号幅值数据、振动信号相位数据，将所述振动信号幅值数据、所述振动信号相位数据以及所述振动信号时域数据确定为振动信号特征值。
在一种可选的实现方式中，所述专家决策系统采用树状结构，所述树状结构的叶子节点输出所述旋转机械设备是否存在故障的故障判断结果，所述树状结构的各个非叶子节点记录有一个属性特征的程度值，所述树状结构的各个非叶子节点的位置根据各个非叶子节点对应的属性特征的信息增益确定。
对应于上述旋转机械设备的故障检测方法，本申请提出了一种旋转机械设备的故障检测装置，所述装置包括：
获取单元，用于获取旋转机械设备的原始振动信号；
提取单元，用于从所述原始振动信号中提取振动信号特征值；
判断单元，用于将所述振动信号特征值以及采集到的所述旋转机械设备的设备数据输入专家决策系统，获得所述旋转机械设备是否存在故障的故障判断结果，所述专家决策系统是根据历史数据、所述历史数据对应的故障判断结果以及专家经验知识构建的，所述历史数据包括历史振动信号特征值以及历史设备数据；
分类单元，用于当获取到所述旋转机械设备存在故障的故障判断结果，将所述振动信号特征值以及所述设备数据输入故障分类模型，获得故障分类结果，所述故障分类模型是根据所述历史数据以及所述历史数据对应的故障分类结果训练生成的。
在一种可选的实现方式中，所述装置还包括：
更新单元，用于将所述振动信号特征值以及所述设备数据作为所述历史数据，更新所述故障分类模型和/或所述专家决策系统。
在一种可选的实现方式中，所述装置还包括：
预测单元，用于根据所述原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将所述时间点作为所述旋转机械设备的寿命估计值。
在一种可选的实现方式中，所述提取单元具体包括：
预处理单元，用于将所述原始振动信号进行预处理，获得预处理后的振动信号，所述预处理包括单位转换处理以及积分处理；
低通滤波处理单元，用于将所述预处理后的振动信号进行低通滤波处理，获得去除噪声的振动信号，所述去除噪声的振动信号包括振动信号时域数据；
确定单元，用于将所述去除噪声的振动信号进行快速傅里叶变换，得到振动信号频域数据，所述振动信号频域数据包括振动信号幅值数据、振动信号相位数据，将所述振动信号幅值数据、所述振动信号相位数据以及所述振动信号时域数据确定为振动信号特征值。
在一种可选的实现方式中，所述专家决策系统采用树状结构，所述树状结构的叶子节点输出所述旋转机械设备是否存在故障的故障判断结果，所述树状结构的各个非叶子节点记录有一个属性特征的程度值，所述树状结构的各个非叶子节点的位置根据各个非叶子节点对应的属性特征的信息增益确定。
由此可见，本申请实施例具有如下有益效果：
本申请实施例基于历史数据预先构建了用于故障判断的专家决策系统以及用于故障分类的故障分类模型，在获得旋转机械设备的原始振动信号后，可以提取到振动信号特征值，将振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，可以得到旋转机械设备是否存在故障的故障判断结果，进一步的，当存在故障时，将振动信号特征值以及采集到的旋转机械设备的设备数据输入故障分类模型可以得到故障分类结果。本申请实施例利用人工智能算法可以实现旋转机械设备的智能故障诊断及分类，提高了故障检测的效率以及有效性。
附图说明
图1为本申请实施例提供的一种旋转机械设备的故障检测方法实施例的流程图；
图2为本申请实施例提供的从原始振动信号中提取振动信号特征值的流程图；
图3为本申请实施例提供的专家决策系统树状结构示例图；
图4为本申请实施例提供的一种旋转机械设备的故障检测方法的结构示意图；
图5为本申请实施例提供的一种旋转机械设备的故障检测装置实施例的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
随着现代工业的快速发展，旋转式机械设备作为驱动各种生产设备运转的原动机，一旦其发生故障而停止工作，将导致整个生产过程的停滞，造成不可估量的经济损失，因此，对其作业实时状态监测及故障检测的研究也变得尤其重要。传统的旋转机械设备状态的监测采用的是固定阈值监测和故障判断，可以通用性解决一类状态的监测问题，但是随着设备本身的老化及工业生产过程差异等自身及外界因素的影响，传统的监测方法已无法有效地对旋转式机械设备故障的进行精准检测。
基于此，本申请提出了一种旋转机械设备的故障检测方法和装置，实现对旋转机械设备的智能的故障诊断及分类。
以下将结合附图对本申请实施例提供的旋转机械设备的故障检测方法进行详细说明。参见图1所示，其示出了本申请实施例提供的一种旋转机械设备的故障检测方法实施例的流程图，本实施例可以包括以下步骤：
步骤101：获取旋转机械设备的原始振动信号。
在本申请实施例中，采用人工智能的方式，结合了历史振动信号与专家系统实现了对旋转机械设备的智能故障检测。为了有效检测旋转机械设备的故障，首先获取旋转机械设备的原始振动信号，其中，旋转机械设备的原始振动信号指的是以旋转机械设备的转速为基频的周期信号。根据实际应用情况，采集的原始振动信号可以分为：轴承振动评定，即，被检测点位于轴承基座；轴振动值评定，即被检测点位于基座上，轴的两侧。当故障发生时，原始振动信号是非稳定和非线性的信号，通过对这些信号进行分析和处理，便于后续判断旋转机械设备的故障结果。
在获取到旋转机械设备的原始振动信号后，可继续执行步骤102。
步骤102：从原始振动信号中提取振动信号特征值。
在实际应用中，在获取到旋转机械设备的原始振动信号后，将从这些原始振动信号中提取出振动信号特征值，在进行旋转机械设备的故障检测过程中，提取出的振动信号特征值是否能准确表征旋转机械设备的不同故障对应的不同振动信号对于检测结果是非常重要的。以下结合附图对该振动信号特征值提取过程进行介绍。
参见图2所示，其示出了本申请实施例提供的从原始振动信号中提取振动信号特征值的流程图，具体可以包括以下步骤：
步骤201：将原始振动信号进行预处理，获得预处理后的振动信号，该预处理包括单位转换处理以及积分处理。
在具体实现过程中，在获取到旋转机械设备的原始振动信号后，将结合震动频率及灵敏度系数，对这些原始振动信号进行单位转换和积分等处理，将其变换成为被检测点的相对位移量，速度量，加速度量等物理单位，同时将振动信号的平均值输出，作为轴心位置的一个分量。接着，执行步骤202.
步骤202：将预处理后的振动信号进行低通滤波处理，获得去除噪声的振动信号，去除噪声的振动信号包括振动信号时域数据。
在具体实现过程中，在对原始振动信号进行预处理后，可得到预处理后的振动信号，但由于在振动信号采集过程中，会受到现场生产车间各种因素的影响，采集的信号数据不可避免的混有噪声，有时，噪声甚至可以把有用的信息完全淹没，因此，需要将预处理后的振动信号进行低通滤波处理。本申请通过设计低通滤波器的各个参数，并采用无相位滞后滤波算法，获得去除噪声的振动信号，其中，去除噪声的振动信号包括振动信号时域数据。在获得去除噪声的振动信号后，可执行步骤203。
步骤203：将去除噪声的振动信号进行快速傅里叶变换，得到振动信号频域数据，该振动信号频域数据包括振动信号幅值数据、振动信号相位数据，将该振动信号幅值数据、振动信号相位数据以及振动信号时域数据确定为振动信号特征值。
在具体实现过程中，获得去除噪声的振动信号后，为了提取振动信号的特征值，将对去除噪声的振动信号进行快速傅里叶变换，本申请采用快速傅里叶变换(fastfouriertransform，简称fft)，实现将振动信号从时域到频域的转换，从而得到振动信号的幅值、相位等频域数据，并将该振动信号离散的幅值数据、振动信号相位数据以及原来的时域信号数据确定为振动信号特征值。
在本申请实施例中，在从原始振动信号中提取到振动信号特征值之后，可执行步骤103。
步骤103：将该振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，获得旋转机械设备是否存在故障的故障判断结果，其中，该专家决策系统是根据历史数据、历史数据对应的故障判断的结果以及专家经验知识构建的，该历史数据包括历史振动信号特征值以及历史设备数据。
在本申请实施例中，采用人工智能的方式，结合了历史振动信号与专家系统实现了对旋转机械设备的智能故障检测。
在实际应用中，在从原始振动信号中提取到振动信号特征值后，将该振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，获得旋转机械设备是否存在故障的故障判断结果，其中，旋转机械设备的设备数据指的是设备自身温度以及所处的外界环境温度、设备的压力以及转速等设备数据。而专家决策系统指的是根据历史数据、历史数据对应的故障判断的结果以及专家经验知识构建的，该历史数据包括历史振动信号特征值以及历史设备数据，这些历史振动信号特征值以及历史设备数据对应的是旋转机械设备是否存在故障的故障判断结果。历史振动信号特征值是从历史振动信号中提取的，提取的方式与从原始振动信号中提取振动信号特征值类似，在此不再赘述。
在本申请实施例中，一种可选的实施方式是，本申请中的专家决策系统采用树状结构，实现对故障发生与否的逻辑判断，其中，该树状结构的叶子节点输出旋转机械设备是否存在故障的故障判断结果，该树状结构的各个非叶子节点记录有一个属性特征的程度值，该树状结构的各个非叶子节点的位置根据各个非叶子节点对应的属性特征的信息增益确定。
在具体实现过程中，专家决策系统树状结构的叶子结点值只能为1或0，表示故障发生或运行正常。树上的各个非叶子节点记录有一个属性特征的程度值。并且结点的每个后继分支对应于该属性的一个可能值或范围。属性结点的参数设定依据人工专家的经验，并且可以根据设备实际运行工况或设备型号专门配置。
专家决策系统的决策过程是从这棵树的根结点开始的，测试该结点的指定属性，然后根据该结点分支的逻辑属性向下移动。然后该过程在以新结点为根的子树上重复。最终到达叶子节点是即可得出故障发生与否的判断。
专家决策系统树状结构举例如图3所示，其示出了本申请实施例提供的专家决策系统树状结构示例图，
举例说明：如图3所示，图中非叶子节点记录有一个属性特征为1×频谱，该属性特征的程度值为20，其他各个非叶子节点的位置根据各个非叶子节点对应的1×频谱这个属性特征的信息增益确定，越靠近该结点属性结点的信息增益越大，例如轴承乌金温度则是信息增益最大等，依次类推，直至到达叶子节点，即可得出故障发生与否的判断，例如当推力瓦块金属温度>50度时，可得出故障发生的故障判断结果，当推力瓦块金属温度>50度不成立时，可得出设备是正常运行的故障判断结果。
本申请中专家决策系统决策树的构造过程不依赖领域知识，它使用属性选择度量来选择将元组最好地划分成不同的类的属性。所谓决策树的构造就是进行属性选择度量确定各个特征属性之间的拓扑结构。
在实际应用中，为了加快决策判断过程，本申请的专家决策系统模型是根据专家经验知识判断其他属性特征的信息增益的大小，并根据信息增益的大小来布置结点属性的分布，越靠近根结点属性结点信息增益越大，构建最佳的故障判断决策系统。为了精确地定义信息增益，本算法采用信息论中广泛使用的一个度量标准，称为熵(entropy)，它刻画了任意属性的纯度。
在具体实现过程中，决策树的关键步骤是分裂属性。所谓分裂属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支，其目标是让各个分裂子集尽可能地“纯”。尽可能“纯”就是尽量让一个分裂子集中待分类项属于同一类别。
期望信息越小，信息增益越大，从而纯度越高。算法的核心思想就是以信息增益度量属性选择，选择分裂后信息增益最大的属性进行分裂。下面先定义几个要用到的概念。
设d为用类别对训练元组进行的划分，则d的熵(info)表示为：
其中pi表示第i个类别在整个训练元组中出现的概率，可以用属于此类别元素的数量除以训练元组元素总数量作为估计。熵的实际意义表示是d中元组的类标号所需要的平均信息量。
现在我们假设将训练元组d按属性a进行划分，则a对d划分的期望信息为：
而信息增益即为两者的差值：
gain(a)＝info(d)-infoa(d)
每次需要分裂时，计算每个属性的增益率，然后选择增益率最大的属性进行分裂。
先将d中元素按照特征属性排序，则每两个相邻元素的中间点可以看做潜在分裂点，从第一个潜在分裂点开始，分裂d并计算两个集合的期望信息，具有最小期望信息的点称为这个属性的最佳分裂点，其信息期望作为此属性的信息期望。
对于非离散型连续数据，首先要完成“分类”将其完成成为离散数据，形成数据记录元祖，将数据记录元祖泛化形成符合期望的特征值元祖。
实际构建决策树过程中，需要结合实际故障率和故障分布决定整个决策树叶子节点“繁盛”程度，即实际最终状态故障叶子节点的实际对特征占比覆盖应该符合实际故障率的统计值和经验值。
针对记录元祖故障分类后泛化形成的特征值元祖，将会产生不同差异的故障分布，根据该分布决定决策树深度以及分裂过程中粒度，及分裂深度，以拟合实际故障分布。
在本申请实施例中，当通过专家决策诊断系统获取到旋转机械设备存在故障的故障判断结果之后，可执行步骤104。
步骤104：当获取到旋转机械设备存在故障的故障判断结果，将振动信号特征值以及设备数据输入故障分类模型，获得故障分类结果，该故障分类模型是根据历史数据以及历史数据对应的故障分类结果训练生成的。
在实际应用中，当通过专家决策系统获取到旋转机械设备存在故障的故障判断结果后，将振动信号特征值以及设备数据输入故障分类模型，获得故障分类结果，其中，故障分类模型是根据历史数据以及历史数据对应的故障分类结果训练生成的。本申请在故障分类模型中采用的故障分类算法可以是支持向量机(supportvectormachine，简称svm)的多分类算法。该算法在学习复杂的非线性模式时提供了一种更为清晰，更加强大的方式。在分类应用中能实现在有足够域度的情况下实现精确且安全的故障模式分类。
在本申请实施例中，采用的故障分类算法的计算公式如下：
hθ(x)＝1；ifθtx≥0
hθ(x)＝0；ifθtx＜0
其中，hθ(x)函数是对于样本x取值的概率函数，表示其相似该特征故障的概率，而hθ(x)＝1则表示明确某种故障的分类，参数θ是故障分类模型的待估计参数。
故障分类模型自学习校正算法通过如下的最小化代价函数得到参数θ：
cost1(θtx(i))＝-loghθ(x(i))
cost0(θtx(i))＝-log(1-hθ(x(i)))
其中，cost函数为代价函数，用来估计样本属于某类的风险程度，其值越小代表越有可能属于这类，x代表每个样本数据点在某一个特征上的值，即特征向量x的某个值，y则表示每个样本数据的所属类别标签。
对于多故障分类问题可以将上诉二分类算法应用多次，实现多次的二分类，最终实现多故障分类。
在具体实现过程中，在获得故障分类结果后，还可以将设备的故障分类报告至工程师，以便于工程师对发生故障的设备进行维修并确认设备的故障类型，同时对故障分类模型进行修正，在故障分类结果确认后，本申请将正确的故障分类结果以及故障振动信号特征值、设备数据作为历史数据加入数据库，实现对数据库的实时更新。
在本申请一些可选的实现方式中，本申请还包括：将所述振动信号特征值以及所述设备数据作为所述历史数据，更新所述故障分类模型和/或所述专家决策系统。
在实际应用中，当通过本申请的旋转机械设备的故障检测方法获得设备故障的分类结果后，可以将各故障分类结果对应的振动信号特征值以及设备数据作为历史数据，结合对应的故障判断结果对专家决策系统进行更新；同时，也可以将各故障分类结果对应的振动信号特征值以及设备数据作为历史数据，结合对应的故障分类结果对故障分类模型进行更新，以便于后续进行更有效的旋转机械设备的故障检测。
在本申请一些可选的实现方式中，本申请还包括：根据所述原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将所述时间点作为所述旋转机械设备的寿命估计值。
在实际应用中，当通过本申请的旋转机械设备的故障检测方法获得设备故障的分类结果后，还可以根据原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将该时间点作为旋转机械设备的寿命估计值，并且对于关键设备或元件在寿命小于一定阈值时进行提前的预报警。
其中，通频振动幅值表示的是振动原始波形的振动幅值。而自回归滑动平均模型(auto-regressivemovingaveragemodel，简称arma)则是一种常用的传统时间序列分析模型。对于依赖于时间t的一组随机变量，此处选择去除周期成分的振动信号，其整个序列的变化具有一定的规律性，用相应的数学模型加以描述，通过对该数学模型的分析研究，能够更本质的认识时间序列的结构与特征，达到最小方差意义下的预测。
自回归滑动平均序列{xt}模型如下公式所示：
其中，参数
接着，采用最小二乘法对上述模型进行参数辨识，然后计算残差序列的自相关函数来对模型进行检验。对于自相关函数值较小的自回归滑动平均模型，即为对原始振动序列随机信号部分的很好近似，因此，基于该模型和振动信号的固定周期成分即可计算对设备故障时间进行预测，从而得到旋转机械设备的寿命估计值，当对于关键设备或元件在寿命小于一定阈值时，进行提前的预报警。
这样，本申请实施例基于历史数据预先构建了用于故障判断的专家决策系统以及用于故障分类的故障分类模型，在获得旋转机械设备的原始振动信号后，可以提取到振动信号特征值，将振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，可以得到旋转机械设备是否存在故障的故障判断结果，进一步的，当存在故障时，将振动信号特征值以及采集到的旋转机械设备的设备数据输入故障分类模型可以得到故障分类结果。本申请实施例利用人工智能算法可以实现旋转机械设备的智能故障诊断及分类，提高了故障检测的效率以及有效性。
为便于理解，现结合图4所示一种旋转机械设备的故障检测方法的结构示意图，对本申请实施例提供的旋转机械设备的故障检测方法的实现过程进行整体性介绍。
如图4所示，本申请实施例的整体实现过程为：首先，获取旋转机械设备的原始振动信号，接着，采用预处理、低通滤波以及快速傅里叶变换算法从原始振动信号中提取出振动信号的幅频、相频和时频作为振动信号特征值，具体实现过程参见步骤101～步骤102；然后，将振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，获得旋转机械设备是否存在故障的故障判断结果，具体实现过程参见步骤103。最后，当获取到旋转机械设备存在故障的故障判断结果后，将振动信号特征值以及设备数据输入故障分类模型，获得故障分类结果，具体实现过程参见步骤104。同时，在获得故障分类结果后，可将结果上报给工程师进行确认和维修。在故障类型确认后，本申请还可以将正确故障分类结果与振动信号特征值以及设备数据建立一定的对应关系并加入数据库，进而对故障分类模型进行加强和修正，实现旋转机械设备的故障检测的自学习功能。经过反复的诊断、学习迭代过程，不断完善该检测方法，提高检测精确度。进一步的，在获得故障分类结果后，本申请还可以根据原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将该时间点作为旋转机械设备的寿命估计值，对于关键设备或元件在寿命小于一定阈值时进行提前的预报警。最终可以实现精度远高于传统检测方法的旋转机械设备的故障检测方法以及设备(元件)寿命的预测。
参见图5所示，本申请还提供一种旋转机械设备的故障检测装置实施例，该装置包括：
获取单元501，用于获取旋转机械设备的原始振动信号。
提取单元502，用于从所述原始振动信号中提取振动信号特征值。
判断单元503，用于将所述振动信号特征值以及采集到的所述旋转机械设备的设备数据输入专家决策系统，获得所述旋转机械设备是否存在故障的故障判断结果，所述专家决策系统是根据历史数据、所述历史数据对应的故障判断结果以及专家经验知识构建的，所述历史数据包括历史振动信号特征值以及历史设备数据。
分类单元504，用于当获取到所述旋转机械设备存在故障的故障判断结果，将所述振动信号特征值以及所述设备数据输入故障分类模型，获得故障分类结果，所述故障分类模型是根据所述历史数据以及所述历史数据对应的故障分类结果训练生成的。
在本申请一些可能的实现方式中，所述装置还包括：
更新单元，用于将所述振动信号特征值以及所述设备数据作为所述历史数据，更新所述故障分类模型和/或所述专家决策系统。
在本申请一些可能的实现方式中，所述装置还包括：
预测单元，用于根据所述原始振动信号以及自回归滑动平均模型对通频振动幅值超过阈值的时间点进行预测，将所述时间点作为所述旋转机械设备的寿命估计值。
在本申请一些可能的实现方式中，所述提取单元502具体包括：
预处理单元，用于将所述原始振动信号进行预处理，获得预处理后的振动信号，所述预处理包括单位转换处理以及积分处理；
低通滤波处理单元，用于将所述预处理后的振动信号进行低通滤波处理，获得去除噪声的振动信号，所述去除噪声的振动信号包括振动信号时域数据；
确定单元，用于将所述去除噪声的振动信号进行快速傅里叶变换，得到振动信号频域数据，所述振动信号频域数据包括振动信号幅值数据、振动信号相位数据，将所述振动信号幅值数据、所述振动信号相位数据以及所述振动信号时域数据确定为振动信号特征值。
在本申请一些可能的实现方式中，所述专家决策系统采用树状结构，所述树状结构的叶子节点输出所述旋转机械设备是否存在故障的故障判断结果，所述树状结构的各个非叶子节点记录有一个属性特征的程度值，所述树状结构的各个非叶子节点的位置根据各个非叶子节点对应的属性特征的信息增益确定。
由上述实施例可以看出，本申请实施例基于历史数据预先构建了用于故障判断的专家决策系统以及用于故障分类的故障分类模型，在获得旋转机械设备的原始振动信号后，可以提取到振动信号特征值，将振动信号特征值以及采集到的旋转机械设备的设备数据输入专家决策系统，可以得到旋转机械设备是否存在故障的故障判断结果，进一步的，当存在故障时，将振动信号特征值以及采集到的旋转机械设备的设备数据输入故障分类模型可以得到故障分类结果。本申请实施例利用人工智能算法可以实现旋转机械设备的智能故障诊断及分类，提高了故障检测的效率以及有效性。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。