一种智能化振动分析及故障诊断装置及其工作方法与流程

本发明涉及一种智能化振动分析及故障诊断装置及其工作方法，其属于故障诊断技术领域。

背景技术：

随着现代工业设备和系统日益大型化和复杂化，机械设备的可靠性、可用性、可维修性与安全性的问题日益突出，随着计算机技术及数字信号处理技术的迅速发展，机械设备振动监测与故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。

另一方面以振动监测与故障诊断技术为基础的设备预知维修能节省大量的维修费用，取得显著的经济效益，而且还能保证设备的安全运行，预防和减少恶性事故的发生，消除故障隐患，保障人身和设备安全，提高生产率。

目前故障诊断的基本模式为通过大量的试验获得设备的正常和故障状态下的载荷谱库，通过识别当前设备的状态来进行故障识别和诊断。这样的方法需要前期大量的试验工作量。传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统，例如汽轮发动机组、船舶推进系统等，就具有较大的局限性。

随着现代大数据技术、云计算物联网技术的发展，通过构建典型设备故障特征库大数据和云计算平台实现故障诊断，可以减少前期工作，但是在实际运行设备运行过程中，大量的现场设备均进行数据传输时，大规模的数据传输和处理会对整个云平台的运行造成压力，同时由于通过网络传输过程中的数据丢失、网络堵塞等问题，影响了系统的实时性。而设备故障的诊断对实时性要求是非常高的。因此在构建故障诊断系统时，考虑在现场实现设备端融合融合与云端融合相结合，充分利用人工智能技术和现代信息处理技术的功能，以减少数据网络传输和中心化处理对于故障诊断具有重要的现实意义和应用需求。

技术实现要素：

本发明是为了解决上述现有技术存在的问题而提供一种智能化振动分析及故障诊断装置及其工作方法，以能够实现设备端融合与云端融合相结合的设备振动分析和故障识别与诊断，通过现场端融合与云端融合相结合提高故障识别诊断能力。

本发明采用如下技术方案：一种智能化振动分析及故障诊断装置，由振动传感器、信号调理模块、信号采集模块、智能处理模块、电源模块、数据通信模块和云服务器组成，所述信号采集模块通过信号调理模块采集振动传感器所采集的振动信号，智能处理模块对采集的振动信号进行工况分析、故障识别和诊断，并通过数据通信模块将当前工况信息传输至诊断云服务器进行保存与处理。

进一步地，还包括数据中间件，所述信号调理模块和信号采集模块通过数据中间件适应不同类型振动传感器信号。

进一步地，还包括与信号采集模块相连接的外接参数接口模块。

本发明还采用如下技术方案：一种智能化振动分析及故障诊断装置的工作方法，步骤如下：

（1）.通过云服务器中建立典型设备故障特征库，用于设备故障识别与诊断，在装置初始化时通过数据通信模块将所测设备故障特征库传输至智能处理模块，构建当前设备故障特征库；

（2）.智能处理模块具有自学习功能，在系统初始时获取设备振动信号，并通过深度学习模块获取设备的时间序列趋势状态信息，在设备振动状态信息出现异常时，智能处理模块对故障信息进行识别，构建设备故障特征，根据智能处理模块中的设备故障特征库，利用模块中深度学习模块进行当前设备的现场端故障识别与诊断，并将设备状态信息和故障特征通过数据通信模块传输至云服务器中，云服务器根据当前设备状态信息和故障特征与云服务器中故障特征库进行匹配，实现设备的云端故障诊断；

（3）.云服务器具有深度学习功能，根据所获的当前设备状态信息、故障特征和典型设备故障特征库，利用深度学习功能进行设备故障识别与诊断，并将结果通过数据通信模块反馈至智能处理模块；

（4）.智能处理模块在获取云服务器反馈的故障识别诊断结果与现场端故障识别诊断结果进行融合评判，获得最终故障识别诊断结果，并通过自学习模块对智能处理模块中的故障特征库进行更新与学习；

（5）.信号采集模块外接设备温度、电流、电压、声音的设备状态传感器以匹配设备状态，智能处理模块对故障特征信号与外接温度、电流、电压、声音的设备状态信号进行多信息融合，通过深度学习算法实现故障的识别与诊断。

本发明具有如下有益效果：本发明所建立的智能化振动分析及故障诊断装置通过现场端智能处理模块进行振动信号现场端振动分析、故障识别与诊断，并结合云服务器进行云端故障识别与诊断。该装置既可以独立运行，也可以多个装置联网运行；通过人工智能方法实现设备的故障诊断，并能与设备状态传感器连接进行设备故障识别与诊断，提高了诊断的准确性。通过本发明的实施可以实现故障诊断的去中心化，避免了大量的数据传输导致的结果实时性不足。

附图说明：

图1为本发明中智能化振动分析及故障诊断装置结构示意图

图2为实施例1的结构示意图

图3为实施例2的结构示意图

具体实施方式：

下面结合附图对本发明作进一步的说明。

本发明智能化振动分析及故障诊断装置由振动传感器、信号调理模块、信号采集模块、智能处理模块、电源模块、数据通信模块和云服务器组成。信号采集模块通过信号调理模块采集振动传感器所采集的振动信号，智能处理模块对采集的振动信号进行工况分析、故障识别和诊断，并通过数据通信模块将当前工况信息传输至诊断云服务器进行保存与处理。装置能单个独立运行实现现场端智能振动分析和故障诊断，也能通过数据通信模块联网进行构建现场端融合与云端融合相结合的设备振动分析和故障识别与诊断。其中信号调理模块和信号采集模块通过数据中间件适应不同类型振动传感器信号。信号采集模块可以外接设备温度、电流、电压、声音等设备状态传感器以匹配设备状态。

云服务器中建立了典型设备故障特征库，用于设备故障识别与诊断。在装置初始化时通过数据通信模块将所测设备故障特征库传输至智能处理模块，构建当前设备故障特征库。

智能处理模块具有自学习功能，在系统初始时获取设备振动信号，并通过深度学习模块获取设备的时间序列趋势状态信息。在设备振动状态信息出现异常时，智能处理模块对故障信息进行识别，构建设备故障特征。根据智能处理模块中的设备故障特征库，利用模块中深度学习模块进行当前设备的现场端故障识别与诊断。并将设备状态信息和故障特征通过数据通信模块传输至云服务器中，云服务器根据当前设备状态信息和故障特征与云服务器中故障特征库进行匹配，实现设备的云端故障诊断。

云服务器具有深度学习功能，根据所获的当前设备状态信息、故障特征和典型设备故障特征库，利用深度学习功能进行设备故障识别与诊断，并将结果通过数据通信模块反馈至智能处理模块。

智能处理模块在获取云服务器反馈的故障识别诊断结果与本装置的现场端故障识别诊断结果进行融合评判，获得最终故障识别诊断结果。并通过自学习模块对智能处理模块中的故障特征库进行更新与学习。

智能处理模块对故障特征信号与外接温度、电流、电压、声音等设备状态信号进行多信息融合，通过深度学习算法实现故障的识别与诊断，以进一步的提升识别诊断的准确性。

下面通过两个实施例来具体说明本发明智能化振动分析及故障诊断装置及其工作方法。

实施例1

如图2所示，本装置为独立运行的设备的智能振动分析与故障诊断。系统由振动传感器、信号调理模块、信号采集模块、智能处理模块、供电模块和数据通信模块组成。具体地，振动传感器采用东华测试ia301三向压电式加速度传感器，通过信号调理模块对加速度信号进行调节，信号采集模块对3个方向的振动信号进行采集与频谱分析，获取3个方向振动信号的频率、相位和振幅等信号。整个装置采用dh-cz2001p磁力座安装在电动机机壳上。智能处理模块tir-tx2s300深度学习模块，搭载nvidiajetsontx2模块，无线数据传输模块采用usr-c322wifi模块，与tir-tx2s300板载wifi接口连接。同时通过装置的外接信号接口连接电压和电流传感器，测试电动机的运行状态。

在装置初始化时，用户设置当前装置采集的振动信号类型，智能处理模块通过数据通信模块与云服务器连接，获取所选择设备的典型工况载荷谱数据，并进行保存。在设备运行过程中，智能处理模块根据所采集的振动信号，与载荷谱数据库中数据进行对比，根据当前设备的运行工况对载荷谱进行学习、修正和更新，并将学习更新的载荷谱上传至服务器进行云服务器端载荷谱更新。

当设备出现运行故障时，智能处理模块根据所采集的3方向加速度信号，提取信号的特征频率、相位差、振幅等特征，与所存储的典型工况载荷谱数据进行对比，对当前设备故障进行识别；并对此刻电动机的电压、电流的特征进行分析，通过深度神经网络算法建立故障时刻的振动频谱的频率、相位差、振幅等特征与电压、电流的特征之间的关系，进行电动机的故障诊断，获得当前设备故障结果。

根据故障诊断结果，分别对典型工况载荷谱数据和故障特征进行更新和自学习，并将相应的工况载荷谱数据通过通信模块传输至云服务器，对服务器中的工况载荷谱数据进行更新和自学习。

实施例2

如图3所示，采用3个本装置联网运行进行设备的运行状态监测与故障诊断。系统由振动传感器、信号调理模块、信号采集模块、智能处理模块、供电模块和数据通信模块组成。具体地，振动传感器采用东华测试ia301三向压电式加速度传感器，通过信号调理模块对加速度信号进行调节，信号采集模块对3个方向的振动信号进行采集与频谱分析，获取3个方向振动信号的频率、相位、振幅信号。智能处理模块tir-tx2s300深度学习模块，搭载nvidiajetsontx2模块，无线数据传输模块采用usr-c322wifi模块，与tir-tx2s300板载wifi接口连接。通过usr-gw200网关进行装置联网，并与云服务器进行通信。同时通过装置的外接信号接口连接汽轮机主轴扭矩、转速传感器以及轴温度、轴位移传感器，测试汽轮机的运行状态。3个装置采用dh-cz2001p磁力座分别安装在汽轮机机壳、主轴和缸盖上。

在装置初始化时，用户分别设置3个振动装置采集的振动信号类型，智能处理模块通过通信模块与云服务器连接，获取所选择设备的典型工况载荷谱数据，并进行保存。在设备运行过程中，智能处理模块根据所采集的振动信号，与载荷谱数据库中数据进行对比，根据当前设备的运行工况对载荷谱进行学习、修正和更新，并将学习更新的载荷谱上传至服务器进行云服务器端载荷谱更新。

当设备出现运行故障时，智能处理模块根据所采集的3个加速度信号，提取信号的特征频率、相位差、振幅等特征，智能处理模块根据当前所获取的特征信号，基于d-s证据理论对3个传感器所采集的信号进行数据加权融合，对当前设备的状态进行评价；同时与所存储的典型工况载荷谱数据进行对比，对当前设备故障进行识别。并对此刻汽轮机主轴扭矩、转速传感器以及轴温、轴位移传感器的特征进行分析，通过深度神经网络算法建立故障时刻的振动频谱的频率、相位差、振幅等特征与主轴扭矩、转速和轴温、轴位移等特征进行电动机的故障诊断，获得当前设备故障诊断结果。

根据故障诊断结果，分别对典型工况载荷谱数据和故障特征进行更新和自学习。并将相应的工况载荷谱数据通过通信模块传输至云服务器，对服务器中的工况载荷谱数据进行更新和自学习

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。