旋转设备状态监测方法及装置与流程

本发明涉及自动控制技术领域，尤其涉及一种旋转型机械设备状态监测方法及装置。

背景技术：

旋转型机械设备简称旋转设备，旋转设备在日常生活和生产中的应用越来越广泛，对旋转设备的运行状态进行监测，实时了解旋转设备的运行状态非常重要。

现有技术中，针对旋转设备状态的监测大多采用在旋转设备两端轴座上设置两组三维(x、y、z方向)加速度振动传感器，测量振动位移矢量，监测主轴与轴瓦(轴座)之间的轴向、径向游离与波动情况，振动传感器利用压电晶体的正压电效应，当压电晶体在一定方向的外力作用下，它的晶体面产生电压，采集电路检测出这个电压值后换算成受力大小f，由公式a＝f/m可以得出瞬间加速度大小a，对加速度二次积分得出瞬间位移量，从而得出被测对象振动频谱和振动位移。然后，由技术专家对振动频谱、振动位移进行人工分析，得出旋转设备的运行状态。

但是，现有技术中的监测方法，采用的压电式传感器体积大，供电电压高，电池供电不方便，并且低频响应性能差。数据分析及运行状态的确定需要根据工人经验进行判断，主观性强，判断结果不准确，不适合大批量推广。

技术实现要素：

本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的旋转设备状态监测方法及装置。

为了解决上述技术问题，一方面，本发明实施例提供一种旋转设备状态监测方法，包括：

获取被测旋转设备的设备信息；

采集所述被测旋转设备当前的加速度振动信息；

将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

进一步地，所述将所述加速度振动信息输入至预设的目标算法模型之前，还包括：

从所述预设算法模型库中匹配与所述设备信息相对应的所述目标算法模型。

进一步地，所述输出所述被测旋转设备的当前的运行状态之后，还包括：

实时显示所述被测旋转设备的当前的运行状态。

进一步地，所述输出所述被测旋转设备的当前的运行状态之后，还包括：

将所述加速度振动信息发送至云端服务器，以供所述云端服务器根据所述加速度振动信息重新确定所述被测旋转设备的当前的运行状态，并以供用户登录所述云端服务器查看重新确定的所述被测旋转设备的当前的运行状态。

进一步地，所述设备信息为所述被测旋转设备的型号。

进一步地，所述设备信息至少包含所述被测旋转设备的额定转速、额定电压和额定电流中的一种。

进一步地，所述将所述加速度振动信息发送至云端服务器之后，还包括：

接收所述云端服务器重新确定的所述被测旋转设备的当前的运行状态；

显示所述云端服务器重新确定的所述被测旋转设备的当前的运行状态。

另一方面，本发明实施例提供一种旋转设备状态监测装置，包括：

通信模块，用于获取被测旋转设备的设备信息；

mems振动传感器，用于采集所述被测旋转设备当前的加速度振动信息；

人工智能处理器，用于将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。

又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。

本发明实施例提供的旋转设备状态监测方法及装置，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

附图说明

图1为本发明实施例提供的旋转设备状态监测方法示意图；

图2为本发明实施例提供的旋转设备状态监测装置示意图；

图3为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明保护的范围。

图1为本发明实施例提供的旋转设备状态监测方法示意图，如图1所示，本发明实施例提供一种旋转设备状态监测方法，其执行主体为旋转设备状态监测装置，简称状态检测装置。该方法包括：

步骤s101、获取被测旋转设备的设备信息；

步骤s102、采集所述被测旋转设备当前的加速度振动信息；

步骤s103、将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

具体来说，本发明实施例涉及的旋转设备状态监测装置包括通信模块、mems振动传感器和人工智能处理器。

本发明实施例涉及的旋转设备状态监测装置可以作为一个独立的设备单独工作，也可以与云端服务器和移动终端构成一个旋转设备状态监测系统。在该系统中，旋转设备状态监测装置通过通信模块与云端服务器进行连接，移动终端可以实时地访问云端服务器。

其中，通信模块可以为gprs模块、nbiot模块或蓝牙模块，也可以根据实际需要选择其它类型的通信模块。

旋转设备状态监测装置开始工作后，首先，通过通信模块获取被测旋转设备的设备信息。

设备信息可以作为被测旋转设备的身份标识，因为，为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。所以，在工作时，需要获取被测旋转设备的设备信息。

该设备信息，可以是用户在使用时临时输入的。如果是针对某一种特定的旋转设备专门设计的状态监测装置，那么采用的算法模型也是特定的，无需在使用时手动输入，在装置初始化过程中，直接获取相应的算法模型。

然后，通过mems振动传感器采集被测旋转设备当前的加速度振动信息。

当旋转设备状态监测装置安装到被测旋转设备上并开始工作后，旋转设备状态监测装置中的mems振动传感器实时地采集被测旋转设备当前的加速度振动信息，并将被测旋转设备当前的加速度振动信息发送到人工智能处理器。

该加速度振动信息根据mems振动传感器的种类的不同，可以采用不同的参数表征，例如，可以是mems振动传感器内部电路采集的原始电压值，也可以是经过转换后得到的被测旋转设备的加速度值等。

最后，通过人工智能处理器将加速度振动信息输入至预设的目标算法模型，输出被测旋转设备的当前的运行状态，其中，目标算法模型是从预设算法模型库中选出的，与设备信息相对应的算法模型。

为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。在获取被测旋转设备的设备信息之后，将加速度振动信息输入至预设的目标算法模型之前，还需要根据该设备信息，从预设算法模型库中选出与设备信息相对应的算法模型。该预设算法模型库中预先设置了适用于不同被测旋转设备的算法模型。

将被测旋转设备的当前的加速度振动信息输入至预设的目标算法模型，将自动地、实时地输出被测旋转设备的当前的运行状态，不需要人工参与。

例如，针对水泵这种旋转设备，将旋转设备状态监测装置安装到未开始工作的水泵上之后，按下状态监测装置的开机按钮，状态监测装置经过初始化后，开始工作。

首先，通过通信模块获取水泵的设备信息，然后，mems振动传感器获取该水泵当前的加速度振动信息。

由于该水泵还未开始工作，人工智能处理器选择与该水泵对应的算法模型，对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于停机状态的监测结果。

然后，打开水泵，模拟水泵正常工作的状态，mems振动传感器实时获取该水泵当前的加速度振动信息，利用水泵对应的算法模型对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于正常工作状态的监测结果。

然后，调整水泵的进口阀门，将水泵调至汽蚀状态，模拟水泵出现汽蚀故障，mems振动传感器继续实时地获取该水泵当前的加速度振动信息，利用水泵对应的算法模型对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于汽蚀故障状态的监测结果。通过本发明实施例提供的方法，可以实时地监测出被测水泵启停机判断、不对中、底座松动、轴承体松动、轴承磨损等问题，判断准确率高，可明显减少因非计划停机而造成的损失，也可减少备品备件的库存而节约成本。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在上述实施例的基础上，进一步地，所述将所述加速度振动信息输入至预设的目标算法模型之前，还包括：

从所述预设算法模型库中匹配与所述设备信息相对应的所述目标算法模型。

具体来说，为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。在获取被测旋转设备的设备信息之后，将加速度振动信息输入至预设的目标算法模型之前，还需要根据该设备信息，从预设算法模型库中选出与设备信息相对应的算法模型。该预设算法模型库中预先设置了适用于不同被测旋转设备的算法模型。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在以上各实施例的基础上，进一步地，所述输出所述被测旋转设备的当前的运行状态之后，还包括：

实时显示所述被测旋转设备的当前的运行状态。

具体来说，本发明实施例涉及的旋转设备状态监测装置还包括led显示模块。

当人工智能处理器计算出被测旋转设备的当前的运行状态后，将当前的运行状态发送到led显示模块，led显示模块实时地显示被测旋转设备的当前的运行状态。以方便用户在本地端能够实时地监控被测旋转设备的当前的运行状态。

另外，led显示模块还用于显示网络信号强度和电池电量等信息。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在以上各实施例的基础上，进一步地，所述输出所述被测旋转设备的当前的运行状态之后，还包括：

将所述加速度振动信息发送至云端服务器，以供所述云端服务器根据所述加速度振动信息重新确定所述被测旋转设备的当前的运行状态，并以供用户登录所述云端服务器查看重新确定的所述被测旋转设备的当前的运行状态。

具体来说，本发明实施例涉及的旋转设备状态监测装置与云端服务器和移动终端构成一个旋转设备状态监测系统。在该系统中，旋转设备状态监测装置通过通信模块与云端服务器进行连接，移动终端可以实时地访问云端服务器。

当人工智能处理器计算出被测旋转设备的当前的运行状态后，还可以通过通信模块将当前的运行状态，以及加速度振动信息发送至云端服务器，在向云端服务器发送数据时，由旋转设备状态监测装置中的实时时钟rtc模块为数据包提供时间标签，保持数据传输的时钟同步。

云端服务器根据加速度振动信息利用云端服务器本地的高级算法模型，重新确定被测旋转设备的当前的运行状态，并将重新确定被测旋转设备的当前的运行状态保存到云端服务器。

用户可通过移动终端实时地访问云端服务器，查询被测旋转设备的当前的运行状态。也可以通过移动终端访问云端服务器，并向旋转设备状态监测装置下发控制指令。

当云端服务器重新确定的被测旋转设备的当前的运行状态，与旋转设备状态监测装置在本地计算出的被测旋转设备的当前的运行状态不一致时，云端服务器将其计算出的被测旋转设备的当前的运行状态下发到旋转设备状态监测装置。并可以通过旋转设备状态监测装置中的led显示模块实时地显示。

本发明实施例提供的旋转设备状态监测方法，可通过移动终端方便地、实时地监控被测旋转设备的运转状态、需处理的问题和故障，以及可能存在的风险等。并且，还以采用处于边缘的状态监测装置与云端服务器相结合的工作模式，发现问题后，状态监测装置给出初步判断结果，再经过云端服务器中的高级算法确认，给出高可信度的判断结果。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在以上各实施例的基础上，进一步地，所述设备信息为所述被测旋转设备的型号。

具体来说，被测旋转设备的设备信息可以作为被测旋转设备的身份标识，为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。所以，在工作时，需要获取被测旋转设备的设备信息。

该设备信息，可以是用户在使用时临时输入的被测旋转设备的型号，根据被测旋转设备的型号选择相应的算法模型。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在以上各实施例的基础上，进一步地，所述设备信息至少包含所述被测旋转设备的额定转速、额定电压和额定电流中的一种。

具体来说，被测旋转设备的设备信息可以作为被测旋转设备的身份标识，为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。所以，在工作时，需要获取被测旋转设备的设备信息。

该设备信息，可以是用户在使用时临时输入的被测旋转设备的额定转速、额定电压和额定电流中的任意一种或者多种，根据被测旋转设备的额定转速、额定电压和额定电流中的任意一种或者多种选择相应的算法模型。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

在以上各实施例的基础上，进一步地，所述将所述加速度振动信息发送至云端服务器之后，还包括：

接收所述云端服务器重新确定的所述被测旋转设备的当前的运行状态；

显示所述云端服务器重新确定的所述被测旋转设备的当前的运行状态。

具体来说，本发明实施例涉及的旋转设备状态监测装置与云端服务器和移动终端构成一个旋转设备状态监测系统。在该系统中，旋转设备状态监测装置通过通信模块与云端服务器进行连接，移动终端可以实时地访问云端服务器。

当人工智能处理器计算出被测旋转设备的当前的运行状态后，还可以通过通信模块将当前的运行状态，以及加速度振动信息发送至云端服务器，在向云端服务器发送数据时，由旋转设备状态监测装置中的实时时钟rtc模块为数据包提供时间标签，保持数据传输的时钟同步。

云端服务器根据加速度振动信息利用云端服务器本地的高级算法模型，重新确定被测旋转设备的当前的运行状态，并将重新确定被测旋转设备的当前的运行状态保存到云端服务器。

用户可通过移动终端实时地访问云端服务器，查询被测旋转设备的当前的运行状态。也可以通过移动终端访问云端服务器，并向旋转设备状态监测装置下发控制指令。

当云端服务器重新确定的被测旋转设备的当前的运行状态，与旋转设备状态监测装置在本地计算出的被测旋转设备的当前的运行状态不一致时，云端服务器将其计算出的被测旋转设备的当前的运行状态下发到旋转设备状态监测装置。并可以通过旋转设备状态监测装置中的led显示模块实时地显示。

本发明实施例提供的旋转设备状态监测方法，可通过移动终端方便地、实时地监控被测旋转设备的运转状态、需处理的问题和故障，以及可能存在的风险等。并且，还以采用处于边缘的状态监测装置与云端服务器相结合的工作模式，发现问题后，状态监测装置给出初步判断结果，再经过云端服务器中的高级算法确认，给出高可信度的判断结果。

本发明实施例提供的旋转设备状态监测方法，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

图2为本发明实施例提供的旋转设备状态监测装置示意图，如图2所示，本发明实施例提供一种旋转设备状态监测装置，用于执行上述任一实施例中所述的方法，具体包括通信模块、mems振动传感器和人工智能处理器，其中：

通信模块用于获取被测旋转设备的设备信息；mems振动传感器用于采集所述被测旋转设备当前的加速度振动信息；人工智能处理器用于将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

具体来说，本发明实施例提供的旋转设备状态监测装置包括通信模块、mems振动传感器和人工智能处理器。

本发明实施例提供的旋转设备状态监测装置可以作为一个独立的设备单独工作，也可以与云端服务器和移动终端构成一个旋转设备状态监测系统。在该系统中，旋转设备状态监测装置通过通信模块与云端服务器进行连接，移动终端可以实时地访问云端服务器。

其中，通信模块可以为gprs模块、nbiot模块或者蓝牙模块，也可以根据实际需要选择其它类型的通信模块。

旋转设备状态监测装置开始工作后，首先，通过通信模块获取被测旋转设备的设备信息。

设备信息可以作为被测旋转设备的身份标识，因为，为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。所以，在工作时，需要获取被测旋转设备的设备信息。

该设备信息，可以是用户在使用时临时输入的。如果是针对某一种特定的旋转设备专门设计的状态监测装置，那么采用的算法模型也是特定的，无需在使用时手动输入，在装置初始化过程中，直接获取相应的算法模型。

然后，通过mems振动传感器采集被测旋转设备当前的加速度振动信息。

当旋转设备状态监测装置安装到被测旋转设备上并开始工作后，旋转设备状态监测装置中的mems振动传感器实时地采集被测旋转设备当前的加速度振动信息，并将被测旋转设备当前的加速度振动信息发送到人工智能处理器。

该加速度振动信息根据mems振动传感器的种类的不同，可以采用不同的参数表征，例如，可以是mems振动传感器内部电路采集的原始电压值，也可以是经过转换后得到的被测旋转设备的加速度值等。

最后，通过人工智能处理器将加速度振动信息输入至预设的目标算法模型，输出被测旋转设备的当前的运行状态，其中，目标算法模型是从预设算法模型库中选出的，与设备信息相对应的算法模型。

为了获取更加精确的监测结果，针对不同种类的被测旋转设备，或者同一种类但不同型号的被测旋转设备，采用的算法模型可以不同。在获取被测旋转设备的设备信息之后，将加速度振动信息输入至预设的目标算法模型之前，还需要根据该设备信息，从预设算法模型库中选出与设备信息相对应的算法模型。该预设算法模型库中预先设置了适用于不同被测旋转设备的算法模型。

将被测旋转设备的当前的加速度振动信息输入至预设的目标算法模型，将自动地、实时地输出被测旋转设备的当前的运行状态，不需要人工参与。

例如，针对水泵这种旋转设备，将旋转设备状态监测装置安装到未开始工作的水泵上之后，按下状态监测装置的开机按钮，状态监测装置经过初始化后，开始工作。

首先，通过通信模块获取水泵的设备信息，然后，mems振动传感器获取该水泵当前的加速度振动信息。

由于该水泵还未开始工作，人工智能处理器选择与该水泵对应的算法模型，对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于停机状态的监测结果。

然后，打开水泵，模拟水泵正常工作的状态，mems振动传感器实时获取该水泵当前的加速度振动信息，利用水泵对应的算法模型对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于正常工作状态的监测结果。

然后，调整水泵的进口阀门，将水泵调至汽蚀状态，模拟水泵出现汽蚀故障，mems振动传感器继续实时地获取该水泵当前的加速度振动信息，利用水泵对应的算法模型对水泵当前的加速度振动信息进行处理后，得出当前该水泵处于汽蚀故障状态的监测结果。通过本发明实施例提供的装置，可以实时地监测出被测水泵启停机判断、不对中、底座松动、轴承体松动、轴承磨损等问题，判断准确率高，可明显减少因非计划停机而造成的损失，也可减少备品备件的库存而节约成本。

本发明实施例提供一种旋转设备状态监测装置，用于执行上述任一实施例中所述的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。

本发明实施例提供的旋转设备状态监测装置，采用人工智能处理器对mems振动传感器采集的加速度振动信息进行实时地处理，得出被测旋转设备的当前的运行状态，能够实现对旋转设备的实时监测，并且消除了人为分析导致的结果的不准确性，避免了可能存在的风险。

最后，以旋转设备状态监测装置安装到水泵上为具体的例子对本发明进行说明。

(1)将状态监测装置安装到停止工作的水泵上。

(2)下载手机app，完成用户注册。

(3)使用手机app，扫描状态监测装置上的二维码，绑定状态监测装置的信息，输入安装位置，匹配水泵、电机型号等必要设备信息。

(4)长按开机按键，进行开机。开机后，显示屏显示8，88，888代表自检完成。查询到网络后会显示网络信号强度、电池电量、水泵的当前运行状态，然后显示屏显示关闭，节省耗电量。

(5)2分钟左右，手机app会收到状态监测装置上传的数据。此时显示水泵处于停机状态。

(6)水泵开机，正常工作。

(7)3分钟左右，手机会收到状态监测装置上传的数据，此时显示设备正常，代表水泵正在工作中，运转正常。

(8)此时调整水泵的进口阀门，将水泵调至汽蚀状态。

(9)3分钟左右，手机会收到状态监测装置上传的数据，此时显示设备汽蚀，并会给出待处理事件发生汽蚀，代表水泵工作在汽蚀状态，异常概率100％。此时可点击app生产诊断报告，并保存至文件。

(10)调整阀门，将水泵调整工常工作状态。

(11)3分钟左右，手机会收到状态监测装置上传的数据，此时显示设备正常，代表水泵正在工作中，运转正常。

图3为本发明实施例提供的电子设备的结构示意图，如图3所示，所述设备包括：处理器(processor)301、存储器(memory)302、总线303，以及存储在存储器上并可在处理器上运行的计算机程序。

其中，处理器301和存储器302通过总线303完成相互间的通信；

处理器301用于调用并执行存储器302中的计算机程序，以执行上述各方法实施例中的步骤，例如包括：

获取被测旋转设备的设备信息；

采集所述被测旋转设备当前的加速度振动信息；

将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

此外，上述的存储器中的逻辑指令可以通过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，本发明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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：

获取被测旋转设备的设备信息；

采集所述被测旋转设备当前的加速度振动信息；

将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：

获取被测旋转设备的设备信息；

采集所述被测旋转设备当前的加速度振动信息；

将所述加速度振动信息输入至预设的目标算法模型，输出所述被测旋转设备的当前的运行状态，其中，所述目标算法模型是从预设算法模型库中选出的，与所述设备信息相对应的算法模型。

以上所描述的装置及设备等实施例仅仅是示意性的，其中所述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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。