器件的振动信号检测方法、系统、介质及装置与流程

本发明涉及振动信号检测的技术领域，特别是涉及一种器件的振动信号检测方法、系统、介质及装置。

背景技术：

在传统基于振动的异常检测方法大部分通过对器件本身进行受力分析的建模。

在工程为学中，重心位置会影响器件的平衡和稳定，重心位置往往体现了器件内部受力分布的情况。器件内部的振动传递到器件表面，其振动重心的位置则可以反映出器件表面振动的分布规律。对于一台正常稳定工作的器件，内部机械结构不变时，器件表面的振动分布化基本不变，当内部出现故障时，会导致器件表面振动分布发生变化，从而导致振动重心的位置也发生变化。因此可通过器件表面振动重心、位置的变化情况来对器件状态进行监测。重点在于找出当前器件的受力模型，从力学的角度上详尽分析它的振动特征，并以此作为依据判断状态的异常与否。但是实际情况中，器件的工作环境往往不是理想状态，经常会有其他环境干扰和噪音。

振动信号是通过安装在器件表面上的振动传感器来获取的，这意味着记录了器件和周围环境的混合振动。因此，在振动频谱中，高次谐波与基次谐波混合后，用解析方法对器件的振动信号进行精确解释是不现实的。此外，每个器件都有自己的振动模式，细微的元器件差异也会使得每个器件振动模型都不尽相同，所以很难以一个单一模型全部覆盖。因此几乎不可能实现一个全面的振动分析模型来适用于所有的器件。

传统方法中，对器件进行振动分析异常检测都是通过对器件工作时的表面振动信号进行分析判断，这种方法在一定条件下取得了较好的结果。但是，这种方法的理论依据——受力分析建模，是基于理想状态的，实际检测过程中，振动传感器有可能会把当时工作环境中的其他设备振动、环境噪音振动采集进去，进而影响判断结果。

因此，希望能够解决如何提高判断结果的准确性的问题。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种器件的振动信号检测方法、系统、介质及装置，用于解决现有技术中如何提高判断结果的准确性的问题。

为实现上述目的及其他相关目的，本发明提供一种器件的振动信号检测方法，包括以下步骤：基于振动传感器获取器件的时域振动信号；将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列；通过预设时间序列分析模型分析所述时间序列得到所述器件是否异常的判断结果。

于本发明的一实施例中，所述将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列包括以下步骤：通过傅里叶变换将所述时域振动信号转换为频域信号；获取所述频域信号中的特征频率点的幅值；记录所述幅值随时间变化的时间序列。

于本发明的一实施例中，还包括将所述判断结果发送至预设的移动终端。

于本发明的一实施例中，所述预设时间序列分析模型为长短期记忆网络模型。

为实现上述目的，本发明还提供一种器件的振动信号检测系统，包括：第一获取模块、第二获取模块和判断模块；所述第一获取模块用于基于振动传感器获取器件的时域振动信号；所述第二获取模块用于将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列；所述判断模块用于通过预设时间序列分析模型分析所述时间序列得到所述器件是否异常的判断结果。

于本发明的一实施例中，所述第二获取模块还用于：通过傅里叶变换将所述时域振动信号转换为频域信号；获取所述频域信号中的特征频率点的幅值；记录所述幅值随时间变化的时间序列。

于本发明的一实施例中，还包括发送模块；所述发送模块用于将所述判断结果发送至预设的移动终端。

为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一上述器件的振动信号检测方法。

为实现上述目的，本发明还提供一种器件的振动信号检测装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述器件的振动信号检测装置执行任一上述的器件的振动信号检测方法。

最后，本发明还提供一种器件的振动信号检测系统，所述的器件的振动信号检测装置、器件、云端服务器、移动终端和控制器；所述振动信号检测装置包括振动传感器用于获取器件的时域振动信号；所述云端服务器用于接收所述振动信号检测装置发送的判断结果；所述移动终端用于接收所述云端服务器发送的判断结果，并基于所述判断结果发送指令至所述控制器；所述控制器用于基于所述指令控制所述器件的开关。

如上所述，本发明的一种器件的振动信号检测方法、系统、介质及装置，具有以下有益效果：用于基于时频域联合分析算法和预设时间序列分析模型提高了判断结果的准确性。

附图说明

图1显示为本发明的器件的振动信号检测方法于一实施例中的流程图；

图2a显示为本发明的长短期记忆网络模型的结构示意图；

图2b显示为本发明的器件的振动信号检测系统于一实施例中的结构示意图；

图3a显示为本发明的器件的振动信号检测装置于一实施例中的结构示意图；

图3b显示为本发明的器件的振动信号检测装置于又一实施例中的结构示意图；

图4显示为本发明的器件的振动信号检测系统于又一实施例中的结构示意图。

元件标号说明

21第一获取模块

22第二获取模块

23判断模块

31处理器

32存储器

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的器件的振动信号检测方法、系统、介质及装置，用于基于时频域联合分析算法和预设时间序列分析模型提高了判断结果的准确性。

如图1所示，于一实施例中，本发明的器件的振动信号检测方法，包括以下步骤：

步骤s11、基于振动传感器获取器件的时域振动信号。

具体地，所述振动传感器用于采集所述器件的振动信号从而获取到所述器件的时域振动信号。所述时域振动信号为振动信号的幅值随时间变化的过程。

步骤s12、将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列。

具体地，所述将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列包括以下步骤：通过傅里叶变换将所述时域振动信号转换为频域信号；获取所述频域信号中的特征频率点的幅值；记录所述幅值随时间变化的时间序列。具体地，所述特征频率点为在同一频率上随着时间变化幅值出现有规律的变化的频率点。例如随着时间的变化在200mhz这个频率点幅值会从0.5变至200，又从200变至0.5，则200mhz这个频率点为特征频率点。时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。而本申请中的时间序列是指特征频率点的幅值与时间的对应关系。

步骤s13、通过预设时间序列分析模型分析所述时间序列得到所述器件是否异常的判断结果。

具体地，所述预设时间序列分析模型为长短期记忆网络模型，所述长短期记忆网络模型的结构如图2a所示。长短时记忆网络(longshorttermmemorynetwork,lstm)，它成功的解决了原始循环神经网络的缺陷，成为当前最流行的rnn，在语音识别、图片描述、自然语言处理等许多领域中成功应用。h(t)代表网络主体，x(t)是网络输入，o(t)是网络输出，循环结构允许信息从当前输出传递到下一次的网络输入。将特征频率点的幅值随时间变化的时间序列输入所述长短期记忆网络模型，所述长短期记忆网络模型能够根据所述特征频率点的幅值随时间变化的时间序列的不断输入，而具备判断所述器件是否异常能力，从而判断所述器件是否异常。

具体地，在应用长短期记忆网络模型的时候，我们发现直接将时域数据应用于长短期记忆网络模型并没有达到很好的效果，因为时域上的数据有着大量并不需要的信息，直接应用这些数据会使得网络非常复杂，使得系统非常冗余。在振动分析中，我们的关注点更多地集中在频域分析上，特征频率点的幅值是最重要的信息。所以将时域上的数据经过傅里叶变换(fft)，转换到频域中。接着将特征频率点幅值随时间变化的时间序列记录下来，并且应用长短期记忆网络模型进行分析，取得了很好的结果。这是因为在这一过程中，摒弃了单纯利用时域数据分析，改为利用时频域联合分析，这样既剔除了时域上很多杂乱无章的噪音信息，又保留了频域上的有用信息，另外保持了时间上的连续性，使得长短期记忆网络模型可以顺利运行。而所述长短期记忆网络模型基于对所述时间序列：特征频率点的幅值随时间变化的时间序列，通过对所述时间序列的分析能够得出所述器件是否工作异常的判断结果。例如所述特征频率点的幅值在某一时间段呈现与其他时间段较大差异，则得出所述器件工作异常的判断结果。

具体地，还包括将所述判断结果发送至预设的移动终端。所述移动终端包括但不限于：智能手机、计算机、智能平板。

如图2b所示，于一实施例中，本发明的器件的振动信号检测系统，包括第一获取模块21、第二获取模块22和判断模块23。

所述第一获取模块21用于基于振动传感器获取器件的时域振动信号。

具体地，所述振动传感器用于采集所述器件的振动信号从而获取到所述器件的时域振动信号。所述时域振动信号为振动信号的幅值随时间变化的过程。

所述第二获取模块22用于将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列。

具体地，所述所述第二获取模块22还用于：通过傅里叶变换将所述时域振动信号转换为频域信号；获取所述频域信号中的特征频率点的幅值；记录所述幅值随时间变化的时间序列。具体地，所述特征频率点为在同一频率上随着时间变化幅值出现有规律的变化的频率点。例如随着时间的变化在200mhz这个频率点幅值会从0.5变至200，又从200变至0.5，则200mhz这个频率点为特征频率点。时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。而本申请中的时间序列是指特征频率点的幅值与时间的对应关系。

所述判断模块23用于通过预设时间序列分析模型分析所述时间序列得到所述器件是否异常的判断结果。

具体地，所述预设时间序列分析模型为长短期记忆网络模型，所述长短期记忆网络模型的结构如图2a所示。长短时记忆网络(longshorttermmemorynetwork,lstm)，它成功的解决了原始循环神经网络的缺陷，成为当前最流行的rnn，在语音识别、图片描述、自然语言处理等许多领域中成功应用。h(t)代表网络主体，x(t)是网络输入，o(t)是网络输出，循环结构允许信息从当前输出传递到下一次的网络输入。将特征频率点的幅值随时间变化的时间序列输入所述长短期记忆网络模型，所述长短期记忆网络模型能够根据所述特征频率点的幅值随时间变化的时间序列的不断输入，而具备判断所述器件是否异常能力，从而判断所述器件是否异常。

具体地，在应用长短期记忆网络模型的时候，我们发现直接将时域数据应用于长短期记忆网络模型并没有达到很好的效果，因为时域上的数据有着大量并不需要的信息，直接应用这些数据会使得网络非常复杂，使得系统非常冗余。在振动分析中，我们的关注点更多地集中在频域分析上，特征频率点的幅值是最重要的信息。所以将时域上的数据经过傅里叶变换(fft)，转换到频域中。接着将特征频率点幅值随时间变化的时间序列记录下来，并且应用长短期记忆网络模型进行分析，取得了很好的结果。这是因为在这一过程中，摒弃了单纯利用时域数据分析，改为利用时频域联合分析，这样既剔除了时域上很多杂乱无章的噪音信息，又保留了频域上的有用信息，另外保持了时间上的连续性，使得长短期记忆网络模型可以顺利运行。而所述长短期记忆网络模型基于对所述时间序列：特征频率点的幅值随时间变化的时间序列，通过对所述时间序列的分析能够得出所述器件是否工作异常的判断结果。例如所述特征频率点的幅值在某一时间段呈现与其他时间段较大差异，则得出所述器件工作异常的判断结果。

具体地，还包括将所述判断结果发送至预设的移动终端。所述移动终端包括但不限于：智能手机、计算机、智能平板。

需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。

于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述器件的振动信号检测方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

如图3a所示，于一实施例中，本发明的器件的振动信号检测装置包括：处理器31和存储器32；所述存储器32用于存储计算机程序；所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述器件的振动信号检测装置执行任一所述的器件的振动信号检测方法。

具体地，所述存储器32包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。

优选地，所述处理器31可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessor，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

如图3b所示，于一实施例中，本发明的器件的振动信号检测装置包括：振动传感器所述振动传感器获取器件的时域振动信号，即用于获取原始振动信号的传入从而获取时域振动信号。可编程逻辑(fpga)与所述振动传感器相连，用于进行时频域联合分析，即所述可编程逻辑用于将所述时域振动信号基于时频域联合分析算法获取特征频率点的幅值随时间变化的时间序列，并保存为32位单精度浮点数的格式的数据。多通道dma与所述可编程逻辑(fpga)相连，用于将所述特征频率点的幅值随时间变化的时间序列发送至ddr内存(存储器)。arm内核(处理器)与所述ddr内存相连，用于从ddr内存中读取数据，并且将所述32位单精度浮点数转化为十进制数据并且进行深度学习lstm网络计算，所述深度学习lstm网络计算为通过预设长短期记忆网络模型分析所述十进制数据得到所述器件是否异常的判断结果。

如图4所示，于一实施例中，本发明的器件的振动信号检测系统，包括上述的器件的振动信号检测装置(软硬协同监测分析)、器件(待监测设备)、云端服务器(云端存储)、移动终端(便携式设备)和控制器；所述振动信号检测装置包括振动传感器用于获取器件的时域振动信号；所述云端服务器用于接收所述振动信号检测装置发送的判断结果；所述移动终端用于接收所述云端服务器发送的判断结果，并基于所述判断结果发送指令至所述控制器；所述控制器用于基于所述指令控制所述器件的开关。通过将所述判断结果发送至所述云端服务器，从而实现在动态监测的可靠性和可用性、全球24小时监视和可视性、降低所述器件的振动信号检测系统成本、为所述移动终端的用户访问数据等方面等提供了极大的简便，将极大地提高工作人员的工作效率。还包括将所述器件的振动信号检测方法的所有数据上传至所述云端服务器，在云端服务器上建立适当的备份和计算，并可以通过协议传输到移动终端比如手机或者电脑，就可以随时随地访问监视所述器件的振动信号检测装置的状态和数据。如果有异常情况或者异常情况的预警可以及时发送所述预警至所述移动终端，从而提醒工作人员。所述工作人员可以通过所述移动终端发送指令至所述控制器；所述控制器用于基于所述指令控制所述器件的开关。

综上所述，本发明器件的振动信号检测方法、系统、介质及装置，用于基于时频域联合分析算法和预设时间序列分析模型提高了判断结果的准确性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。