基于概率统计的设备故障诊断方法及系统与流程

本发明属于故障检测，涉及一种基于概率统计的设备故障诊断方法及系统。

背景技术：

1、针对工业设备的故障检测，主要可以分为设备主动上报和第三方实时监控两种解决方案。其中，设备主动上报对工业设备本身提出了较高要求，购置成本较高，且不适用于早期设备升级改造。第三方实时监控类的解决方案，以价格低廉、适用性广的特点，在工业智能制造升级建设中，得到广泛应用。在这类解决方案中，针对电流、电压等维持设备正常运行的物理特征监控，在特定故障检测下反应灵敏，但容易遗漏电流、电压不发生改变的情况，如物理形变引起的异响；针对设备运行时声音、振动的客观因素监控，适用范围较广，但多涉及较为复杂的计算，难以支撑大批量的设备故障实时监控。

2、现有技术中，如专利cn115114955a提供了一种基于声音与振动信号的设备故障检测技术，通过传感器采集待测设备运行过程中的声音和振动信号，然后通过emd分解、小波变换等技术对采集到的信号进行分析与去噪处理得到去噪后的信号；从正常状态的数据中随机抽取数据组成正常数据集，从故障状态的数据中随机抽取数据组成故障数据集；建立基于物理信息神经网络的设备故障检测模型，先利用正常数据集中部分数据进行训练，拟合出正常数据信号的波动方程，然后利用剩余的正常数据和故障数据集进行测试，通过计算误差损失对数据信号进行诊断。但该检测技术的计算复杂度高，小波变换、神经网络模型等流程计算复杂，导致方法应用成本高，尤其无法支撑大批量的设备故障实时检测；且声音与振动信号同时监测，存在信息冗余，导致计算压力大。

技术实现思路

1、本发明的目的在于提供一种基于概率统计的设备故障诊断方法及系统，减小设备故障检测方法的计算复杂度，支撑大批量的设备故障检测需求。

2、为了达到上述目的，本发明的基础方案为：一种基于概率统计的设备故障诊断方法，包括如下步骤：

3、采集待检测设备运行状态下的工作信号和振动信号；

4、将待检测设备运行状态下的工作信号与设备正常运行状态下的工作信号进行对比，判断待检测设备是否工作异常；

5、以已测正常运行状态的振动周期为周期划分振动信号序列，对每个振动信号序列进行快速傅里叶变换，得到每个振动信号序列在频域下的组成；

6、计算振动信号在频域中的平均组成，将平均组成的频率分布，记为第二坐标点；

7、计算第二坐标点与正常运行状态下计算的第一坐标点的差异度；

8、基于设备正常运行状态下的振动信号数据序列在频域下的概率密度函数，计算每个振动信号序列在频域下的平均组成出现的概率，联合所述概率以及差异度判断是否为小概率事件，若是，则输出设备故障信号。

9、本基础方案的工作原理和有益效果在于：本技术方案通过融合监测电流和振动信息，基于预先的概率统计分析和快速傅里叶变换，分析频域中振动信号序列的概率密度分布，对振动信号当前代表的设备状态进行判别，针对振动信号的判断方法优化判别、计算流程，以减小设备故障检测方法的计算复杂度，支撑大批量的设备故障检测需求。

10、进一步，正常运行状态的振动周期t的获取方法为：

11、

12、

13、取ρk最大值时的k值作为周期t；其中，rk表示间隔为k时，两振动序列的自协方差，cov表示协方差计算，st表示位置序列t位置开始的振动序列，st-k表示位置序列t-k位置开始的振动序列，n为振动序列长度，t为位置角标，表示振动序列s的平均值。

14、计算简单，利于使用。

15、进一步，第一坐标点和第二坐标点的计算方法为：

16、以周期t为间隔，对振动序列s进行滑动窗口切分，得到子序列{s1}，…，{sn}；

17、对子序列{s1}，…，{sn}分别进行快速傅里叶变换，得到频域下子序列的组成f1，…fn，fn代表{sn}在频域下的表达；

18、计算设备振动信号在频域中的平均组成，将的频率分布，记坐标点xa，其中fk为第k个频域下子序列的组成，xa是形如(x1，x2，…)的多维坐标点。

19、获取所需坐标点，操作简单。

20、进一步，所述工作信号包括电流信号或电压信号。

21、获取相应参数，利于判断设备运行状态。

22、进一步，当it≠i0或ut≠u0，上报待检测设备故障，其中，it、ut分别为待检测设备运行状态下的电流信号、电压信号；i0为设备正常工作状态下的额定电流，u0为设备正常工作状态下的额定电压。

23、通过电流或电压信息比对，判断设备是否故障，便于使用。

24、进一步，计算每个振动信号序列在频域下的平均组成出现的概率的方法为：以f1，…fn为采样数据，基于正态分布的最大似然估计完成计算。

25、操作简单，便于计算。

26、进一步，计算第二坐标点与正常运行状态下计算的第一坐标点的差异度：

27、计算第一坐标点xa、第二坐标点xb的距离disi：

28、

29、其中，n是坐标维度值，j为下标序号，是第一坐标点xa的坐标，是点xb坐标。

30、计算坐标点的差异度，计算简单，利于使用。

31、进一步，当概率且距离则判定小概率事件发生，输出设备故障信号；

32、其中，α为矫正系数，α等于第k个峰值点ρk；pthres为预先设定的可调整阈值。

33、通过概率和距离比对，判断设备是否故障，判断准确性高。

34、进一步，α矫正系数的计算方法为：

35、

36、其中，rk表示间隔为k时，两振动序列的自协方差，cov表示协方差计算，st表示位置序列t位置开始的振动序列，st-k表示位置序列t-k位置开始的振动序列，n为振动序列长度，t为位置角标，表示振动序列s的平均值，ρk为第k个峰值点，γ0表示振动序列长度；记第一个峰值点对应的间隔k，为序列s的周期t。

37、计算操作简单，利于使用。

38、本发明还提供一种基于概率统计的设备故障诊断系统，包括数据采集模块和处理模块，所述数据采集模块用于获取设备的工作信息及振动信息，并传输至处理模块，所述处理模块执行本发明所述方法，进行设备故障诊断。

39、利用该系统，获取设备的相应参数，并进行故障诊断，减小设备故障检测的计算复杂度。

技术特征：

1.一种基于概率统计的设备故障诊断方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于概率统计的设备故障诊断方法，其特征在于，正常运行状态的振动周期t的获取方法为：

3.如权利要求2所述的基于概率统计的设备故障诊断方法，其特征在于，第一坐标点和第二坐标点的计算方法为：

4.如权利要求1所述的基于概率统计的设备故障诊断方法，其特征在于，所述工作信号包括电流信号或电压信号。

5.如权利要求4所述的基于概率统计的设备故障诊断方法，其特征在于，当it≠i0或ut≠u0,上报待检测设备故障，其中，it、ut分别为待检测设备运行状态下的电流信号、电压信号；i0为设备正常工作状态下的额定电流，u0为设备正常工作状态下的额定电压。

6.如权利要求3所述的基于概率统计的设备故障诊断方法，其特征在于，计算每个振动信号序列在频域下的平均组成出现的概率的方法为：以f1,…fn为采样数据，基于正态分布的最大似然估计完成计算。

7.如权利要求3所述的基于概率统计的设备故障诊断方法，其特征在于，计算第二坐标点与正常运行状态下计算的第一坐标点的差异度：

8.如权利要求1所述的基于概率统计的设备故障诊断方法，其特征在于，当概率且距离则判定小概率事件发生，输出设备故障信号；

9.如权利要求7所述的基于概率统计的设备故障诊断方法，其特征在于，α矫正系数的计算方法为：

10.一种基于概率统计的设备故障诊断系统，其特征在于，包括数据采集模块和处理模块，所述数据采集模块用于获取设备的工作信息及振动信息，并传输至处理模块，所述处理模块执行权利要求1-9之一所述方法，进行设备故障诊断。

技术总结
本发明公开了一种基于概率统计的设备故障诊断方法及系统，该方法采集待检测设备运行状态下的工作信号和振动信号，判断待检测设备是否工作异常；划分振动信号序列，对每个振动信号序列进行快速傅里叶变换，得到每个振动信号序列在频域下的组成；计算振动信号在频域中的平均组成，将平均组成的频率分布,记为第二坐标点，计算第二坐标点与正常运行状态下计算的第一坐标点的差异度，以及每个振动信号序列在频域下的平均组成出现的概率，联合所述概率以及差异度判断是否为小概率事件，若是，则输出设备故障信号。采用本技术方案，通过融合监测电流和振动信息，优化判别、计算流程，减小设备故障检测方法的计算复杂度，支撑大批量的设备故障检测需求。

技术研发人员：李森,王金石,霍明德,安岗,唐尚禹
受保护的技术使用者：重庆数智融合创新科技有限公司
技术研发日：
技术公布日：2024/5/8