减速机故障诊断方法、装置、设备及介质与流程

本发明涉及减速机故障，尤其涉及一种减速机故障诊断方法、装置、设备及介质。

背景技术：

1、减速机作为工业领域的核心设备之一，被广泛应用于化工、冶金、货运等领域。若减速机出现故障，不仅影响工业生产造成经济损失，也会对人身财产安全造成威胁，其安全运行的重要性不言而喻。近年来，基于减速机状态的人工智能故障诊断研究为解决该问题带来了新的契机，然而减速机运行环境多样，一旦减速机工况发生变化，如所处的产线变换，原来的故障诊断模型往往无法适配，分析效果与现实情况相去甚远。

2、现有技术大多没有考虑变工况下对减速机进行故障诊断，这样往往造成诊断不准确。通常情况下，工况数据存储于工厂内部已经研发完成的信息系统中，而这些信息系统的开发商往往不会提供协助。因此，若想采集解析工况数据，需解决系统间串口通信的问题。即如何解析出工况数据，只要实现对串口通信的解析后，即可采集解析工况数据，并将其引入减速机故障诊断的应用中。

3、因此，如何进行串口通信的工况数据的解析和如何将工况数据加入减速机故障诊断中成为需要解决的问题。

技术实现思路

1、本发明提供一种减速机故障诊断方法、装置、计算机设备及介质，可以灵活的接入减速机所在产线工况参数，辅助减速机故障诊断，以解决不同工况下提高减速机故障诊断方法准确性的技术问题。

2、第一方面，提供了一种减速机故障诊断方法，包括：

3、获取减速机的待解析工况数据和振动数据，其中，所述待解析工况数据是一个包含帧头的二进制序列；

4、将所述待解析工况数据等间隔划分为多个子序列，计算每个所述子序列的哈希值；

5、对所述子序列的哈希值进行聚类计算，确定包含最多哈希值数量的聚类集合为目标哈希值集合；

6、基于频繁模式挖掘算法，确定与所述目标哈希值集合中哈希值对应的子序列的频繁项；

7、基于所述频繁项解析所述待解析工况数据，得到解析后的工况数据；

8、基于所述解析后的工况数据确定所述减速机的工况类型；

9、基于所述工况类型对应的目标故障诊断模型，根据所述解析后的工况数据和所述振动数据，确定所述减速机的故障诊断结果；其中，所述目标故障诊断模型是基于所述工况类型对应的历史工况数据、历史振动数据和故障类型训练得到的模型。

10、上述方案中，所述对所述子序列的哈希值进行聚类计算，确定包含最多哈希值数量的聚类集合为目标哈希值集合，包括：

11、基于所述子序列的哈希值的相似度对所述哈希值进行聚类计算，得到多个哈希值聚类集合；

12、选择包含哈希值数量最多的哈希值聚类集合，确定为所述目标哈希值集合。

13、上述方案中，所述基于频繁模式挖掘算法，确定与所述目标哈希值集合中哈希值对应的子序列的频繁项，包括：

14、基于逆映射函数或逆哈希函数还原所述目标哈希值集合中每个哈希值，得到所述每个哈希值对应的子序列；

15、基于频繁模式挖掘算法分析所有还原后的子序列，得到所述还原后的子序列中出现次数最多的项；

16、基于所述出现次数最多的项，确定所述频繁项。

17、上述方案中，所述基于所述解析后的工况数据确定所述减速机的工况类型，包括：

18、将所述解析后的工况数据与预建立的工况知识库中的模板工况数据进行匹配；其中，所述工况知识库包括减速机的工况类型和各所述工况类型对应的模板工况数据；

19、基于所述匹配结果，确定所述减速机的工况类型。

20、上述方案中，在所述基于所述工况类型对应的目标故障诊断模型，根据所述解析后的工况数据和所述振动数据，确定所述减速机的故障诊断结果之前，还包括：

21、对所述解析后的工况数据和所述振动数据进行数据清洗；

22、根据所述振动数据计算得到所述减速机的振动特征值；

23、对所述振动特征值和所述解析后的工况数据进行时间戳对齐。

24、上述方案中，所述基于所述频繁项解析所述待解析工况数据，得到解析后的工况数据，包括：

25、基于所述频繁项确定所述待解析工况数据中的帧头；

26、基于所述待解析工况数据的数据形式，确定所述待解析工况数据中的控制位；

27、基于所述待解析工况数据中帧头和控制位以外的数据，得到解析后的工况数据。

28、上述方案中，所述方法还包括训练各所述工况类型对应的故障诊断模型，其中，各所述工况类型对应的故障诊断模型的训练包括：

29、构建知识库，所述知识库包括多个工况类型和各个所述工况类型对应的历史工况数据、历史振动数据和历史故障类型；

30、对各个所述工况类型对应的历史工况数据、历史振动数据分别进行归一化处理；

31、基于各个所述工况类型对应的所述历史工况数据、所述历史振动数据和所述历史故障类型，训练所述工况类型对应的故障诊断模型；其中，每个所述工况类型对应的故障诊断模型均为支持向量机模型，采用径向基k(x,x')＝exp(-g||x-x'||2)作为核函数，使用网格化的方法寻优最佳的边界参数c和ebf核函数的参数g，将模型的分类能力评价参数定为其中aij为将故障zi诊断为故障zj的数目；

32、基于评价参数accuracy与设定阈值的关系，确定所述故障诊断模型的训练迭代次数。

33、第二方面，提供了一种减速机故障诊断装置，包括：

34、数据采集单元，用于获取减速机的待解析工况数据和振动数据，其中，所述待解析工况数据是一个包含帧头的二进制序列；

35、哈希计算单元，用于将所述待解析工况数据等间隔划分为多个子序列，计算每个所述子序列的哈希值；

36、聚类计算单元，用于对所述子序列的哈希值进行聚类计算，确定包含最多哈希值数量的聚类集合为目标哈希值集合；

37、挖掘计算单元，用于基于频繁模式挖掘算法，确定与所述目标哈希值集合中哈希值对应的子序列的频繁项；

38、数据解析单元，用于基于所述频繁项解析所述待解析工况数据，得到解析后的工况数据；

39、类型确定单元，用于基于所述解析后的工况数据确定所述减速机的工况类型；

40、故障诊断单元，用于基于所述工况类型对应的目标故障诊断模型，根据所述解析后的工况数据和所述振动数据，确定所述减速机的故障诊断结果；其中，所述目标故障诊断模型是基于所述工况类型对应的历史工况数据、历史振动数据和故障类型训练得到的模型。

41、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述减速机故障诊断方法的步骤。

42、第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述减速机故障诊断方法的步骤。

43、上述减速机故障诊断方法、装置、计算机设备及存储介质所实现的方案中，可以通过获取减速机的待解析工况数据和振动数据，其中，待解析工况数据是一个包含帧头的二进制序列；将待解析工况数据等间隔划分为多个子序列，计算每个子序列的哈希值；对子序列的哈希值进行聚类计算，确定包含最多哈希值数量的聚类集合为目标哈希值集合；基于频繁模式挖掘算法，确定与目标哈希值集合中哈希值对应的子序列的频繁项；基于频繁项解析待解析工况数据，得到解析后的工况数据；基于解析后的工况数据确定减速机的工况类型；基于工况类型对应的目标故障诊断模型，根据解析后的工况数据和振动数据，确定减速机的故障诊断结果；其中，目标故障诊断模型是基于工况类型对应的历史工况数据、历史振动数据和故障类型训练得到的模型。在本发明中，引入了工况数采模块，能够采集工况数据并引入减速机的故障诊断中，能够在数据帧头未知的情况下，通过将lsh(局部敏感哈希算法)引入基于频繁挖掘算法的帧头识别算法中，识别出原始工况数据的帧头，从而能够基于识别出的工况数据帧头，解析工况数据，并通过解析后的工况数据确定减速机当前所处的工况类型，根据工况类型选择相应的故障诊断模型，从而提高了变工况下减速机故障诊断准确率。