[发明专利]一种自学习振动故障诊断方法

说明书

本发明涉及一种自学习振动故障诊断方法，包括：（1）实时采集振动信号；（2）对信号进行AD转换；（3）对信号进行傅里叶变换；（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中的第二输入值，将第一输入值、第二输入值输入模型中，将计算得到的输出阈值范围替换自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，建立诊断模型；（5）保持诊断模型不再改变，通过实时采集的振动信号作为输入信号并输入该诊断模型中，由此经判断得出振动幅度是否正常。

技术领域

本发明涉及振动故障诊断的技术领域，具体涉及一种自学习振动故障诊断方法。

背景技术

振动是机械设备和电气设备运行过程中引起的物理现象，直观的表现为物体的往复运动和振动噪声两部分。对于指定的设备在标准的工况下，振动波形没有明确数学模型，且波形相对固定，当出现某些故障时，振动波形会发生变化，通过自学习过程建立模型的方法，利用建立的模型可以对于判断振动波形是否在正常工作范围内。

发明内容

为了克服现有技术中存在的不足和缺陷，本发明提供了一种自学习振动故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种自学习振动故障诊断方法，其特征在于，包括以下步骤：

（1）实时采集振动信号；

（2）将振动信号通过AD转换后采集进自学习振动故障诊断模型中；

（3）将通过AD转换后的振动信号通过傅里叶变换实现时域向频域的转换，获取振动信号在不同频率上相应的振动幅值；

（4）将自学习振动故障诊断模型初始化为任何数据都为故障的状态，然后在确定自学习振动故障诊断模型正常的状态下，将通过傅里叶变换后的振动信号中的频率值作为神经网络中的第一输入值，将频段上对应的振动幅值作为神经网络中的第二输入值，将第一输入值、第二输入值输入模型中，将计算得到的输出阈值范围替换自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，建立诊断模型；

（5）保持诊断模型不再改变，通过实时采集的振动信号作为输入信号并输入该诊断模型中，由此经判断得出振动幅度是否正常。

进一步地，所述步骤（1）中的振动信号包括振动幅度信号或振动声响信号中的任意一种。

进一步地，所述步骤（4）中，通过人工或检测仪器确定自学习振动故障诊断模型处于正常的状态下。

进一步地，所述步骤（4）中将频段上对应的振动幅值经过归一化处理后再作为神经网络中的第二输入值。

进一步地，所述步骤（4）中第一输入值、第二输入值一一对应地被成对输入模型中。

进一步地，所述步骤（5）中，通过实时采集的振动信号作为输入信号并输入该诊断模型中，当诊断模型计算得到的结果位于输出阈值范围内时，判断为振动幅度正常；当诊断模型计算得到的结果超出输出阈值范围时，判断为振动幅度非正常。

本发明的有益效果是；

（1）通过将采集到的振动信号送入神经网络进行学习，并通过将自学习振动故障诊断模型初始化为任何数据都为故障的状态，将通过傅里叶变换后的振动信号中的频率值和对应的振动幅值成对输入模型中，将计算得到的输出阈值范围替换掉自学习振动故障诊断模型中初始化数据都为故障的初始阈值范围，从而建立诊断模型，并通过实时采集的振动信号作为输入信号并输入该诊断模型中，由此经判断得出振动幅度是否正常；本方法不针对特定设备，不需要针对设备设定特定的数学模型，能够通过自学习过程建立设备的工作模型，通过采集实时信号送入模型判定设备是否处于正常工作状态，通用性强，实用性高。

附图说明