[发明专利]一种旋转设备振动故障特征库定期优化算法

说明书

一种旋转设备振动故障特征库定期优化算法，使得设备故障振动诊断所依据的设备故障智能诊断特征库（4）越来越精准、完善。旋转设备运行出现故障时往往会在振动信号上出现对应的频谱特征或幅值特征（2），其中，幅值、频谱功率谱、边频或分频的出现往往与设备的具体工况环境密切相关，因此，一般振动智能诊断系统产品在初装时，会建立设备故障诊断基础AI特征库（3），该库为通用基础库，只能对经典的旋转设备故障进行准确预测；对于复杂工况环境下的设备故障，需要根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）对设备故障诊断动态AI特征库（4）进行定期更新，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对旋转设备振动故障诊断的准确性。

技术领域

本发明涉及设备的故障智能诊断技术领域，尤其是一种旋转设备振动故障特征库定期优化算法。

背景技术

机电设备或者机械旋转设备出现故障时，往往在设备振动信号里会出现相应的频谱峰值，一般为转速或电源频率的倍频、分数频或者复合频率，设备振动故障诊断方法主要就是根据故障与峰频值的因果关系来反推故障类型，从而按设备类型建立设备振动故障特征库，支持人工智能诊断设备故障。但是，实际上某类故障的振幅、频谱分布、频谱功率谱、边频或分频的出现往往与设备的具体工况环境密切相关，因此，一般振动智能诊断系统产品在初装时，只能对经典的旋转设备故障进行准确预测，对于复杂工况环境下的复杂故障，需要定期根据具体采集的振动特征值和用户反馈的故障诊断偏差进行深度学习和特征发现，不断优化和完善设备振动故障特征库，支持动态智能诊断故障。

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种旋转设备振动故障特征库定期优化算法。

本发明解决其技术问题所采用的技术方案是：一种旋转设备振动故障特征库定期优化算法，根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）定期更新设备故障诊断动态AI特征库（4），不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对动设备振动故障诊断的准确性。

本发明还具有以下附加技术特征：

作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了一种数据特征泛在自学习算法。该算法根据用户反馈诊断偏差情况（7）（6）（1）支持对所有故障特征数据的自学习优化功能。通过定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；根据定期列出的《特征偏差清单》（7）定期更新初装的设备故障诊断基础AI特征库（3）或者设备故障诊断动态AI特征库（4），算法程序如下。

数据特征泛在自学习算法程序：

Program1:持续采集设备振动特征数据，与初装的设备故障诊断基础AI特征库（3）比较，做出初步诊断。按设备类型，积累一定时期的振动特征数据和诊断结果，按求取平均值或峰值，分别从时域、频域，将幅值、频谱功率谱、边频或分频值，与初装的设备故障诊断基础AI特征库（3）比较，列出特征偏差清单；

Program2:定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；

Program3:根据定期列出的《特征偏差清单》，在初装的设备故障诊断基础AI特征库（3）的基础上，对库特征数据定期进行深度学习，持续改进形成设备故障诊断动态AI特征库（4），使得每次诊断时，采集特征与库对标特征的偏差平方和最小，从而动态持续优化设备故障智能诊断；

Program4:定期求取振动特征变化幅度，当振动幅度异常时，提出修改优化算法建议。

作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了一种瀑布图数据特征自学习算法。该算法能够根据瀑布图数据集特征，有效区分固有可靠性类型故障信息、使用可靠性类型故障信息和随机干扰信息，过滤掉随机干扰信息（工况信息）。