[发明专利]发动机故障诊断报警系统及装置

权利要求书

1.发动机故障诊断报警系统及装置，其特征在于通过故障诊断客户端软件控制采集卡实时读取固定在发动机表面的振动传感器采集到的振动信号，并使用人工智能技术自动化诊断故障，结合软件实现对故障的实时报警，对振动信号和诊断数据的自动存储与记录；所述故障诊断报警系统及装置包含以下步骤：

S1、准备工控机，振动传感器，连接线，PCI采集卡与发动机故障诊断客户端软件，将振动加速度传感器安装在发动机的指定位置，并通过连接线与安装在主机上的PCI采集卡相连接；

S2、打开工控机里面的客户端软件，设置采集频率、分析频率和谱线数等采集参数，设置每个通道的量程、灵敏度等通道参数；然后控制采集卡实时采集振动时序信号；

S3、信号分析模块将时序信号实时转化为频域信号，计算出频域信号的频率、峰值和总值，并在显示模块展示；

S4、数据管理模块实时保存采集到的振动时序信号，并管理通道参数和采集参数；数据存储在MySQL数据库，并且同步本地数据库到云端服务器，云端服务器汇总各个设备的振动信号；

S5、故障诊断模块对振动信号做故障分析与诊断；

S6、报警模块根据步骤S3和S5的结果分析异常点，并发出警报；

S7、回放模块可以展示发动机的历史诊断信息。

2.如权利要求1所述的发动机故障诊断报警系统及装置，其特征在于，步骤S3中所述的信号分析模块的原理如下：

时域信号往往不能直观的体现出振动信号的规律，因此使用频域分析；利用快速傅里叶变换(Fast Fourier Transformation，FFT)，将时域信号转换成频域信号，分析出对应频谱图中的峰值、总值、频率；有的发动机振动集中在中低频，有的发动机振动主要集中在中高频，而且当发动机出现故障时，它的频谱会随之发生变化，峰值和频率会骤增，这时候就诊断为异常点，报警模块报警。

3.如权利要求1所述的发动机故障诊断报警系统及装置，其特征在于，步骤S4中所述的数据管理模块的原理如下：

软件客户端控制PCI采集卡实时采集振动信号，在离线情况下将振动信号实时保存到本地文件，将信号采集记录、通道参数、采集参数等项目管理数据以及信号分析模块分析出的各个时间段的频率、峰值和总值数据保存到本地MySQL数据库；在联网情况下通过网络将振动信号实时传输到服务器进行保存，同时也将离线时候没有上传到服务器的本地数据库记录上传到服务器，实现云平台对数据的统一管理，日后设备如果出现问题，可以回溯到该设备的诊断记录，从历史记录里面学习和总结故障的诊断方法。

4.如权利要求1所述的发动机故障诊断报警系统及装置，其特征在于，步骤S5中所述的基于卷积神经网络和高斯混合模型的旋转机械故障诊断方法原理如下：

针对旋转机械故障诊断准确率低的问题，使用卷积神经网络(Convolutional NeuralNetworks，CNN)从数据中提取深层次的特征信息并结合高斯混合模型(Gaussian MixtureModel，GMM)对故障建模，提出了一种融合卷积神经网络和高斯混合模型的故障诊断方法；训练阶段首先利用大量振动信号训练一个卷积神经网络提取振动信号特征，然后为每类故障训练一个GMM；在故障诊断阶段，将多通道两两结合求均值得到均值通道，以扩充数据集；然后将扩充之后的数据集使用训练好的一维卷积神经网络(1DCNN)逐个进行特征提取；将提取之后的特征O₁…O_i…O_s，O_i经过特征融合成多维特征O＝[O₁...O_i...O_s]；然后多维特征O经过张量分解分解为一维特征，将一维特征输入到GMM模型上分类，实现故障诊断；具体步骤如下：

S51、将多个通道两两结合取平均得到均值通道，扩充通道的数量；

S52、将扩充通道后的数据，分别使用一维卷积神经网络(1DCNN)提取特征；

S53、将S52提取的各个通道的特征融合成多维特征，然后使用张量分解，将多维特征分解成一维；

S54、使用高斯混合模型(GMM)对S53的一维特征进行分类，得到故障类型。

5.如权利要求1、2、4所述的发动机故障诊断报警系统及装置，其特征在于，步骤S6中所述的报警模块的原理如下：

报警模块是对振动信号异常点和故障进行报警：(1)信号分析模块分析出的频率、峰值和总值总是在一定范围内的，厂内有经验的工作人员为每个型号的发动机设置一个阈值，当频率、峰值和总值超过阈值后，判定设备出现异常，此时软件客户端开始报警，有异常的采集窗口变红色并且闪烁；(2)故障诊断模块返回的对信号的实时故障诊断结果，根据相应故障进行报警；同时保存诊断出的异常点和故障。