[发明专利]设备故障温度分析诊断方法

说明书

本发明涉及一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：在监被控设备周边采用温度图像监控仪实时采集设备温度场图像数据；采用3D三维扫描仪获得设备外形三维图像数据，将上述两个数据匹配，构建三维温度数据图库，并对其进行处理，建立三维温度故障数据图库，采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型；利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常并报警。本发明的优点是：能准确的自动在线分析诊断大型设备运行时的声音信息，做到实时分析及报警，避免重大损失发生。

技术领域

本发明涉及设备故障诊断方法，尤其涉及一种设备故障温度分析诊断方法。

背景技术

对于工业大型设备来说，如电机、风机等一旦发生故障，而没有及时采取措施，会造成设备的损坏，直接导致大规模停产事件发生，造成重大经济损失。若能准确及时识别运行过程中萌生和演变的故障，则有可能在故障发生前对设备进行必要的维护，做到防患于未然。因此，建立稳定可靠的机械设备健康监测及诊断系统具有非常重要的意义。

工业大型设备故障诊断技术是一门综合性极强、覆盖面极广的交叉学科，集合了传感器技术、信号处理技术、计算机技术。

目前市场上对于大型设备的故障监测、分析诊断大多停留在设置固定传感器的单点监控阶段，且故障分析诊断能力欠缺。

人工智能方法是风机故障诊断中重要类别，如BP神经网络、支持向量机和最小二乘向量机等。中国专利201710142440.4公开了一种风机齿轮箱故障诊断模型建立方法及装置，该方法首先将振动信号进行平滑和降噪处理，再对处理后的振动信号进行分解，并提取振动信号的特征向量。然后将提取的特征向量分为训练数据集和测试数据集，并利用果蝇算法对径向基神经网络模型的参数进行优化，最终利用径向基神经网络对风机齿轮箱故障进行诊断。上述人工智能诊断方法一般仅利用了振动信号的时域特征值或频域特征值，而且训练集和测试即数据量有限，因而存在网络训练收敛满、故障识别、分析诊断效率低和准确率低等缺点。

发明内容

本发明的目的是提供一种设备故障温度分析诊断方法。

本发明是这样实现的：

本发明的一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：

步骤a：在被监控设备周边安装温度图像监控仪，并将所述的温度图像监控仪与计算机处理系统电性连接，对设备全表面实现无死角温度场采集，实时采集设备温度场图像数据；

步骤b：在被监控设备旁布设3D三维扫描仪和工作站，手持3D三维扫描仪对设备进行三维扫描，获得设备外形三维图像数据，采用三维建模技术将设备外形三维图像数据与所采集的设备温度场图像数据匹配，构建三维温度数据图库；

步骤c：通过PYTHON对构建的三维温度数据图库进行处理，建立三维温度故障数据图库，所述的三维温度故障数据图库包括采集并处理得到故障图和经验型故障图,将三维温度故障数据图库作为深度学习的数据；

步骤d：采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型；

步骤e：利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常，若正常，则继续采集温度信号数据，进入步骤a，若不正常，则输出故障类型并报警。

优选地，所述的计算机处理系统包括：

预处理模块：用于把设备温度场图像数据与设备外形三维图像数据匹配构建三维温度图；

故障数据图库模块：用于三维温度故障数据图库的建立及实时更新；

深度学习模块：用于对三维温度故障图库进行深度学习。