[发明专利]一种基于振动信号分析的机械设备工作状态判别方法

说明书

本发明涉及机械设备技术领域，具体地说是一种基于振动信号分析的机械设备工作状态判别方法。本判别方法包括信号采集、特征提取、模型训练和模型预测四个步骤；其主要原理是通过提取采集到的机械设备振动信号特征，建立不同工作状态的分类模型，以此实时分析机械设备处于静止、怠速还是工作状态，为后续工时分析、账单结算等需求，提供精细化分析场景的基础数据。

技术领域

本发明涉及机械设备技术领域，具体地说是一种基于振动信号分析的机械设备工作状态判别方法。

背景技术

工程机械设备的工作状态反映了其真实的现场实际工作状况，当前基于台班的结算方式易出现虚报工时、监管困难的问题，一旦出现“磨洋工”现象，则账单结算会随之增加，日积月累，损害了企业的经济利益。本发明通过检测机械设备工作时的振动信号，实现设备真实工作状态的分析判别，避免虚假工时，同时进行数据入库，以备后查。

发明内容

一种基于振动信号分析的机械设备工作状态判别方法，主要原理是通过提取采集到的机械设备振动信号特征，建立不同工作状态的分类模型，以此实时分析机械设备处于静止、怠速还是工作状态，为后续工时分析、账单结算等需求，提供精细化分析场景的基础数据。

一种基于振动信号分析的机械设备工作状态判别方法,包括如下步骤：

S1，信号采集，使用振动信号传感器采集机械设备的振动信号，作为样本，振动信号通过网关设备以MQTT协议发送到云服务器；在机器学习的模型训练阶段，静止数据、怠速数据和工作数据三种类型的数据各采集500组；

S2，特征提取，对上述三种类型的典型振动信号进行减样本均值操作,随后提取abs_energy、abs_maximum、absolute_sum_of_changes、binned_entropy、cid ce、kurtosis、var和zero_crossing八个特征；

S3，模型训练，在服务器使用PyTorch搭建全连接神经网络模型，输入层神经元个数为8，与特征数量一致，隐层神经元个数为10，输出层神经元个数为3，与振动信号类型个数一致，所有激活函数均为sigmoid，将训练数据输入模型进行模型训练，待到达指定训练轮数后停止，保存模型,作为参照模型；

S4，模型预测，采集新的样本点，并将新采集的样本点数据提取S2中的特征后输入训练好的模型，得到预测输出。

进一步地，所述步骤S1中的振动信号的采集频率为256Hz，采样时间为1s，采样时间间隔为10s。

进一步地，静止数据、怠速数据和工作数据采集相同的数量组。

进一步地，所述数量组为400-600组。

本发明具有的有益效果为：建立不同工作状态的分类模型，以此实时分析机械设备处于静止、怠速还是工作状态，为后续工时分析、账单结算等需求，提供精细化分析场景的基础数据。

附图说明

图1为S1中信号采集方式示意图；

图2为静止信号波形图；

图3为怠速信号波形图；

图4为工作信号波形图；

图5为binned_entropy数据图；

图6为cid_ce数据图；

图7为kurtosis数据图；

图8为var数据图；

图9为zero_crossing数据图；

图10为本判别方法流程示意图。

具体实施方式：

以下结合附图对本发明内容作进一步的详细说明。