[发明专利]旋转机械故障检测方法及装置、设备、存储介质

说明书

本发明属于故障检测技术领域，公开了一种旋转机械故障检测方法及装置、设备、存储介质，通过样本数据提取出预设振动特征，基于孤立森林算法训练获得异常检测模型，不需先验标签数据，能够准确高效地完成无监督故障检测；在利用异常检测模型对旋转机械的振动数据进行预测获得预测结果之后，确定相关的多个第一振动特征，从中筛选出多个第二振动特征，通过计算每个第二振动特征的重要程度，可以解读识别故障所使用的每个振动特征对预测结果所起的作用，由此支持执行根因分析获得故障成因，具备预测结果的可解释性，且通过调整故障检测所选用的不同预设振动特征组合，还能够应用于不同设备和不同类型的故障检测场景，拓宽应用范围。

技术领域

本发明属于故障检测技术领域，具体涉及一种旋转机械故障检测方法及装置、设备、存储介质。

背景技术

在工业4.0的背景下，旋转机械已成为现代工业的关键设备。齿轮和轴承是旋转机械中的核心部件，齿轮或轴承中的任何故障均会导致机械故障，引发安全事故、产量下降和财务损失。因此，必须通过有效方法尽早发现故障。

机械故障诊断主要涉及到3个任务：首先，故障检测以确定设备是否正常工作；其次，分析早期故障类型及故障成因；最后，预测故障发展趋势。显然，故障检测是后续任务的基础。目前，人工智能(Artificial Intelligence，AI)技术在旋转机械监测中的应用得到了科研和工业人员的广泛研究。越来越多的工厂采纳了复杂的检测技术，以提高机器的可靠性和可用性，促进生产企业在全球市场的竞争力。例如，采用基于深度残差网络和迁移学习的机车轴承故障检测方法、基于卷积长短时记忆网络的旋转机械故障检测方法等方法，结合了快速傅立叶变换、连续小波变换和统计特征以实现准确的故障识别和分类。上述故障分类模型采用监督式学习需要在标注数据上进行训练。而大部分工业环境下的数据是无标签的，从机器设备中采集并标注数据的成本很高，无法得到所有条件下的故障样本。

现有技术中采用的故障检测AI模型，例如基于支持向量机(supportvectormachine，SVM)和堆叠自编码器(StackedAuto Encoder，SAE)的轴承故障诊断方法，简称FD-SAE，利用SVM区分正常数据和故障数据，其后利用基于特征距离的SAE进行故障分类。又例如，基于决策树算法的风电机故障检测方案，其中在大规模环境监测数据集上训练集成决策树(Decision Tree，DT)分类器，以自动提取振动信号中的异常并分析故障可能成因。但是，这些故障检测AI模型均不能够向用户提供可解读的结果，极大地限制AI模型在现实生产中的应用。可见现有故障检测模型需要先验标签数据，无法得到所有条件下的故障样本，而且不具备预测结果的可解释性，导致在旋转机械检测领域的实施规模受到限制。

发明内容

本发明的目的在于提供一种旋转机械故障检测方法及装置、设备、存储介质，不需要先验标签数据，能够准确高效地完成无监督故障检测，且具备预测结果的可解释性。

本发明第一方面公开一种旋转机械故障检测方法，包括：

获取与旋转机械的元件类型对应的若干样本数据；

根据若干样本数据，提取出多个预设振动特征；

根据多个预设振动特征，基于孤立森林算法训练获得异常检测模型；

利用异常检测模型对旋转机械的振动数据进行预测获得预测结果；

若所述预测结果指示所述振动数据为异常数据，从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征；

从多个第一振动特征中筛选出多个第二振动特征；其中，多个第二振动特征为多个第一振动特征的子集；

根据所述预测结果以及每个第二振动特征的特征值，计算每个第二振动特征的特征值的分解因子值，所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度；

判断多个第二振动特征是否匹配到多种部件故障类型；