旋转机械健康状态的预测方法、装置、设备及存储介质专利检索-健康状态电池与电池专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

旋转机械健康状态的预测方法、装置、设备及存储介质

阅读：620发布：2021-02-27

IPRDB可以提供旋转机械健康状态的预测方法、装置、设备及存储介质专利检索，专利查询，专利分析的服务。并且本申请实施例提供一种旋转机械健康状态的预测方法、装置、设备及存储介质。该方法包括：获取旋转机械在当前时间之前的运行状态特征数据；将旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过状态特征预测模型预测旋转机械在当前时间之后的运行状态特征数据；将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过故障预测模型预测旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；运行状态特征预测模型和故障预测模型是基于旋转机械的历史运行状态特征数据训练得到的。本申请实施例能够提高旋转机械健康状态的预测精确度。，下面是旋转机械健康状态的预测方法、装置、设备及存储介质专利的具体信息内容。

权利要求

1.一种旋转机械健康状态的预测方法，其特征在于，包括：

获取旋转机械在当前时间之前的运行状态特征数据；

将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；

将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；

所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述运行状态特征数据至少包括以下至少一项或多项的组合：振动数据、电流数据、压力数据、温度数据；

所述状态特征预测模型至少包括以下至少一项或多项的组合：振动预测模型、电流预测模型、压力预测模型和温度预测模型；

所述将所述运行状态特征数据输入所述状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在所述当前时间之后的运行状态特征数据，包括：将所述振动数据、所述电流数据、所述压力数据、所述温度数据分别输入所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型中，以分别通过所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型预测所述旋转机械在当前时间之后的振动数据、电流数据、压力数据、温度数据；

其中，所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型分别是基于历史振动数据、历史电流数据、历史压力数据和历史温度数据训练得到的。

3.根据权利要求2所述的方法，其特征在于，所述将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型，包括：将预测的当前时间之后的振动数据、电流数据、压力数据、温度数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述状态特征预设模型为神经网络；

所述旋转机械在当前时间之后的运行状态特征数据的预测由所述神经网络执行，所述神经网络由以下步骤训练得到：获取所述旋转机械的运行状态特征样本数据以及对应的第一标签，所述第一标签是所述旋转机械在预测时间的实际运行状态特征数据；所述运行状态特征样本数据具有第一时间信息；

根据所述运行状态特征样本数据以及所述第一标签，确定所述旋转机械在预测时间的运行状态特征数据；所述预测时间在所述第一时间信息对应的时间之后；

根据确定的所述旋转机械在预测时间的运行状态特征数据，与所述第一标签之间的差异，调整所述神经网络的网络参数。

5.根据权利要求4所述的方法，其特征在于，所述故障预测模型为分类器；

所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型由所述分类器执行，所述分类器由以下步骤训练得到：获取所述旋转机械的运行状态特征数据，以及对应的第二标签，所述第二标签是所述旋转机械在所述运行状态特征数据对应的运行状态下是否发生故障以及发生故障的时间和类型的标注信息；

根据所述旋转机械的运行状态特征数据，确定所述旋转机械是否发生故障，以及发生故障的时间和类型；

根据确定的所述旋转机械是否发生故障，以及发生故障的时间和类型，和所述第二标签之间的差异，调整所述分类器的网络参数。

6.根据权利要求1-3、5任一项所述的方法，其特征在于，所述获取旋转机械在当前时间之前的运行状态特征数据，包括：分别通过安装在所述旋转机械上的振动传感器、电流传感器、电压传感器和压力传感器采集振动数据、驱动电机的电流数据、压力数据、温度数据；

分别根据所述振动数据、电流数据、压力数据、温度数据和各自对应的采集时间形成所述运行状态特征数据。

7.一种旋转机械健康状态的预测装置，其特征在于，包括：

获取模块，用于获取旋转机械在当前时间之前的运行状态特征数据；

第一预测模块，用于将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；

第二预测模块，用于将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；

所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。

8.根据权利要求7所述的装置，其特征在于，所述运行状态特征数据至少包括以下至少一项或多项的组合：振动数据、电流数据、压力数据、温度数据；

所述状态特征预测模型至少包括以下至少一项或多项的组合：振动预测模型、电流预测模型、压力预测模型和温度预测模型；

所述第一预测模块在将所述运行状态特征数据输入所述状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在所述当前时间之后的运行状态特征数据，包括：将所述振动数据、所述电流数据、所述压力数据、所述温度数据分别输入所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型中，以分别通过所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型预测所述旋转机械在当前时间之后的振动数据、电流数据、压力数据、温度数据；

9.一种旋转机械健康状态的预测设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。

说明书全文

旋转机械健康状态的预测方法、装置、设备及存储介质

技术领域

[0001] 本申请实施例涉及人工智能技术领域，尤其涉及一种旋转机械健康状态的预测方法、装置、设备及存储介质。

背景技术

[0002] 在电力、能源、交通、石油化工以及国防等领域中，经常会用到旋转机械，而旋转机械常常由于出现各种不同形式的故障影响其正常运转。故障严重时，甚至会引发机毁人亡事故，造成重大经济损失。因此，需要对旋转机械进行经常性地检修。

[0003] 从旋转机械的检修历史和现状来看，检修方式大致分为发生事故停机检修、定期停机检修(预防性维修)、预测维修(状态维修或视情维修)这几种。

[0004] 其中，预测维修的关键技术是故障预测，能够对未来一段时间内的故障进行预测。但目前故障预测方法大多依赖专家知识和经验，导致旋转机械健康状态预测的正确性和精确性无法保证。

发明内容

[0005] 本申请实施例提供一种旋转机械健康状态的预测方法、装置、设备及存储介质，以对旋转机械的健康状态进行精准预测。

[0006] 第一方面，本申请实施例提供一种旋转机械健康状态的预测方法，包括：获取旋转机械在当前时间之前的运行状态特征数据；将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。

[0007] 第二方面，本申请实施例提供一种旋转机械健康状态的预测装置，包括：获取模块，用于获取旋转机械在当前时间之前的运行状态特征数据；第一预测模块，用于将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；第二预测模块，用于将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。

[0008] 第三方面，本申请实施例提供一种旋转机械健康状态的预测设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现第一方面所述的方法。

[0009] 第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。

[0010] 本申请实施例提供的一种旋转机械健康状态的预测方法、装置、设备及存储介质，通过获取旋转机械在当前时间之前的运行状态特征数据；将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。其中，所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。因此，能够精确地反应旋转机械在未来一段时间内的运行趋势，从而提高旋转机械健康状态的预测精确度。

附图说明

[0011] 图1为本申请实施例提供的旋转机械健康状态的预测方法流程图；

[0012] 图2A为本申请实施例提供的预设模型的结构示意图；

[0013] 图2B为本申请另一实施例提供的预设模型的结构示意图；

[0014] 图3为本申请另一实施例提供的旋转机械健康状态的预测方法流程图；

[0015] 图4为本申请实施例提供的神经网络的结构示意图；

[0016] 图5为本申请另一实施例提供的预设模型的结构示意图；

[0017] 图6为本申请实施例提供的旋转机械健康状态的预测装置的结构示意图；

[0018] 图7为本申请实施例提供的旋转机械健康状态的预测设备的结构示意图。

[0019] 通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

[0020] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

[0021] 下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

[0022] 图1为本申请实施例提供的旋转机械健康状态的预测方法流程图。本申请实施例针对现有技术的如上技术问题，提供了旋转机械健康状态的预测方法，该方法具体步骤如下：

[0023] 步骤101、获取旋转机械在当前时间之前的运行状态特征数据。

[0024] 本实施例中，旋转机械是指主要功能由旋转动作来完成的机械，尤其是指转速较高的机械。旋转机械包括动力机械、过程机械和加工机械。

[0025] 其中，动力机械是指将自然界中的能量转换为机械能而作功的机械装置，例如涡轮机、压缩机、齿轮泵等。过程机械可以是如离心式分离机等。加工机械是指对工件的外形尺寸或性能进行改变的机械装置，例如车床、磨床等。

[0026] 可选的，本申请实施例的步骤101中的运行状态特征数据包括正常运行状态特征数据和非正常运行状态特征数据，其中，非正常运行状态特征数据也称为运行故障状态数据，或者运行状态特征数据包括运行故障状态数据。

[0027] 在一种可选的实施方式中，如果运行状态特征数据包括正常运行状态特征数据和运行故障状态数据，则首先需要对实时采集的运行状态特征数据(包括正常运行状态特征数据和运行故障状态数据)进行分析处理，然后分别提取出来正常运行状态特征数据和运行故障状态数据。

[0028] 在另一种可选的实施方式中，如果运行状态特征数据包括运行故障状态数据，则首先需要对实时采集的运行状态特征数据(包括正常运行状态特征数据和运行故障状态数据)进行分析处理，然后提取出来运行故障状态数据。

[0029] 可选的，旋转机械在当前时间之前的运行状态特征数据，可以通过获取预先存储的历史运行状态特征数据得到。其中，预先存储的历史运行状态特征数据可以通过安装在旋转机械上的一个或多个传感器采集得到。具体的，可以通过安装在旋转机械上的一个或多个传感器采集旋转机械的运行状态特征数据，并将采集的数据进行存储，存储的格式包括：时间+具体数据，例如2019年11月11日某时某分某秒，运行状态特征数据是X。应当理解，上述存储格式为示例说明，并不对本申请实施例进行具体限定。

[0030] 另外，当前时间之前指处于当前时间之前的任何时间，可以是当前时间之前指定的某一时间段，包括从当前时间开始起算的任何过去的时间段，以及从当前时间之前的任何时间开始起算的时间段，例如，当前时间为2019年11月11日12时，则当前时间之前可以是2019年11月11日12时之前的任何时间段，包括从2019年11月11日12时开始起算的任何过去的时间段，以及从2019年11月11日12时之前，例如2019年8月10日之前的任何时间开始起算的时间段。

[0031] 步骤102、将旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过状态特征预测模型预测旋转机械在当前时间之后的运行状态特征数据。

[0032] 步骤103、将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过故障预测模型预测旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

[0033] 其中，运行状态特征预测模型和故障预测模型是基于旋转机械的历史运行状态特征数据训练得到的。具体的，状态特征预测模型能够根据旋转机械在当前时间之前的一段时间内的运行状态特征数据预测其在当前时间之后的一段时间内的运行状态特征，然后将状态特征预测模型输出的预测的当前时间之后的运行状态特征数据输入故障预测模型，由故障预测模型根据运行状态特征数据确定其在当前时间之后的一段时间内是否会发生故障，以及在当前时间之后的一段时间内发生故障的时间点和发生故障的类型。其中，当前时间之前的一段时间和当前时间之后的一段时间可以是与当前时间连续的时间段，也可以是不与当前时间连续的时间段。

[0034] 例如，假设需要对旋转机械在未来6个月内的运行状态特征数据进行预测，则可以获取旋转机械在过去12个月内的运行状态特征数据。预设模型根据旋转机械在过去12个月内的运行状态特征数据来预测其在未来6个月内的运行状态特征数据，并根据未来6个月内的运行状态特征数据确定其是否会在这6个月内发生故障，若确定发生故障，由于状态特征预测模型预测的是未来一段时间的状态特征趋势数据，因此，能够进一步确定发生故障的时间点、发生故障的类型等。应当理解的是，6个月和12个月在此处仅为示例性说明，并不对本实施例进行具体限定。

[0035] 图2A为本申请实施例提供的预设模型的示意图。如图2A所示，预设模型20包括状态特征预测模型21和故障预测模型22；其中，将运行状态特征数据输入预设模型，以通过预设模型预测旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型，包括：将运行状态特征数据输入状态特征预测模型，以通过状态特征预测模型预测旋转机械在当前时间之后的运行状态特征数据；将预测的旋转机械在当前时间之后的运行状态特征数据输入故障预测模型，以通过故障预测模型预测旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

[0036] 其中，状态特征预测模型21用于预测旋转机械在当前时间之后的一段时间内的运行状态特征数据，然后状态特征预测模型21输出的预测结果，即旋转机械在当前时间之后的一段时间内的运行状态特征数据，将会输入故障预测模型22中，以使故障预测模型22根据运行状态特征数据的预测结果进行故障预测，即确定旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

[0037] 例如，故障预测模型22根据运行状态特征数据的预测结果确定是否在未来的某一时间段发生了突变，若预测结果中某一时间段的运行状态特征数据发生了突变，则认为旋转机械在未来的这一时间段将可能会发生故障。

[0038] 本申请实施例通过获取旋转机械在当前时间之前的运行状态特征数据；将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。其中，运行状态特征预测模型和故障预测模型是基于旋转机械的历史运行状态特征数据训练得到的，且预设模型的输入数据是旋转机械在当前时间之前的历史运行状态特征数据，能够更好地反应旋转机械的运行状态的发展规律。因此，能够精确地反应旋转机械在未来一段时间内的运行趋势，从而提高旋转机械健康状态的预测精确度。

[0039] 可选的，运行状态特征数据至少包括以下至少一项或多项的组合：振动数据、电流数据、压力数据、温度数据。其中，电流数据是旋转机械的驱动电机的电流数据。其中，振动数据、电流数据、压力数据、温度数据又可以细分为多个数据类型。例如振动数据包括振动信号的转频(转动频率)的基频及其边频、基频的高次谐波及其边频、分次谐波及其边频、故障部件的特征频率及其边频、电源工频及其边频的幅值和相位；电流数据包括电流信号的三相平衡度、电流工频及其边频、电流工频高次谐波及其边频、电机转频(转动频率)及其边频、故障部件特征频率及其边频的幅值和相位；温度数据包括温度信号高低，温度信号空间分布关系等。

[0040] 在一个示例中，每个监测点可以从上述细分的数据类型中提取15种故障特征。

[0041] 其中，基频，指研究对象的特征频率(如旋转频率)的一倍频。

[0042] 谐波，指对周期性非正弦交流量进行傅里叶级数分解后，得到的大于基波频率(基频)整数倍的各次分量，也称为高次谐波。

[0043] 边频，又称边带频率，是调制过程中已调波的频谱中除了载波分量外在载波频率两旁还各有一个频带，被调制信号的各频率分量就落在这两个频带之内。这两个频带统称为边频带或边带。位于比载波频率高的一侧的边频带，称为上边带。位于比载波频率低的一侧的边频带，称为下边带。

[0044] 分次谐波，指频率等于一个周期性振荡基频的整分数的正弦分量。例如,频率等于基频二分之一的波称为二次分谐波，三分之一的波称为三次分谐波等。

[0045] 特征频率，在故障诊断领域，能够表征(与故障有对应关系)故障种类、位置、故障严重程度的频率。

[0046] 工频，指电力系统的发电、输电、变电与配电设备以及工业与民用电气设备采用的额定频率，单位为赫兹HZ。

[0047] 可选的，本申请实施例的振动数据包括正常状态下的振动数据和故障状态下的振动数据，或者包括故障状态下的振动数据。

[0048] 可选的，本申请实施例的电流数据包括正常状态下的电流数据和故障状态下的电流数据，或者包括故障状态下的电流数据。

[0049] 可选的，本申请实施例的压力数据包括正常状态下的压力数据和故障状态下的压力数据，或者包括故障状态下的压力数据。

[0050] 可选的，本申请实施例的温度数据包括正常状态下的温度数据和故障状态下的温度数据，或者包括故障状态下的温度数据。

[0051] 如图2B所示，状态特征预测模型21至少包括以下至少一项或多项的组合：振动预测模型210、电流预测模型211、压力预测模型212和温度预测模型213。其中，振动预测模型210、电流预测模型211、压力预测模型212和温度预测模型213分别是基于历史振动数据、历史电流数据、历史压力数据和历史温度数据训练得到的。相应的，将运行状态特征数据输入状态特征预测模型，以通过状态特征预测模型预测旋转机械在当前时间之后的运行状态特征数据，包括：将振动数据、电流数据、压力数据、温度数据分别输入振动预测模型、电流预测模型、压力预测模型和温度预测模型中，以分别通过振动预测模型、电流预测模型、压力预测模型和温度预测模型预测旋转机械在当前时间之后的振动数据、电流数据、压力数据、温度数据。

[0052] 可选的，将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型，包括：将预测的当前时间之后的振动数据、电流数据、压力数据、温度数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

[0053] 可选的，旋转机械的振动数据、电流数据、压力数据、温度数据分别通过安装在旋转机械上的振动传感器、电流传感器、压力传感器和温度传感器采集得到。其中，电流数据是指旋转机械的驱动电机或发电机的三相定子电流数据。可选的，上述传感器可以是单独设置在旋转机械的某一部位上，也可以是至少两个组合设置在旋转机械的某一部位上。另外，同一传感器可以是多个，设置在旋转机械某一部位上的传感器可以是一个或多个，当设置在旋转机械某一部位上的传感器是多个时，可以是多个相同的传感器，也可以是多个不同的传感器，本实施例对此不做具体限定。

[0054] 下面通过一个具体的示例对运行状态特征数据的采集进行详细说明：

[0055] 示例性地，若旋转机械是电驱压气机，且电驱压气机包括压气机、齿轮箱和驱动电机；则为了监测和预测电驱压缩机的健康状态，可以在压缩机、齿轮箱和压气机上分别安装一些传感器，具体如下：

[0056] 1、在压缩机的径向轴承轴瓦上安装振动方向互相垂直的两个振动传感器，且两个振动传感器的振动方向与轴向垂直；

[0057] 2、测量径向轴承温度的温度传感器安装在轴承瓦块最大负荷靠近轴瓦表面处，每侧径向轴承安装两个温度、振动复合传感器；

[0058] 3、在推力轴承上布设两个轴向振动位移传感器；

[0059] 4、在电机的径向轴承轴瓦上(轴承座)安装振动方向互相垂直又与轴向垂直的两个振动、温度复合传感器；

[0060] 5、在电动机三相定子供电线路上安装三个霍尔电流传感器测量电机三相定子电流；

[0061] 6、在电机动力输出侧安装一套键相(转速)传感器，测量转子转速；

[0062] 7、在齿轮箱(减速箱)每个轴承处安装两个振动方向互相垂直又与轴向垂直的振动速度、温度复合传感器。

[0063] 对于其他旋转机械，可以参见上述实施例中关于电驱压气机的安装方式，以及结合旋转机械自身的特点进行安装，本实施例在此不再赘述。

[0064] 可选的，为了提高预测结果的准确度，还可以对所有传感器采用同步采集的方式进行数据采集。例如，采用采样率200kbps，每个样点16比特量化的采集方式对所有传感器进行同步采集。

[0065] 例如，振动预测模型、电流预测模型、压力预测模型和温度预测模型分别根据旋转机械在过去12个月内的振动数据、驱动电机的电流数据、压力数据、温度数据来预测其在未来6个月内的振动数据、驱动电机的电流数据、压力数据、温度数据，并由故障预测模型根据未来6个月内的振动数据、驱动电机的电流数据、压力数据、温度数据确定其是否会在未来6个月内发生故障，若确定发生故障，则进一步确定发生故障的时间点以及发生故障的类型等。若振动数据、驱动电机的电流数据、压力数据、温度数据中的某一项或几项在未来6个月中的某一时刻发生了突变，则确定发生突变的数据对应的旋转机械的部位在未来6个月中的某一时刻可能会发生故障，具体地，根据发生突变的一种数据类型或者多种数据类型的结合，可以进一步确定故障类型。

[0066] 本实施例根据旋转机械的多种运行状态特征数据，分别建立各种类型的状态特征预测模型，具体包括振动预测模型、电流预测模型、压力预测模型和温度预测模型，并获取各种类型的运行状态特征数据分别输入对应的预测模型进行预测，从而能够对不同类型的运行状态特征数据的趋势进行预测，另外，将状态特征预测模型的预测结果输入故障预测模型，能够进一步实现对故障发生时间和故障类别的精确预测。

[0067] 图3为本申请另一实施例提供的旋转机械健康状态的预测方法流程图。在上述实施例的基础上，预设模型可以为神经网络，例如长短期记忆(Long short-term memory，LSTM)网络。本实施例中，神经网络包括依次连接的输入层、隐藏层和输出层；其中，输入层、隐藏层和输出层的数量可以根据实际需求来设计。示例性地，如图4所示，神经网络40包括1个输入层41、3个隐藏层(以下称为第一隐藏层42、第二隐藏层43和第三隐藏层44)、1个输出层45。其中，输入层41、第一隐藏层42、第二隐藏层43、第三隐藏层44和输出层45依次连接；其中，各个层之间可以采用全连接方式。

[0068] 可选的，每个输入层可以设置50个神经元，每个隐藏层设置100个神经元，每个输出层设置1个神经元。

[0069] 应当理解，上述神经网络的结构为示例性说明，并不对本实施例进行具体限定。

[0070] 其中，本实施例的预测方法由神经网络执行，该神经网络由以下步骤训练得到：

[0071] 步骤301、获取旋转机械的运行状态特征样本数据以及对应的第一标签。

[0072] 其中，第一标签是旋转机械在预测时间的实际运行状态特征数据；运行状态特征样本数据具有第一时间信息。

[0073] 可选的，预测时间可以是未来某一时刻，也可以是未来某一时间段。

[0074] 可选的，可以是通过上述实施例设置的多种类型的传感器采集得到的历史运行状态特征数据，作为运行状态特征样本数据。

[0075] 上述实施例中，采集得到的历史运行状态特征数据包括历史振动数据、历史电流数据、历史压力数据和历史温度数据。

[0076] 在一个示例中，假设提取了15种类型的运行状态特征数据，可以将提取的15种数据类型作为列向量，并取30周的运行状态特征数据，每一行代表一周，具体请参见如下矩阵(1)，即M＝30，N＝15。其中，每周的一种运行状态特征数据可以根据本周内的所有该种类的运行状态特征数据的采样点的平均值确定，或者根据本周内的所有该运行状态特征数据中的故障状态特征数据的平均值确定。

[0077]

[0078] 矩阵(1)中，M代表运行状态特征样本数据的时间，N代表运行状态特征样本数据的类型；

[0079] 在另一个示例中，假设振动数据为V，电流数据为I，压力数据为N，温度数据为T，取30周的振动数据V，电流数据I，压力数据N，温度数据T作为运行样本数据，则存储的上述几种传感器数据可以采用如下矩阵(2)来表示：

[0080]

[0081] 矩阵(2)中，(ti,Vi)代表ti周的振动数据；(ti,Ii)代表ti周的电流数据；(ti,Ni)代表ti周的压力数据；(ti,Ti)代表ti周的温度数据。

[0082] 可选的，可以取12个月的上述矩阵数据作为运行样本数据对神经网络进行训练。本实施例中的12个月，可以不是自然月，可以理解为12个上述矩阵(2)，12个矩阵(2)中的数据可以存在重复数据。当然，上述矩阵形式为示例说明，不对本申请实施例进行具体限定。

[0083] 步骤302、根据所述运行状态特征样本数据以及所述第一标签，确定所述旋转机械在预测时间的运行状态特征数据。

[0084] 本实施例中，神经网络的各个层具有网络参数，在一次迭代训练中，将运行状态特征样本数据以及运行状态特征样本数据的标签输入神经网络，神经网络各个层会根据输入数据和网络参数得到一个输出结果，各个层输出的结果将会作为下一层的输入或者最终的输出结果，最终的输出结果代表本次训练结果，即旋转机械在预测时间是否发生故障以及发生故障的类型。

[0085] 步骤303、根据确定的所述旋转机械在预测时间的运行状态特征数据，与所述第一标签之间的差异，调整所述神经网络的网络参数。

[0086] 本实施例中，可以采用反向传播算法，即基于神经网络的预测值(每一次训练的输出结果)与实际值(标签)的误差对神经网络进行训练，并使用测试样本对神经网络的预测效果进行测试，若测试效果不满足测试要求，则继续进行迭代训练，若测试效果满足测试要求，则存储该神经网络作为预测模型。

[0087] 通过对神经网络的多次迭代训练，能够使得各个层的网络参数达到期望值，实现较高的预测精度。例如，可以设置神经网络的预测精度阈值，若训练结果的预测精度达到预测精度阈值，则训练结束。

[0088] 例如，将旋转机械在预测时间的运行状态特征数据与第一标签进行比较，并根据比较结果的差异，来调整神经网络各个层的网络参数。

[0089] 在一个可选的实施例中，如图5所示，神经网络的个数可以是至少5个，分别记为第一神经网络51、第二神经网络52、第三神经网络53、第四神经网络54和分类器55。其中，第一神经网络51、第二神经网络52、第三神经网络53、第四神经网络54均可以采用长短期记忆(Long short-term memory，LSTM)网络；分类器55可以采用支持向量机(Support Vector Machine，SVM)。第一神经网络51、第二神经网络52、第三神经网络53、第四神经网络54的结构均可以是上述实施例介绍的神经网络40的结构。

[0090] 在上述实施例的基础上，神经网络的训练包括：分别对第一神经网络51、第二神经网络52、第三神经网络53、第四神经网络54和分类器55进行训练。

[0091] 可选的，对第一神经网络51进行训练包括：获取旋转机械的振动样本数据，振动样本数据具有第一时间信息；根据振动样本数据以及振动样本数据的标签，确定旋转机械在预测时间的振动预测特征数据；根据振动预测特征数据，与振动样本数据的标签之间的差异，调整第一神经网络51的网络参数。其中，振动样本数据的标签是旋转机械在预测时间实际发生的振动数据。其中，预测时间在第一时间信息对应的时间之后。

[0092] 可选的，对第一神经网络51进行训练包括：获取旋转机械的多种运行状态特征样本数据；运行状态特征样本数据具有第一时间信息；根据运行状态特征样本数据以及运行状态特征样本数据的标签，确定旋转机械在预测时间的多种预测状态特征数据；根据确定的在预测时间的多种预测状态特征数据，与运行状态样本数据的标签之间的差异，调整第一神经网络51的网络参数。其中，运行状态样本数据的标签是对旋转机械在预测时间的多种实际状态特征参数标注的结果。本实施例中，采用多种类型的运行状态特征数据作为运行状态特征样本数据，例如将上述矩阵(2)的数据作为运行状态特征样本数据，对第一神经网络51训练，以得到振动状态预测模型。本实施例中，由于振动变化规律可能受其他类型的特征数据影响，故在本实施例的训练过程中，将多种类型的运行状态特征数据作为训练数据对神经网络训练，使得训练得到的振动状态预测模型，能够根据其他类型的运行状态特征数据确定旋转机械是否发生故障，从而提高故障的预测精度。

[0093] 可选的，对第二神经网络52进行训练包括：获取旋转机械的电流样本数据，电流样本数据具有第一时间信息；根据电流样本数据以及电流样本数据的标签，确定旋转机械在预测时间的电流预测特征数据；根据确定的在预测时间的电流预测特征数据，与电流样本数据的标签之间的差异，调整第二神经网络52的网络参数。其中，电流样本数据的标签是旋转机械在预测时间实际发生的电流特征数据。

[0094] 可选的，还可以采用多种运行状态特征样本数据对第二神经网络52进行训练，采用多种运行状态特征样本数据对第二神经网络52进行训练，可以参考采用多种运行状态特征样本数据对第一神经网络51进行训练的具体介绍，此处不再赘述。

[0095] 可选的，对第三神经网络53进行训练包括：获取旋转机械的压力样本数据，压力样本数据具有第一时间信息；根据压力样本数据以及压力样本数据的标签，确定旋转机械在预测时间的压力预测特征数据；根据压力预测特征数据，与压力样本数据的标签之间的差异，调整第三神经网络53的网络参数。其中，压力样本数据的标签是旋转机械在预测时间实际发生的压力特征数据。

[0096] 可选的，还可以采用多种运行状态特征样本数据对第三神经网络53进行训练，采用多种运行状态特征样本数据对第三神经网络53进行训练，可以参考采用多种运行状态特征样本数据对第一神经网络51进行训练的具体介绍，此处不再赘述。

[0097] 可选的，对第四神经网络54进行训练包括：获取旋转机械的温度样本数据，温度样本数据具有第一时间信息；根据温度样本数据以及温度样本数据的标签，确定旋转机械在第一时间信息对应的预测时间的温度预测特征数据；根据确定的在预测时间的温度预测特征数据，与温度样本数据的标签之间的差异，调整第四神经网络54的网络参数。其中，温度样本数据的标签是旋转机械在预测时间实际发生的温度特征数据。

[0098] 可选的，还可以采用多种运行状态特征样本数据对第四神经网络54进行训练，采用多种运行状态特征样本数据对第四神经网络54进行训练，可以参考采用多种运行状态特征样本数据对第一神经网络51进行训练的具体介绍，此处不再赘述。

[0099] 可选的，在故障预测模型为分类器的情况下，旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型由所述分类器执行，所述分类器由以下步骤训练得到：获取所述旋转机械的运行状态特征数据，以及对应的第二标签，所述第二标签是所述旋转机械在所述运行状态特征数据对应的运行状态下是否发生故障以及发生故障的时间和类型的标注信息；根据所述旋转机械的运行状态特征数据，确定所述旋转机械是否发生故障，以及发生故障的时间和类型；根据确定的所述旋转机械是否发生故障，以及发生故障的时间和类型，和所述第二标签之间的差异，调整所述分类器的网络参数。

[0100] 具体的的，对分类器55进行训练包括：获取振动特征数据、压力特征数据、电流特征数据和温度特征数据；分别根据振动特征数据、压力特征数据、电流特征数据和温度特征数据以及其对应的机械状态标签，确定旋转机械状态，以及确定的状态与对应的机械状态标签之间的差异，调整分类器55的网络参数。其中，机械状态标签是指在振动特征数据、压力特征数据、电流特征数据和温度特征数据下，对旋转机械是否发生故障进行标注的结果。

[0101] 其中，对于分类器55的训练过程与神经网络的训练过程类似，具体可以参见上述实施例介绍的神经网络的训练过程，此处不再赘述。

[0102] 可选的，在通过上述实施例对神经网络进行训练后，还可以对训练完成的神经网络进行测试。具体地，采用以下步骤对训练完成的神经网络进行测试：

[0103] 获取旋转机械的运行状态测试数据，所述运行状态测试数据具有第二时间信息；根据所述运行状态测试数据以及所述运行状态测试数据的标签，确定所述旋转机械在测试时刻的运行状态特征数据；所述运行状态测试数据的标签是对所述旋转机械在所述测试时刻实际发生的运行状态特征数据；所述测试时刻在所述第二时间信息对应的时间之后。

[0104] 可选的，本实施例中，可以是在对神经网络进行预设次数的训练之后，采用上述实施例的测试过程对训练过的神经网络进行一次测试。其中，运行状态测试数据也可以是从预先存储的历史运行状态特征数据中获取。

[0105] 在测试过程中，具体是对分类器的分类效果进行测试，包括：获取旋转机械的振动测试数据、电流测试数据、压力测试数据和温度测试数据，所述振动测试数据、电流测试数据、压力测试数据和温度测试数据分别具有第二时间信息；根据振动测试数据、电流测试数据、压力测试数据和温度测试数据以及各自对应的标签，确定所述旋转机械在测试时刻是否发生振动突变、电流突变、压力突变和温度突变；标签是对旋转机械在测试时刻是否发生振动突变、电流突变、压力突变和温度突变进行标注的结果；测试时刻在第二时间信息对应的时间之后。

[0106] 经过上述实施例的训练过程和测试过程对第一神经网络51、第二神经网络52、第三神经网络53、第四神经网络54分别进行训练和测试后，可以得到状态特征预测模型，即如图2B所示的振动预测模型210、电流预测模型211、压力预测模型212和温度预测模型213，对分类器55进行训练和测试后，可以得到故障预测模型22。

[0107] 图6为本申请实施例提供的旋转机械健康状态的预测装置的结构示意图。本申请实施例提供的旋转机械健康状态的预测装置可以执行旋转机械健康状态的预测方法实施例提供的处理流程，如图6所示，旋转机械健康状态的预测装置60包括：获取模块61、第一预测模块62和第二预测模块63；其中，获取模块61，用于获取旋转机械在当前时间之前的运行状态特征数据；第一预测模块62，用于将所述旋转机械在当前时间之前的运行状态特征数据输入状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在当前时间之后的运行状态特征数据；第二预测模块63，用于将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型；所述运行状态特征预测模型和所述故障预测模型是基于所述旋转机械的历史运行状态特征数据训练得到的。

[0108] 可选的，所述运行状态特征数据至少包括以下至少一项或多项的组合：振动数据、电流数据、压力数据、温度数据；所述状态特征预测模型至少包括以下至少一项或多项的组合：振动预测模型、电流预测模型、压力预测模型和温度预测模型；所述第一预测模块62在将所述运行状态特征数据输入所述状态特征预测模型，以通过所述状态特征预测模型预测所述旋转机械在所述当前时间之后的运行状态特征数据，包括：将所述振动数据、所述电流数据、所述压力数据、所述温度数据分别输入所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型中，以分别通过所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型预测所述旋转机械在当前时间之后的振动数据、电流数据、压力数据、温度数据；其中，所述振动预测模型、所述电流预测模型、所述压力预测模型和所述温度预测模型分别是基于历史振动数据、历史电流数据、历史压力数据和历史温度数据训练得到的。

[0109] 可选的，所述将预测的当前时间之后的运行状态特征数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型，包括：将预测的当前时间之后的振动数据、电流数据、压力数据、温度数据输入故障预测模型，以通过所述故障预测模型预测所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型。

[0110] 可选的，该装置还包括第一训练模块64；所述状态特征预设模型为神经网络；所述旋转机械在当前时间之后的运行状态特征数据的预测由所述神经网络执行，所述第一训练模块64采用以下步骤训练得到神经网络：获取所述旋转机械的运行状态特征样本数据以及对应的第一标签，所述第一标签是所述旋转机械在预测时间的实际运行状态特征数据；所述运行状态特征样本数据具有第一时间信息；根据所述运行状态特征样本数据以及所述第一标签，确定所述旋转机械在预测时间的运行状态特征数据；所述预测时间在所述第一时间信息对应的时间之后；根据确定的所述旋转机械在预测时间的运行状态特征数据，与所述第一标签之间的差异，调整所述神经网络的网络参数。

[0111] 可选的，该装置还包括第二训练模块65；所述故障预测模型为分类器；所述旋转机械在当前时间之后是否发生故障以及发生故障的时间和类型由所述分类器执行，所述第二训练模块65采用以下步骤训练得到分类器：获取所述旋转机械的运行状态特征数据，以及对应的第二标签，所述第二标签是所述旋转机械在所述运行状态特征数据对应的运行状态下是否发生故障以及发生故障的时间和类型的标注信息；根据所述旋转机械的运行状态特征数据，确定所述旋转机械是否发生故障，以及发生故障的时间和类型；根据确定的所述旋转机械是否发生故障，以及发生故障的时间和类型，和所述第二标签之间的差异，调整所述分类器的网络参数。

[0112] 可选的，获取模块61获取旋转机械在当前时间之前的运行状态特征数据，包括：分别通过安装在所述旋转机械上的振动传感器、电流传感器、电压传感器和压力传感器采集振动数据、驱动电机的电流数据、压力数据、温度数据；分别根据所述振动数据、电流数据、压力数据、温度数据和各自对应的采集时间形成所述运行状态特征数据。

[0113] 图6所示实施例的旋转机械健康状态的预测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

[0114] 图7为本申请实施例提供的旋转机械健康状态的预测设备的结构示意图。本申请实施例提供的旋转机械健康状态的预测设备可以执行旋转机械健康状态的预测方法实施例提供的处理流程，如图7所示，旋转机械健康状态的预测设备70包括：存储器71、处理器72和计算机程序；其中，计算机程序存储在存储器71中，并被配置为由处理器72执行以上方法实施例的步骤。

[0115] 图7所示实施例的旋转机械健康状态的预测设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

[0116] 另外，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的旋转机械健康状态的预测方法。

[0117] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0118] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0119] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

[0120] 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0121] 本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0122] 最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

标题	发布/更新时间	阅读量
桥梁健康状态评估系统-专利编号CN106779326A	2020-05-11	346
电池健康状态获取方法-专利编号CN107765188A	2020-05-13	93
健康状态判断装置-专利编号CN102216951A	2020-05-12	86
人体健康状态判断装置-专利编号CN105496380A	2020-05-12	997
人体健康状态评估系统-专利编号CN105373984A	2020-05-12	819
健康状态的测定法-专利编号CN101292046A	2020-05-13	1042
电池健康状态获取方法-专利编号CN107765188B	2020-05-11	645
植物健康状态检测仪-专利编号CN109212127A	2020-05-13	44
健康状态评价系统、健康状态评价装置以及健康状态评价方法-专利编号CN109196592A	2020-05-11	492
健康状态推定装置-专利编号CN109068613A	2020-05-11	547

旋转机械健康状态的预测方法、装置、设备及存储介质

旋转机械健康状态的预测方法、装置、设备及存储介质

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式