[发明专利]一种基于声波监测和机器学习的机械构件运行状态的检测方法

说明书

本发明公开了一种基于声波监测和机器学习的机械构件运行状态的检测方法，其包括以下步骤：S1、将声纹监测仪安装到设备。S2、建立数学模型。S3、修正数学模型。S4、建立模型库。S5、实施安装。S6、监测仪监测和模型库优化。本发明利用机械构件在运行时不同的声纹曲线来判断该构件的运行是否存在异常情况。同时利用机器学习实现数学模型的快速积累，进而实现越来越多的机械构件的运行检测。本发明可以快速判断机械构件的运行正常与否，可以辅助维修人员快速判断故障，可广泛应用于发动机检修、传动轴检修、电机检修、风机检修、水泵检修等多个场景。

技术领域

本发明涉及一种基于声波监测和机器学习的机械构件运行状态的检测方法。

背景技术

机械产品一般都由较多的零部件组成，零部件在空间位置上层叠交错，加之一般是非透明外壳封装，内部构件状态非直观可见，因此对机械构件运行状态进行有效的检测颇为困难。常规的检测方法是采用人工抽样检验或破坏性试验。这些方法不仅费用高、耗时费力，而且属于事后分析，不能提前实施故障诊断，导致机械设备事故的发生，并且由于人为因素造成的漏检或误判会大大降低检测识别的准确率，难以满足实时生产的需要。每种机械构件在运行时都有其特定的声纹曲线，因而可以利用机械构件在运行时不同的声纹曲线来判断该构件的运行是否存在异常情况。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于声波监测和机器学习的机械构件运行状态的检测方法，可以快速判断机械构件的运行正常与否。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明公开了一种基于声波监测和机器学习的机械构件运行状态的检测方法，其包括以下步骤：

S1、将声纹监测仪分别安装到停机状态的设备、正常运行状态的设备、低负荷运行状态的设备、高负荷运行状态的设备、磨损严重状态的设备，各种异常运行的设备，并存储监测到的声纹数据；

S2、分析存储下来的的声纹数据，与行业专家确认，并将运行的声纹数据与设备状态对应建立数学模型；

S3、反复试验、测试、修正声纹数据与设备运行状态关系模型，直到监测准确率达到90％以上；

S4、建立模型库，将修正后的数学模型加入模型库；

S5、对工业现场需要进行机械构件运行状态检测的设备安装声纹监测仪；并在上位分析软件中选择该设备模型库中的模型；

S6、通过声纹监测仪监测仪正常监测设备的运行状态，采用类比判定对运行的各个状态进行判断。

进一步地，所述的声纹监测仪包括测振传感器、信号调理器、信号记录仪、信号分析与处理设备、通讯设备和上位分析软件；所述测振传感器将机械振动量转换为适于电测的电参量，经所述的信号调理器进行放大、滤波、阻抗变换后，经所述的信号记录仪将所测振动信号记录并存储下来或者直接输入到所述的信号分析与处理设备。

进一步地，步骤S5中，安装时对测振传感器需要分别进行水平安装、垂直安装和轴向安装；并在上位分析软件中选择该设备模型库中的模型，选择设备工况、选择频带，以便将监测仪、设备类型、设备工况、设备模型相对应。

进一步地，还包括步骤S7，如果发生监测仪误报的情况，则通过神经网络算法进行机器学习，优化调整该设备的数学模型。

进一步地，步骤S7具体为：输入大量的声纹信息，如果结果不是想要的结果，则进行调整，在此基础上，利用声波传感器采集被测构件的运行声纹曲线，将该曲线与正常运行的曲线模型比对，进而判断其的运行状态正常与否。

本发明所达到的有益效果是：