[发明专利]一种旋转设备振动故障特征库定期优化算法

权利要求书

1.一种旋转设备振动故障特征库定期优化算法，其特征在于，根据用户反馈诊断偏差情况和数据特征自学习值定期更新设备故障诊断动态AI特征库(4)，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对动设备振动故障诊断的准确性；所述数据特征自学习值中的自学习算法包括一种数据特征泛在自学习算法；该算法根据用户反馈诊断偏差情况支持对所有故障特征数据的自学习优化功能；通过定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；根据定期列出的反馈诊断偏差清单 (7)定期更新初装的设备故障诊断基础AI特征库(3)或者设备故障诊断动态AI特征库(4)；所述用户反馈诊断偏差情况包括反馈诊断偏差清单（7）、调用AI库进行故障诊断（6）以及持续采集设备振动特征数据（1）；所述数据特征自学习值包括振动数据特征偏差清单（5）、定期自学习数据特征值（2）以及持续采集设备振动特征数据（1）；

所述数据特征泛在自学习算法程序如下：

Program1:持续采集设备振动特征数据，与初装的设备故障诊断基础AI特征库(3)比较，做出初步诊断；按设备类型，积累一定时期的振动特征数据和诊断结果，按求取平均值或峰值，分别从时域、频域，将幅值、频谱功率谱、边频或分频值，与初装的设备故障诊断基础AI特征库(3)比较，列出特征偏差清单；

Program2:定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；

Program3:根据定期列出的特征偏差清单，在初装的设备故障诊断基础AI特征库(3)的基础上，对库特征数据定期进行深度学习，持续改进形成设备故障诊断动态AI特征库(4)，使得每次诊断时，采集特征与库对标特征的偏差平方和最小，从而动态持续优化设备故障智能诊断；

Program4:定期求取振动特征变化幅度，当振动幅度异常时，提出修改优化算法建议；

所述数据特征自学习值中的自学习算法包括一种瀑布图数据特征自学习算法；瀑布图是将振动频谱信号的功率谱随时间或转速变化而叠置而成的三维谱图；

所述瀑布图数据特征自学习算法如下：

假设一段时间瀑布图的频谱峰值序列为如下数组：{W(i，j)，f(i，j)}，其中f(i，j)为峰频频率；W(i，j)为该峰频频率f(i，j)的功率谱值；i=1，M，表示峰频序数，M值随j值可变动；j=1，N，表示不同的采集时间：

所述瀑布图数据特征自学习算法程序如下：

Program1:统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}，视为有效特征，不超过50%的视为无效特征；

Program2:只对判断为有效的频谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；

Program3:对于判断为无效的频谱特征，按出现概率排序，把出现次数超过10%的{W(i，j) ，f(i，j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；

Program4:时域的振幅、有效频率的功率谱值也做个均值统计处理，形成[轻度(轻隐患)、中等(重隐患)、严重(故障)]三个层次的经验值区域；

Program5:定期循环这一过程；

所述数据特征自学习值中的自学习算法包括一种参数反推自学习算法——基于瀑布图反推转频自学习算法； 所述基于瀑布图反推转频自学习算法程序如下：

Program1:基于瀑布图数据特征自学习算法中的Program1成果，把第一个统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}值，可以视为机器的转频频率；

Program2:定期循环这一过程；

所述数据特征自学习值中的自学习算法包括另一种参数反推自学习算法——基于倒谱图反推齿轮箱或轴承参数自学习算法；

所述基于倒谱图反推齿轮箱或轴承参数自学习算法如下：

假设一段时间倒谱图的瀑布图的频谱峰值序列为如下数组：{W(i，j)，f(i，j)}，其中f(i，j)为峰频频率；W(i，j)为该峰频频率f(i，j)的倒谱值；i=1，M，表示峰频序数，M值随 j值可变动；j=1，N，表示不同的采集时间；

所述基于倒谱图反推齿轮箱或轴承参数自学习算法程序如下：

Program1:统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}，视为有效倒谱特征，不超过50%的视为无效倒谱特征；

Program2:只对判断为有效的倒谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；

假设事前不知道齿轮箱或轴承的参数，据此数据特征即可以推断，峰频值是转频还是轴承滚珠数或各齿轮箱的齿数；

Program3:对于判断为无效的倒谱特征，按出现概率排序，把出现次数超过10%的{W(i，j)，f(i，j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；

Program4:有效倒谱特征的谱值也做个均值统计处理，形成[轻度(轻隐患) 、中等(重隐 患)、严重(故障)]三个层次的经验值区域；

Program5:由于齿轮箱和轴承的结构、频谱特征及倒谱特征复杂，对有效倒谱特征的频率值域需要做自学习处理，包括均值及浮动区域计算，如转频可以有±5%的误差，滚珠数或齿数可以有±10%的误差，否则，难以适应复杂工况，导致监测到的数据无法有效利用；

Program6:定期循环这一过程；

所述设备故障诊断动态AI特征库(4)是一个与每台设备运行全生命周期同步更新的个性动态故障特征库，它起始于每类设备通用的设备故障诊断基础AI特征库(3)，因工况环境和设备个体原因，经用户反馈和数据特征自学习后，定期更新为设备故障诊断动态AI特征库(4)；

所述设备故障诊断基础AI特征库(3)是针对每类设备建立的一个无差别的通用故障特征库；一般在系统初始运行时安装加载，该库包含了九类常见旋转机电设备的基本故障振动参数特征值。