[发明专利]一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质

权利要求书

1.一种基于网络模型的旋转设备故障诊断方法，其特征在于，包括：

采集设备图像信息，获取旋转设备初始参数信息，建立网络模型；

获取旋转设备全寿命振动数据，提取振动数据特征；

利用频谱分析法对数据特征进行分析；

当数据特征出现调制现象，则生成故障数据，得到故障信息；

将故障信息按照预设方式进行显示。

2.根据权利要求1所述的一种基于网络模型的旋转设备故障诊断方法，其特征在于，还包括：

获取旋转设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；

对振动信号进行重叠区域分段截取，增加信号宽度；

通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；

将结果信息进行频谱分析，得到故障信息；

所述网络模型为卷积神经网络模型。

3.根据权利要求2所述的一种基于网络模型的旋转设备故障诊断方法，其特征在于：获取旋转设备全寿命振动数据，提取振动数据特征；具体包括：

建立多点测量与多速度功率谱熵进行监测设备振动变化规律，得到设备振动信号；

将设备振动信号分解为高共振分量信号与低共振分量信号，并各自分析高共振分量信号与低共振分量信号的波形特点与振荡属性；

通过稀疏共振分解法对高共振分量信号与低共振分量信号进行滤波处理；

根据正交匹配追踪算法表征旋转设备振动数据。

4.根据权利要求1所述的一种基于网络模型的旋转设备故障诊断方法，其特征在于：当数据特征出现调制现象，则生成故障数据，得到故障信息具体包括：

采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

5.根据权利要求4所述的一种基于网络模型的旋转设备故障诊断方法，其特征在于：局部均值分解算法具体包括：

选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m_j，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点即

将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m_x，通过局部均值函数m_x计算得到新的信号g(t)；

g(t)＝x(t)-m_x；

通过极值点计算对应的包络估计点m_k，得到估计函数m_y，其中

通过估计函数计算得到处理后的信号p_n(t)，

判断p_n(t)是否为纯调频信号，若估计函数满足m_y＝1，则表示p(t)为纯调频信号，若不满足，则将p_n(t)作为原始信号进行迭代计算直至m_y＝1。

6.根据权利要求5所述的一种基于网络模型的旋转设备故障诊断方法，其特征在于：

将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fm_y，

将单分量信号估计函数乘以纯调频信号p_n(t)，得到单分量信号F(t)；

迭代过程如下：

其中t₁，t₂，t₃，t_n表示不同采样时间；m_x1，m_x2，m_x3，m_xn表示不同采样时间对应的局部均值函数；n表示迭代次数。