本发明涉及故障检测技术领域，尤其涉及一种用于检测旋转机械设备状态的系统及检测方法。
背景技术：
在核电厂中，泵是是核电厂的主要旋转机械设备，是核电厂的心脏设备，核电厂要求主泵寿命长，能长期连续安全运转，密封性能好，不允许有核泄漏，由于振动和噪声的强弱及其包含的主要频率成分与故障的类型、程度、部位和原因等有密切联系，所以根据泵的振动信息提供有效的故障诊断、早期预警已成为行业的必然发展趋势。
而一般根据振动信号进行设备状态预警，依据监测信息去判别故障原因，往往需要技术人员有较高的专业水平和现场诊断经验，这导致故障诊断技术的应用受到限制，故存在以下问题：故障诊断困难、仅针对故障本体，依赖专家经验和理论模型，对新型故障的预警能力不足、故障诊断规则单一、单纯依赖阈值预警。
技术实现要素：
本发明实施例提供一种用于检测旋转机械设备状态的系统及检测方法，用以解决现有技术中诊断形式比较单一，过于依赖技术人员的经验水平的缺陷。
第一方面，本发明实施例提供一种用于检测旋转机械设备状态的系统，包括：
系统硬件和系统软件；其中：
所述系统硬件包括信号采集终端、信号传输设备和数据处理终端；
所述信号采集终端用于采集旋转机械设备的状态数据，所述信号传输设备用于将所述状态数据传递给所述数据处理终端，所述数据处理终端用于根据所述状态数据分析得到所述旋转机械设备的状态结果；
所述系统软件包括数据库、后台智能诊断模型、数据分析功能、软件界面和软件接口。
优选地，所述系统软件采用三层体系结构，具体包括：数据层、中间层和应用层；其中：
所述数据层包括设备采集信息、系统基础信息数据和系统模型算法，所述设备采集信息用于将设备采集数据输入软件系统、以及离线数据读入，所述系统基础信息数据包括设备信息、人员信息、参数信息和文件信息，所述系统模型算法用于采用预设编程语言对所述设备采集数据进行编写并封装；
所述中间层用于将应用服务器提供的后端方法封装为web方法，通过http协议传输数据，并为客户端提供统一接口；
所述应用层用于提供人机交互界面，通过管理员负责向其他用户提供若干类型的软件使用授权。
第二方面，本发明实施例提供一种用于检测旋转机械设备状态的检测方法，包括：
获取旋转机械设备的实时采集数据；
调用预先训练好的设备状态监测模型参数，得到所述设备状态监测模型输出的设备状态期望值和设备状态指标；
将所述设备状态期望值和所述设备状态指标输入至设备状态预警处理和故障诊断流程，得到所述旋转机械设备的故障预警信息或故障诊断信息。
优选地，所述获取旋转机械设备的实时采集数据，之前还包括：构建故障诊断知识库。
优选地，所述构建故障诊断知识库，具体包括：
获取历史数据；
结合模糊关联分析法和灰色关联分析法，从所述历史数据中挖掘出具有预设关联程度的数据，得到振动状态关联工艺参数；
根据专家知识，基于振动异常波动情况和正常波动情况，输出振动异常定义，通过关联性分析得到振动异常波动原因，并输出所述振动状态关联工艺参数与所述振动异常定义的关联关系；
基于所述历史数据中关键节点的状态信息，以及所述关联关系，采用基于数据驱动的人工智能算法，训练得到系统健康状态量化的分层模型；
基于所述关联关系和所述分层模型，得到所述故障诊断知识库。
优选地，所述设备状态预警处理和故障诊断流程，具体包括：
从若干个预设域分析所述旋转机械设备的振动状态，得到初选振动参数集；
基于初选振动参数集，采用预设优化算法，得到精选特征参数集；
根据所述精选特征参数集，采用定性趋势分析法，得到所述旋转机械设备的振动信号和工艺参数变化趋势；
通过所述分层模型，基于所述振动信号和所述工艺参数变化趋势，结合所述故障诊断知识库，预测所述旋转机械设备的故障趋势。
优选地，所述设备状态预警处理和故障诊断流程，还包括：
采集所述旋转机械设备的工艺参数和当前振动参数；
通过所述分层模型，基于所述工艺参数和所述当前振动参数，得到所述旋转机械设备的故障信息。
优选地，所述旋转机械设备包括泵。
本发明实施例提供的用于检测旋转机械设备状态的系统及检测方法，通过脱离机械设备的物理结构，依靠采集的振动信息就可以完成对系统的建模和进一步的故障诊断、预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的系统整体结构图；
图2为本发明实施例提供的系统软件架构图；
图3为本发明实施例提供的一种用于检测旋转机械设备状态的检测方法流程图；
图4为本发明实施例提供的系统工作流程图；
图5为本发明实施例提供的基于数据驱动的人工智能故障诊断知识库的构建流程图；
图6为本发明实施例提供的旋转机械设备振动状态预警方法流程图；
图7为本发明实施例提供的旋转机械设备故障诊断方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有技术中存在的问题，本发明实施例提供一种用于旋转机械设备的振动状态信息管理及智能诊断系统及方法，以便及时了解旋转机械的运行状态，保障其安全可靠地运行。实现设备劣化或异常事故早期预警、分析与诊断，提高设备运行的安全性、可靠性和经济性。
图1为本发明实施例提供的系统整体结构图，如图1所示，包括：
系统硬件和系统软件；其中：
所述系统硬件包括信号采集终端、信号传输设备和数据处理终端；
所述信号采集终端用于采集旋转机械设备的状态数据，所述信号传输设备用于将所述状态数据传递给所述数据处理终端，所述数据处理终端用于根据所述状态数据分析得到所述旋转机械设备的状态结果；
所述系统软件包括数据库、后台智能诊断模型、数据分析功能、软件界面和软件接口。
具体地，用于诊断旋转机械设备振动状态预警及智能诊断系统包含了系统硬件和系统软件两部分。系统硬件包括信号采集终端(传感器)、信号传输设备、数据处理终端，其中，信号采集终端用于采集旋转机械设备的状态数据，信号传输设备用于将状态数据传递给数据处理终端，数据处理终端用于根据状态数据分析得到旋转机械设备的状态结果；系统软件主要由数据库、后台智能诊断模型、数据分析功能、软件界面、软件接口等模块组成。
本发明实施例通过脱离机械设备的物理结构，依靠采集的振动信息就可以完成对系统的建模和进一步的故障诊断、预警。
基于上述实施例，所述系统软件采用三层体系结构，具体包括：数据层、中间层和应用层；其中：
所述数据层包括设备采集信息、系统基础信息数据和系统模型算法，所述设备采集信息用于将设备采集数据输入软件系统、以及离线数据读入，所述系统基础信息数据包括设备信息、人员信息、参数信息和文件信息，所述系统模型算法用于采用预设编程语言对所述设备采集数据进行编写并封装；
所述中间层用于将应用服务器提供的后端方法封装为web方法，通过http协议传输数据，并为客户端提供统一接口；
所述应用层用于提供人机交互界面，通过管理员负责向其他用户提供若干类型的软件使用授权。
具体地，如图2所示，软件体系采用数据层、中间层和应用层的三层结构提高系统的稳定性、安全性、扩展性和适应能力，其中：
1)数据层
数据层包括设备采集信息、系统基础信息数据和系统模型算法。设备采集数据一是直接从设备采集数据输入软件系统，二是离线数据读入；系统基础信息数据包含设备信息、人员信息、参数、文件等信息，由管理员导入与维护；软件预留后台算法接口，接口支持python、matlab包，具体预留的接口根据用户要求进行修改。后台智能诊断模型依据运行速度决定是否用c 语言重新编写并封装；数据可以根据需要或保存到系统数据库服务器中，或直接提供应用层使用；
2)中间层
中间层将应用服务器所提供的后端方法封装为web方法，通过http协议传输数据，为客户端提供统一的接口。封装中间的操作过程，也包括一些事务的处理过程，界面服务层则统一根据前端界面的响应来调度中间层提供的功能函数。该层负责中间功能的实现以及中间数据的计算，实现数据输入输出、智能诊断模型算法、数据挖掘、数据库管理、数据可视化等中间功能；
3)应用层
应用层是用户与系统进行人机交互的界面，系统设置有管理员，负责向其他用户提供不同类型的软件使用授权，针对不同的用户群赋予不同的角色权限，web端软件界面采用分区域、分层级显示，设备运行状态可视化，备良好的人机交互界面，操作简单。
本发明实施例提供的大部分操作均可以直接在软件界面操作完成，操作简单、人机交互良好，且工作量小。
图3为本发明实施例提供的一种用于检测旋转机械设备状态的检测方法流程图，如图3所示，包括：
s1，获取旋转机械设备的实时采集数据；
s2，调用预先训练好的设备状态监测模型参数，得到所述设备状态监测模型输出的设备状态期望值和设备状态指标；
s3，将所述设备状态期望值和所述设备状态指标输入至设备状态预警处理和故障诊断流程，得到所述旋转机械设备的故障预警信息或故障诊断信息。
具体地，系统的整体工作流程如图4所示，系统首先进行设备监测参数的实时数据输入(采集)，显示振动实时监测、运行状态，之后进入数据准确性甄别环节，若检测出来异常测量数据则进行重构和报警，然后调用训练成功后的设备状态监测模型参数进行设备状态期望值计算和设备状态指标计算，最后进入设备状态预警处理流程。设备状态预警处理流程具体包括设备状态监测与预警，参数趋势分析，调用故障模式库自动产生故障诊断单以及设备状态监测报表，实现设备状态监测的闭环管理。设备诊断专工、设备点检或设备检修人员做好故障诊断单的相关信息完善和记录工作。设备状态监测报表便于生产管理人员、设备点检或检修人员查询设备健康状态整体情况，存在的隐患或潜在的故障。在设备发生预警后，设备维护人员、专工等依据系统的疑似故障信息进行进一步分析诊断，并汇报领导，生成故障诊断单，诊断单说明了故障名称、部件，故障可能原因和处理方式，存在偏差的参数及相关属性等信息，设备检修人员按照诊断单去进行消缺或故障处理，设备责任人进行检修质量检查，并填写故障处理结果反馈，同时可以将该诊断过程记录快速添加到故障模式库中，形成标准诊断经验。若存在未解决的问题可在诊断单中备注列入检修计划，或者转入下一个故障诊断循环。
本发明实施例采用基于数据驱动的人工智能故障诊断方法，只需根据传感器采集到的数据就可以进行故障分析和诊断，克服传统基于分析模型和定性模型的故障诊断方法的局限性，从而不再需要考虑机械设备的物理结构。
基于上述任一实施例，图5为本发明实施例提供的基于数据驱动的人工智能故障诊断知识库的构建流程图，如图5所示，包括：
101，获取历史数据；
102，结合模糊关联分析法和灰色关联分析法，从所述历史数据中挖掘出具有预设关联程度的数据，得到振动状态关联工艺参数；
103，根据专家知识，基于振动异常波动情况和正常波动情况，输出振动异常定义，通过关联性分析得到振动异常波动原因，并输出所述振动状态关联工艺参数与所述振动异常定义的关联关系；
104，基于所述历史数据中关键节点的状态信息，以及所述关联关系，采用基于数据驱动的人工智能算法，训练得到系统健康状态量化的分层模型；
105，基于所述关联关系和所述分层模型，得到所述故障诊断知识库。
具体地，故障诊断知识库是旋转机械设备的振动状态预警和故障诊断的基础。通过将传感器采集的实时数据进行防干扰和初步计算等处理后，与知识库中数据进行比对，分析后则可实现本部的振动状态预警和故障诊断。
步骤101中，首先是获取大量的历史数据；
步骤102中，结合模糊关联分析法(fra法)和灰色关联分析法(gra法)，从多源数据中挖掘关联程度较高的数据，得到与振动状态密切相关的工艺参数(工艺参数包括设备的电压、电流、压力、温度、电机电流、电机线圈温度、轴承温度、振动值、进出口介质温度和流量等)。通过fra法，处理模糊信息，从多源数据中得到客观的区间值；通过gra法，处理白化信息，得到多因素间的灰色关联程度排序；
步骤103中，根据专家知识，针对振动异常波动情况和正常波动情况，给出合理的振动异常定义，并通过关联性分析，找出导致振动异常波动的原因，总结出工艺参数变化与振动状态之间的关系；
步骤104中，根据系统历史数据中关键节点的状态信息和步骤103的结果，融合多源信息融合技术和贝叶斯网络，提出改进的动态贝叶斯网络法，解决系统提供的信息具有模糊性和不完备性问题，基于改进的动态贝叶斯网络，得到系统不同节点的故障发生概率，具体为将多源信息融合技术与贝叶斯网络相结合，形成改进的动态贝叶斯网络法，具体为将提取的振动信号多个故障特征当作来自多个不同传感器的多源信息，把每个故障特征都看成来自一个传感器，采用多元融合技术，将多个故障特征进行去噪融合，得到较为清晰、准确的故障特征；然后针对系统不同节点，采用动态贝叶斯网络进行故障分析，统计故障特征发生概率；将泵本身的部件和与泵相关的辅助系统进行拆分，训练系统健康状态量化的分层模型，即故障诊断模型；
步骤105中，基于步骤103和104的结果，形成故障诊断知识库，并根据新存储的数据，动态更新历史数据。
本发明实施例融合多源信息融合技术和贝叶斯网络，提出改进的动态贝叶斯网络法，解决系统提供的信息具有模糊性和不完备性问题，有效解决融合算法对先验信息的依赖问题，根据泵振状态系统的先验数据可以分析和选择适当的鲁棒和精确的算法，并采用数据挖掘技术，结合模糊关联分析法和灰色关联分析法，通过将数据挖掘的实际结果与预测值进行系统比较，从中发现存在的不足并对其进行改善，使模型更加完善。
基于上述任一实施例，图6为本发明实施例提供的旋转机械设备振动状态预警方法流程图，如图6所示，所述设备状态预警处理和故障诊断流程，具体包括：
201，从若干个预设域分析所述旋转机械设备的振动状态，得到初选振动参数集；
202，基于初选振动参数集，采用预设优化算法，得到精选特征参数集；
203，根据所述精选特征参数集，采用定性趋势分析法，得到所述旋转机械设备的振动信号和工艺参数变化趋势；
204，通过所述分层模型，基于所述振动信号和所述工艺参数变化趋势，结合所述故障诊断知识库，预测所述旋转机械设备的故障趋势。
具体地，步骤201中，根据泵的振动数据，提取泵的特征参数集，是状态预警和故障诊断的第一步。可通过判断特征参数是否偏离正常值范围来确认泵的性能。本次设计将从时域、频域和时频域多角度分析旋转机械的振动状态，得到初选振动参数集。通过时域分析，揭示信号均值、均方差、峭度值、峰值等特征参数和相关计算值在不同时刻的特性。由于机械设备故障不仅仅会反应在时域特征中，还会引起频域特征变化。振动信号进行时域分析时，一些信号的时域特征相似，但是并不能说明信号属于同一工况，且仅适用于线性系统，还需对振动信号进行频域分析。通过傅里叶变换，将动态信号从时间域到频率域的变换，将复杂的振动信号分解为已知的弦波信号进行分析，反映频域中信号结构与频率信号幅度的关系。然而，机械设备振动信号往往是非平稳的信号，其工况状态任何时刻都有改变的可能，傅里叶变换针对的对象是整个信号，这就导致振动信号某些局部特征可能丢失，同时，针对不同的振动信号故障，基于傅里叶变换的频域分析缺少自适应能力。因此，需要结合时域分析与频域分析的优点，选择合适的小波变换函数，同时从时域和频域提取振动信号特征，更加全面提取信号特征。但是小波分析需要事先选择合适的小波基函数，无法根据振动信号特征自适应变换小波，且不同的小波对噪声的敏感程度不同，有些小波基函数没有很好的抗噪能力。因此需要从时域、频域和时频域多角度提取分析旋转机械的振动状态，以便更加全面的了解设备状态；
步骤202中，由于特征参数的敏感性评估是用来提高待选故障特征集中特征参数对故障的敏感性，从步骤201中提取到的特征参数集中精选出敏感度高的特征参数集，采用遗传算法为优化算法，精选特征参数，得到精选特征参数集；
步骤203中，依据精选特征参数集，参考特征参数的历史数据的变化特征趋势，对精选特征参数进行定性趋势分析，得到泵的振动信号和工艺参数变化趋势，得到泵的未来运行状态，与故障诊断知识库中故障状态对比，判断泵是否存在故障趋势；
步骤204中，依据泵的当前运行状态和未来运行状态，结合系统分层模型，反向推导，预测系统不同节点的故障发生概率。
本发明实施例通过诊断现存的故障，还可以通过实际信号和理想信号的对比，判断是否存在潜在故障，采用时域分析、频域分析、时频分析相结合的数据分析方法，可以全方位、多层次的对泵的振动信息进行分析和处理，进一步增强了故障诊断能力；具有一定的机器自学能力，即对于给定的新的振动异常和故障类型，模型通过一个月原始数据的自学习，振动状态预警和智能诊断准确率95％以上。
基于上述任一实施例，图7为本发明实施例提供的旋转机械设备故障诊断方法流程图，如图7所示，所述设备状态预警处理和故障诊断流程，还包括：
301，采集所述旋转机械设备的工艺参数和当前振动参数；
302，通过所述分层模型，基于所述工艺参数和所述当前振动参数，得到所述旋转机械设备的故障信息。
具体地，步骤301中，在判断实际故障时，与故障预警流程所不同的是，采集的是泵的工艺参数以及当前振动参数；
步骤302中，基于步骤301获得的工艺参数和当前振动参数，还是通过分层模型，得到泵的故障信息。
本发明实施例凭借机器自学习功能，对新型故障有着较强的适应性，为正确的故障诊断提供了有力保证，且对新型故障具备强大的适应能力。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
1.一种用于检测旋转机械设备状态的系统，其特征在于，包括：系统硬件和系统软件；其中：
所述系统硬件包括信号采集终端、信号传输设备和数据处理终端；
所述信号采集终端用于采集旋转机械设备的状态数据，所述信号传输设备用于将所述状态数据传递给所述数据处理终端，所述数据处理终端用于根据所述状态数据分析得到所述旋转机械设备的状态结果；
所述系统软件包括数据库、后台智能诊断模型、数据分析功能、软件界面和软件接口。
2.根据权利要求1所述的用于检测旋转机械设备状态的系统，其特征在于，所述系统软件采用三层体系结构，具体包括：数据层、中间层和应用层；其中：
所述数据层包括设备采集信息、系统基础信息数据和系统模型算法，所述设备采集信息用于将设备采集数据输入软件系统、以及离线数据读入，所述系统基础信息数据包括设备信息、人员信息、参数信息和文件信息，所述系统模型算法用于采用预设编程语言对所述设备采集数据进行编写并封装；
所述中间层用于将应用服务器提供的后端方法封装为web方法，通过http协议传输数据，并为客户端提供统一接口；
所述应用层用于提供人机交互界面，通过管理员负责向其他用户提供若干类型的软件使用授权。
3.一种用于检测旋转机械设备状态的检测方法，其特征在于，包括：
获取旋转机械设备的实时采集数据；
调用预先训练好的设备状态监测模型参数，得到所述设备状态监测模型输出的设备状态期望值和设备状态指标；
将所述设备状态期望值和所述设备状态指标输入至设备状态预警处理和故障诊断流程，得到所述旋转机械设备的故障预警信息或故障诊断信息。
4.根据权利要求3所述的用于检测旋转机械设备状态的检测方法，其特征在于，所述获取旋转机械设备的实时采集数据，之前还包括：构建故障诊断知识库。
5.根据权利要求4所述的用于检测旋转机械设备状态的检测方法，其特征在于，所述构建故障诊断知识库，具体包括：
获取历史数据；
结合模糊关联分析法和灰色关联分析法，从所述历史数据中挖掘出具有预设关联程度的数据，得到振动状态关联工艺参数；
根据专家知识，基于振动异常波动情况和正常波动情况，输出振动异常定义，通过关联性分析得到振动异常波动原因，并输出所述振动状态关联工艺参数与所述振动异常定义的关联关系；
基于所述历史数据中关键节点的状态信息，以及所述关联关系，采用基于数据驱动的人工智能算法，训练得到系统健康状态量化的分层模型；
基于所述关联关系和所述分层模型，得到所述故障诊断知识库。
6.根据权利要求5所述的用于检测旋转机械设备状态的检测方法，其特征在于，所述设备状态预警处理和故障诊断流程，具体包括：
从若干个预设域分析所述旋转机械设备的振动状态，得到初选振动参数集；
基于初选振动参数集，采用预设优化算法，得到精选特征参数集；
根据所述精选特征参数集，采用定性趋势分析法，得到所述旋转机械设备的振动信号和工艺参数变化趋势；
通过所述分层模型，基于所述振动信号和所述工艺参数变化趋势，结合所述故障诊断知识库，预测所述旋转机械设备的故障趋势。
7.根据权利要求6所述的用于检测旋转机械设备状态的检测方法，其特征在于，所述设备状态预警处理和故障诊断流程，还包括：
采集所述旋转机械设备的工艺参数和当前振动参数；
通过所述分层模型，基于所述工艺参数和所述当前振动参数，得到所述旋转机械设备的故障信息。
8.根据权利要求3至7中任一项权利要求所述的用于检测旋转机械设备状态的检测方法，其特征在于，所述旋转机械设备包括泵。
技术总结