一种旋转机械设备的故障检测方法、系统、装置和介质与流程

1.本技术涉及设备故障检测技术领域，特别是涉及一种旋转机械设备的故障检测方法、系统、装置和介质。


背景技术：

2.大容量的旋转机械设备经常需要在复杂工况下连续运行，从而导致主轴轴系不对中、转动不平衡、轴线弯曲等潜在故障频发，极大影响旋转机械轴系的健康稳定。
3.目前，旋转机械设备中普遍安装着振动传感器，通过振动传感器采集设备的振动数据，然后再采用频谱分析、时间序列分析、数据值分析等信号分析手段来分析设备异常状态。但是，该手段仅限基于少量历史数据量的相关异常状态诊断分析；当面对海量实时监测数据时，该现有数据分析手段无法确定分析场景和异常状态所处的时空区域。因此，如何在实时数据海洋中，定位振动趋势异常图像所处空间场景和时间维度是当下亟需解决的问题。
4.目前针对相关技术中如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种旋转机械设备的故障检测方法、系统、装置和介质，以至少解决相关技术中如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题。
6.第一方面，本技术实施例提供了一种旋转机械设备的故障检测方法，所述方法包括：
7.实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；
8.提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征；
9.将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合；
10.通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配，确定所述旋转机械设备中发生的故障。
11.在其中一些实施例中，实时获取旋转机械设备的第一振动数据图像和第二振动数据图像包括：
12.在旋转机械设备上安装第一振动传感器和第二振动传感器；
13.通过所述第一振动传感器实时获取所述旋转机械设备的第一振动数据图像，通过所述第二振动传感器实时获取所述旋转机械设备的第二振动数据图像。
14.在其中一些实施例中，在旋转机械设备上安装第一振动传感器和第二振动传感器包括：
15.在旋转机械设备的同横截面上安装第一振动传感器和第二振动传感器，其中，所述第一振动传感器和所述第二振动传感器的安装状态为正交安装状态。
16.在其中一些实施例中，提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征包括：
17.获取所述第一振动数据图像的波形概率测度，基于所述波形概率测度计算得到波形空间形变特征，通过形变改进算法对所述波形空间形变特征进行计算，得到第一形变特征；
18.获取所述第二振动数据图像的波形概率测度，基于所述波形概率测度计算得到波形空间形变特征，通过形变改进算法对所述波形空间形变特征进行计算，得到第二形变特征。
19.在其中一些实施例中，将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合包括：
20.所述第一形变特征包含七个维度的形变特征值，所述第二形变特征包含七个维度的形变特征值；
21.将所述第一形变特征和第二形变特征中的形变特征值，按维度对应关系分别进行除法运算后，组合得到待检测特征集合。
22.在其中一些实施例中，在通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配之前，所述方法包括：
23.获取异常振动数据图像对，基于所述异常振动数据图像对来构建异常样本库，其中，所述异常振动数据图像对包含同一时刻下的第一异常振动数据图像和第二异常振动数据图像，所述第一异常振动数据图像通过第一振动传感器获取，所述第二异常振动数据图像通过第二振动传感器获取。
24.在其中一些实施例中，对所述支持向量机的故障检测模型的检测准确率进行评估，基于所述评估的评估结果对所述故障检测模型的参数进行调整。
25.第二方面，本技术实施例提供了一种旋转机械设备的故障检测系统，所述系统包括数据获取模块、特征提取模块、特征整合模块和故障判定模块；
26.所述数据获取模块，用于实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；
27.所述特征提取模块，用于提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征；
28.所述特征整合模块，用于将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合；
29.所述故障判定模块，用于通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配，确定所述旋转机械设备中发生的故障。
30.第三方面，本技术实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
31.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。
32.相比于相关技术，本技术实施例提供的一种旋转机械设备的故障检测方法、系统、装置和介质，其中，该方法通过实时获取旋转机械设备的第一振动数据图像和第二振动数
据图像；提取第一振动数据图像的第一形变特征，提取第二振动数据图像的第二形变特征；将第一形变特征和第二形变特征进行组合，得到待检测特征集合；通过支持向量机的故障检测模型，将待检测特征集合与异常样本库中的样本进行多目标匹配，确定旋转机械设备中发生的故障，解决了如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题，基于支持向量机对筛选后形变特征进行智能识别，实现了现有振动异常样本和待检测数据的匹配分类，能够从海量数据中渐发性诊断设备故障。
附图说明
33.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
34.图1是根据本技术实施例的旋转机械设备故障检测方法的步骤流程图；
35.图2是根据本技术实施例的振动传感器的安装示意图；
36.图3是根据本技术实施例的振动传感器获取振动数据图像的流程示意图；
37.图4是根据本技术实施例的旋转机械设备故障检测系统的结构框图；
38.图5是根据本技术实施例的电子设备的内部结构示意图。
39.附图标识：41、数据获取模块；42、特征提取模块；43、特征整合模块；44、故障判定模块。
具体实施方式
40.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
41.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
42.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
43.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有
列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
44.本技术实施例提供了一种旋转机械设备的故障检测方法，图1是根据本技术实施例的旋转机械设备故障检测方法的步骤流程图，如图1所示，该方法包括以下步骤：
45.步骤s102，实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；
46.步骤s102具体地，在旋转机械设备上安装第一振动传感器和第二振动传感器；通过第一振动传感器实时获取旋转机械设备的第一振动数据图像，通过第二振动传感器实时获取旋转机械设备的第二振动数据图像。进一步地，在旋转机械设备的同横截面上安装第一振动传感器和第二振动传感器，其中，第一振动传感器和第二振动传感器的安装状态为正交安装状态。需要补充的是，振动传感器获取的是旋转机械设备的振动信号，再将振动信号进行转换后才得到振动数据图像。
47.步骤s102优选地，图2是根据本技术实施例的振动传感器的安装示意图，如图2所示，在旋转机械设备的同横截面x-y方向分别安装两个振动传感器，通过该振动传感器获取旋转机械设备的振动数据图像(即第一振动数据图像为x方向的振动数据图像，第二振动数据图像为y方向的振动数据图像)。图3是根据本技术实施例的振动传感器获取振动数据图像的流程示意图，如图3所示，由于振动数据图像由不同频域特征的时间序列数据合成，在目标轮廓的提取中，对时间序列数据进行图像灰度化后获得x、y方向图像边缘坐标e
x
(z,y)、ey(z,y)。需要补充的是，对于由e
x
(z,y)、e
x
(z,y)y这样的坐标点组成的二值图形，可以认为趋势曲线所经过的坐标点的灰度值f
x
(x,y)、fy(x,y)都相同，即f(x,y)＝1；趋势曲线没有经过的坐标点的灰度值为0，即f(x,y)＝0。
48.需要说明的是，根据t时刻两个传感器的输出x(t)、y(t)，可以确定t时刻转子在轴承中的位置；将不同时刻转子在轴承中位置的变化连成一条曲线，得到了转子在轴承内的振动轨迹(即振动数据图像)。同截面正交安装振动传感器下振动，较单个传感器更能全面的反映机组的振动情况；在理想状况下，当轴系对中良好以及轴承垂直和水平动力特性完全相同时，同截面正交安装振动传感器下振动曲线呈现完全相同空间形变特征，此时两个方向上振幅相同、相位差90。两个方向上的传感器即可反映机组整体振动情况，非常直观地显示了转子在轴承中的旋转和振动情况。换言之，理想状态下旋转设备在t时刻两个传感器的输出x(t)、y(t)图像，在空间形变尺度上为同样特征图像；当旋转机械异常时，由t时刻两个传感器的输出x(t)、y(t)图像，在空间形变尺度差异化逐步增加；呈现出：旋转机械异常状态越严重，x(t)、y(t)图像，在空间形变尺度差异越大现象。
49.步骤s104，提取第一振动数据图像的第一形变特征，提取第二振动数据图像的第二形变特征；
50.步骤s104具体地，获取第一振动数据图像的波形概率测度，基于波形概率测度计算得到波形空间形变特征，通过形变改进算法对波形空间形变特征进行计算，得到第一形
变特征；获取第二振动数据图像的波形概率测度，基于波形概率测度计算得到波形空间形变特征，通过形变改进算法对波形空间形变特征进行计算，得到第二形变特征。进一步地，第一形变特征包含七个维度的形变特征值，第二形变特征包含七个维度的形变特征值；
51.步骤s106，将第一形变特征和第二形变特征进行组合，得到待检测特征集合；
52.步骤s106具体地，第一形变特征包含七个维度的形变特征值，第二形变特征包含七个维度的形变特征值；将第一形变特征和第二形变特征中的形变特征值，按维度对应关系分别进行除法运算后，组合得到待检测特征集合。
53.步骤s104和步骤s106优选地包括以下细分步骤：
54.步骤一，获取振动数据图像的波形概率测度：
55.将振动数据图像对应的边缘特征值f
x
(x,y)、fy(x,y)y作为单个待识别波形特征图谱，计算振动数据图像全部像素点的灰度分布。
[0056][0057]
其中，δ为边缘特征值f
x
(x,y)和fy(x,y)的分划尺寸,即将f
x
(x,y)和fy(x,y)图像划分为i等分，每一等分作为一维小盒子，各个盒子的长度为s，段数为m，有δ＝ms，i＝1,2
…
,m；si(δ)为当盒子尺寸为δ时第i个小盒子内所有像素点的灰度数值之和,∑si(δ)为振动数据图像全部像素点的灰度之和，pi(δ)为波形概率测度；
[0058]
步骤二，计算得到波形空间形变特征：
[0059]
通过计算f(q)与q的关系来描述波形空间不对称、尖刺、突变等形变特征，由步骤一得出波形概率测度为pi(δ)；基于配分函数xq(δ)＝∑pi(δ)q＝δ
f(q)
得到f(q)与q的关系曲线，其中，-∞《q《-∞。
[0060]
步骤三，多重特征谱特征的改进提取：
[0061]
计算获得f(q)与q的形变特征的21个值，具体通过下列三个公式
△
f＝f(q
min
)-f(q
max
)、
△
q＝q
max-q
min
、
△
f＝f(q)
max-f(q)
min
提取出形变特征中的q
max
、q
min
、f(q)
min
、f(q)
max
、
△
f、
△
q、
△
f七个维度的形变特征值。
[0062]
步骤s108，通过支持向量机的故障检测模型，将待检测特征集合与异常样本库中的样本进行多目标匹配，确定旋转机械设备中发生的故障。
[0063]
在步骤s108之前，还包括步骤s107：
[0064]
获取异常振动数据图像对，基于异常振动数据图像对来构建异常样本库，其中，异常振动数据图像对包含同一时刻下的第一异常振动数据图像和第二异常振动数据图像，第一异常振动数据图像通过第一振动传感器获取，第二异常振动数据图像通过第二振动传感器获取。
[0065]
优选地，理想状态下旋转设备在t时刻两个传感器的输出x(t)、y(t)图像，在空间形变尺度上为同样特征图像；当旋转机械异常时，由t时刻两个传感器的输出x(t)、y(t)图像，在空间形变尺度差异化逐步增加；呈现出：旋转机械异常状态越严重，x(t)、y(t)图像，在空间形变尺度差异越大现象。
[0066]
因此，通过衡量t时刻两个传感器的输出x(t)、y(t)图像空间形变差异化程度，求取边缘形变异常图像来构建异常样本库，具体构建步骤如下：
[0067]
步骤一：对振动数据图像x(t)所对应的q
max
、q
min
、f(q)
min
、f(q)
max
、
△
f、
△
q、
△
f七
个维度的形变特征值进行编号，标记为一个集合[ai]，其中i为1,2,
…
,7；对振动数据图像y(t)所对应的q
max
、q
min
、f(q)
min
、f(q)
max
、
△
f、
△
q、
△
f七个维度的形变特征值进行编号，标记为一个集合[bi]，其中i为1,2,
…
,7。
[0068]
步骤二：对应位置[ai]/[bi]标记为[ti]。
[0069]
步骤三：对比值结果进行四舍五入取整[ti]后标记为[xi]；判断xi的值；如果xi等于1，则该振动数据图像形变正常；如果xi不等于1，则该振动数据图像形变异常；
[0070]
步骤四：寻找最优函数值，如果f(xi)≤f(x
i-1
)，则置x
i-1
为xi；设置全局寻优权重因子公式以更新惯性权重；判断是否达到终止条件，若是，则停止计算，输出最优解，否则更新迭代次数并继续计算，反复迭代直到达到全局最优即可；于是算法获得与待识别数据差异性最小的一个样本集合，同时也获得图像形变最大的一个样本集合作为图像异常样本库，以此为基础，大大提高svm(支持向量机)故障检测模型的精度和效率。
[0071]
由上述步骤s107获得寻优后形变异常样本空间，将该空间按[x
原有编号
]进行标记，作为异常样本库作为判定的样本空间，该空间按[x
原有编号
]进行标记，然后进行步骤s108的智能分类，步骤s108优选地包括以下细分步骤：
[0072]
步骤一，获取异常样本库作为判定的样本空间[x
原有编号
]；
[0073]
步骤二，从异常样本库中挑选一类为正类，将未知样本归为决策函数值最大的类的分类策略，引入了可辨识分类矩阵的元素c
ij
(i＝l，2，3
…
7；j＝l,2,3
…
7)；由公式(2)和(3)计算并判断所得的异常形变特征属性的重要性，找出不含正常形变核属性的属性集合，获得支持向量机形变多类分类结果。
[0074][0075]
公式(1)中，条件属性函数为d(θi)，r(θ)作为类别属性；r(θ)是分类对象θ在属性r上的值，其中θ为样本空间[x
原有编号
]，r为样本属性值。c
ij
∈{r,0,-1}。a为属性值空间为1,2,
…
,4。
[0076]
公式(1)的含义为：r(θ)是分类对象θ在属性r上的值，把它作为类别属性，d(θ)是记录θ在d上的值即为条件属性；式(1)表示：条件属性函数为d(θi)，当类别属性不同且条件属性也完全不相同时，元素值是互不相同的属性组合，此时元素值为r；当类别属性相同时，元素值为0；当类别属性不同而条件属性完全不同时，元素值为-1。
[0077]
改进的归类判别函数：
[0078]
f(s)＝sgn(∑c
ij
yig(g,h)+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0079]
其中，b为分类阀值，c
ij
为每个样本对应的辨识矩阵系数，g和h为设定样本空间的极大值和极小值，sgn(*)为符号函数，g(*)为所采用的核函数。
[0080]
改进的误差阀值函数：
[0081]
b＝y
i-∑c
ij
yig(g,h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0082]
其中，b为分类阀值，c
ij
为每个样本对应的辨识矩阵系数，g和h为设定样本空间的极大值和极小值，g(*)为所采用的核函数，yi为分类样本对应特征值，坐标i取值为l，2，3
…
7。
[0083]
核函数：其中，σ＝0.68；g和h为设定样本空间的极大值和极小值。
[0084]
通过本技术实施例中的步骤s102至步骤s108，在旋转机械设备的同截面正交安装振动传感器进行振动数据图像采集并随时间累计过程中，针对振动数据图像呈现出的波形空间不对称、尖刺、突变等形变特征，对图像开展图像变形特征算法提取，获取趋势曲线边缘时空形变描述。进一步地，通过形变搜索对七个形变特征进行筛选，实现海量波形特性故障筛选；采用支持向量机的模型对进行智能识别，实现了现有振动异常样本和待检测数据的匹配分类，解决了如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题。
[0085]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0086]
在其中一些实施例中，对支持向量机的故障检测模型的检测准确率进行评估，基于评估的评估结果对故障检测模型的参数进行调整。
[0087]
优选地，基于预设计算公式对支持向量机的故障检测模型的检测准确率进行评估，预设计算公式如下：
[0088]
准确率(precision)＝分类正确的样本数/该类实际参与分类数；
[0089]
错误分类率(misclassification rate)＝分类错误的样本数/该类实际参与分类数；
[0090]
不可分率＝1-准确率-错误分类率。
[0091]
本技术实施例提供了一种旋转机械设备的故障检测系统，图4是根据本技术实施例的旋转机械设备故障检测系统的结构框图，如图4所示，系统包括数据获取模块41、特征提取模块42、特征整合模块43和故障判定模块44；
[0092]
数据获取模块41，用于实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；
[0093]
特征提取模块42，用于提取第一振动数据图像的第一形变特征，提取第二振动数据图像的第二形变特征；
[0094]
特征整合模块43，用于将第一形变特征和第二形变特征进行组合，得到待检测特征集合；
[0095]
故障判定模块44，用于通过支持向量机的故障检测模型，将待检测特征集合与异常样本库中的样本进行多目标匹配，确定旋转机械设备中发生的故障。
[0096]
通过本技术实施例中的数据获取模块41、特征提取模块42、特征整合模块43和故障判定模块44，解决了如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题，基于支持向量机对筛选后形变特征进行智能识别，实现了现有振动异常样本和待检测数据的匹配分类，能够从海量数据中渐发性诊断设备故障。
[0097]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位
于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0098]
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0099]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0100]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0101]
另外，结合上述实施例中的旋转机械设备的故障检测方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种旋转机械设备的故障检测方法。
[0102]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种旋转机械设备的故障检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0103]
在一个实施例中，图5是根据本技术实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种旋转机械设备的故障检测方法，数据库用于存储数据。
[0104]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0105]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram
(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0106]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0107]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种旋转机械设备的故障检测方法，其特征在于，所述方法包括：实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征；将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合；通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配，确定所述旋转机械设备中发生的故障。2.根据权利要求1所述的方法，其特征在于，实时获取旋转机械设备的第一振动数据图像和第二振动数据图像包括：在旋转机械设备上安装第一振动传感器和第二振动传感器；通过所述第一振动传感器实时获取所述旋转机械设备的第一振动数据图像，通过所述第二振动传感器实时获取所述旋转机械设备的第二振动数据图像。3.根据权利要求2所述的方法，其特征在于，在旋转机械设备上安装第一振动传感器和第二振动传感器包括：在旋转机械设备的同横截面上安装第一振动传感器和第二振动传感器，其中，所述第一振动传感器和所述第二振动传感器的安装状态为正交安装状态。4.根据权利要求1所述的方法，其特征在于，提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征包括：获取所述第一振动数据图像的波形概率测度，基于所述波形概率测度计算得到波形空间形变特征，通过形变改进算法对所述波形空间形变特征进行计算，得到第一形变特征；获取所述第二振动数据图像的波形概率测度，基于所述波形概率测度计算得到波形空间形变特征，通过形变改进算法对所述波形空间形变特征进行计算，得到第二形变特征。5.根据权利要求1所述的方法，其特征在于，将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合包括：所述第一形变特征包含七个维度的形变特征值，所述第二形变特征包含七个维度的形变特征值；将所述第一形变特征和第二形变特征中的形变特征值，按维度对应关系分别进行除法运算后，组合得到待检测特征集合。6.根据权利要求2或3所述的方法，其特征在于，在通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配之前，所述方法包括：获取异常振动数据图像对，基于所述异常振动数据图像对来构建异常样本库，其中，所述异常振动数据图像对包含同一时刻下的第一异常振动数据图像和第二异常振动数据图像，所述第一异常振动数据图像通过第一振动传感器获取，所述第二异常振动数据图像通过第二振动传感器获取。7.根据权利要求1所述的方法，其特征在于，对所述支持向量机的故障检测模型的检测准确率进行评估，基于所述评估的评估结果对所述故障检测模型的参数进行调整。8.一种旋转机械设备的故障检测系统，其特征在于，所述系统包括数据获取模块、特征提取模块、特征整合模块和故障判定模块；所述数据获取模块，用于实时获取旋转机械设备的第一振动数据图像和第二振动数据
图像；所述特征提取模块，用于提取所述第一振动数据图像的第一形变特征，提取所述第二振动数据图像的第二形变特征；所述特征整合模块，用于将所述第一形变特征和所述第二形变特征进行组合，得到待检测特征集合；所述故障判定模块，用于通过支持向量机的故障检测模型，将所述待检测特征集合与异常样本库中的样本进行多目标匹配，确定所述旋转机械设备中发生的故障。9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。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，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。

技术总结
本申请涉及一种旋转机械设备的故障检测方法、系统、装置和介质，其中，该方法包括：实时获取旋转机械设备的第一振动数据图像和第二振动数据图像；提取第一振动数据图像的第一形变特征，提取第二振动数据图像的第二形变特征；将第一形变特征和第二形变特征进行组合，得到待检测特征集合；通过支持向量机的故障检测模型，将待检测特征集合与异常样本库中的样本进行多目标匹配，确定旋转机械设备中发生的故障。通过本申请，解决了如何在海量实时运行数据中检测出旋转机械设备的振动异常的问题，基于支持向量机对筛选后形变特征进行智能识别，实现了现有振动异常样本和待检测数据的匹配分类，能够从海量数据中渐发性诊断设备故障。障。障。


技术研发人员：王勇劲 胡波 高晓光 林茂 张才稳 石岩 刘林波
受保护的技术使用者：华电电力科学研究院有限公司
技术研发日：2023.03.31
技术公布日：2023/7/28