旋转设备的故障诊断方法、装置、介质、设备及程序产品与流程

本公开涉及机械设备状态监测与故障诊断领域，具体地，涉及一种旋转设备的故障诊断方法、装置、介质、设备及程序产品。

背景技术：

1、火电厂的旋转设备在能源供应领域具有重要地位。然而，长期运行和高负荷工况下，旋转设备容易遭受劣化、故障和性能下降的风险。旋转设备的故障诊断是工业设备监测领域的一个重要任务，旨在通过监测和分析设备的运行状况来预测和识别潜在的故障。

2、相关技术存在一些问题，首先，侧重于单一类型的传感器数据，如振动数据或温度数据，限制了对设备状态的全面理解；其次，对于旋转设备的故障诊断的准确率较低。

技术实现思路

1、为克服相关技术中存在的问题，本公开提供一种旋转设备的故障诊断方法、装置、介质、设备及程序产品。

2、根据本公开实施例的第一方面，提供一种旋转设备的故障诊断方法，包括：

3、获取旋转设备当前的多模态数据，所述多模态数据包括振动数据、声音数据、图像数据、温度数据以及压力数据中的任意多者；

4、对所述多模态数据进行特征提取，得到特征向量；

5、将所述特征向量输入训练完成的故障识别模型中，得到所述旋转设备对应的故障类型，其中所述故障识别模型采用自适应增强adaboost算法集成多个正则化极限学习机relm模型作为弱分类器。

6、可选地，所述获取旋转设备的多模态数据包括以下方式中的一者或多者：

7、通过在所述旋转设备的电机的输出轴的水平面和垂直面分别设置的振动传感器获取所述振动数据；

8、通过摄像装置获取所述旋转设备的所述图像数据；

9、通过声波扫描仪获取所述旋转设备的所述声音数据。

10、可选地，所述故障识别模型的训练方法包括：

11、根据所述旋转设备历史运行过程中的多模态数据，得到训练样本，所述训练样本标注有故障类型标签；

12、根据所述训练样本，串行训练多个relm模型，得到训练完成的所述多个relm模型；

13、合并训练完成的所述多个relm模型，得到故障识别模型。

14、可选地，对每个所述relm模型的训练均包括：

15、将所述训练样本输入所述relm模型，得到所述relm模型对应的分类结果；

16、根据所述训练样本的权重分布、所述分类结果以及所述故障类型标签，确定所述relm模型的错误率；

17、根据所述错误率，确定所述relm模型的投票权重；

18、根据所述分类结果，增大被错误分类的训练样本的权重，减小被正确分类的训练样本的权重，以更新所述训练样本的权重分布，以增大所述relm模型对被错误分类的训练样本的关注度；

19、返回执行所述将所述训练样本输入所述relm模型，得到所述relm模型对应的分类结果，直到达到预设训练次数或满足训练收敛条件，得到训练完成的relm模型。

20、可选地，所述根据所述训练样本，串行训练多个relm模型，得到训练完成的所述多个relm模型，包括：

21、对每个relm模型执行以下基于混合增强鲸鱼优化算法hewoa的训练过程：

22、确定所述relm模型待确定的参数，以及所述relm模型对应的当前种群，所述种群的每一个体为所述relm模型的一组参数；

23、对所述种群的每一个体，根据所述训练样本训练所述个体对应的所述relm模型，得到所述个体的适应度，所述适应度表征所述个体对应的relm模型的分类性能；

24、根据每一所述个体的所述适应度，选择适应度高的所述个体作为父代个体；

25、对所述父代个体进行交叉操作，得到第一后代个体，以重组所述relm模型的多组参数；

26、对所述第一后代个体进行变异操作，得到第二后代个体，所述变异操作至少包括对所述relm模型的参数进行随机调整；

27、根据所述第二后代个体替换所述种群中适应度低的个体；

28、返回执行所述对所述种群的每一个体，根据所述训练样本训练所述个体对应的所述relm模型，得到所述个体的适应度，所述适应度表征所述个体对应的relm模型的分类性能，直到达到预设训练次数或满足训练收敛条件；

29、将所述种群中适应度最高的个体确定为relm模型的参数。

30、可选地，所述对所述多模态数据进行特征提取，得到特征向量，包括：

31、将所述多模态数据通过db3小波进行小波包分解，得到多个低频信号和多个高频信号；

32、对所述多个低频信号和所述多个高频信号通过db3小波进行小波包分解，得到新的多个低频信号和新的多个高频信号；

33、重复执行所述对所述多个低频信号和所述多个高频信号通过db3小波进行小波包分解，得到新的多个低频信号和新的多个高频信号，直到达到预设分解次数或满足预设信号特性；

34、从所述多个低频信号和所述多个高频信号提取时域特征和频域特征，所述时域特征和所述频域特征表征所述多模态数据的能量分布信息；

35、根据所述时域特征和所述频域特征，得到所述特征向量。

36、可选地，所述根据所述时域特征和所述频域特征，得到所述特征向量，包括：

37、根据所述时域特征，计算时域对应的统计指标，得到时域统计特征，所述时域对应的统计指标包括均值、方差和峰值；

38、根据所述频域特征，计算频域对应的统计指标，得到频域统计特征，所述频域对应的统计指标包括频谱峰值、频谱宽度、能量和熵；

39、根据所述时域统计特征和所述频域统计特征，得到所述特征向量。

40、可选地，所述根据所述时域统计特征和所述频域统计特征，得到所述特征向量，包括：

41、对所述时域统计特征和所述频域统计特征进行z-score标准化；

42、对z-score标准化的数据进行pca标准化，得到初始特征向量，以使所述时域统计特征和所述频域统计特征保持同一数量级；

43、根据所述初始特征向量，得到所述特征向量。

44、可选地，所述根据所述初始特征向量，得到所述特征向量，包括：

45、对所述初始特征向量使用全矢多粒度扫描fv-mgs方法进行特征提取，得到增强特征向量；

46、根据所述增强特征向量，得到所述特征向量。

47、可选地，所述根据所述增强特征向量，得到所述特征向量，包括：

48、采用特征筛选级联残差森林crforestfs方法对所述增强特征向量进行选择，得到所述特征向量。

49、根据本公开实施例的第二方面，提供一种故障诊断装置，包括：

50、数据获取模块，用于获取旋转设备当前的多模态数据，所述多模态数据包括振动数据、声音数据、图像数据、温度数据以及压力数据中的任意多者；

51、特征提取模块，用于对所述多模态数据进行特征提取，得到特征向量；

52、故障识别模块，用于将所述特征向量输入训练完成的故障识别模型中，得到所述旋转设备对应的故障类型，其中所述故障识别模型采用自适应增强adaboost算法集成多个正则化极限学习机relm模型作为弱分类器。

53、根据本公开实施例的第三方面，提供一种非临时性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本公开第一方面所提供的任一项所述方法的步骤。

54、根据本公开实施例的第四方面，提供一种电子设备，包括：

55、存储器，其上存储有计算机程序；

56、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的任一项所述方法的步骤。

57、根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开第一方面所提供的任一项所述方法的步骤。

58、本公开的实施例提供的技术方案可以包括以下有益效果：通过实时采集旋转设备的多模态数据，结合多种特征提取方法对多模态数据进行特征提取，并将提取到的特征输入到故障识别模型中，得到旋转设备的故障类型。其中故障识别模型采用自适应增强adaboost算法集成多个正则化极限学习机relm模型作为弱分类器。可以更准确和更全面地诊断旋转设备的故障类型，从而可以及时发现异常并及时提供预警。

59、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。