用于预测转动设备的故障概率的方法、设备和存储介质.pdf

《用于预测转动设备的故障概率的方法、设备和存储介质.pdf》由会员分享，可在线阅读，更多相关《用于预测转动设备的故障概率的方法、设备和存储介质.pdf（26页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410003478.3(22)申请日 2024.01.02(71)申请人 上海凯士比泵有限公司地址 200245 上海市闵行区江川路1400号(72)发明人 窦浩戴林杉(74)专利代理机构 北京市金杜律师事务所 11256专利代理师 王茂华(51)Int.Cl.G06F 30/20(2020.01)G06F 18/22(2023.01)G06F 18/214(2023.01)G06F 18/213(2023.01)G06F 111/08(2020.01)(54)发明名称用于预测转动设备的故障。

2、概率的方法、设备和存储介质(57)摘要本发明的实施例涉及一种用于预测转动设备的故障概率的方法、设备和存储介质。该方法包括获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据；针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据；基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征；以及基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转动设备发生故障的概率。由此，本发明能够实现针对转动设备的故障概。

3、率的预测。权利要求书2页 说明书14页 附图9页CN 117494485 A2024.02.02CN 117494485 A1.一种用于预测转动设备的故障概率的方法，包括：获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据；针对所获取的加速度检测数据进行处理，以获取关于所述转动设备的时域数据、频域数据和轴心轨迹数据；基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征；以及基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转动设备。

4、发生故障的概率。2.根据权利要求1所述的方法，其特征在于，还包括：基于所获取的工况数据、设备参数信息和频域数据，以及预定的机理模型数据，确定与转动设备的故障相关的预定故障频率；基于预定范围，确定所述预定故障频率在预定范围内的故障频率能量特征；以及基于所确定的故障频率能量特征、时域形态特征、频谱形态特征和轴心轨迹形态特征，计算关于转动设备发生故障的概率。3.根据权利要求 2所述的方法，其特征在于，计算关于转动设备的发生故障的概率包括：基于所确定的故障频率能量特征、时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，经由预定的模糊控制系统计算，以确定关于转动设备的至少一种故障类型的发生概率。。

5、4.根据权利要求3所述的方法，其特征在于，预定的模糊控制系统经由以下步骤生成：确定关于故障的时域形态特征、频谱形态特征、轴心轨迹形态特征和/或故障频率能量特征中的任一特征所对应的模糊控制变量和变量范围；基于所确定的关于故障的模糊控制变量和变量范围，确定关于模糊控制变量的隶属度函数；以及至少基于模糊控制变量和关于模糊控制变量的隶属度函数，确定模糊规则。5.根据权利要求1所述的方法，其特征在于，时域形态至少包括冲击波、拍波和非周期性波形；频谱形态至少包括谐波、边带和底部隆起；以及轴心轨迹形态至少包括香蕉形、椭圆形、内八字形、多八字形和外八字形。6.根据权利要求1所述的方法，其特征在于，获取关于所述。

6、转动设备的时域数据、频域数据和轴心轨迹数据包括：针对所获取的加速度检测数据进行傅里叶变换，基于傅里叶变换后的加速度检测数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的速度时域数据；针对所获取的速度时域数据进行傅里叶变换，基于傅里叶变换后的速度时域数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的位移时域数据；以及基于所获取的加速度时域数据、速度时域数据和位移时域数据，分别进行频谱变换，以获取关于所述转动设备的加速度频域数据、速度频域数据和位移频域数据。权利要求书1/2 页2CN 117494485 A27.根据权利要求6所述的方法，其特征在于，基于经训练的特征计算模型，针。

7、对所获取的时域数据、频域数据和轴心轨迹数据计算形态相似度之前还包括：针对所获取的加速度时域数据、速度时域数据和位移时域数据，基于预定的采样周期进行归一化，以消除在不同工况下所采集的关于转动设备的时域数据的量纲差距；以及针对所获取的加速度频域数据、速度频域数据和位移频域数据，基于预定的基频进行归一化，以消除在不同工况下所采集的关于转动设备的频域数据的量纲差距。8.根据权利要求1至7中任一项所述的方法，其特征在于，经训练的特征计算模型包括故障形态相似度计算模型和故障频率能量计算模型，所述故障形态相似度计算模型经由以下步骤获得：获取关于转动设备的多组训练时域数据和对应的时域形态、多组训练频域数据和对。

8、应的频域形态、多组训练轴心轨迹数据和对应的轴心轨迹形态；以及将训练时域数据所对应的时域形态、训练频域数据所对应的频域形态和训练轴心轨迹数据所对应的轴心轨迹形态确定为训练数据，针对至少一个预定的神经网络模型进行训练，以获取经训练的故障形态相似度计算模型。9.根据权利要求1至7中任一项所述的方法，其特征在于，所述转动设备为泵，所述加速度检测数据包括：泵驱动端轴承、泵非驱动端侧、电机驱动端和电机非驱动端中的至少一端的三向加速检测数据；所述三向加速检测数据包括垂直方向的加速度检测数据、水平方向的加速度检测数据和轴向数据的加速度检测数据。10.根据权利要求1至7中任一项所述的方法，其特征在于，所述工况数。

9、据为转速、温度和流量中的至少一项；所述设备参数信息至少包括叶片个数、共振频率和轴承故障系数；以及预定故障频率至少包括预定倍频、外圈故障频率及其谐波频率、内圈故障频率及其谐波频率和基频边带频率。11.一种计算设备，包括：至少一个处理单元；至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至10任一项所述的方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至10中任一项所述的方法。权利要求书2/2 页3CN 117。

10、494485 A3用于预测转动设备的故障概率的方法、设备和存储介质技术领域0001本发明的实施例总体涉及工业控制领域，并且更具体地涉及一种用于预测转动设备的故障概率的方法、设备和存储介质。背景技术0002传统的用于检测转动设备（例如而不限于是泵、电机等旋转类机械设备）的故障的方法例如是：以机理模型为主，通过检测频谱在特定频率上是否有峰值来进行故障判断。如机理模型主要以机理规则来判断故障是否发生。0003上述传统的用于检测转动设备的故障的方法，并未考虑到因分辨率、能量泄露等因素导致的特定频域峰值无法识别的情况如何进行故障检测，也无法给出故障发生的概率，故障种类的多样性与故障发生概率的不可量化的特。

11、点导致人工维护无法有针对性的进行故障检修，会浪费大量人力资源和其他成本。0004综上，传统的用于预测转动设备的故障概率的方式存在的不足之处在于：无法针对转动设备的各种故障发生的概率进行计算。发明内容0005针对上述问题，本发明提供了一种用于预测转动设备的故障概率的方法、设备和存储介质，能够针对转动设备的各种故障发生的概率进行计算。0006根据本发明的第一方面，提供了一种用于预测转动设备的故障概率的方法，包括：获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据；针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据；基于经训练的。

12、特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征；以及基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转动设备发生故障的概率。0007在一些实施例中，用于预测转动设备的故障概率的方法还包括：基于所获取的工况数据、设备参数信息和频域数据，以及预定的机理模型数据，确定与转动设备的故障相关的预定故障频率；以及基于预定范围，确定预定故障频率在预定范围内的故障频率能量特征；以及基于所确定的故障频率能量特征、时域形态特征、频谱形态特征和轴心轨迹形态特征，计算关于转动设备发生故障的概。

13、率。0008在一些实施例中，计算关于转动设备的发生故障的概率包括：基于所确定的故障频率能量特征、时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，经由预定的模糊控制系统计算，以确定关于转动设备的至少一种故障类型的发生概率。0009在一些实施例中，预定的模糊控制系统经由以下步骤生成：确定关于故障的时域形态特征、频谱形态特征、轴心轨迹形态特征和/或故障频率能量特征中的任一特征所对应的模糊控制变量和变量范围；基于所确定的关于故障的模糊控制变量和变量范围，确定关说明书1/14 页4CN 117494485 A4于模糊控制变量的隶属度函数；以及至少基于模糊控制变量和关于模糊控制变量的隶属度函数，。

14、确定模糊规则。0010在一些实施例中，时域形态至少包括冲击波、拍波和非周期性波形；频谱形态至少包括谐波、边带和底部隆起；以及轴心轨迹形态至少包括香蕉形、椭圆形、内八字形、多八字形和外八字形。0011在一些实施例中，获取关于转动设备的时域数据、频域数据和轴心轨迹数据包括：针对所获取的加速度检测数据进行傅里叶变换，基于傅里叶变换后的加速度检测数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的速度时域数据；针对所获取的速度时域数据进行傅里叶变换，基于傅里叶变换后的速度时域数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的位移时域数据以及基于所获取的加速度时域数据、速度时域数据和位。

15、移时域数据，分别进行频谱变换，以获取关于转动设备的加速度频域数据、速度频域数据和位移频域数据。0012在一些实施例中，基于经训练的特征计算模型，针对所获取的时域数据、频域数据和轴心轨迹数据计算形态相似度之前还包括：针对所获取的加速度时域数据、速度时域数据和位移时域数据，基于预定的采样周期进行归一化，以消除在不同工况下所采集的关于转动设备的时域数据的量纲差距；以及针对所获取的加速度频域数据、速度频域数据和位移频域数据，基于预定的基频进行归一化，以消除在不同工况下所采集的关于转动设备的频域数据的量纲差距。0013在一些实施例中，经训练的特征计算模型包括故障形态相似度计算模型和故障频率能量计算模型，。

16、故障形态相似度计算模型经由以下步骤获得：获取关于转动设备的多组训练时域数据和对应的时域形态、多组训练频域数据和对应的频域形态、多组训练轴心轨迹数据和对应的轴心轨迹形态；以及将训练时域数据所对应的时域形态、训练频域数据所对应的频域形态和训练轴心轨迹数据所对应的轴心轨迹形态确定为训练数据，针对至少一个预定的神经网络模型进行训练，以获取经训练的故障形态相似度计算模型。0014在一些实施例中，转动设备为泵，加速度检测数据包括：泵驱动端轴承、泵非驱动端侧、电机驱动端和电机非驱动端中的至少一端的三向加速检测数据；三向加速检测数据包括垂直方向的加速度检测数据、水平方向的加速度检测数据和轴向数据的加速度检测数。

17、据。在一些实施例中，工况数据为转速、温度和流量中的至少一项；设备参数信息至少包括叶片个数、共振频率和轴承故障系数；以及预定故障频率至少包括预定倍频、外圈故障频率及其谐波频率、内圈故障频率及其谐波频率和基频边带频率。0015根据本发明的第二方面，提供了一种计算设备，该计算设备包括：至少一个处理单元；至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据第一方面的方法的步骤。0016根据本发明的第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程。

18、序被机器执行时实现根据第一方面所述的方法。0017应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。说明书2/14 页5CN 117494485 A5附图说明0018结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。0019图1示出了用于实现根据本发明的实施例的用于预测转动设备的故障概率的方法的系统的示意图。0020图2示出了根据本发明的实施例的用于预测转动设备的故障概率的方法二的流程图。0021图3示出了根据。

19、本发明的实施例的用于获取关于转动设备的时域数据、频域数据的方法三的流程图。0022图4示出了根据本发明的实施例的用于故障形态相似度计算模型训练的方法四的流程图。0023图5示出了根据本发明的实施例的用于模糊控制系统搭建的方法五的流程图。0024图6示出了根据本发明的实施例的时域形态示意图。0025图7示出了根据本发明的实施例的频域形态示意图。0026图8示出了根据本发明的实施例的轴心轨迹形态示意图。0027图9示出了根据本发明的实施例的故障频域形态示意图。0028图10示意性示出了根据本发明另一些实施例实现用于预测转动设备的故障概率的方法的系统二的框图。0029图11示出了根据本发明的实施例的。

20、电子设备的框图。具体实施方式0030以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。0031在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第。

21、一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。0032如前文所描述，传统的用于预测转动设备的故障概率的方式无法针对转动设备的各种故障发生的概率进行计算。0033为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本发明的示例实施例提出了一种用于预测转动设备的故障概率的方案，在本发明方案中，通过获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据；针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据；基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确。

22、定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征；以及基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的说明书3/14 页6CN 117494485 A6至少一项，计算关于转动设备发生故障的概率；因此，本发明可以通过转动设备的加速度检测数据获取关于转动设备的时频域数据和轴心轨迹数据。另外，通过时频域数据和轴心轨迹数据，计算形态相似度，以确定转动设备的频域形态数据、时域形态数据和轴心轨迹形态数据，从而基于多种形态数据的特征，计算关于转动设备发生故障的概率。由此，本发明能够实现针对转动设备的故障概率的预测。0034下面将结合本发明实施例中的附图，对本发明实施例中的。

23、技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例，不能将它们理解为对本申请保护范围的限定。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。0035图1示出了用于实现根据本发明的实施例的用于预测转动设备的故障概率的方法的系统100的示意图。如图1中所示，系统100包括计算设备110和转动设备130和加速度检测装置140。在一些实施例中，计算设备110、转动设备130、加速度检测装置140通信连接，直接或者经由网络进行数据交互。0036关于转动设备130，其例如而不限于为变频或定频驱动的转。

24、动设备，例如为泵、水泵等。0037关于计算设备110，其用于计算转动设备130的故障发生概率。具体而言，计算设备110用于获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据；针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据。计算设备110还用于基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征；以及基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转动设备发生故障的概率。0038在一些实施。

25、例中，计算设备110可以具有一个或多个处理单元，包括诸如GPU（Graphics Processing Unit，图形处理器）、FPGA（Field Programmable Gate Array，现场可编程门阵列）和ASIC（Application Specific Integrated Circuit，专用集成电路）等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中，计算设备110例如包括：加速度检测数据和工况数据获取单元112、时频域和轴心轨迹数据获取单元114、形态特征计算单元116、故障概率计算单元118。0039关。

26、于加速度检测数据和工况数据获取单元112，其用于获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据。0040关于时频域和轴心轨迹数据获取单元114，其用于针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据。0041关于形态特征计算单元116，其用于基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征。0042关于故障概率计算单元118，其用于基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转。

27、动设备发生故障的概率。0043图2示出了根据本发明的实施例的用于预测转动设备的故障概率的方法二的流程说明书4/14 页7CN 117494485 A7图。方法二可由如图1所示的计算设备110执行，也可以在图11所示的电子设备1100处执行。应当理解的是，方法二还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本发明的范围在此方面不受限制。0044在步骤202，计算设备110获取关于转动设备的工况数据、设备参数信息和关于转动设备的各个检测位置的加速度检测数据。0045关于转动设备，其例如而不限于是定频或变频驱动的泵、电机等。0046关于转动设备的工况数据，其例如为转速、温度和流量中的至少一项。

28、。0047关于转动设备的设备参数信息，其例如包括叶片个数、共振频率和轴承故障系数等转动设备的基本参数信息；以及还包括所述预定故障频率至少包括预定倍频、外圈故障频率及其谐波频率、内圈故障频率及其谐波频率和基频边带频率。0048关于转动设备的各个检测位置的加速度检测数据，其例如是经由加速度检测装置（如加速度传感器）采集到转动设备的各个检测位置的加速度波形数据；关于加速度传感器，如三轴加速度传感器，能够同时到采集一个检测位置的三向加速度信号。0049例如当转动设备为泵，加速度检测数据包括：泵驱动端轴承、泵非驱动端侧、电机驱动端和电机非驱动端中的至少一端的三向加速检测数据；所述三向加速检测数据包括垂直。

29、方向的加速度检测数据、水平方向的加速度检测数据和轴向数据的加速度检测数据。0050在步骤204，计算设备110针对所获取的加速度检测数据进行处理，以获取关于转动设备的时域数据、频域数据和轴心轨迹数据。0051关于时域数据、频域数据和轴心轨迹的获取，例如当加速度传感器获得了关于转动设备的任一检测位置的三向加速度检测信号，则可根据所获取的三向（例如水平、垂直和轴向）加速度信号获取关于转动设备在该检测位置的各方向的加速度时域、频域数据，速度时域、频域数据和位移时域、频域数据；以及获取在该检测位置的轴心轨迹数据。下文将结合图3详细说明时域数据、频域数据和轴心轨迹的获取，在此，不再赘述。0052关于生成。

30、时域特征、频域特征的方法，其例如包括：计算设备110确定所获取的加速度检测数据是否存在异常，异常包括加速度检测数据存在以下一项或多项异常情况：缺失率高于预定缺失率阈值、异常率高于预定异常率阈值等；若确定所获取的加速度数据存在异常，剔除存在异常的加速度数据。关于异常率，例如加速度检测数据的差值异常、加速度检测数据的方差异常等。0053在一些实施例中，计算设备110基于所获取的工况数据、设备参数信息和频域数据，以及预定的机理模型数据，确定与转动设备的故障相关的预定故障频率；基于预定范围，确定所述预定故障频率在预定范围内的故障频率能量特征；以及基于所确定的故障频率能量特征、时域形态特征、频谱形态特征。

31、和轴心轨迹形态特征，计算关于转动设备发生故障的概率。关于预定范围，例如是故障频率10Hz范围内。0054由此，能够实现对加速度检测数据的质量监测，将存在异常的数据剔除，从而使得获得关于所述转动设备的时域数据、频域数据、轴心轨迹数据和故障频率能量特征更准确，从而便于得到更准确的关于转动设备发生故障的概率。0055在步骤206，计算设备110基于经训练的特征计算模型，针对时域数据、频域数据和轴心轨迹数据，计算形态相似度，以确定对应于当前加速度检测数据的时域形态特征、频谱形态特征和轴心轨迹形态特征。说明书5/14 页8CN 117494485 A80056关于经训练的特征计算模型，包括故障形态相似度。

32、计算模型和故障频率能量计算模型。关于故障形态相似度计算模型用于针对时域数据、频域数据和轴心轨迹数据，计算所获取的关于转动设备的时域形态、频域形态和轴心轨迹与故障形态的形态相似度。关于故障频率能量计算模型，用于基于频域数据，计算预定故障频率在预定范围内的频率能量，以获取关于转动设备的各故障频率的能量特征，以计算频率能量特征的相似度。下文将结合图4详细说明故障形态相似度计算模型的训练方法，在此，不再赘述。0057关于计算形态相似度，基于故障形态进行特征相似度计算，例如针对时域形态相似度的计算，分别计算加速度、速度、位移的各类时域形态与故障形态的相似度；例如频域形态相似度计算，分别计算加速度、速度、。

33、位移的各类频域形态与故障形态的相似度；例如轴心轨迹形态相似度计算，分别计算各类轴心轨迹形态的相似度。由此，通过形态相似度计算，能够基于加速度检测数据和工况，确定转动设备当前的时域形态、频域形态和轴心轨迹与预定的故障形态之间的相似度，以确定转动设备可能发生的故障类型。0058请参考图6，图6示出了根据本发明的实施例的时域形态示意图。如图6所示，关于时域形态的波形示意，例如至少包括冲击波（6a）、拍波（6b）和非周期性波形（6c）。关于冲击波，例如齿轮啮合、松动或撞击等问题会导致波形中出现突然增加和减小的冲击信号；关于拍波，例如滚动轴承出现多种故障会导致两个以上故障频率的叠加，时域会出现拍波；关于。

34、非周期性波形，例如涡轮机械故障可能导致波形变得不规则、非周期性或随机。0059请参考图7，图7示出了根据本发明的实施例的频域形态示意图。如图7所示，关于频域形态的波形示意，例如至少包括谐波（7a）、边带（7b）和底部隆起（7c）。图9示出了根据本发明的实施例的故障频域形态示意图。例如请参考图9示意了本发明实施例的两种故障频域形态示意图，图9中的9a示意了外圈故障（规则：外圈故障频率及其谐波），图9中的9b示意了内圈故障（内圈故障频率及轴频边带）。图7和图9的形态示意中，横坐标的单位均为赫兹（Hz），纵坐标可以有多种选择，如m/s2（米/秒方）、m2/s（米方/秒）、um（微米）等，这是由于本方。

35、案充分考虑了加速度、速度和位移多种频域形态。0060请参考图8，图8示出了根据本发明的实施例的轴心轨迹形态示意图。如图8所示，轴心轨迹形态至少包括香蕉形、椭圆形、内八字形、多八字形和外八字形。0061在步骤208，计算设备110基于所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，计算关于转动设备发生故障的概率。0062关于计算关于转动设备发生故障的概率，例如，经由预定的模糊控制系统计算，以确定关于转动设备的至少一种故障类型的发生概率。例如，将所确定的时域形态特征、频谱形态特征和轴心轨迹形态特征作为模糊控制系统的输入数据，以计算转动设备发生故障的概率。0063在一些实施例中，计。

36、算设备110还计算了关于所述预定故障频率在预定范围内的故障频率能量特征，计算关于转动设备发生故障的概率，例如基于所确定的故障频率能量特征、时域形态特征、频谱形态特征和轴心轨迹形态特征中的至少一项，经由预定的模糊控制系统计算，以确定关于转动设备的至少一种故障类型的发生概率。0064由此，通过采用上述手段，本发明可以针对不同转动设备及其不同的工况，确定转动设备发生各种故障类型的概率，实现对转动设备的故障类型和故障概率的精准预测。0065关于模糊控制系统，其构建包括基于故障形态、故障规则定义模糊控制变量、定义说明书6/14 页9CN 117494485 A9模糊集和隶属度函数、定义模糊规则、选取解模。

37、糊方式和概率计算。下文将结合图5详细说明模糊控制系统的构建，在此，不再赘述。0066在上述方案中，针对转动设备，能够将加速度传感器检测输出的加速度原始数据转化为时域数据、频域数据和轴心轨迹等数据，通过对时频域的故障形态、轴心轨迹形态等特征进行构建，以获取时域形态、频域形态和轴心轨迹形态，结合故障频率的能量特征，通过模糊控制系统，将关于转动设备的时频域形态特征、轴心轨迹形态特征和故障频率能量特征转化为转动设备的故障概率。0067图3示出了根据本发明的实施例的用于获取关于转动设备的时域数据、频域数据的方法三的流程图。应当理解，方法三例如可以在图11所描述的电子设备1100处执行。也可以在图1所描述。

38、的计算设备110处执行。应当理解，方法三还可以包括未示出的附加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。0068在步骤302，计算设备110针对所获取的加速度检测数据进行傅里叶变换，基于傅里叶变换后的加速度检测数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的速度时域数据。0069在步骤304，计算设备110针对所获取的速度时域数据进行傅里叶变换，基于傅里叶变换后的速度时域数据进行时域积分再进行反傅里叶变换，以获取关于所述转动设备的位移时域数据。0070关于获取加速度时域数据，例如采用微积分技术，将所获取的加速度信号（加速度检测数据）转化为速度信号（速度时域数据）。

39、、位移信号（位移时域数据）。首先将待处理的加速度信号进行傅里叶变换，对变换的结果进行处理，然后反傅里叶变换得到积分或微分后的加速度时域信号，变换的原理如下：设任一频率下的加速度信号为：（1）在上述公式（1）中，a(t)为加速度信号在频率下的傅里叶分量，t 则代表加速度信号的时间变量，A为对应a(t)的系数，j为虚数，e为自然常数。0071当初速度分量为0时，对加速度信号分量进行时域积分即可获得速度信号分量，即：（2）在上述公式（2）中，v(t)为速度信号在频率下的傅里叶分量；V为对应v(t)的系数，a()为a(t)的时域积分，代表积分过程中的时间变量。0072初速度和初位移分量均为0时，对加速。

40、度信号分量进行两次时域积分即可获得位移信号分量，即：（3）在上述公式（3）中，s(t)为位移信号在频率下的傅里叶分量；S为对应s(t)的系数，d为积分的时间间隔的微小单元，d为积分变量参数。0073在步骤306，计算设备110基于所获取的加速度时域数据、速度时域数据和位移时域数据，分别进行频谱变换，以获取关于转动设备的加速度频域数据、速度频域数据和位移说明书7/14 页10CN 117494485 A10频域数据。0074关于频谱变换，例如采用滤波、快速傅里叶变换技术以计算信号数据的加速度谱、速度谱、位移谱，应当理解，加速度谱即加速度频域数据，速度谱即速度频域数据，位移谱即位移频域数据；应当理。

41、解，将得到的频域数据以坐标图像形式呈现时，得到的加速度谱、速度谱和位移谱的横轴为频率（单位：赫兹Hz），纵轴为幅度（单位：分贝dB）。0075关于滤波，例如采用IIR数字滤波器，表达式如下：（4）在上述公式（4）中，、分别为输入和输出的时域信号序列，n为时间序列中的第n个点；M为滤波器系统传递函数的零点数，N为滤波器系统传递函数的极点数，k1代表从1至M的任一自然数，k2代表从1至N的任一自然数；ck1、bk2均为滤波器系数。0076由此，通过上述处理，能够将所获得加速度检测信号，转换为加速度时域数据、速度时域数据和位移时域数据，并进一步通过频谱变换得到加速度频域数据、速度时域数据和位移时域数。

42、据。应当理解，在每一个检测位置，针对每一方向的加速度检测信号都可以获得其加速度时域及频域数据、速度时域及频域数据和位移的时域及频域数据。0077在一些实施例中，基于经训练的特征计算模型，针对所获取的时域数据、频域数据和轴心轨迹数据计算形态相似度之前还包括：对收集到的时域形态数据、频域形态数据进行归一化，以消除不同工况下数据的量纲差距，将归一化后的数据转化为黑白图像，以生成时域形态、频域形态。0078例如，针对所获取的加速度时域数据、速度时域数据和位移时域数据，基于预定的采样周期进行归一化，以消除在不同工况下所采集的关于转动设备的时域数据的量纲差距。0079例如，针对所获取的加速度频域数据、速度。

43、频域数据和位移频域数据，基于预定的基频进行归一化，以消除在不同工况下所采集的关于转动设备的频域数据的量纲差距。例如，获取的频域数据一的基频为10Hz，频域数据二的基频为60Hz，即便两者存在相同的形态特征，由于基频导致的量纲差异，会导致其频域形态所展现的波形图差异较大，难以被识别为相同形态特征。0080由此，本发明能通过频率的归一化，如对不同基频的频域数据的横坐标（频率Hz）进行拉伸或收缩，以消除其量纲差距，使得所获取的若干个转动设备的多位置的频域数据，在消除量纲差异后进行相似度计算，获取更准确的相似度计算结果，且也更能够使得故障形态相似度模型的训练更高效率。0081关于归一化，例如不限于采用。

44、Zscore标准化的方式，以下结合公式（5）示例性说明标准化的方式：（5）在上述公式（5）中，z代表标准化后的数据。q代表标准化之前的加权后特征。代表标准化之前的加权后特征的均值。代表标准化之前的加权后特征的标准差。0082由此，通过采用上述手段，本发明可以针对不同转动设备、以及不同工况下所获取的加速度检测数据处理得到的加速度、速度和位移的时域数据基于采样周期进行归一化，说明书8/14 页11CN 117494485 A11以及对得到的加速度、速度和位移的频域数据基于预定基频进行归一化，能够使得所获取的时域形态、频域形态消除量纲差距，以便针对故障形态进行高效且准确的识别，并充分考虑了多种时域数。

45、据（加速度、速度和位移）的形态特征、多种频域数据（加速度、速度和位移）的形态特征、以及轴心轨迹形态特征和故障频率的能量特征，综合了多种形态特征，从而达到更精准的故障概率预测结果。0083图4示出了根据本发明的实施例的用于故障形态相似度计算模型训练的方法四的流程图。应当理解，方法四例如可以在图11所描述的电子设备1100处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法四还可以包括未示出的附加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。0084在步骤402，计算设备110获取关于转动设备的多组训练时域数据和对应的时域形态、多组训练频域数据和对应的频域形态、多组训练。

46、轴心轨迹数据和对应的轴心轨迹形态。0085关于训练数据的收集，例如收集常见时域形态、频谱形态，并对各类形态进行标注。关于时域形态，例如以收集一个采样周期的数据形态作为一个训练样本，关于频域形态，例如在结合特定频率的情况下收集5 Hz的数据作为一个样本。0086在步骤404，将训练时域数据所对应的时域形态、训练频域数据所对应的频域形态和训练轴心轨迹数据所对应的轴心轨迹形态确定为训练数据，针对至少一个预定的神经网络模型进行训练，以获取经训练的故障形态相似度计算模型。0087关于故障形态相似度计算模型，其包括至少一个预定的神经网络模型，例如用于计算时域形态特征、频域形态特征的第一神经网络模型，用于计。

47、算轴心轨迹的第二神经网络模型。例如，将训练时域数据所对应的时域形态、训练频域数据所对应的频域形态确定为第一神经网络的验证数据，将训练时域数据和训练频域数据确定为第一神经网络的训练数据，对第一神经网络模型进行训练。例如，将训练轴心轨迹数据所对应的轴心轨迹形态确定为验证数据，将训练轴心轨迹数据确定为训练数据，对第二神经网络模型进行训练。0088关于预定的神经网络模型，其例如牛津大学的视觉几何组（Visual Geometry Group,VGG)模型、稠密连接卷积网络（Densely Connected Convolutional Networks，Densely）、残差网络（Residual N。

48、etwork，ResNet）等。0089关于故障频率能量特征的计算，根据获取的加速度频谱（频域数据）、速度频谱（频域数据）、位移频谱（频域数据），例如基于机理模型，还可以结合专家经验或故障规则，收集常见的故障特征，确定故障特征频率。考虑到频谱不同的分辨率导致无法精确找到特定频率的幅值，此外也需要考虑到能量泄露的因素，本发明实施例提供的方案与传统的计算幅值不同，而是计算故障频率预定范围内的故障特征频率能量。0090特征频率能量计算方法参考公式（6）：（6）在上述公式（6）中，代表故障频率能量，f代表故障频率，fi代表故障频率范围内的第i个频率点的幅值，R代表预定范围内的所有频率点。0091关于故。

49、障频率的确定，例如倍频特征（1倍频、2倍频、3倍频，），例如外圈故障说明书9/14 页12CN 117494485 A12特征（外圈故障频率（外圈故障系数基频）及其110谐波频率），例如内圈故障特征（内圈故障频率（内圈故障系数基频）及其110谐波频率、基频边带频率）。应当理解，故障频率还可以由转动设备的厂商测试获得，通常厂商会将故障频率提供于转动设备的产品手册或参数介绍等信息中。0092图5示出了根据本发明的实施例的用于模糊控制系统搭建的方法五的流程图。应当理解，方法五例如可以在图11所描述的电子设备1100处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法五还可以包括未示出的附。

50、加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。0093在步骤502，计算设备110确定关于故障的时域形态特征、频谱形态特征、轴心轨迹形态特征和/或故障频率能量特征中的任一特征所对应的模糊控制变量和变量范围。0094在一些实施例中，基于故障规则，确定关于故障的时域形态特征、频谱形态特征、轴心轨迹形态特征和/或故障频率能量特征。0095关于故障规则，例如当转动设备为水泵时，根据专家经验和机理模型获取关于水泵的故障规则。例如，故障规则中所包含的故障类型如滚动轴承内圈故障、滚动轴承外圈故障、滑动轴承油膜失稳/涡动/振荡、联轴器不对中、转子轴弯曲等。0096故障规则中包含与各种故障相关。