(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 202210682864.0 (22)申请日 2022.06.16 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 冯玉龙　王同龙　王德才　种讯　 蒋庆　 (74)专利代理 机构 合肥和瑞知识产权代理事务 所(普通合伙) 34118 专利代理师 王挺 (51)Int.Cl. G01H 17/00(2006.01) G01M 13/00(2019.01) G06F 30/23(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于神经网络诊断模型的动力设备振 动监测方法 (57)摘要 本发明公开了一种基于神经网络诊断模型 的动力设备振动监测方法， 确定影 响动力设备振 动行为的各个振动参数； 获取动力设备在各个振 动参数正常状态下以及在各个振动参数发生不 同程度变化下的各个振动数据， 生成样本数据； 建立振动参数神经网络诊断模型； 在动力设备运 行过程中， 实时采集动力设备的各个振动数据真 实值并输入至振动参数神经网络诊断模型， 输出 该动力设备的各个振动参数预测值； 在动力设备 运行过程中实时监测动力设备是否振动异常， 并 利用该动力设备的各个振动参数预测值分析振 动异常的原因。 本发明将动力设备振动监测与神 经网络诊断模 型结合， 实现振动异常的监测并能 够分析振动异常的原因， 提高动力设备振动监测 的准确性和实用性。 权利要求书2页 说明书7页 附图1页 CN 115265757 A 2022.11.01 CN 115265757 A 1.一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 包括以下步骤： S1， 确定动力设备 上影响动力设备振动行为的各个振动参数； S2， 获取动力设备在各个振动参数正常状态下以及在各个振动参数发生不同程度变化 下的各个振动数据， 生成样本数据； 所述样本数据是由动力设备的振动参数以及对应的振动数据构建的数据对[Y,X]； 其 中， Y表示振动参数集合， Y ＝(yn|n＝1,...N)， yi表示第n个振动参数的值， N为振动参数的总 个数； X表示振动数据集合， X＝(xk|k＝1,...K)， xk表示第k个振动数据的值， K为振动数据的 总个数； S3， 建立振动参数神经网络诊断模型， 并利用样本数据对振动参数神经网络诊断模型 进行训练生成； 所述振动 参数神经网络诊断模型的输入为各个振动数据的值， 输出为各个振动 参数的 值； S4， 在动力设备运行过程中， 实时采集动力设备的各个振动数据真实值并输入至振动 参数神经网络诊断模型， 输出 该动力设备的各个振动参数 预测值； S5， 在动力设备运行过程中实时监测动力设备是否振动异常， 并根据动力设备的各个 振动参数 预测值监测发生异常的振动参数。 2.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S5中， 若动力 设备的某个振动参数预测值与该振动参数真实值之间的差值超 过设定阈值， 或者， 动力设备的某个振动参数预测值的波动超过设定的波动要求， 则表示动 力设备的该振动参数发生异常； 利用该动力设备的各个振动参数预测值分析振动异常的原因， 即根据动力设备上发生 异常的振动参数分析振动异常的原因。 3.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 建立振动数据神经网络诊断模型， 并利用样本数据对振动数据神经网络诊断模型 进行训练生成； 所述振动数据神经网络诊断模型 的输入为各个振动参数 的值， 输出为各个 振动数据的值； 先获取动力设备的各个振动参数真实值， 将各个振动 参数真实值输入至振动数据神经 网络诊断模型， 输出 该动力设备的各个振动数据预测值； 再在动力设备运行 过程中， 实时采集动力设备的各个振动数据真实值； 步骤S5中， 通过比较动力设备的各个振动数据真实值与对应的振动数据 预测值判断动 力设备是否振动异常， 若动力设备的某个振动数据真实值与该振动数据预测值之 间的差值 超过设定阈值， 则表示该动力设备振动异常。 4.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S 5中， 通过监测各个振动数据真实值的波动 情况判断动力设备是否振动异常， 若某个振动数据真实值的波动超过设定的波动要求， 或某个振动数据真实值超过设定的阈 值， 则表示该动力设备振动异常。 5.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S1 中， 根据动力设备的结构和力学特性， 确定影响动力设备振动行为的各个振 动参数， 包括： 动力设备的重量、 重心高度、 偏心距、 隔振器布置数量、 隔振器刚度、 激振力频权　利　要　求　书 1/2 页 2 CN 115265757 A 2率； 步骤S2 中， 振动数据包括： 动力设备的振动频率、 振动加 速度、 振动位移， 动力设备传递 到基础上的激振力。 6.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S2， 具体方法如下 所示： S21， 通过工程调研， 统计动力设备在设计、 施工安装、 使用全寿命周期过程中的各个振 动参数， 分析 各个振动参数的随机性和变异性， 确定各个振动参数的变异规 律； S22， 根据各个振动参数的变异规 律， 建立各个振动参数的概 率模型； 振动参数的概 率模型是指： 振动参数发生 不同程度变异的概 率； S23， 建立动力设备的模型， 基于各个振动参数的概率模型调整动力设备的模型， 包括： 动力设备在各个振动参数正常状态下的正常模 型， 和动力设备在各个振动参数发生不同程 度变化下的异常模型， 通过模型模拟获取动力设备在各个振动参数正常状态下以及在各个 振动参数发生 不同程度变化下的各个振动数据。 7.根据权利要求6所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S23， 利用有限元 软件建立动力设备的模型。 8.根据权利要求6所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 步骤S23可替换为： 通过 理论力学分析得到动力设备的振动参数与振动数据的对应 关系， 基于各个振动参数 的概率模型并根据振动参数与振动数据的对应关系， 获取动力 设 备在各个振动参数正常状态下以及 在各个振动参数发生 不同程度变化下的各个振动数据。 9.根据权利要求1所述的一种基于神经网络诊断模型的动力设备振动监测方法， 其特 征在于， 在振动设备运行之前， 针对不同的振动异常原因预先设置有对应的维护方案以及 对应的备用元件； 当振动异常时， 根据步骤S 5分析得到的振动异常原因， 并利用该振动异常 原因对应的备用元件和维护方案进行维护。 10.根据权利要求9所述的一种基于神经网络诊断模型的动力设备振动 监测方法， 其特 征在于， 针对动力设备的备用原件还设置有 备用元件的自动更换系统， 当振动异常时， 利用 备用元件的自动更 换系统对备用元件进行自动更 换。权　利　要　求　书 2/2 页 3 CN 115265757 A 3