1.本发明涉及设备振动监测技术领域，尤其是一种基于神经网络诊断模型的动力设备振动监测方法。
背景技术：2.现实生活中存在着大量的动力设备，包括给水、排水、采暖、通风、空调、电气、电梯、通讯及楼宇智能化等设施设备等。动力设备的振动会影响人们的正常生活和结构的安全，需要对动力设备进行隔振。实际工程中，很多动力设备即使采取了隔振措施后，使用单位仍然反映设备相临房间明显振动和噪声过大。
3.在动力设备的设计、安装和使用全寿命周期过程中，由于减振设计不当、施工安装误差和使用损坏等，设备结构的参数、设备与主体结构的连接参数，以及主体结构的参数等振动参数必然存在较大随机性和变异性，这可能引起设备严重振动，也是振动控制的难点。
4.传统的振动监测平台要么只对单一的振动参数进行监测来与正常振动时的参数对比；或者是采集设备正常振动和少量异常振动数据作为依据，通过与实测信号的对比来判断设备振动状态是否正常，这种方法获取的作为样本的振动数据不能够完备的把动力设备的各种振动状态反映出来。
5.另外，传统的振动监测方法无法精确地给出振动异常的原因，只能事后耗费大量的人力进行检查和维护设备，由于动力设备不同振动参数出现的损坏不同、程度不同，这导致传统的振动监测方法通常只能给出设备振动是否正常的结果，无法给出振动异常的原因，出现故障的部件，更不会给出维护方法。在发现振动异常之后，设备的检查和维护依赖于技术人员。
技术实现要素：6.为了克服上述现有技术中的缺陷，本发明提供一种基于神经网络诊断模型的动力设备振动监测方法，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。
7.为实现上述目的，本发明采用以下技术方案，包括：
8.一种基于神经网络诊断模型的动力设备振动监测方法，包括以下步骤：
9.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；
10.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；
11.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；
[0012]
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；
[0013]
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；
[0014]
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；
[0015]
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，并利用该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。
[0016]
优选的，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；
[0017]
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。
[0018]
优选的，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；
[0019]
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；
[0020]
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；
[0021]
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。
[0022]
优选的，步骤s5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。
[0023]
优选的，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。
[0024]
优选的，步骤s2，具体方法如下所示：
[0025]
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；
[0026]
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；
[0027]
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；
[0028]
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。
[0029]
优选的，步骤s23，利用有限元软件建立动力设备的模型。
[0030]
优选的，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。
[0031]
优选的，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s5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。
[0032]
优选的，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。
[0033]
本发明的优点在于：
[0034]
(1)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，并依据各个振动参数预测值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。
[0035]
(2)本发明利用振动参数神经网络诊断模型，在动力设备运行过程中，将实时采集的各个振动数据真实值输入至振动参数神经网络诊断模型，得到各个振动参数预测值，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，本发明方法使得动力设备的振动异常原因更加明确具体，不需要人为的去检查和排查故障，提高动力设备振动监测的准确性和实用性。
[0036]
(3)本发明引入各个振动参数的概率模型建立大量的数值模型，由此得到全面的动力设备振动数据，且各个振动数据与特定的振动参数形成样本数据对。利用这些样本数据训练神经网络诊断模型，由于训练数据的全面和一一对应的特点，神经网络诊断模型的预测精度也更加高，预测结果更加可靠。
[0037]
(4)本发明还可以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，再引入振动参数的概率模型，由此也可以得到全面的动力设备振动数据，且各个振动数据与特定的振动参数形成样本数据对。
[0038]
(5)对于传统的动力设备振动监测只起到监测设备振动是否正常的作用，并不能给出设备的故障原因，需要人工对设备进行排查和检查，并且找到故障后需要人工维修，需要大量的人力。本发明还预先设置了备用元件和维护方案，根据振动异常原因，可利用备用元件和维护方案进行维修，从而减轻了工人维修的负担，也使动力设备振动监测不仅有监测警报功能还有自动维护功能，实用性也更高。
[0039]
(6)本发明还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，可利用备用元件的自动更换系统对备用元件进行更换，从而进一步减轻了工人维修的负担，提高了动力设备振动监测的功能性和实用性。
附图说明
[0040]
图1为本发明的一种基于神经网络诊断模型的动力设备振动监测方法的流程图。
具体实施方式
[0041]
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，所描述的实施例仅仅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。
[0042]
实施例一
[0043]
由图1所示，一种基于神经网络诊断模型的动力设备振动监测方法，包括以下步骤：
[0044]
s1，依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关键振动参数。如，设备重量、设备重心高度、设备偏心距、隔振器布置数量、隔振器刚度、设备激振力频率等。
[0045]
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，如：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，生成样本数据。所述样本数据是指由动力设备的振动参数以及对应的振动数据构成的数据对[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。
[0046]
步骤s2的具体方法如下所示：
[0047]
s21，通过工程调研，统计动力设备的设计、施工安装和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。
[0048]
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；
[0049]
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；
[0050]
s23，通过以下两种方式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：
[0051]
第一种，利用有限元软件建立动力设备的数值模型，基于各个振动参数的概率模型调整动力设备的数值模型，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，通过有限元分析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。
[0052]
所述数值模型是指动力设备的整体模型，包括设备自身、隔振器、基础等。
[0053]
第二种，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。
[0054]
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；
[0055]
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；
[0056]
s4，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；
[0057]
在动力设备上安装不同类型的传感器，用于采集振动设备的各个振动数据；
[0058]
在动力设备运行过程中，将实时采集的各个振动数据真实值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；
[0059]
s5，在动力设备运行过程中，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；同时，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；若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，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；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；并对动力设备振动状态和振动异常的原因进行报警和显示。
[0060]
如，此时的发生异常的振动参数为隔振器刚度，且具体为隔振器刚度预测值过小，则振动异常的原因可能是弹簧损坏。本发明方法使得动力设备的振动异常原因更加明确具体，不需要人为的去检查和排查故障。
[0061]
s6，在振动设备运行之前，针对不同的振动异常原因预先设置了备用元件和维护方案，且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，根据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，具体为利用备用元件的自动更换系统对备用元件进行更换。
[0062]
如，在隔振器安装时已经预先设置了备用弹簧，并设置有弹簧自动更换系统，当监测结果给出振动异常原因为弹簧，则利用弹簧自动更换系统自动为隔振器更换弹簧，从而将动力设备从异常振动状态调整为正常振动状态。本发明方法减轻了工人维修的负担，也使动力设备振动监测不仅有监测警报功能还有自动维护功能，实用性更高。
[0063]
本发明的神经网络诊断模型的为多输入、多输出结构，即多个振动参数和多个振动数据。本发明在神经网络诊断模型的训练过程中，将样本数据集划分为训练集和测试集，利用训练集对神经网络诊断模型进行训练，训练完成之后，利用测试集对神经网络诊断模型进行测试，若各个输出数据均与与实际情况吻合良好，则表示该神经网络诊断模型的预测精度符合要求，否则，调整神经网络参数，继续训练。
[0064]
实施例二
[0065]
省去实施例一中对于振动数据神经网络诊断模型的训练生成，直接利用实时采集的各个振动数据真实值来判断动力设备是否振动异常，监测各个振动数据真实值的波动情况，若某个振动数据真实值的波动超过设定的波动要求，则表示该动力设备振动异常，或者，若某个振动数据真实值的超过设定的阈值，则也表示该动力设备振动异常。
[0066]
实施例三
[0067]
本实施例中的动力设备为水泵，相关参数如下表1所示：
[0068]
表1
[0069]
水泵型号zis300-530转速1500rpm机组重量2800kg机组尺寸3270*1000*1540mm隔振器总刚度45000n/mm
[0070]
本实施例基于神经网络诊断模型的动力设备振动监测方法，包括以下步骤：
[0071]
s11，水泵的隔振器布置数量为四个，分别位于设备四角。隔振器弹簧位于水泵的
角支座下，压电式力传感器位于隔振器弹簧的下方。依据水泵的特性，确定影响动力设备振动行为的关键参数为：隔振器总刚度。
[0072]
s12，仅考虑通过工程调研，统计隔振器总刚度的变异规律。隔振器总刚度变异规律为：总刚度为45000n/mm的概率最大，总刚度随着与45000n/mm差距的增加概率不断减小。
[0073]
s13，根据上述调研得到的隔振器总刚度变异规律，大致符合正态分布，以此确定并建立隔振器总刚度的概率模型。
[0074]
s14，通过两种方法获得振动数据：
[0075]
第一种，根据隔振器总刚度的概率模型来建立大量动力设备的数值模型，总刚度在基准上每变化100n/mm建立一个数值模型，这些数值模型包含了水泵正常时的模型和隔振器总刚度变化导致水泵出现故障后的异常模型，通过大量的数值模型分析，提取出隔振器总刚度和传递到水泵基础上的激振力，组成样本对。
[0076]
激振力为动力设备运行时的力，所述传递到水泵基础的激振力就是激振力经过隔振器的传递之后，最终传递到隔振器安装基础上的部分激振力。激振力为动力设备振动数据的一种。
[0077]
第二种，通过理论力学分析可以得到隔振器总刚度与传递到水泵基础上的力相应的关系。
[0078]
设备上加载的激振力f＝a sin ωt；a为激振力的最大幅值，t表示时间，ω＝2πf，f为激振力频率，ω为外部激振力角频率；
[0079]
输出位移y(t)的动力学方程为：m为动力设备的质量，k为刚度，c为阻尼；y(t)为动力设备的位移响应；为y(t)的一阶导数，表示速度；为y(t)的二阶导数，表示加速度。
[0080]
小阻尼对隔振效率的影响：根据隔振理论传递系数tr和振动系统阻尼比ξ，频率比λ关系如下列公式：
[0081][0082][0083][0084]
其中，fn是隔振器的固有频率，wn为隔振器的固有角频率；由于弹簧近似线性，认为阻尼c＝0，则有近似：
[0085][0086]
当隔振器总刚度为45000n/mm时，根据上述公式可以得到：
[0087]
f＝1500/60＝25hz
[0088][0089]
λ＝f/fn＝25/6.38＝3.92
[0090]
tr＝1/(3.92*3.92-1)＝0.07
[0091]
传递到水泵基础上的激振力为10000*0.07＝700n。
[0092]
当隔振器总刚度为40000n/mm时，根据上述公式可以得到：
[0093]
f＝1500/60＝25hz
[0094][0095]
λ＝f/fn＝25/6.02＝4.15
[0096]
tr＝1/(4.15*4.15-1)＝0.06
[0097]
传递到水泵基础上的激振力为10000*0.06＝600n。
[0098]
将隔振器总刚度的参数概率模型引入公式可以得到大量的振动数据，这些传递到水泵基础的力和隔振器总刚度可以组成样本对。
[0099]
s15，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；
[0100]
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；
[0101]
s16，对水泵的振动数据进行监测。在隔振器下方安装压电式力传感器，并将设备运行过程中通过传感器采集到的传递到水泵基础的激振力与振动数据神经网络模型输出的拟合传递到水泵基础的激振力进行对比，能够准确判断水泵的振动状态是否正常。
[0102]
s17，当振动状态正常时，显示无异常，同时可以调取水泵运行过程中通过传感器采集到的传递到水泵基础的激振力与振动数据神经网络诊断模型输出的拟合传递到水泵基础的激振力的对比图。当设备振动状态异常时，则发出警报，并给出水泵隔振器总刚度的值。当弹簧损坏隔振器总刚度下降到40000n/mm，给出故障类型为隔振器弹簧损坏，并给出此时隔振器总刚度为40000n/mm。
[0103]
s18，在设备工作之前已经准备好备用的弹簧，并有自动更换系统，在监测结果给出弹簧刚度降低后，自动为隔振器更换弹簧，将刚度恢复为45000n/mm，将水泵从异常振动状态调整为正常振动状态。
[0104]
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。
技术特征：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＝(y
n
|n＝1,...n)，y
i
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＝(x
k
|k＝1,...k)，x
k
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s5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
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s5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。
技术总结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。的准确性和实用性。的准确性和实用性。
技术研发人员：冯玉龙 王同龙 王德才 种讯 蒋庆
受保护的技术使用者：合肥工业大学
技术研发日：2022.06.16
技术公布日：2022/11/1
