机械设备的故障诊断方法、装置及终端与流程

1.本发明涉及机械设备技术领域，尤其涉及一种机械设备的故障诊断方法、 装置及终端。


背景技术：

2.随着我国制造业水平的全面提高，汽轮机等机械设备的内部结构越来越复 杂，尤其是高位布置机组，当个别零部件出现故障时，可能会引发严重后果， 因此需要及时发现机械设备内部零部件的故障，保证设备运行的可靠性。
3.目前，常用的机械设备的故障方法是采集机械设备运行时的振动信号，通 过分析振动信号的特征判对机械设备的零部件进行故障诊断。目前常用的振动 信号特征提取方法为经验模态分解(empirical model decomposition,emd)， 将振动信号分解为多个有效分量进行分析，但是emd分解信号时受噪声影响 大并且会出现模态混叠，影响故障特征提取的准确性，进而导致对机械设备的 零部件进行故障诊断的准确性较低。


技术实现要素：

4.本发明提供了一种机械设备的故障识别方法、装置及终端，以解决对机械 设备的零部件进行故障诊断的准确性较低的问题。
5.第一方面，本发明提供了一种机械设备的故障诊断方法，包括：
6.获取机械设备的振动信号；
7.对振动信号进行经验模态分解，得到振动信号的多个imf分量；
8.分别计算各个imf分量与振动信号的k-l散度值；
9.对各个k-l散度值进行聚类分析，得到两个聚类簇；
10.基于k-l散度值比较两个聚类簇的大小，并将较大的聚类簇中的imf分量 作为虚假imf分量；
11.将振动信号的imf分量中的虚假imf分量去除，得到振动信号的真实imf 分量；
12.将各个真实imf分量输入目标故障诊断模型，得到机械设备的故障诊断结 果。
13.在一种可能的实现方式中，对各个k-l散度值进行聚类分析，得到两个聚 类簇包括：
14.基于k-means聚类算法对各个k-l散度值进行聚类分析，得到两个聚类簇。
15.在一种可能的实现方式中，基于k-l散度值比较两个聚类簇的大小包括：
16.比较第一聚类簇中心点的k-l散度值和第二聚类簇中心点的k-l散度值的 大小，将k-l散度值较大的中心点对应的聚类簇作为较大的聚类簇。
17.在一种可能的实现方式中，对振动信号进行经验模态分解，得到振动信号 的多个imf分量包括：
18.基于互补集合经验模态算法对振动信号进行经验模态分解，得到振动信号 的多个imf分量。
19.在一种可能的实现方式中，基于互补集合经验模态算法对振动信号分解， 得到振动信号的多个imf分量包括：
20.在振动信号中添加第一白噪声，得到第一振动信号；
21.在振动信号中添加第二白噪声，得到第二振动信号；第一白噪声与第二白 噪声互为相反数；
22.对第一振动信号进行经验模态分解，得到多个第一imf分量；
23.对第二振动信号进行经验模态分解，得到多个第二imf分量；
24.针对任一第一imf分量，计算该第一imf分量与该第一imf的频率等级 对应的第二imf分量的平均值，得到振动信号在该频率等级对应的imf分量。
25.在一种可能的实现方式中，计算各个imf分量与振动信号的k-l散度值包 括：
26.基于第一k-l距离计算公式计算第一imf分量与振动信号的第一k-l距 离值；第一k-l距离计算公式为：
[0027][0028]
其中，δ(p,q)表示第一imf分量与振动信号的第一k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0029]
基于第二k-l距离计算公式计算第一imf分量与振动信号的第二k-l距 离值；第二k-l距离计算公式为：
[0030][0031]
其中，δ(q,p)表示第一imf分量与振动信号的第二k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0032]
基于第一k-l距离值、第二k-l距离值和预设的k-l散度计算公式计算第 一imf分量与振动信号的k-l散度值，k-l散度计算公式为：
[0033]
d(p,q)＝δ(p,q) δ(q,p)
[0034]
其中，d(p,q)表示第一imf分量与振动信号的k-l散度值，δ(p,q)表示第 一k-l距离值，δ(q,p)表示第二k-l距离值。
[0035]
在一种可能的实现方式中，故障诊断模型为多向量cnn模型。
[0036]
第二方面，本发明提供了一种机械设备的故障诊断装置，包括：
[0037]
获取模块，用于获取机械设备的振动信号；
[0038]
分解模块，用于对振动信号进行经验模态分解，得到振动信号的多个imf 分量；
[0039]
计算模块，用于计算各个imf分量与振动信号的k-l散度值；
[0040]
聚类模块，用于对各个k-l散度值进行聚类分析，得到两个聚类簇；
[0041]
筛选模块，用于基于k-l散度值比较两个聚类簇的大小，并将较大的聚类 簇中的imf分量作为虚假imf分量；
[0042]
去除模块，用于将振动信号的imf分量中的虚假imf分量去除，得到振动 信号的真实imf分量；
[0043]
诊断模块，用于将各个真实imf分量输入目标故障诊断模型，得到机械设 备的故障诊断结果。
[0044]
第三方面，本发明提供了一种终端，包括存储器、处理器以及存储在所述 存储器中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 程序时实现如上第一方面或第一方面的任一种可能的实现方式所示机械设备的 故障诊断方法的步骤。
[0045]
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或 第一方面的任一种可能的实现方式所示机械设备的故障诊断方法的步骤。
[0046]
本发明提供一种机械设备的故障诊断方法、装置及终端，该方法包括：获 取机械设备的振动信号；获取机械设备的振动信号；对振动信号进行经验模态 分解，得到振动信号的多个imf分量；分别计算各个imf分量与振动信号的 k-l散度值；对各个k-l散度值进行聚类分析，得到两个聚类簇；基于k-l散 度值比较两个聚类簇的大小，并将较大的聚类簇中的imf分量作为虚假imf 分量；将振动信号的imf分量中的虚假imf分量去除，得到振动信号的真实 imf分量；将各个真实imf分量输入目标故障诊断模型，得到机械设备的故障 诊断结果。本发明对各个imf分量与振动信号的k-l散度值进行聚类分析，可 以准确去除振动信号的虚假imf分量，从而可以得到更准确的故障诊断结果。
附图说明
[0047]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳 动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1是本发明实施例提供的机械设备的故障诊断方法的实现流程图；
[0049]
图2是本发明实施例提供的机械设备的故障诊断装置的结构示意图；
[0050]
图3是本发明实施例提供的终端的示意图。
具体实施方式
[0051]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中， 省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节 妨碍本发明的描述。
[0052]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体 实施例来进行说明。
[0053]
参见图1，其示出了本发明实施例提供的机械设备的故障诊断方法的实现 流程图，详述如下：
[0054]
步骤101，获取机械设备的振动信号。
[0055]
在本实施例中，机械设备可以是汽轮机，振动信号可以是汽轮机运行时在 汽轮机转子处采集的振动信号。机械设备的振动信号可以体现机械设备的运行 状态、故障部位以及故障类型。
[0056]
步骤102，对振动信号进行经验模态分解，得到振动信号的多个imf分量。
[0057]
在本实施例中，为了从振动信号中提取出包含机械设备故障信息的特征， 终端需要对振动信号进行时频分析和特征提取。目前常见的故障信号特征提取 方法有小波分析、经验模态分解和集合平均经验模态分解，但小波分析需要经 验性的选择小波基，缺乏自适应性；emd是一种经典的时频分析方法，能够自 适应地把振动耦合信号分解成多个有效分量，但emd分解信号时受噪声影响 大并且会出现模态混叠，直接影响了故障特征提取的准确性；集合平均经验模 态分解(ensemble empirical model decomposition,eemd)分解，在一定程度 上避免了模态混叠现象，但是还存在小剩余噪声干扰下效果不好和运算时间长 的问题。因此本实施例中为了更准确地得到振动信号时频特征，还可以对经验 模态分解的过程进行改进，例如使用互补集合经验模态算法(ceemd)对振动 信号进行经验模态分解，得到振动信号的多个本征模态分量((intrinsic modefuction)，imf)。
[0058]
步骤103，分别计算各个imf分量与振动信号的k-l散度值。
[0059]
在本实施例中，k-l(kullback-leibler divergence)散度值也叫相对熵，是 一种衡量两个概率密度分布函数相近程度的方法。本实施例中通过对高位布置 汽轮机转子故障仿真振动信号及现场采集转子故障振动信号进行经验模态分解， 分析各imf分量和原信号之间的相关性，最终确定了虚假imf分量与原振动信 号的k-l散度值相较于真实imf分量与原振动信号之间的k-l散度值更大， 即概率分布之间的相似性更低，因此可以根据各个imf分量与振动信号的k-l 散度值来区分imf分量中的真实imf分量和虚假imf分量。
[0060]
步骤104，对各个k-l散度值进行聚类分析，得到两个聚类簇。
[0061]
在本实施例中，聚类分析可以自动对各个k-l散度值信号中的真假imf分 量进行识别分类，起到设定阈值的作用，最终得到的聚类结果即可明了的显示 出真假分量。本实施例中通过聚类方式区分真假imf分量，对复杂的应用情况 有更好的适应性，避免了人为设定阈值导致的所得结果准确度下降现象。
[0062]
步骤105，基于k-l散度值比较两个聚类簇的大小，并将较大的聚类簇中 的imf分量作为虚假imf分量。
[0063]
在本实施例中，虚假imf分量对应的k-l散度值较大，真实imf分量对 应的k-l散度值较小，并且虚假imf分量与真实imf分量对应的k-l散度值 分布集中，因此通常聚类分析会得到两个聚类簇，比较两个聚类簇中的k-l散 度值的大小即可区分出虚假imf分量和真实imf分量。
[0064]
步骤106，将振动信号的imf分量中的虚假imf分量去除，得到振动信号 的真实imf分量。
[0065]
在本实施例中，虚假imf分量对于机械设备的故障识别没有有益效果，因 此需要将其去除。
[0066]
步骤107，将各个真实imf分量输入目标故障诊断模型，得到机械设备的 故障诊断结果。
[0067]
在本实施例中，目标故障诊断模型为使用机械设备的历史数据训练的故障 诊断模型，故障诊断模型可以基于深度学习算法建立，具体可以采用深度置信 网络(deep belief network，dbn)、受限玻尔兹曼机(restricted boltzmannmachine，rbm)、堆叠自编码器(stack auto-encoder，sae)、递归神经网络 (recurrent neural network，rnn)等。
[0068]
深度学习(deep learning，dl)是机器学习领域一个新的研究方向，近年 来在语音识别、计算机视觉等多类应用中取得突破性的进展。深度学习神经网 络通过模拟具有丰富层次构的脑神经系统，对输入数据进行逐级特征提取，从 而形成抽象的高层特征表示，可以自适应的提取输入量的特征，进而通过最后 一层网络实现识别。
[0069]
在一些实施例中，对各个k-l散度值进行聚类分析，得到两个聚类簇包括：
[0070]
基于k-means聚类算法对各个k-l散度值进行聚类分析，得到两个聚类簇。
[0071]
在本实施例中，k-means聚类算法的主要思想是:在给定k值和k个初始 类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所 代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类 簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤， 直至类簇中心点的变化很小，或者达到指定的迭代次数。本实施例中在进行聚 类分析之前还会对各个k-l散度值进行标准化处理，将各个k-l散度值映射到 一个较小的区间内，以减小聚类算法的计算量，相应的，在计算量较小的前提 下，k-means聚类算法的计算速度较快，因此本实施例中选取k-means聚类算法 对k-l散度值进行聚类分析。
[0072]
在一些实施例中，基于k-l散度值比较两个聚类簇的大小包括：
[0073]
比较第一聚类簇中心点的k-l散度值和第二聚类簇中心点的k-l散度值的 大小，将k-l散度值较大的中心点对应的聚类簇作为较大的聚类簇。
[0074]
在本实施例中，比较两个聚类簇的大小是为了在不需要人为设定阈值的前 提下区分虚假imf分量和真实imf分量。由于各个聚类簇中包含的k-l散度 值较为集中，也可以在两个聚类簇中各选择任意一个k-l散度值比较大小，较 大的k-l散度值对应的聚类簇中的k-l散度值对应的imf分量即为虚假imf 分量。
[0075]
在一些实施例中，对振动信号进行经验模态分解，得到振动信号的多个imf 分量包括：
[0076]
基于互补集合经验模态算法对振动信号进行经验模态分解，得到振动信号 的多个imf分量。
[0077]
在本实施例中，ceemd是一种对eemd进行优化后得到的一种时频分析 方法，在emd和eemd的基础上，改进为添加一对互为相反数的正负白噪声， 来消除eemd方法分解后重构信号中的残余辅助噪声。emd相较于傅立叶变 换有更广的应用范围，在非平稳信号处理上比傅里叶变换灵敏度更高，但是 emd在处理冲击信号时，会出现明显的模态混叠。模态混叠是在信号进行分解 的过程中，不同分量中含有同一频率成分或者在同一分量中含有不同的频率成 分的一种现象。信号中存在冲击波、两个频率成分接近或噪声干扰大都会导致 模态混叠。于是eemd方法被广泛提出，在emd分解的过程中添加了辅助白 噪声弥补缺失的尺度，来抑制模态混叠现象，在信号处理中具有一定的作用。 但eemd在添加白噪声后，会出现信号能量的改变，并增加计算量。为解决新 的问题，ceemd信号分解法被提出，此方法在信号特征提取上白噪声残余量 更小，计算速度更快。
[0078]
在一些实施例中，基于互补集合经验模态算法对振动信号分解，得到振动 信号的多个imf分量包括：
[0079]
在振动信号中添加第一白噪声，得到第一振动信号；
[0080]
在振动信号中添加第二白噪声，得到第二振动信号；第一白噪声与第二白 噪声互
为相反数；
[0081]
对第一振动信号进行经验模态分解，得到多个第一imf分量；
[0082]
对第二振动信号进行经验模态分解，得到多个第二imf分量；
[0083]
针对任一第一imf分量，计算该第一imf分量与该第一imf的频率等级 对应的第二imf分量的平均值，得到振动信号在该频率等级对应的imf分量。
[0084]
在本实施例中，ceemd的主要思想在于在振动信号中分别添加一对互为 相反数的辅助白噪声，然后对得到的两组信号进行emd处理，得到两组imf 分量，最后对两组imf分量求平均值，作为原振动信号的imf分量。
[0085]
为了降低信号中噪声的影响，还可以增加集总次数，也就是在振动信号中 添加多对互为相反数的噪声信号，对添加噪声后的信号进行emd处理，再对 得到的多组imf分量求平均，作为原振动信号的imf分量。
[0086]
在一些实施例中，计算各个imf分量与振动信号的k-l散度值包括：
[0087]
基于第一k-l距离计算公式计算第一imf分量与振动信号的第一k-l距 离值；第一k-l距离计算公式为：
[0088][0089]
其中，δ(p,q)表示第一imf分量与振动信号的第一k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0090]
基于第二k-l距离计算公式计算第一imf分量与振动信号的第二k-l距 离值；第二k-l距离计算公式为：
[0091][0092]
其中，δ(q,p)表示第一imf分量与振动信号的第二k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0093]
基于第一k-l距离值、第二k-l距离值和预设的k-l散度计算公式计算第 一imf分量与振动信号的k-l散度值，k-l散度计算公式为：
[0094]
d(p,q)＝δ(p,q) δ(q,p)
[0095]
其中，d(p,q)表示第一imf分量与振动信号的k-l散度值，δ(p,q)表示第 一k-l距离值，δ(q,p)表示第二k-l距离值。
[0096]
在本实施例中，k-l距离值具有非对称性，不满足距离的定义，所以不能 表示两个分布函数的距离远近，又因k-l距离具有非负性，为使k-l距离能够 表示两个分布函数之间的距离和相关性，本实施例中分别计算第一imf分量与 振动信号的第一k-l距离值和第二k-l距离值，将二者之和作为第一imf分 量与振动信号的k-l散度值。
[0097]
本实施例中，在计算第一imf分量与振动信号的第一k-l距离值和第二 k-l距离值之前，需要先计算第一imf分量与振动信号的概率密度分布函数， 具体可以是利用非参数核密度估计法求第一imf分量与振动信号的概率密度分 布，假设原函数为x＝(x1,x2,xx,
…
,xn)，公式为：
[0098][0099]
其中，p(x)为函数x的概率密度分布，n为变量的数量，h为平滑参数，k为 核函数。核函数可以采用沿径向对称标量的高斯核函数(rbf)，公式为：
[0100][0101]
其中，u为自变量。
[0102]
在一些实施例中，故障诊断模型为多向量cnn模型。
[0103]
在本实施例中，在深度学习算法中，深度卷积网络(convolutional neural network，cnn)是第一个真正意义上的多层结构学习算法，它利用空间相对 关系减少参数数目，cnn的实质是对输入数据进行逐层卷积(convolution)及 下采样(subsampling)操作，进而逐级提取隐藏在数据中的特征，网络结构一 般包括多个卷积层(c层)、下采样层(s层)、全连接层以及输出层
[0104]
c层主要是利用卷积核对特征图(feature maps)进行特征抽取，cnn最 重要的特点之一就是在convolution过程中进行了局部感知野卷积和权值共享， 大幅度减少了网络训练参数，降低了计算复杂度；s层主要依据一定规则对 feature maps进行降维，这个过程也被称为池化操作，在一定程度上保证了特 征的尺度不变特性。在对输入信息进行深层学习后，全连接层直观展现特征抽 象的结果。对于机械设备的故障诊断来说，多向量cnn模型的全连接层实质 上是故障特征提取的直观展现，最终的故障诊断通过多向量cnn模型的输出 层实现。
[0105]
本发明实施例提供的机械设备的故障诊断方法包括：获取机械设备的振动 信号；获取机械设备的振动信号；对振动信号进行经验模态分解，得到振动信 号的多个imf分量；分别计算各个imf分量与振动信号的k-l散度值；对各 个k-l散度值进行聚类分析，得到两个聚类簇；基于k-l散度值比较两个聚类 簇的大小，并将较大的聚类簇中的imf分量作为虚假imf分量；将振动信号的 imf分量中的虚假imf分量去除，得到振动信号的真实imf分量；将各个真 实imf分量输入目标故障诊断模型，得到机械设备的故障诊断结果。本发明实 施例对各个imf分量与振动信号的k-l散度值进行聚类分析，可以准确去除振 动信号的虚假imf分量，从而可以得到更准确的故障诊断结果。
[0106]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。
[0107]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述 对应的方法实施例。
[0108]
图2示出了本发明实施例提供的机械设备的故障诊断装置的结构示意图， 为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0109]
如图2所示，机械设备的故障诊断装置2包括：
[0110]
获取模块21，用于获取机械设备的振动信号；
[0111]
分解模块22，用于对振动信号进行经验模态分解，得到振动信号的多个imf 分量；
[0112]
计算模块23，用于计算各个imf分量与振动信号的k-l散度值；
[0113]
聚类模块24，用于对各个k-l散度值进行聚类分析，得到两个聚类簇；
[0114]
筛选模块25，用于基于k-l散度值比较两个聚类簇的大小，并将较大的聚 类簇中的imf分量作为虚假imf分量；
[0115]
去除模块26，用于将振动信号的imf分量中的虚假imf分量去除，得到 振动信号的真实imf分量；
[0116]
诊断模块27，用于将各个真实imf分量输入目标故障诊断模型，得到机械 设备的故障诊断结果。
[0117]
在一些实施例中，聚类模块24具体用于：
[0118]
基于k-means聚类算法对各个k-l散度值进行聚类分析，得到两个聚类簇。
[0119]
在一些实施例中，筛选模块25具体用于：
[0120]
比较第一聚类簇中心点的k-l散度值和第二聚类簇中心点的k-l散度值的 大小，将k-l散度值较大的中心点对应的聚类簇作为较大的聚类簇。
[0121]
在一些实施例中，分解模块22具体用于：
[0122]
基于互补集合经验模态算法对振动信号进行经验模态分解，得到振动信号 的多个imf分量。
[0123]
在一些实施例中，分解模块22包括：
[0124]
第一处理单元，用于在振动信号中添加第一白噪声，得到第一振动信号；
[0125]
第二处理单元，用于在振动信号中添加第二白噪声，得到第二振动信号； 第一白噪声与第二白噪声互为相反数；
[0126]
第一分解单元，用于对第一振动信号进行经验模态分解，得到多个第一imf 分量；
[0127]
第二处理单元，用于对第二振动信号进行经验模态分解，得到多个第二imf 分量；
[0128]
计算单元，用于针对任一第一imf分量，计算该第一imf分量与该第一imf的频率等级对应的第二imf分量的平均值，得到振动信号在该频率等级对 应的imf分量。
[0129]
在一些实施例中，计算模块23具体用于：
[0130]
基于第一k-l距离计算公式计算第一imf分量与振动信号的第一k-l距 离值；第一k-l距离计算公式为：
[0131][0132]
其中，δ(p,q)表示第一imf分量与振动信号的第一k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0133]
基于第二k-l距离计算公式计算第一imf分量与振动信号的第二k-l距 离值；第二k-l距离计算公式为：
[0134][0135]
其中，δ(q,p)表示第一imf分量与振动信号的第二k-l距离值，q(x)表示 第一imf分量的概率密度分布，p(x)表示振动信号的概率密度分布；
[0136]
基于第一k-l距离值、第二k-l距离值和预设的k-l散度计算公式计算第 一imf分量与振动信号的k-l散度值，k-l散度计算公式为：
[0137]
d(p,q)＝δ(p,q) δ(q,p)
[0138]
其中，d(p,q)表示第一imf分量与振动信号的k-l散度值，δ(p,q)表示第 一k-l距离值，δ(q,p)表示第二k-l距离值。
[0139]
在一些实施例中，故障诊断模型为多向量cnn模型。
[0140]
本发明实施例中提供的机械设备的故障诊断装置包括：获取模块，用于获 取机械设备的振动信号；分解模块，用于对振动信号进行经验模态分解，得到 振动信号的多个imf分量；计算模块，用于计算各个imf分量与振动信号的 k-l散度值；聚类模块，用于对各个k-l散度值进行聚类分析，得到两个聚类 簇；筛选模块，用于基于k-l散度值比较两个聚类簇的大小，并将较大的聚类 簇中的imf分量作为虚假imf分量；去除模块，用于将振动信号的imf分量 中的虚假imf分量去除，得到振动信号的真实imf分量；诊断模块，用于将各 个真实imf分量输入目标故障诊断模型，得到机械设备的故障诊断结果。本发 明实施例对各个imf分量与振动信号的k-l散度值进行聚类分析，可以准确去 除振动信号的虚假imf分量，从而可以得到更准确的故障诊断结果。
[0141]
图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端 3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器 30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述 各个机械设备的故障诊断方法实施例中的步骤，例如图1所示的步骤101至步 骤107。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施 例中各模块的功能，例如图2所示模块21至27的功能。
[0142]
示例性的，所述计算机程序32可以被分割成一个或多个模块，所述一个或 者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发 明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段， 该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如，所述 计算机程序32可以被分割成图2所示的模块21至27。
[0143]
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算 设备。所述终端3可包括，但不仅限于，处理器30、存储器31。本领域技术人 员可以理解，图3仅仅是终端3的示例，并不构成对终端3的限定，可以包括 比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终 端还可以包括输入输出设备、网络接入设备、总线等。
[0144]
所称处理器30可以是中央处理单元(central processing unit，cpu)，还可 以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用 集成电路(application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或 者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。
[0145]
所述存储器31可以是所述终端3的内部存储单元，例如终端3的硬盘或内 存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3上配 备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(securedigital，sd)卡，闪存卡(flash card)
等。进一步地，所述存储器31还可以 既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存 储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以 用于暂时地存储已经输出或者将要输出的数据。
[0146]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不 同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功 能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬 件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模 块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上 述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程， 在此不再赘述。
[0147]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。
[0148]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。
[0149]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可 以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的， 例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有 另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统， 或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或 直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接， 可以是电性，机械或其它的形式。
[0150]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
[0151]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
[0152]
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明 实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关 的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算 机程序在被处理器执行时，可实现上述各个机械设备的故障诊断方法实施例的 步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以 为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可 读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记
录介质、 u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory， rom)、随机存取存储器(random access memory，ram)、电载波信号、 电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内 容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些 司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电 信信号。
[0153]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照 前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特 征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。