[發明專利]基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法

在審

• 申請號: 201710579113.5
• 申請日: 2017-07-17
• 公開（公告）號: CN107451340A
• 公開（公告）日: 2017-12-08
• 發明（設計）人: 單建華;佘慧莉;呂欽;張神林;王孝義
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 南京知識律師事務所32207
• 代理人: 蔣海軍

技術領域：

本發明屬于機械故障診斷技術領域，具體涉及一種基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法。

背景技術：

旋轉機械是工業中應用最廣泛的機械零件之一，同時也是易損部件，它的運行狀態直接影響到整臺設備的性能。旋轉機械主要包括軸承和齒輪。據不完全統計，機械故障中30％的故障是由旋轉機械引起的。而旋轉機械一旦發生故障，將造成直接、間接的損失是巨大的，由于無法對旋轉機械做出定量診斷，導致傳統的設備維修制度如：事后維修及預先維修，都會帶來一定的損失或者是造成嚴重的浪費，所以對旋轉機械檢故障定量診斷具有重大的現實意義。

本發明中所述的故障定性診斷，是指僅診斷故障類型，如無故障、內圈故障、滾動體故障和外圈故障等。本發明中所述的故障定量診斷，是指不僅要診斷故障類型，還要同時診斷故障大小，甚至載荷大小。故障類型，故障大小，載荷大小等定義為故障屬性。故障屬性下的具體種類定義為屬性種類，無故障、內圈故障、滾動體故障和外圈故障等是故障類型下的具體屬性種類。本發明所述的故障大小分類為多級，具體屬性種類為無故障，輕微、中等、較重、嚴重五級。本發明所述的載荷大小分類為多級，具體屬性種類為無載荷，輕微、中等、嚴重四級。本發明所述的每個故障屬性下的屬性種類是互斥的，例如故障類型只能是單一故障，不能是復合故障。

本發明所述的多屬性卷積神經網絡就是能同時診斷各種故障屬性，而傳統的卷積神經網絡只能診斷一種故障屬性，傳統的卷積神經網絡可以看作是多屬性卷積神經網絡的特例，即多屬性卷積神經網絡只診斷一種屬性，本發明稱之為單屬性卷積神經網絡。

傳統的旋轉機械故障診斷方法都是針對故障類型進行識別，無法實現對故障大小的識別，而且識別方法需要依靠人工提取特征，算法復雜，效果不佳，因此本發明提出一種基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法。

發明內容：

本發明目的在于提供一種基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法，以解決傳統旋轉機械故障診斷方法診斷效果差，無法診斷故障大小，難以實際運用的技術問題。

本發明所提供的一種基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法具體步驟如下：

(1)數據準備階段：采集各種工況下旋轉機械振動數據，從旋轉機械振動數據中創建足夠多樣本點，這些樣本點構成訓練數據庫，訓練數據庫由訓練集和驗證集組成，一個樣本點包括數據和多屬性標簽。

(2)創建階段：創建多屬性卷積神經網絡。

(3)訓練階段：利用訓練數據庫來訓練多屬性卷積神經網絡，獲得網絡參數，激活函數優先選擇max(-1，x)。

(4)測試階段：采集待診斷的旋轉機械振動數據，從旋轉機械振動數據中創建足夠多數據樣本點，用訓練好的多屬性卷積神經網絡對數據樣本點進行診斷，完成對旋轉機械故障的定量診斷。

進一步，步驟(1)中所述的數據準備階段包含如下子步驟：

步驟S11，樣本點數據準備階段：對于每種工況下采樣數據，優先采用隨機方式創建，即在隨機位置處截取振動數據中的大于一個數據周期長度的連續數據點作為一個樣本點數據，優先選擇k*2ⁿ個數據點作為一個樣本點數據，其中k＝1或3，n是整數；所述旋轉機械中轉子旋轉一圈，采樣的數據點個數定義為數據周期。隨機創建方式的優點是卷積神經網絡泛化能力強，分類精度高。

當然還可以采用任何其他創建方式，只要能截取振動數據中的大于一個周期長度的連續數據點作為一個樣本點數據，優先選擇k*2ⁿ個數據點作為一個樣本點數據，其中k＝1或3，n是整數。

步驟S12，樣本點多屬性標簽創建階段：旋轉機械故障屬性的數目為M，則樣本點多屬性標簽有M維，每維數值是故障屬性下的屬性種類的序號。

步驟S13，重復步驟S11、S12，創建足夠多的樣本點作為訓練數據庫；

進一步，步驟(2)中的所述多屬性卷積神經網絡SoftMax(軟最大化)輸出層以前的網絡結構可以參考LeNet、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet等經典單屬性卷積神經網絡的基礎上設計，或自行設計。