[發明專利]基于深度學習的軸承故障模式診斷方法及系統

在審

• 申請號: 201810072846.4
• 申請日: 2018-01-25
• 公開（公告）號: CN108304927A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 黃雙喜;楊天祺
• 申請（專利權）人: 清華大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01M13/04
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張潤

本發明公開了一種基于深度學習的軸承故障模式診斷方法及系統，其中，方法包括以下步驟：通過自動調節學習率、引入噪聲、引入線性修正單元作為激活函數，以根據激活函數改進深度信念網絡；通過遷移數據集與長短期記憶網絡獲得合成數據集，以根據合成數據集擴展訓練的數據集，并通過訓練數據集訓練改進的深度信念網絡，以得到軸承故障診斷模型；采集軸承的振動信號，并根據軸承的振動信號和軸承故障診斷模型診斷出軸承故障模式。該方法結合半監督學習和遷移學習算法，在數據量不足的情況下提高診斷精度。

技術領域

本發明涉及起重裝備結構故障診斷技術領域，特別涉及一種基于深度學習的軸承故障模式診斷方法及系統。

背景技術

隨著社會生產的發展，復雜的生產設備，和數據規模的增長，基于狀態的設備故障診斷是有效的方法來提高生產效率，加強安全生產。采用機器學習和其他智能手段，充分挖掘生產數據的固有信息實現基于數據的故障診斷的重要研究方向。機器學習已成為近年來智能故障診斷的主流。設備故障診斷本質上是設備運行方式的分類問題，主要分為兩步：特征提取和分類。典型的健康監測和故障診斷系統通常包括信號采集、特征提取和故障識別模塊。

而對于軸承故障診斷的問題，通常情況下，原始監測數據是關于傳輸機構的振動加速度或振動位移。該特性的性能在很大程度上影響了故障診斷的結果。在傳統軸承故障診斷中，由于為時域信號難以充分反映故障信息，信號處理成為提取故障特征的必要條件。而特征提取則是信號處理中的難點與重點。峰值、峭度、裕度因子、均方根值、峰值因子是時域的共同特征，但故障信息的表達能力不足，抗擾性能有限，因此診斷結果不夠理想。學者提出將信號轉換為頻域的方法，通過快速FFT(Fast Fourier Transformation，傅立葉變換)來分析振幅譜和功率譜。然而，實際場景中的非平穩振動信號往往不符合FFT的平穩性假設，從而影響診斷結果。在此基礎上，STFT(short-time Fourier transform，短時傅立葉變換)、WT(wavelet transform，小波變換)、EMD(Empirical Mode Decomposition，經驗模分解)等方法先后被提出。新的故障診斷方法可以自動提取故障特征，擺脫對專家診斷和復雜信號處理的依賴。

隨著深度學習的興起，上述問題有了解決的新途徑。2006年，Hinton et al.成功提取了使用Autoencoder(AE)的圖像特征，并提出了深度信念網絡。克服了梯度衰減和局部極值問題。隨著深度學習蓬勃發展。在計算機視覺領域，LeNet、AlexNet、GoogleNet、Resnet等基于卷積神經網絡的模型已成為圖像識別領域的主流。在自然語言處理領域，RNN(Recurrent neural Network，遞歸神經網絡)、LSTM(Long Short-Term Memory，長短期記憶網絡)、GRU(gated recurrent unit，門限遞歸神經網絡)等基于RNN的模型是序列分析的也取得了優異的成果。然而，深度學習在設備維護和故障診斷領域的應用仍處于探索階段，使用深度進行數據挖值得探索。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種基于深度學習的軸承故障模式診斷方法，該方法結合半監督學習和遷移學習算法，在數據量不足的情況下提高診斷精度。

本發明的另一個目的在于提出一種基于深度學習的軸承故障模式診斷系統。

為達到上述目的，本發明一方面實施例提出了一種基于深度學習的軸承故障模式診斷方法，包括以下步驟：通過自動調節學習率、引入噪聲、引入線性修正單元作為激活函數，以根據所述激活函數改進深度信念網絡；通過遷移數據集與長短期記憶網絡獲得合成數據集，以根據所述合成數據集擴展訓練的數據集，并通過所述訓練數據集訓練改進的深度信念網絡，以得到軸承故障診斷模型；采集軸承的振動信號，并根據所述軸承的振動信號和所述軸承故障診斷模型診斷出所述軸承故障模式。