[發明專利]一種基于層次卷積神經網絡的機械故障預測方法

有效

• 申請號: 201811197982.2
• 申請日: 2018-10-15
• 公開（公告）號: CN109406118B
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 文龍;高亮;李新宇;張釗
• 申請（專利權）人: 華中科技大學
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01M13/045;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 孔娜;曹葆青

本發明屬于神經網絡故障預測相關技術領域，其公開了一種基于層次卷積神經網絡的機械故障預測方法，該方法包括以下步驟：(1)采用S變換將待故障預測的機械的振動信號從時序信號變換成時頻圖，以備用；(2)結合故障類型在不同粒度上的層次劃分，以構建雙輸出的層次卷積神經網絡模型，所述時頻圖為所述層次卷積神經網絡模型的輸入；所述層次卷積神經網模型具有兩類分類器，分別為粗分類器及精分類器；(3)依次采用粗標簽及精標簽對所述粗分類器及所述精分類器進行訓練，以得到訓練好的層次卷積神經網絡模型，進而進行機械故障預測。本發明提高了精度及效率，適用性較好，有利于在實際應用中推廣應用。

技術領域

本發明屬于神經網絡故障預測相關技術領域，更具體地，涉及一種基于層次卷積神經網絡的機械故障預測方法。

背景技術

故障診斷在現代工業中發揮著至關重要的作用，隨著智能制造的快速發展，大量的實時數據可以被收集，數據驅動的故障診斷方法已經被來自學術和工程領域的許多研究人員所研究。利用先進的基于學習的方法準確識別機械健康狀況成為了故障診斷領域的一個趨勢。

但傳統基于學習的方法需要從時間、頻率和視頻域中提取信號的特征。特征提取是一個關鍵步驟，學習方法的上界性能依賴于特征提取過程。憑借顯著的診斷技能和領域專業知識，該技術可以在特定數據集上實現高達100％的預測精度。然而，傳統的手工特征提取技術需要相當多的領域知識，而特征提取過程非常耗時且費力。

近年來，深度學習(DL)在圖像識別和語音識別方面取得了巨大的成功，它可以從原始數據中學習特征表示，關鍵是該過程不依賴于人類工程師，這可以盡可能地消除專家的影響，因而在故障診斷領域得到了廣泛的應用。然而，機械數據具有噪音和隨機性，這就限制了深度學習的實際應用。由于現實世界工業應用中的工作負載一直在變化，因此在不同工作負載下的故障診斷研究是必要的。相應地，本領域存在著發展一種適用性較好的機械故障預測方法的技術需求。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于層次卷積神經網絡的機械故障預測方法，其基于現有機械故障的預測特點，研究及設計了一種適用性較好的基于層次卷積神經網絡的機械故障預測方法。所述機械故障預測方法適用于不同工作負載下的故障診斷，其將S變換和層次卷積神經網絡模型相結合，將待故障預測的機械的振動信號自時域轉變到時頻域，同時采用了故障診斷可以看為層次分類樹的方式，如此提高了故障預測的精度及效率，且適用性較好，有利于在實際應用中推廣使用。

為實現上述目的，本發明提供了一種基于層次卷積神經網絡的機械故障預測方法，該機械故障預測方法主要包括以下步驟：

(1)采用S變換將待故障預測的機械的振動信號從時序信號變換成時頻圖，以備用；

(2)結合故障類型在不同粒度上的層次劃分，以構建雙輸出的層次卷積神經網絡模型，所述時頻圖為所述層次卷積神經網絡模型的輸入；所述層次卷積神經網模型具有兩類分類器，分別為粗分類器及精分類器；

(3)首先，采用粗標簽對所述粗分類器進行訓練，同時所述層次卷積神經網絡進行粗分類；接著，采用精標簽對所述精分類器進行訓練以得到訓練好的層次卷積神經網絡模型，進而進行機械故障預測。

進一步地，步驟(1)中，從采集到的所述振動信號中隨即截取時序信號樣本，并采用S變換將所述時序信號樣本內的信號自時域轉換成時頻域，進而將得到的二維矩陣調整為224×224維矩陣。

進一步地，所述粗分類器及所述精分類器分別是采用粗標簽及精標簽進行訓練得到的。

進一步地，所述粗分類器及所述精分類器分別對應故障種類在不同粒度上的層次劃分。

進一步地，所述層次卷積神經網絡模型的最終損失函數為：