[發明專利]基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法

有效

• 申請號: 201811245199.9
• 申請日: 2018-10-24
• 公開（公告）號: CN109299705B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 劉志亮;彭丹丹;王歡
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

本發明公開了一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，首先，通過堆積的一維殘差模塊使網絡學習到訓練樣本更深層和更抽象的故障特征；然后，使用Adam優化算法對所有超參數進行優化，完成深層次特征的提取及故障分類，獲得基于一維深度殘差卷積神經網絡的旋轉機械故障診斷系統模型；最后，將測試樣本輸入到已經訓練好的故障診斷模型中，自動提取深層特征，診斷出旋轉機械的健康狀況。

技術領域

本發明屬于旋轉機械故障診斷技術領域，更為具體地講，涉及一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法。

背景技術

旋轉機械是工業設備中應用最廣泛的一種部件，一旦發生故障，必將導致設備失效，從而帶來經濟損失，甚至引發安全事故。因此，對旋轉機械進行故障診斷具有重要的意義。

傳統智能故障診斷方法主要包括數據采集、特征提取和故障識別。其中，特征提取和故障識別是最重要的兩個步驟，對故障診斷結果的準確性有直接影響。然而，傳統智能故障診斷方法有以下缺點：1)診斷性能依賴領域專家對特征提取方法的設計，對于每個特定的診斷任務，必須重新設計特征提取方法，因此是耗時且勞動密集的；2)手動提取的特征不能保證充分地表示旋轉機械復雜的動力學特征；3)故障識別的方法如支持向量機、k最近鄰、隨機森林和樸素貝葉斯等均采用淺層學習模型，很難學習到足夠的特征，從而容易造成誤判。

深度學習技術以其強大的特征學習能力，在計算機視覺、語音識別、自然語言處理等領域應用非常廣泛。卷積神經網絡作為深度學習很有前景的方法，已被一些學者應用到旋轉機械的故障診斷中。然而，已發表的相關方法在復雜工況下幾乎都存在準確率低和域適應能力差的問題。因此，本發明提供一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，力求克服以上兩個缺點。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，通過將采集的原始振動信號作為一維深度殘差卷積神經網絡的輸入，輸出即為旋轉機械的故障診斷結果，具有診斷準確率高和域適應能力強等特點。

為實現上述發明目的，本發明為一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，其特征在于，包括以下步驟：

(1)、采集旋轉機械的振動信號

以采樣頻率f_s，采集不同故障的旋轉機械在不同運行速度、不同垂向載荷和軸向載荷工況下的加速度振動信號x[n]_m，獲取加速度振動信號集 X＝{x[n]₁，x[n]₂，...，x[n]_m}，其中，n為單個加速度振動信號的采樣點個數，m為加速度振動信號的個數；

(2)、數據樣本標準化

使用z-score標準化方法對每一個加速度振動信號x[n]_m進行標準化；

其中，μ是x[n]_m的平均值，σ是x[n]_m的標準差；

(3)、采用滑動分割法對數據樣本進行擴展

定義：L_overlap＝兩個相鄰分段信號的樣本重疊長度，L_seg＝每個分段信號的長度，N＝所有分段信號的數量；

則有如下關系：

n＝(N-1)×(L_seg-L_overlap)+L_seg

根據上述關系，將標準化后的每一個加速度振動信號分成N個分段信號