[發明專利]一種機械設備深度學習狀態識別與診斷方法

在審

• 申請號: 202010423267.7
• 申請日: 2020-05-19
• 公開（公告）號: CN111562109A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 張焱;韋航;黃慶卿;鄧欽元;馮喬琦
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N20/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

本發明涉及一種機械設備深度學習狀態識別與診斷方法，屬于故障診斷領域。針對機械設備狀態監測與診斷這一問題，首先，對監控的振動信號數據進行時頻變換得到信號時頻幅值譜。其次，對多個自編碼器以及Softmax分類器進行堆棧構成深度自編碼神經網絡，在代價函數中加入網絡參數非負約束限制項，利用訓練樣本數據對深度自編碼網絡進行訓練和參數優化。利用深度非負自編碼網絡模型對實時監控數據進行狀態識別與診斷分析，得到具體的分類識別結果。最后使用試驗平臺上測取的真實數據進行驗證，驗證結果說明該方法能有效的進行狀態監測與診斷。

技術領域

本發明屬于故障診斷領域，涉及一種機械設備深度學習狀態識別與診斷方法。

背景技術

機械設備狀態識別與診斷是實現上述目標的重要環節，據工況條件、可測量信號(如聲發射、振動等)、與設備狀態之間的映射關系來間接判定機械設備狀態已經得到了廣泛的研究。例如，Lei等人基于自適應隨機共振方法進行了機車軸承早期故障診斷的工程應用，黃等人利用基于自適應優化品質因子的共振稀疏分解方法開展了行星齒輪箱復合故障診斷應用。近年來，深度學習理論取得了重大突破，在許多識別類任務中取得了顯著成果，包括語音識別、視覺對象識別及檢測、設備狀態監測與診斷等領域，深度網絡基于多個非線性映射層可實現復雜高維函數的表示，展現出了強大的表示能力和良好泛化性能。在監測和診斷領域，Lei等人開展了基于深度學習理論的機械裝備大數據健康監測研究。Kong等建立了一個適合行星齒輪箱應用的基于時頻融合和注意力機制的深度學習模型。Li等基于深度置信網絡進行了同步發電機故障診斷。Zhong等基于深度信念網絡進行了船舶柴油機的智能化故障診斷。

目前深度學習在設備狀態監測和診斷領域的工作主要集中于典型故障模式、恒定工況下的診斷與判別研究，而變工況以及早期微弱故障相關的狀態識別和診斷較少。另外，深度學習是以數據驅動為基礎實現的，通過在深度網絡訓練過程添加相關約束，比如限制隱藏層的稀疏性等，可使得到的深度學習模型具備某些預期特性。有心理學和生理學相關研究認為大腦中存在基于部分的表示，基于部分的表示符合人們對事物由“局部構成整體”的認知，同時，Lee等的研究表明基于部分的表示通常具備稀疏性、有助于揭示原始數據的隱藏結構。受基于部分的表示的思路啟發，通過在深度網絡的訓練過程中添加非負約束規則實現基于部分的特征表示，強化深度網絡稀疏性以及提升深度網絡的性能，進而滿足機械設備狀態識別與診斷應用需求。

發明內容

有鑒于此，本發明的目的在于提供一種機械設備深度學習狀態識別與診斷方法。

為達到上述目的，本發明提供如下技術方案：

一種機械設備深度學習狀態識別與診斷方法，該方法包括以下步驟：

S1：監測機械設備運行過程中的工況信息，利用加速度傳感器獲取設備振動信號數據，傳感器數據為x軸、y軸以及z軸方向中一個或多個方向振動信號，以實現機械設備在線狀態識別與診斷為目標；

S2：構建深度非負自編碼網絡，設定深度非負自編碼網絡網絡結構和初始參數；

S3：將步驟S1所得振動信號劃分訓練樣本和測試樣本兩類；

S4：對步驟S3所得到的訓練樣本和測試樣本振動信號進行時頻變換，獲取信號時頻幅值譜；

S5：將步驟S4所得到的訓練樣本時頻幅值譜作為步驟S1所得到的深度非負自編碼網絡的輸入，采用無監督逐層預訓練方法對深度非負自編碼網絡中各層自編碼器進行預訓練；

S6：對步驟S5所得到的預訓練深度非負自編碼網絡進行有監督微調，得到優化深度非負自編碼網絡；

S7：根據步驟S6所得到的深度非負自編碼網絡得到機械設備狀態識別與診斷結果。

可選的，在所述步驟S2具體為：