[發明專利]一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法

在審

• 申請號: 202010697580.X
• 申請日: 2020-07-20
• 公開（公告）號: CN111914703A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 楊京禮;崔成竹;高天宇;尹雙艷
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F17/14;G01M13/045
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

本發明公開了一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，屬于故障診斷技術領域。所述故障診斷方法包括以下步驟：S100采集機械旋轉部件在已知各種故障下的振動信號，形成數據集A；S200將數據集A中的振動數據經小波變換處理，構建小波變換時頻圖數據集B，并將數據集按8:1:1的比例隨機劃分為訓練集、驗證集和測試集；S300基于數據集B的訓練集和驗證集，構建遷移學習GoogLeNet故障分類模型；S400使用遷移學習GoogLeNet故障分類模型對小波變換時頻圖數據集B的測試集數據進行診斷分類，得到機械旋轉部件的故障分類結果。本發明能較好地提升了機械旋轉部件故障診斷準確率。

技術領域

本發明涉及一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，屬于故障診斷技術領域。

背景技術

機械旋轉部件是機械設備中最基本、最關鍵的重要部件之一，由于存在著材料缺陷、制造誤差、清潔不及時、潤滑不當、裝位不正確以及老化、疲勞使用等情況，因此在日常的使用中，機械旋轉部件或多或少會產生一些不可避免的損傷。一旦從損傷演變為故障，機械旋轉部件的振動和噪聲水平就會發生變化，可能導致機械設備故障甚至報廢，進而減少企業的經濟效益，乃至產生人員傷亡。因此，精確定位故障位置和故障類型對于保障機械設備的安全性和可靠性具有重要意義。

在過去的數十年中，雖然基于智能算法的各種診斷方法屢見不鮮，但由機械旋轉部件故障導致的重大事故依然難以完全避免。種種跡象表明，在機械旋轉部件領域故障診斷相關技術還有待改進。若可以提出一套將信號處理技術與智能算法相結合的故障診斷方法，盡早實現對機械旋轉部件的故障診斷，那么在提高生產率及增加經濟效益上將會有著良好的積極意義。目前，機械旋轉部件故障診斷方法大多數仍側重于對故障信號的頻率進行分析，并輔以SVM等淺層機器學習方法進行故障分類。雖然上述方法一定程度上提高了故障分類精度，但是其所依托的一維信號特征提取技術難以精確刻畫信號的時頻域綜合特征，因此在機械旋轉部件故障診斷精度方面尚存在一定缺陷。還有許多利用卷積神經網絡進行故障分類的方法，雖然提高了診斷精度，但由于卷積神經網絡自身復雜的網絡結構，致使整個診斷時間大大增加，對硬件配置也提出了不小的要求。

發明內容

本發明的目的是提出一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，針對上述在機械旋轉部件故障診斷領域中存在的問題，本發明嘗試研究時頻分析與基于遷移學習的卷積神經網絡相結合的機械旋轉部件故障診斷方法，利用小波變換這種時頻分析方法，精確地刻畫出機械旋轉部件的故障特征，基于遷移學習GoogLeNet深度學習方法提取深層次的故障特征，從而提高機械旋轉部件故障診斷的準確率，提高旋轉機械類系統的可靠性與安全性。

一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，所述故障診斷方法包括以下步驟：

S100采集機械旋轉部件在已知各種故障下的振動信號，形成數據集A；

S200將數據集A中的振動數據經小波變換處理，構建小波變換時頻圖數據集B，并將數據集按8:1:1的比例隨機劃分為訓練集、驗證集和測試集；

S300基于數據集B的訓練集和驗證集，構建遷移學習GoogLeNet故障分類模型；

S400使用遷移學習GoogLeNet故障分類模型對小波變換時頻圖數據集B的測試集數據進行診斷分類，得到機械旋轉部件的故障分類結果。

進一步的，在S100中，具體的，使用傳感器將機械旋轉部件的各種故障下的振動信號進行采集，并按故障類型整理為振動信號數據集A。

進一步的，在S200中，具體包括以下步驟：

S210將數據集A中時域振動信號按固定點數劃分為若干時域振動信號樣本；