[發(fā)明專(zhuān)利]一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法、系統(tǒng)及可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011069398.6
• 申請(qǐng)日: 2020-09-30
• 公開(kāi)（公告）號(hào): CN112199888B
• 公開(kāi)（公告）日: 2021-08-27
• 發(fā)明（設(shè)計(jì)）人: 付駿宇;劉立斌
• 申請(qǐng)（專(zhuān)利權(quán)）人: 太原理工大學(xué)
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G01M13/00;G01H17/00;G06F111/06;G06F119/02
• 代理公司: 佛山粵進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44463
• 代理人: 王余錢(qián)

1.一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法，其特征在于，包括：采集設(shè)備狀態(tài)信號(hào)，獲取設(shè)備振動(dòng)數(shù)據(jù)，提取數(shù)據(jù)特征信息，得到實(shí)時(shí)狀態(tài)數(shù)據(jù)向量；

利用果蠅算法建立故障模型，將數(shù)據(jù)特征信息帶入故障模型，獲取故障信息；

利用局部均值法分解故障信號(hào)，并提取故障信號(hào)特征向量；

對(duì)提取的故障信號(hào)特征向量與實(shí)時(shí)狀態(tài)數(shù)據(jù)向量進(jìn)行比較，得到偏差率；

判斷所述偏差率是否大于預(yù)設(shè)閾值；

若大于，則對(duì)故障信號(hào)不同時(shí)間節(jié)點(diǎn)的數(shù)據(jù)信息進(jìn)行歸一化處理，得到結(jié)果信息；

通過(guò)結(jié)果信息對(duì)故障類(lèi)型進(jìn)行判別，并按照預(yù)設(shè)方式進(jìn)行顯示；

獲取設(shè)備實(shí)時(shí)狀態(tài)信號(hào)，生成實(shí)時(shí)狀態(tài)信息，將實(shí)時(shí)狀態(tài)信息與預(yù)設(shè)信息作減法計(jì)算，得到殘差信號(hào)，生成殘差信息；

通過(guò)殘差信息構(gòu)建深度殘差網(wǎng)絡(luò)；

將殘差信息與標(biāo)準(zhǔn)信息進(jìn)行比較，得到偏差率，判斷所述偏差率是否大于所述預(yù)設(shè)閾值；

若大于，則提取殘差信息中的故障沖擊或震蕩波形信息；

將故障沖擊或震蕩波形信息輸入深度殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在深度殘差網(wǎng)絡(luò)內(nèi)部采用逐元素最大值進(jìn)行數(shù)據(jù)篩選；

篩選后的數(shù)據(jù)進(jìn)行噪聲削減，生成多組結(jié)果信息；

多組結(jié)果信息融合進(jìn)行故障類(lèi)型判別。

2.根據(jù)權(quán)利要求1所述的一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法，其特征在于：篩選后的數(shù)據(jù)進(jìn)行噪聲削減，生成多組結(jié)果信息；還包括：對(duì)多組結(jié)果信息分別提取特征值；

對(duì)相同頻帶區(qū)間內(nèi)的結(jié)果信息進(jìn)行歸類(lèi)，形成一個(gè)數(shù)據(jù)集；

同一數(shù)據(jù)集內(nèi)的數(shù)據(jù)采用隨機(jī)梯度下降法對(duì)特征值權(quán)重進(jìn)行初始化，得到優(yōu)化信息；

將優(yōu)化信息輸入故障模型進(jìn)行故障診斷。

3.根據(jù)權(quán)利要求1所述的一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法，其特征在于：利用果蠅算法建立故障模型，將數(shù)據(jù)特征信息帶入故障模型：具體包括：獲取設(shè)備振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)進(jìn)行降噪處理，并提取振動(dòng)信號(hào)頻域特征；

對(duì)振動(dòng)信號(hào)進(jìn)行重疊區(qū)域分段截取，增加信號(hào)寬度；

通過(guò)網(wǎng)絡(luò)模型對(duì)振動(dòng)信號(hào)進(jìn)行迭代，直至收斂，得到結(jié)果信息；

將結(jié)果信息進(jìn)行頻譜分析，得到故障信息；

所述故障模型為卷積神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1所述的一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法，其特征在于：采集設(shè)備振動(dòng)信號(hào)，通過(guò)局部均值分解算法將振動(dòng)信號(hào)分解成多個(gè)單分量信號(hào)與一個(gè)剩余信號(hào)之和，單分量信號(hào)包括一個(gè)包絡(luò)信號(hào)與一個(gè)調(diào)頻信號(hào)的乘積，其瞬時(shí)幅值對(duì)應(yīng)包絡(luò)信號(hào)，瞬時(shí)頻率由對(duì)應(yīng)的調(diào)頻函數(shù)求出。

5.根據(jù)權(quán)利要求4所述的一種基于深度殘差網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷方法，其特征在于：局部均值分解算法具體包括：

選定一個(gè)原始信號(hào)x(t)，t表示采樣時(shí)間，找出該信號(hào)全部極值點(diǎn)m_j，其中j表示序列號(hào)，j＝1、2、3……，計(jì)算得出相鄰極值點(diǎn)間的局部均值點(diǎn)即

將全部的局部均值點(diǎn)用直線連接，再用滑動(dòng)平均方法完成多次平滑處理，得局部均值函數(shù)m_x，通過(guò)局部均值函數(shù)m_x計(jì)算得到新的信號(hào)g(t)；

g(t)＝x(t)-m_x；

通過(guò)極值點(diǎn)計(jì)算對(duì)應(yīng)的包絡(luò)估計(jì)點(diǎn)m_k，得到估計(jì)函數(shù)m_y，其中

通過(guò)估計(jì)函數(shù)計(jì)算得到處理后的信號(hào)p_n(t)，

判斷p_n(t)是否為純調(diào)頻信號(hào)，若估計(jì)函數(shù)滿足m_y＝1，則表示p(t)為純調(diào)頻信號(hào)，若不滿足，則將p_n(t)作為原始信號(hào)進(jìn)行迭代計(jì)算直至m_y＝1。