[發明專利]基于無線傳感器網絡多測量向量的機械裝備故障診斷方法

有效

• 申請號: 202011121385.9
• 申請日: 2020-10-19
• 公開（公告）號: CN112257773B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 李帥永;毛維培;文井輝;韓明秀
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06F17/16;H04W4/38;H04W84/18
• 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

本發明涉及一種基于無線傳感器網絡多測量向量的機械裝備故障診斷方法，屬于深度學習技術領域。該方法包括以下步驟：S1：多測量向量的壓縮采集；S2：數據處理；S3：卷積神級網絡模型訓練；S4：識別故障類型。本發明突破了Nyquist采樣定律的限制，降低數據采集的量，從而降低無線傳感器網絡的負載。相比傳統人工提取特征進行診斷的方式更便捷、高效，減少了對人工和專業知識的需求。采用了多測量向量MMV的進行數據壓縮采集，提高采集的壓縮數據量只包含更多的故障源信息，比SMV模型的故障診斷的識別率更高。

技術領域

本發明屬于深度學習技術領域，涉及基于無線傳感器網絡多測量向量的機械裝備故障診斷方法。

背景技術

大型復雜的機械裝備，比如：天燃氣管道、橋梁、大型電機和機床等等，這些機械裝備一旦發生故障且未得到能及時排除或維修，其故障可導致巨大經濟損失和造成極其嚴重的后果。對這些機械裝備健康狀況進行有效評估與預測，以及進行及時故障診斷與識別是非常重要。

專利號為CN110991295公開了一種基于一維卷積神經網絡的自適應故障診斷方法，將一維時序信號輸入一維卷積神經網絡，就能診斷結果，相比傳統人工提取特征進行診斷的方式更便捷、高效，對診斷人員的專業知識經驗需求更低。專利號為CN111582396A公開了一種基于改進卷積神經網絡的故障診斷方法，該方法在特征提取層和全連接層之間還設置了一個新增卷積層,新增卷積層可以提取模型深層特征，有效增強模型的泛化能力，在一定程度上可以減少過擬合的風險并加快計算速度。但是這些方法并不適合大型機械裝備的健康狀況監控與故障診斷，因大型機械裝備處于復雜環境，其數據獲取比較困難。大型機械裝備健康狀況的監控都是采用無線傳感器網絡技術，但是在傳統的Nyquist采樣定律下，產生大量的數據需要傳輸，加重無線傳感器網絡的網絡負載。專利號為CN110263767A公開了結合壓縮數據采集和深度學習的智能轉軸故障診斷方法，采用了非線性投影實現壓縮采集，突破了Nyquist采樣定律的限制，減少了包含所有故障信息的測量數據量，可以降低無線傳感器網絡的負載。該方法也不太合適大型機械裝備，因為該方法壓縮采集方式為單重測量矢量(Single Measurement Vector，SMV)，其數據量只包含部分的故障源信息，導致故障識別率不高。

發明內容

有鑒于此，本發明的目的在于提供一種基于無線傳感器網絡多測量向量(Multiple MeasurementVectors，MMV)的機械裝備故障診斷方法。首先，在大型機械裝備安裝在不同的位置方向安裝L個無線傳感器節點，然后對L個無線傳感器節點對故障源信號進行壓縮測量，得到L個測量值，經過無線傳感器網絡傳輸到云端，得到L個測量值向量組成的測量值矩陣，對測量值矩陣進行歸一化數據處理后將其送入卷積神經網絡模型進行故障識別，得到故障識別結果。

為達到上述目的，本發明提供如下技術方案：

基于無線傳感器網絡多測量向量的機械裝備故障診斷方法，該方法包括以下步驟：

S1：多測量向量的壓縮采集；

S2：數據處理；

S3：卷積神級網絡模型訓練；

S4：識別故障類型。

可選的，所述S1具體為：

對大型機械裝備在不同的位置方向安裝L個無線傳感器節點，L≥2，然后對L個無線傳感器節點對故障源信號進行壓縮測量，得到測量值由無線傳感器網絡進行傳輸；

多測量向量模型MMV的公式為：

Y＝ΦX＝ΦΨX＝AX (1)