[發(fā)明專利]用于故障診斷的深度學(xué)習(xí)分類模型及故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110542679.7
• 申請(qǐng)日: 2021-05-18
• 公開（公告）號(hào): CN113869339A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計(jì)）人: 范慧鵬;劉鑫輝;李福林;彭宗貴;練領(lǐng)先;蘇方偉;李瑞華;房哲續(xù);彭六保
• 申請(qǐng)（專利權(quán)）人: 華能沁北發(fā)電有限責(zé)任公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京索睿邦知識(shí)產(chǎn)權(quán)代理有限公司 11679
• 代理人: 曹蓓蓓

1.用于故障診斷的深度學(xué)習(xí)分類模型，其特征在于，所述深度學(xué)習(xí)分類模型通過下述訓(xùn)練方法獲得，所述訓(xùn)練方法包括：

步驟S101，采集設(shè)備多種故障類型的樣本數(shù)據(jù)集及與之對(duì)應(yīng)的故障信息；所述故障信息中包括所述設(shè)備的運(yùn)行參數(shù)信息；所述樣本數(shù)據(jù)集中的數(shù)據(jù)為隨時(shí)間信息連續(xù)變化的具有幅值變化的數(shù)據(jù)；

步驟S102，根據(jù)所述樣本數(shù)據(jù)集的幅值信息獲取所述樣本數(shù)據(jù)集的一維特征；根據(jù)所述樣本數(shù)據(jù)集中的時(shí)間信息和所述幅值信息獲取所述樣本數(shù)據(jù)集的二維特征；根據(jù)所述樣本數(shù)據(jù)集中的的時(shí)間信息和所述幅值信息獲取所述樣本數(shù)據(jù)集的三維特征；

步驟S103，通過深度學(xué)習(xí)分類器訓(xùn)練所述一維特征、二維特征和三維特征，獲取故障診斷分類結(jié)果；所述故障診斷分類結(jié)果關(guān)聯(lián)所述設(shè)備的運(yùn)行參數(shù)信息；根據(jù)所述故障診斷分類結(jié)果獲取所述深度學(xué)習(xí)分類模型的輸出結(jié)果。

2.根據(jù)權(quán)利要求1所述的用于故障診斷的深度學(xué)習(xí)分類模型，其特征在于，所述步驟S101中的采集設(shè)備多種故障類型的樣本數(shù)據(jù)集的步驟中包括：

步驟S1011，將加速度傳感器放置于故障設(shè)備中軸件與剛性支撐件的連接處；所述軸件通過軸承類連接件與剛性支撐件的連接；

步驟S1012，運(yùn)行具有故障類型的所述故障設(shè)備，采集所述加速度傳感器的輸出圖譜，采樣點(diǎn)數(shù)設(shè)置為262144和采樣頻率設(shè)置為102.4KHz；將所述故障類型和所述譜圖信息對(duì)應(yīng)，記錄所述故障設(shè)備的功率、轉(zhuǎn)速和軸承型號(hào)；

所述步驟S102中還包括：

歸一化處理所述樣本數(shù)據(jù)集，獲取設(shè)定特征維度的樣本數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1或2所述的用于故障診斷的深度學(xué)習(xí)分類模型，其特征在于，所述步驟S102中根據(jù)所述樣本數(shù)據(jù)集的幅值信息獲取所述樣本數(shù)據(jù)集的一維特征的步驟包括：

通過小波變化方法計(jì)算所述樣本數(shù)據(jù)集的幅值信息獲取故障幅值特征；根據(jù)所述故障幅值特征作為樣本數(shù)據(jù)集的一維特征；

所述步驟S102中根據(jù)所述樣本數(shù)據(jù)集中的時(shí)間信息和所述幅值信息獲取所述樣本數(shù)據(jù)集的二維特征的步驟包括：

將所述樣本數(shù)據(jù)集中的時(shí)間信息對(duì)應(yīng)為時(shí)域信號(hào)；通過傅里葉變換將所述時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)；

通過LSTM長短期記憶網(wǎng)絡(luò)訓(xùn)練所述時(shí)域信號(hào)和所述頻域信號(hào)，提取時(shí)間特征與故障幅值特征或，提取故障頻率特征和速度值特征；根據(jù)所述時(shí)間特征與故障幅值特征或故障頻率特征和故障速度值特征作為二維特征；

所述步驟S102中根據(jù)所述樣本數(shù)據(jù)集中的時(shí)間信息和所述幅值信息獲取所述樣本數(shù)據(jù)集的三維特征的步驟包括：

通過MFCC梅爾倒譜系數(shù)方法處理所述的時(shí)間信息和所述幅值信息，提取時(shí)間特征、故障頻率特征和故障能量特征信息；根據(jù)時(shí)間特征、故障頻率特征和故障能量特征信息作為三維特征。

4.根據(jù)權(quán)利要求1所述的用于故障診斷的深度學(xué)習(xí)分類模型，其特征在于，所述用于故障診斷的深度學(xué)習(xí)分類模型包括：

一個(gè)設(shè)備故障數(shù)據(jù)集采集模塊，其配置為采集設(shè)備多種故障類型的樣本數(shù)據(jù)集及與之對(duì)應(yīng)的故障信息；所述故障信息中包括所述設(shè)備的運(yùn)行參數(shù)信息；所述樣本數(shù)據(jù)集中的數(shù)據(jù)為隨時(shí)間信息連續(xù)變化的具有幅值變化的數(shù)據(jù)；

一個(gè)一維特征提取模塊，其配置為根據(jù)所述樣本數(shù)據(jù)集的幅值信息獲取所述樣本數(shù)據(jù)集的一維特征；

一個(gè)二維特征提取模塊，其配置為根據(jù)所述樣本數(shù)據(jù)集中的時(shí)間信息和所述幅值信息獲取所述樣本數(shù)據(jù)集的二維特征；

一個(gè)三維特征提取模塊，其配置為根據(jù)所述樣本數(shù)據(jù)集中的的時(shí)間信息、所述幅值信息和能量信息；獲取所述樣本數(shù)據(jù)集的三維特征；

其中，所述一維特征提取模塊、所述二維特征提取模塊和所述三維特征提取模塊的數(shù)據(jù)輸入端同時(shí)從所述設(shè)備故障數(shù)據(jù)集采集模塊接收所述設(shè)備多種故障類型的樣本數(shù)據(jù)集；

一個(gè)分類器，其數(shù)據(jù)輸入端連接所述一維特征提取模塊、所述二維特征提取模塊和所述三維特征提取模塊的數(shù)據(jù)輸出端，所述分類器配置為通過深度學(xué)習(xí)分類器訓(xùn)練所述一維特征、二維特征和三維特征，獲取故障診斷分類結(jié)果；所述故障診斷分類結(jié)果關(guān)聯(lián)所述設(shè)備的運(yùn)行參數(shù)信息；

一個(gè)故障分類結(jié)果模塊，其配置為從所述分類器的數(shù)據(jù)輸出端接收所述故障診斷分類結(jié)果；所述故障分類結(jié)果模塊配置為根據(jù)所述故障診斷分類結(jié)果獲取所述深度學(xué)習(xí)分類模型的輸出結(jié)果。