[發明專利]一種基于2D-CNN和t-SNE的機械設備快速故障診斷方法及裝置

有效

• 申請號: 202111586259.5
• 申請日: 2021-12-23
• 公開（公告）號: CN114332531B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 陳嘉宇;林翠穎;姚博清;葛紅娟
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06N3/0464;G06N3/08;G06V10/82;G06V10/774
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種基于2D-CNN和t-SNE的機械設備快速故障診斷方法，其特征在于，包括以下步驟：

采樣步驟S1，將采集的機械設備的運行數據經數據預處理后的數據集分為訓練集和測試集；

訓練步驟S2，將訓練集輸入至初始2D-CNN模型中進行樣本訓練，構建2D-CNN模型，并輸入訓練集數據訓練模型，從而獲得標準2D-CNN模型，在此基礎上，將測試集輸入到標準2D-CNN模型中，經特征提取后得到標準2D-CNN模型各網絡層的測試集特征數據，所述初始2D-CNN模型的結構為輸入層、三個卷積池化層、全連接層及輸出層，其中每個卷積池化層包括一個二維卷積層和一個最大池化層；

測試步驟S3，將標準2D-CNN模型各網絡層輸出的測試集特征數據采用t-SNE處理得到標準2D-CNN模型各網絡層的測試集特征圖像；

診斷步驟S4，采集機械設備的實時運行數據，經數據預處理后作為待測數據，將待測數據輸入至標準2D-CNN模型中進行特征提取得到標準2D-CNN模型各網絡層待測特征數據，將標準2D-CNN模型各網絡層待測特征數據經t-SNE處理后得到標準2D-CNN模型各網絡層待測數據特征圖像，通過基于標準2D-CNN模型相同層的待測數據特征圖像和測試集特征圖像比對得到機械設備的診斷結果，針對不同網絡層的待測數據特征圖像，當判斷當前層的待測數據特征圖像的聚類效果理想時，得出機械設備的診斷結果；當判斷當前層的待測數據特征圖像的聚類效果不理想時，跳轉至下一層的待測數據特征圖像進行比對；

步驟S1具體如下：

數據預處理包括數據增強和數據重構，數據增強采用相鄰采樣數據之間存在一定重疊的重疊采樣法，設原始數據長度為D，采樣樣本長度為d，采樣偏移量為Δx，樣本個數為m，它們之間符合以下關系式：

數據重構為將長度L為的一維時間序列振動信號重構為l×l的二維數組，其中L＝l×l；經數據重構后得到的數據隨機地劃分成訓練集及測試集，訓練集及測試集分別應用于2D-CNN模型的訓練與測試，訓練集及測試集的數量比為2：1。

2.如權利要求1所述的方法，其特征在于，所述每個卷積池化層的二維卷積層和最大池化層之間還包括批量歸一化層和激活層，激活層采用ReLu激活函數。

3.如權利要求1所述的方法，其特征在于，所述樣本訓練包括將訓練集輸入初始2D-CNN模型的輸入層中，再依次經由三個卷積池化層、全連接層及輸出層完成訓練。

4.如權利要求3所述的方法，其特征在于，所述特征提取包括從標準2D-CNN模型的三個卷積池化層及全連接層中分別提取特征數據。

5.如權利要求4所述的方法，其特征在于，所述t-SNE處理包括將標準2D-CNN模型不同層的特征數據采用matplotlib工具分別繪制成二維圖像或三維圖像。

6.一種基于2D-CNN和t-SNE的機械設備快速故障診斷裝置，其特征在于，包括：

一個或多個處理器；

存儲器；以及

一個或多個應用程序，其中該一個或多個應用程序被存儲于該存儲器中，并配置為由該處理器執行以實現權利要求1-5任意一項所述的基于2D-CNN和t-SNE的機械設備快速故障診斷方法。