[發明專利]清晰化雙譜圖和改進卷積神經網絡旋轉機械故障診斷方法

在審

• 申請號: 202210257494.6
• 申請日: 2022-03-16
• 公開（公告）號: CN114692490A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 楊靜;謝國;楊延西;田瑞明;李奇軍;楊程
• 申請（專利權）人: 天水師范學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T7/00;G06V10/82;G06V10/764
• 代理公司: 蘭州中科華西專利代理有限公司 62002
• 代理人: 馬小瑞

本發明公開了一種清晰化雙譜圖和改進卷積神經網絡旋轉機械故障診斷方法，首先利用雙譜分析技術對旋轉機械每種工況的一維振動加速度信號數據進行處理，得到隱含的信息量比一維振動加速度信號更豐富的每種工況振動加速度信號的振動雙譜圖；然后將每種工況的振動雙譜圖轉換為存儲需求更小的二維灰度圖，利用增強型超分辨率重建網絡對每個灰度圖進行清晰化處理以增強特征信息，將清晰化振動雙譜灰度圖作為訓練樣本；再利用改進卷積神經網絡來學習提取訓練樣本的有效特征；采用softmax分類器對測試樣本進行分類識別，從而確定旋轉機械工況類別并同時判斷故障的嚴重程度。實現對旋轉機械故障診斷，以提高旋轉機械故障診斷的準確性、自適應性。

技術領域

本發明涉及人工智能技術領域，具體的說是一種清晰化雙譜圖和改進卷積神經網絡旋轉機械故障診斷方法。

背景技術

近年來，工業系統中的旋轉機械日趨大型化、連續化、復雜化、高速化和自動化，這也成為現代工業企業生產的主要特征。工業生產過程的共同點表現在兩個方面：一方面是傳統方法難以建立精準的物理模型實現監控；另一方面是會不斷生成反映旋轉機械運行機理和運行狀態的海量數據。現代工業系統中旋轉機械故障非常普遍，對設備的性能和安全構成了極大的威脅。因此，如何利用這些海量數據來滿足工業生產系統日益增長的穩定性和可靠性需求已成為當務之急。隨著監測技術和深度學習等分析方法的不斷發展，基于數據的故障診斷技術受到了廣泛的關注。

現代研究中針對旋轉機械的狀態檢測主流手段是對監測系統獲取的一維振動信號進行特征挖掘和模式識別。這些檢測方法主要是從時域、頻域或時頻域角度分析一維振動信號，通過提取信號的統計特征參數或自適應提取信號特征，實現旋轉機械故障診斷。然而，對于工業現場作業人員，這些故障診斷方法難以直觀認識旋轉機械健康狀態，降低了方法實施過程中的可行性。此外，旋轉機械發生故障之初征兆并不明顯，一維振動信號本身的特征頻率非常微弱且具有稀疏性，而且受噪聲干擾，信號的信噪比很低，導致在惡劣的作業環境中反映旋轉機械運行狀態和運行機理的振動信號被噪聲淹沒，增加了挖掘一維振動信號特征信息的難度。

在旋轉機械故障診斷領域，研究者們提出了多種解決途徑。2019年徐飛等人在文章“基于VMD和PCT的旋轉機械故障診斷方法研究”(《組合機床與自動化加工技術》2019年11月第11期96-104)中將VMD分解信號得到的多個模態分量中周期性最明顯的模態分量利用PCT獲取時頻圖，通過對時頻圖的分析實現旋轉機械故障診斷。該方法基于參數圖形識別設備故障，但診斷結果的判別需要預先已知各類故障的特征頻率，方法的實現要求操作者具有扎實的專業知識。2020年周小龍等人在文章“改進的HHT方法及其在旋轉機械故障診斷中的應用”(《振動與沖擊》2020年第39卷第7期189-195)中提出一種基于EEMEMD和虛假模態函數剔除算法相結合的改進HHT方法，利用EEMEMD獲取無模態混疊的IMF分量，并通過虛假模態函數剔除算法剔除噪聲干擾成分和迭代誤差分量，有效實現了對旋轉機械的故障診斷。但該方法是對一維信號的處理，且算法閾值的設置具有人為經驗性。2020年趙榮珍等人在文章“基于EEMD與模糊信息熵的旋轉機械故障診斷方法”(《蘭州理工大學學報》2020年6月第46卷第3期39-44)中利用EEMD分解和模糊信息熵在特征提取方面的優勢，構造各類振動信號的特征集合，并采用KNN識別設備故障。該方法適用于小樣本數據的故障識別，且算法中特征向量維數的確定需要借助于設計者的經驗。2020年王太勇等人在文章“基于KD-DenseNet的旋轉機械故障診斷模型”(《振動與沖擊》2020年第39卷第16期39-45)中提出一種基于DenseNet的卷積核dropout(KD)智能故障診斷模型，將重疊分段預處理的數據作為模型輸入，利用KD-DenseNet實現特征提取與分類。該方法利用旋轉機械一維振動信號實現設備故障狀態的分類，其數據分段預處理的實現缺乏客觀性。2020年蔡長征在文章“數據驅動算法在旋轉機械故障診斷中的應用研究”(《機床與液壓》2020年12月第48卷第23期218-223)中提出一種基于數據驅動的旋轉機械故障診斷方法，利用EMD得到IMF分量，從多域量化角度提取故障信號時域和頻域特征，最后利用EMD樣本熵實現故障識別。該方法診斷性能的優劣受制于人為特征參數的選擇。