[發明專利]一種基于S變換與CNN網絡的設備壽命預測方法

在審

• 申請號: 202211533045.6
• 申請日: 2022-12-01
• 公開（公告）號: CN116029420A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 彭六保;胡勇;曾志生;邴奇;佟文杰
• 申請（專利權）人: 航天智控（北京）監測技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/213;G06F18/24;G06N3/0464;G06N3/048;G06N3/08;G06F123/02
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

本發明公開了一種于S變換與CNN網絡的設備壽命預測方法，屬于振動信號處理技術領域，包括對裝置運行時的振動信號進行實時采集，對采集的振動信號進行S轉換，采用高斯窗函數進行轉換，獲取分析轉換后的時頻信號圖，根據時頻信號圖判斷擾動類型，通過s變化對不同信號擾動類型進行時頻域特征提取，根據提取的時頻域特征選擇分類器進行訓練分類，對信號擾動進行檢測與判斷，設置調節卷積神經網絡模型的參數，使用故障診斷模型對時頻信號圖的數據進行分析計算和預測，根據分析計算結果得到裝置的性能，本發明能根據預測結果判斷裝置的使用壽命，提高了訓練模型的準確率，在學習新設備壽命預測上所消耗的時間減少也相對很多。

技術領域

本發明屬于振動信號處理技術領域，具體地說，涉及一種基于S變換與CNN網絡的設備壽命預測方法。

背景技術

目前，當今社會已經發展到工業4.0時代，人們生產生活方面各個領域應用的機械設備更加復雜，機械平臺朝著更加大型化、集成化、智能化的先進技術方向發展，機械設備和機械零部件的結構日益復雜多樣。機械平臺智能化、集成化的結果，就是每一操作環節更加細致入微，各個流程的配合更加緊密，但是我們的機械設備在正常運行的過程中，其主要組成部件又不可避免發生磨損老化進而直接引起故障發生，機械設備運行過程突然發生故障而引發的意外事故不絕于耳，除了直接造成設備停機，會給國家和廠家造成財產損失，甚至威脅現場從業人員的生命安全。這當然對機械設備的穩定性和可靠性提出了更高的要求。如何調高設備的安全性、穩定性和可靠性，如何應對日益繁重的設備健康管理工作，解決好設備的全壽命周期維修保障工作，降低運行成本，是當前面臨的重大問題。

在工業大數據時代，數據驅動的方法是剩余壽命預測的主流方法。數據驅動壽命預測方法主要分為基于統計數據驅動、機器學習和相似性的方法：基于統計數據驅動的方法一般假定退化模型已知，直接利用狀態監測數據和環境數據對模型參數進行離線估計和在線更新，而實際工程中的退化模型是未知的。且不同類型設備的退化模型也不盡相同，退化模型的選擇不當將嚴重影響剩余壽命的預測精度；而基于機器學習的方法能夠克服退化模型未知的問題，同時構建模型的輸入也不僅局限于狀態監測數據，可以是多種不同類型的數據傳統基于機器學習的壽命預測方法主要包括數據獲取、特征提取和壽命預測等步驟。

隨著物聯網時代的到來，各種高精度傳感器將不斷發明使用，今后將會獲得更多監測數據，同時隨著機械制造業的技術發展，機械設備也將會更加智能更加復雜，運過程中不確定因素也會增加，這就使得基于物理退化模型、統計學的方法難度增加，實際應用更加困難，

發明內容

要解決的問題

針對現有隨著機械制造業的技術發展，機械設備也將會更加智能更加復雜，運過程中不確定因素也會增加，這就使得基于物理退化模型、統計學的方法難度增加，實際應用更加困難的問題，本發明提供一種基于S變換與CNN網絡的設備壽命預測方法。

技術方案

為解決上述問題，本發明采用如下的技術方案。

一種基于S變換與CNN網絡的設備壽命預測方法，采用以下步驟：

步驟1：對裝置運行時的振動信號進行實時采集；

步驟2：對采集的振動信號進行S轉換，采用高斯窗函數進行轉換，獲取分析轉換后的時頻信號圖；

步驟3：根據時頻信號圖判斷信號突降、突升、諧波以及震蕩擾動類型，通過s變化對不同信號擾動類型進行時頻域特征提取；

步驟4：根據提取的時頻域特征選擇分類器進行訓練分類，對信號擾動進行檢測與判斷；

步驟5：設置調節卷積神經網絡模型的參數，搭建故障診斷模型；

步驟6：使用故障診斷模型對時頻信號圖的數據進行分析計算和預測，根據分析計算結果得到裝置的性能，根據預測結果判斷裝置的使用壽命。