[發明專利]一種機械設備故障診斷方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202310240068.6
• 申請日: 2023-03-07
• 公開（公告）號: CN116361724A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 吳琪文;段騰飛;蔡一彪;盧天華;孫豐誠;倪軍
• 申請（專利權）人: 杭州安脈盛智能技術有限公司
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/24;G06N3/084;G06N3/0464
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王曉坤

1.一種機械設備故障診斷方法，其特征在于，包括：

獲取待診斷機械設備的一維振動信號；

將所述一維振動信號輸入訓練得到的Morlet核卷積膠囊網絡算法模型中，得到故障類別對應的概率向量；所述Morlet核卷積膠囊網絡算法模型利用帶有故障類別標簽的歷史一維振動信號訓練得到，所述Morlet核卷積膠囊網絡算法模型包括復Morlet核卷積層、主膠囊層、數字膠囊層及分類輸出層；

將所述概率向量中的最大概率對應的故障類別確定為所述待診斷機械設備的故障類別。

2.根據權利要求1所述的機械設備故障診斷方法，其特征在于，所述Morlet核卷積膠囊網絡算法模型為自適應Morlet核卷積膠囊網絡算法模型，所述復Morlet核卷積層為自適應復Morlet核卷積層，所述自適應復Morlet核卷積層中的平移因子和伸縮因子隨所述自適應Morlet核卷積膠囊網絡算法模型訓練反向傳播更新。

3.根據權利要求2所述的機械設備故障診斷方法，其特征在于，所述自適應復Morlet核卷積層利用復Morlet小波基函數作為卷積核；

所述復Morlet小波基函數為：其中，f(t)為所述一維振動信號，t為時間，a為伸縮因子，b為平移因子，ω₀為角頻率，i為虛數單位；

所述自適應復Morlet核卷積層的輸出表示為：

其中，表示第l層的第i個復Morlet核，表示第l層的第i個卷積核，W為所述復Morlet核的尺寸，j’表示感受野的尺寸，r^j表示第j個復Morlet核的感受野，表示第j個感受野上輸入的信號；

所述自適應復Morlet核卷積層中的平移因子和伸縮因子隨所述自適應Morlet核卷積膠囊網絡算法模型訓練反向傳播更新的過程包括：

其中，L為所述自適應Morlet核卷積膠囊網絡算法模型的損失函數，所述損失函數為間隔損失和重構損失之和，表示所述自適應Morlet核卷積膠囊網絡算法模型中所述自適應復Morlet核卷積層到輸出層之間的中間層的梯度求導，為第k個復Morlet卷積核，a_k和b_k為伸縮因子和平移因子，η為學習率，為伸縮因子對應的偏差，為平移因子對應的偏差，z_k為反向傳播過程中膠囊網絡層梯度求導的總稱。

4.根據權利要求3所述的機械設備故障診斷方法，其特征在于，所述主膠囊層中的運算為：

其中，u^l(i,j)表示主膠囊，表示所述自適應復Morlet核卷積層的輸出經過激活函數之后輸出的特征數據，f_a表示所述激活函數，f_s表示擠壓函數。

5.根據權利要求1所述的機械設備故障診斷方法，其特征在于，還包括：

獲取所述待診斷機械設備的一維振動信號對應的故障類別標簽；

將所述待診斷機械設備的一維振動信號與對應的故障類別標簽作為新增訓練數據集；

將所述新增訓練數據集與已有訓練數據集進行合并，得到合并訓練數據集；所述已有訓練數據集中包含帶有故障類別標簽的歷史一維振動信號；

利用所述合并訓練數據集進行模型訓練，得到新訓練的Morlet核卷積膠囊網絡算法模型；

將所述新訓練的Morlet核卷積膠囊網絡算法模型替換已有的Morlet核卷積膠囊網絡算法模型。

6.根據權利要求1所述的機械設備故障診斷方法，其特征在于，還包括：

輸出所述待診斷機械設備的故障類別。

7.根據權利要求6所述的機械設備故障診斷方法，其特征在于，輸出所述待診斷機械設備的故障類別，包括：

將所述待診斷機械設備的故障類別通過郵件和/或短信發送至終端上。