一种多工况旋转机械故障诊断方法技术

本发明专利技术涉及一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始振动数据矩阵；S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化振动数据矩阵；S3、将规范化振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。与现有技术相比，本发明专利技术通过卷积神经网络，提升了诊断模型对多变工况下对不变性特征的提取能力；通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性；两者结合共同提升了诊断模型对复杂工况条件下旋转机械故障诊断的准确率，为在线智能化故障诊断提供了有力支持。

A fault diagnosis method for rotating machinery under multiple working conditions

The invention relates to a fault diagnosis method for rotating machinery under multi-working conditions, which comprises: S1, acquiring the original vibration data matrix of rotating machinery; S2, performing Fourier transform and normalization of the original vibration data in turn to obtain the normalized vibration data matrix; S3, inputting the normalized vibration data matrix into the convolution nerve. The diagnosis results are obtained by combining the network and K nearest neighbor classifier in series. Compared with the prior art, the invention improves the ability of extracting invariant features from the diagnostic model under multi-variable conditions by convolution neural network, enhances the classification ability and robustness of the diagnostic model to nonlinear fault features by K-nearest neighbor classifier, and jointly enhances the rotation of the diagnostic model under complex conditions. The accuracy of rotating machinery fault diagnosis provides strong support for on-line intelligent fault diagnosis.

【技术实现步骤摘要】
一种多工况旋转机械故障诊断方法
本专利技术涉及机械故障诊断
，尤其是涉及一种多工况旋转机械故障诊断方法。
技术介绍
随着科技的进步，机械设备与工业系统的复杂度日益增加。机械故障诊断技术为提高设备与系统的可靠性、可维护性和有效性开辟了一条新的途径。对工业生产而言，某些生产过程一旦发生故障，容易引起整个生产过程的瘫痪，造成巨大的经济损失，甚至威胁到工作人员的生命安全。由此，现代工业要求在故障发生之初迅速进行有效的处理，以维持设备及系统的正常运行，最大程度的减少损失、降低威胁。利用计算机监测设备及系统状态及时发现故障、定位故障，已成为重要生产过程必不可少的环节。旋转机械广泛应用于重工业的多个领域，且大多数为各个生产领域的关键设备。其多在工况条件复杂甚至恶劣的条件下工作，因此故障发生相对频繁。在不同的工况条件下，旋转机械相同的故障类型往往表现出不同的时域特征与频域特征，其较强的非线性为人工诊断带来了很大困难。过去几年，在大数据支持与计算机性能不断提升的条件下，深度学习在解决视觉识别、语音识别、自然语言处理等多种问题上表现十分出色。在众多深度学习模型中，卷积神经网络是应用最为广泛、最早深入研究的。卷积神经网络在复杂、强非线性的模式识别与分类任务中有明显的优势。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种多工况旋转机械故障诊断方法。本专利技术的目的可以通过以下技术方案来实现：一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始时域振动数据矩阵；S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。优选的，所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。优选的，所述卷积神经网络包括输入层、卷积层、池化层和输出层。优选的，所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。优选的，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构对卷积层降采样获得，所述池化结构的滑移方向与采样长度的方向一致；所述输出层的节点个数等于待诊断旋转机械设备状态类型数；所述池化层和输出层间采用全连接。优选的，所述卷积神经网络除输入层外的每一层均采用线性整流函数进行激活。优选的，所述输出层分别采用softmax函数和argmax函数进行归一化处理和故障类别判定。优选的，所述池化层采用最大池化获取。优选的，所述卷积神经网络的损失函数采用结合L2正则项的交叉熵损失函数。优选的，所述K近邻分类器的建立过程包括：将已知诊断类型的振动数据集输入到训练好的卷积神经网络进行特征提取，将得到的池化层数据结合其故障类型标签作为特征数据集，根据特征数据集建立KD树，以余弦距离为判据，通过交叉验证确定近邻数目K，得到K近邻分类器。与现有技术相比，本专利技术具有以下优点：1、对于复杂工况下运行的旋转机械，相同的故障可能表现出不同的故障特征，而卷积神经网络在训练过程中，通过卷积核能很好的减去不必要的干扰特征，同时保留多工况条件下具有不变性与鉴别力的故障特征或故障特征组合；通过在卷积神经网络引入最大池化，增强诊断模型对多工况条件下旋转机械的相同故障类型不变性特征的提取能力；利用卷积神经网络最后的全连接结构，提高了特征的线性可分性。2、通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性，卷积神经网络与K近邻分类器结合共同提升了诊断模型对复杂工况条件下旋转机械故障的分类准确率，两者结合为在线智能化故障诊断提供了有力支持。附图说明图1为实施例一中多工况旋转机械故障诊断方法的流程图；图2为实施例一中卷积神经网络训练流程图；图3为实施例一中卷积神经网络训练流程结构示意图；图4为实施例一中卷积神经网络结构示意图；图5为实施例二中4种工况下的历史振动数据的时域波形；图6为实施例二中4种工况下的历史振动数据规范化后的幅频特性曲线。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例一如图1所示，一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始时域振动数据矩阵；S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。步骤S1过程具体包括采集旋转机械的振动监测点处的原始时域振动信号，振动监测点处包括滚动轴承、电机转子、联轴器、齿轮等的相关结构处，例如轴承支座、齿轮箱盖等。其中，采样长度、采样频率、在线采集时每次采样间隔的周期等参数根据实际监控的零部件及其所选用的传感器、工业互联网以及数据存储装置来确定。采集时根据采样通道的情况将时域振动信号数据排列为振动数据矩阵：其中，采样通道可为单通道或多通道，x(time)表示时域振动数据矩阵，i表示第i个采样通道，j表示所属采样通道内第j个采样点，m代表采样通道数，n′代表每个通道采集的采样点数。采样通道的设置根据采样对象和实际需要来确定，例如：滚动轴承的监测可采用径向单通道数据，或采用径向水平、径向垂直双通道数据；联轴器的监测可采用联轴器两侧轴承处径向、轴向四通道数据，或采用径向水平、径向垂直、轴向六通道数据等。振动信号的采样频率应满足在2kHz以上，采样时间需包含至少2个工频周期。步骤S2对所获取的原始振动数据矩阵进行快速傅里叶变换，获取原始振动信号的幅频特性矩阵。再利用全局归一化系数对所获得的幅频特性矩阵进行归一化处理，得到规范化幅频振动数据矩阵：其中，x(freq)表示规范化的幅频振动数据，k为幅频振动矩阵中所属通道的第k个点，函数abs(·)用于对复数取模，a为全局归一化系数，n＝n′/2，FFT表示快速傅里叶变换。全局归一化是使所有样本的幅频特性矩阵中元素值置于[0,1]的区间范围内，以便更好的训练卷积神经网络。幅频振动数据矩阵中元素过小会导致卷积神经网络中参数调整步长过大，难以收敛；幅频振动数据矩阵中元素过大会导致卷积神经网络参数调整步长过小，收敛速度下降。规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。步骤S3中的卷积神经网络建立过程如图2～3所示，具体如下：通过已知类型的历史振动数据转化为振动数据矩阵，与其对应的故障类型标签一起组成训练数据集，将训练数据集中的振动数据矩阵依次进行快速傅里叶变换与归一化处理，得到规范化的训练数据集：Xtrain＝{(x(l),yl)}D其中，x(l)表示历史诊断数据中第l个样本的幅频振动数据矩阵，yl表示样本x(l)对应的故障类型标签，Xtrain代表训练数据集，D代表训练数据集中样本的个数。将训练数据集输入到卷积神经网络中，结合反向传播算法、随机梯度下降算法以及适应性学习率算法训练卷积神经网络训练参数。本实施例中本文档来自技高网...

【技术保护点】
1.一种多工况旋转机械故障诊断方法，其特征在于，包括：S1、采集得到旋转机械的原始时域振动数据矩阵；S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。

【技术特征摘要】
1.一种多工况旋转机械故障诊断方法，其特征在于，包括：S1、采集得到旋转机械的原始时域振动数据矩阵；S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。2.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。3.根据权利要求2所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层和输出层。4.根据权利要求3所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。5.根据权利要求3所述的一种多工况旋转机械故障诊断方法，其特征在于，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构...

【专利技术属性】
技术研发人员：唐堂，胡天浩，吴杰，刘晋飞，靳文瑞，王亮，陈明，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31