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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。