一种基于神经网络的机械设备故障诊断方法与系统技术方案

本发明专利技术公开一种基于神经网络的机械设备故障诊断方法与系统，包括：S101、故障诊断专家系统知识库获取机械设备故障属性；S102、执行故障属性扩充，输出完整特征数据集；S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果。本发明专利技术将专家系统知识库的知识转化为神经网络可训练的数据，在小样本中得到大样本的训练结果，提高了机械设备故障诊断的准确率。

【技术实现步骤摘要】
一种基于神经网络的机械设备故障诊断方法与系统
本专利技术涉及机械设备故障诊断
，尤其涉及一种基于神经网络的机械设备故障诊断方法与系统。
技术介绍
机械设备例如数控机床等在航空航天、交通运输、经济生产、冶金化工等各个工业和生产领域中有着非常广泛的应用。但是，机械设备一旦发生故障，不仅会带来经济损失，更可能危及人身安全，造成严重的危害和影响。如何保持其健康运转，以及设备出现故障后及时检测和修理，都是重要的问题。所以，对机械设备的故障诊断方法进行研究是一件非常有必要和意义的事。随着计算机技术在实时监测和诊断领域应用的不断深化，将基于知识库的专家系统技术应用于诊断领域已经成为诊断技术的一个重要方向。但是，传统的故障诊断专家系统是通过预先设定好的知识库和推理机对机械设备进行故障诊断。如此以来，如果机械设备出现了一组没有在知识库中构建过的故障数据，传统专家系统无法将其有效地识别出来，降低了故障诊断的精度。
技术实现思路
本专利技术的目的在于通过一种基于神经网络的机械设备故障诊断方法与系统，来解决以上
技术介绍
部分提到的问题。为达此目的，本专利技术采用以下技术方案：一种基于神经网络的机械设备故障诊断方法，该方法包括：S101、故障诊断专家系统知识库获取机械设备故障属性；S102、执行故障属性扩充，输出完整特征数据集；S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果。特别地，所述步骤S102包括：通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。特别地，步骤S102具体包括：将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。特别地，所述步骤S103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出。特别地，所述步骤S104中深度神经网络分类器通过如下方式选择：同时使用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。本专利技术还公开了一种基于神经网络的机械设备故障诊断系统，该系统包括若干上位机和服务器；所述上位机用于将收到的机械设备振动信号输出给服务器；所述服务器用于执行步骤S101至步骤S104：S101、故障诊断专家系统知识库获取机械设备故障属性；S102、执行故障属性扩充，输出完整特征数据集；S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果；所述服务器还用于存储故障诊断结果，并将所述故障诊断结果发送给上位机。特别地，所述步骤S102包括：通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。特别地，步骤S102具体包括：将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。特别地，所述步骤S103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出给上位机。特别地，所述步骤S104中深度神经网络分类器通过如下方式选择：同时使用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。本专利技术提出的基于神经网络的机械设备故障诊断方法与系统将专家系统知识库的知识转化为神经网络可训练的数据，在小样本中得到大样本的训练结果，提高了机械设备故障诊断的准确率。附图说明图1为本专利技术实施例提供的基于神经网络的机械设备故障诊断方法流程示意图；图2为本专利技术实施例提供的基于Adam算法的深度神经网络的部分神经元反向更新参数过程示意图；图3为本专利技术实施例提供的属性扩充神经网络的效果示意图；图4为本专利技术实施例提供的深度神经网络分类器的选择过程示意图；图5为本专利技术实施例提供的基于神经网络的机械设备故障诊断系统示意图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的较佳实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容理解的更加透彻全面。需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。请参照图1所示，图1为本专利技术实施例提供的基于神经网络的机械设备故障诊断方法流程示意图。本实施例中基于神经网络的机械设备故障诊断方法具体包括：S101、故障诊断专家系统知识库获取机械设备故障属性。S102、执行故障属性扩充，输出完整特征数据集。S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理。在本实施例中数据处理采用经验模态分解法(empiricalmodedecomposition，EMD)，EMD是将原信号x(t)分解为许多窄带分量的信号分解方法，每一分量被称为本征模态函数(IntrinicModeFunetion，IMF)。算法首先需要找到原信号所有的极大值点和极小值点，并通过三次样条函数拟合信号的极大值包络线e+(t)和极小值包络线e_(t)。上下包络线的均值为原信号的均值包络将原信号序列m1(t)减去就得到一个去掉低频的新信号重复上述过程，假定k次过后，得到新信号则原有一阶IMF分量为用原始信号减去c1(t)，得到一个去高频信号r1(t)＝x(t)-c1(t)，对r1(t)重复得到c1(t)过程，得到第二个IMF分量c2(t)，如此反复进行，直到第n阶分解后残余量是单调函数时，EMD分解过程停止。最后，原信号进过EMD分解后得到分解方程：S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果。如图1所示，深度神经网络输入层为经过数字信号处理的机械设备故障振动信号特征节点，输出为故障分类结果。基于Adam算法的深度神经网络的部分神经元反向更新参数过程如图2所示，在神经元y1反向更新过程中，权重更新公式变为带有偏一阶据估计量Momentum项和偏二阶据估计量RMSProp项。公式：中：mt＝β1mt-1+(1-β1)gt，vt＝β2vt-1+(1-β2)gt⊙gt，其中，wt是第t次更新后的权重，α为每次更新步长(默认为|：0.001)，mt为t次更新时有偏一阶矩估计，vt为有偏二阶矩估计。δ为用于数值稳定的小常数。β1和β2为矩估计的指数衰减速率，都是区间[0,1)内实数。gt是t次更新时损失函数梯度：m为训练样本个数，f(xi；w)为激活函数，yi是自变量xi对应的标签因变量。具体的，在本实施例中通过基于Ad本文档来自技高网...

【技术保护点】
1.一种基于神经网络的机械设备故障诊断方法，其特征在于，包括：S101、故障诊断专家系统知识库获取机械设备故障属性；S102、执行故障属性扩充，输出完整特征数据集；S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果。

【技术特征摘要】
1.一种基于神经网络的机械设备故障诊断方法，其特征在于，包括：S101、故障诊断专家系统知识库获取机械设备故障属性；S102、执行故障属性扩充，输出完整特征数据集；S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练，获得故障诊断结果。2.根据权利要求1所述的基于神经网络的机械设备故障诊断方法，其特征在于，所述步骤S102包括：通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。3.根据权利要求2所述的基于神经网络的机械设备故障诊断方法，其特征在于，步骤S102具体包括：将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。4.根据权利要求1所述的基于神经网络的机械设备故障诊断方法，其特征在于，所述步骤S103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出。5.根据权利要求1至4之一所述的基于神经网络的机械设备故障诊断方法，其特征在于，所述步骤S104中深度神经网络分类器通过如下方式选择：同时使用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。6.一种基于神经网络的机械设备故障诊断系统，其特征在于，包括若干上位机和服务器；所述上位机用于将...

【专利技术属性】
技术研发人员：王晨升，易阳，贾智涵，
申请(专利权)人：无锡易通精密机械股份有限公司，
类型：发明
国别省市：江苏,32