基于组合卷积神经网络的故障类型及损坏程度诊断方法技术

本发明专利技术提供一种基于组合卷积神经网络的故障类型及损坏程度诊断方法，包括以下步骤：S1.数据采集与预处理；S2.构建一维卷积神经网络；S3.训练模型；S4.调整超参数和网络构架；S5.准备进行故障类型和损坏程度诊断的数据集；S6.分别训练各个模型；S7.将多个卷积网络组合成一个构架；S8.完成故障类型识别和损坏程度诊断。本发明专利技术选择一维卷积神经网络对原始振动信号的特征进行端到端的提取；同时使用全局最大池化层替换全连接层，减少训练参数，加快训练速度，防止过拟合。使用不同严重程度的一维原始数据分别训练不同的模型，不仅能实现故障类型的识别还能达到故障损坏程度分类的目的，取得比单一模型更好的效果。

【技术实现步骤摘要】
基于组合卷积神经网络的故障类型及损坏程度诊断方法
本专利技术属于深度学习和旋转机械故障诊断领域，涉及一种基于卷积神经网络的机械故障类型及损坏程度诊断方法。
技术介绍
当今，现代工业设备日益朝着大型化、高速化、精密化和自动化发展，已广泛应用于煤矿、石化、电力等工业，监控这些设备的健康状况变得非常复杂。大型机械系统一旦发生故障可能导致重大的安全事故，造成巨大的经济损失甚至人员伤亡。作为机械系统的重要部件之一，轴承在机械运行过程中发挥着连杆或齿轮轴的作用，损坏的轴承将对传动轴及传动齿轮造成严重影响，进而影响机械设备的性能、稳定性和使用寿命。通常轴承出现的故障位置包括内圈、外圈、滚动体，使用故障诊断方法可以及时识别这些故障，提高设备安全性能。然而，设备早期的微弱故障往往难以直接观察，如果不及时预防将导致事故，因此，针对大型机械设备的故障诊断在当今社会得到广泛关注。传统的故障诊断方法可以划分为三类：①基于解析模型的方法，如参数估计法、等价空间法和状态估计法；②基于信号的处理方法，如相关分析、频谱分析、小波分析等；③基于知识的方法，如智能诊断、模糊本文档来自技高网...

【技术保护点】
1.基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：包括以下步骤：/nS1.数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号；将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练；/nS2.构建一维卷积神经网络,在卷积层之后使用全局最大池化层代替全连接层；/nS3.训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号...

【技术特征摘要】
1.基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：包括以下步骤：
S1.数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号；将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练；
S2.构建一维卷积神经网络,在卷积层之后使用全局最大池化层代替全连接层；
S3.训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号到轴承故障类型或者故障损坏程度的多层映射关系；
S4.调整超参数和网络构架：针对神经网络的深度、卷积核的宽度、全局最大池化层、批标准化(BatchNormalization，BN)层和填充(Padding)对于模型的测试精度和运行时间进行比较；
S5.准备进行故障类型和损坏程度诊断的数据集，首先将包含全部故障类型和损坏程度的数据构成整体数据集，然后将每一种故障类型下不同损坏程度的数据组成多个独立的小数据集；
S6.分别训练各个模型：使用包含全部故障类型和损坏严重的数据集训练仅识别故障类型的网络；每一种故障类型下包含不同损坏程度的数据组成多种独立的数据集训练多个用于识别故障损坏程度的网络,通过学习得到不同的映射关系；
S7.将多个卷积网络组合成一个构架：将训练好的卷积神经网络进行组合，针对新收集的振动数据，通过预先训练好的组合模型，先对故障类型进行识别，然后再对故障损坏程度进行判断；
S8.完成故障类型识别和损坏程度诊断：完成端到端的特征自动提取与高精度故障类型识别和损坏程度诊断。


2.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S1中所述数据采集与预处理包括以下步骤：
S1.1，通过传感器采集在机械设备不同运行状况下的大量的一维时序振动数据，组成用于神经网络训练的大数据集；
S1.2，在保证模型运行速度的前提下选择适合机械故障诊断的样本维度；
S1.3，采用重叠采样的数据增强方法，假设样本的长度为L，偏移量为s，若数据集有n个数据，则可以得到(n-L)/s+1个样本；使用重叠采样对采集到的一维时序序列进行分割组成所需样本，将不同运行状态下的信号划分为单个样本，组成不同数据集；
S1.4，将上述所述的多个数据集组合成一个包含多种不同故障类型和损坏程度的数据集。


3.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S2中所述构建一维卷积神经网络的步骤如下：
S2.1，根据机械振动信号，第一层使用宽度为8的卷积核，之后的卷积核采用宽度为3的卷积核；
S2.2，针对最后一个池化层的神经元，输入信号的感受野应该大于机械系统转动一周的采样点数；设最后一个池化层的神经元在输入信号中的感受野为R(0)，T为轴承转动一圈加速度计记录的点数，L为输入信号的长度，则感受野R(0)应该满足T≤R(0)≤L，具体计算过程如下：
最后一个池化层的神经元在第k个池化层的感受野R(k)与在第k...

【专利技术属性】
技术研发人员：刘伟，张志华，单雪垠，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11