多尺度一维卷积神经网络的风机基座螺栓松动诊断方法技术

本发明专利技术涉及多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，属于机械状态诊断技术领域。首先，以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入，摆脱对信号处理和专业知识的依赖，并最大程度保留原始信号特征；然后，通过交替的多尺度卷积层和池化层对时域信号特征进行学习；最后，在特征输出层后添加Softmax多分类器，利用反向传播逐层微调结构参数建立特征空间到健康状态空间的映射，输出风机基座螺栓松动程度诊断结果。本方法将松动程度特征自动学习与松动程度诊断融为一体，实现了风机基座螺栓松动程度智能诊断。通过在稳定转速和变转速下对风机基座螺栓松动程度诊断实验，证明了所提方法的可行性和有效性。

【技术实现步骤摘要】
多尺度一维卷积神经网络的风机基座螺栓松动诊断方法
本专利技术属于机械状态诊断
，涉及多尺度一维卷积神经网络的风机基座螺栓松动诊断方法。
技术介绍
风机是工程中应用最广泛的通风装置，连接螺栓是保证风机基座稳定的重要部件。工程现场中，风机运行环境恶劣，其因受粉尘等侵扰，在长时间运行中易出现不平衡和润滑不良等问题，导致振动加剧，容易造成风机基座连接螺栓松动，进而更加剧振动，形成恶性循环，影响风机正常工作和通风安全，甚至造成安全事故，特别是悬挂类风机更容易造成脱落等恶劣后果。因此，对风机基座螺栓松动诊断尤为重要。目前已有的风机基座螺栓松动程度诊断方法如韩坤林等利用LLTSA算法对人工提取24维振动混合域特征参数进行特征约简，结合最近邻分类器(KNNC)实现风机基座螺栓松动程度诊断；陈仁祥等结合敏感特征与流行学习约简构造风机基础连接螺栓松动程度低维特征集，通过加权最近邻分类器(WKNNC)实现风机基座螺栓松动程度诊断。这些方法取得了一定的效果，但均依靠人工提取信号特征，其人工提取特征过程需要依靠大量信号处理技术和专家知识与经验，且难以通过提取的浅层特征对原始信号特征进行全面准确刻画。特别针对不同风机，存在的不同的运行转速，因而采集的振动信号因受转速影响而存在明显差异，依靠现有方法无法有效地实现此种情况下风机基座螺栓松动程度诊断。因此，如何减小转速影响，从信号中有效提取出螺栓松动程度状态特征面临挑战，这也意味着对于算法强大特征提取能力的需求。
技术实现思路
有鉴于此，本专利技术的目的在于提供多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，所用材料与原型材料具有非常相似的物理、力学性质，因而能更好的模拟围岩及破碎带的力学性能，且原材料无毒副作用不会对人体造成伤害，原材料易得，价格低廉。为达到上述目的，本专利技术提供如下技术方案：多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，该方法包括以下步骤：步骤1：获取风机基座螺栓不同松动程度振动时域信号，划分训练样本和测试样本；步骤2：构建多尺度一维卷积神经网络模型，并对模型参数初始化；步骤3：以批量方式输入训练样本，逐层向前传播获取精细化样本特征，在输出层获取实际松动程度状态类别，计算期望输出与实际输出的误差；步骤4：将误差反向传播，逐层微调网络参数；步骤5：重复3、4步骤，直到将训练样本全部训练完毕且满足网络精度要求或者达到迭代次数，得到可用于风机基座螺栓松动程度智能诊断的模型；步骤6：输入测试样本，获取诊断结果。可选的，所述步骤2中多尺度一维卷积神经网络模型由两层交替的多尺度卷积层和池化层、两层全连接层构成；1)多尺度卷积层包含n个并行的卷积层，每个卷积层使用不同尺度的一维卷积核对输入信号进行不同尺度的卷积，实现不同精细度信号特征的提取；然后对各卷积层所提取特征进行拼接，输出到下一层；多尺度一维卷积定义如下：其中，表示以卷积核尺度K的第i个输出特征，X表示输入信号，Wik表示以核尺度k的第i个卷积核，bi表示输出第i个特征时所加的偏置，卷积核尺度K＝[k1，k2…kn]，f表示激活函数；这里用到的激活函数为Relu激活函数，如下式所示；f(x)＝max(0，x)2)池化层是对上一层数据的缩放映射，通过池化核对输入数据进行子采样，减少输入数据的空间维度；yi＝f(βidown(x)+bi)式中，down(*)为下采样函数，βi表示第i个特征的权值，x对应上一层，即卷积层的输出，bi表示第i个特征的偏置；3)全连接层中的每个神经元与前一层的所有神经元进行全连接，整合卷积层或者池化层中具有类别区分性的局部信息；全连接层后接一个隐藏层，最后由Softmax多分类器完成分类；假设由k类的分类问题，Softmax多分类器的输出计算如下：式中：W和b分别是权重矩阵和偏置值，O是卷积神经网络的最终输出本专利技术的有益效果在于：1)以原始振动时域信号作为输入，摆脱对信号处理和专业知识的依赖，减少了信号预处理的工作量，并运行一维的网络结构来处理一维时域信号，自动提取信号深层特征。2)网络中设计多尺度卷积层，多尺度卷积层中设置多个不同尺度卷积核，卷积核具有局部感受野和权值共享的特性，可有效降低参数计算量；且不同尺度的卷积核可以提取不同精细度的特征，通过设置多个不同尺度卷积核可有效地增强网络的特征提取能力，从而适应不同运行转速下风机基座螺栓松动程度状态特征的提取。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为本专利技术的算法流程图；图2为多尺度一维卷积神经网络结构图3为多尺度卷积层结构图4为不同方法诊断结果图；图4(a)为风机稳定转速下不同CNN方法的风机基座螺栓松动程度诊断结果；图4(b)为风机变转速下不同CNN方法的风机基座螺栓松动程度诊断结果；图5为不同方法特征可视化图。图5(a)、图5(e)分别为稳定转速和变转速下本专利技术特征可视化图；图5(b)、图5(f)分别为稳定转速和变转速下单尺度一维CNN方法特征可视化图；图5(c)、图5(g)分别为稳定转速和变转速下二维CNN方法特征可视化图；图5(d)、图5(h)分别为稳定转速和变转速下人工提取特征方法特征可视化图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利技术的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。以下将对本专利技术的本文档来自技高网...

【技术保护点】
1.多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，其特征在于：该方法包括以下步骤：/n步骤1：获取风机基座螺栓不同松动程度振动时域信号，划分训练样本和测试样本；/n步骤2：构建多尺度一维卷积神经网络模型，并对模型参数初始化；/n步骤3：以批量方式输入训练样本，逐层向前传播获取精细化样本特征，在输出层获取实际松动程度状态类别，计算期望输出与实际输出的误差；/n步骤4：将误差反向传播，逐层微调网络参数；/n步骤5：重复3、4步骤，直到将训练样本全部训练完毕且满足网络精度要求或者达到迭代次数，得到可用于风机基座螺栓松动程度智能诊断的模型；/n步骤6：输入测试样本，获取诊断结果。/n

【技术特征摘要】
1.多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，其特征在于：该方法包括以下步骤：
步骤1：获取风机基座螺栓不同松动程度振动时域信号，划分训练样本和测试样本；
步骤2：构建多尺度一维卷积神经网络模型，并对模型参数初始化；
步骤3：以批量方式输入训练样本，逐层向前传播获取精细化样本特征，在输出层获取实际松动程度状态类别，计算期望输出与实际输出的误差；
步骤4：将误差反向传播，逐层微调网络参数；
步骤5：重复3、4步骤，直到将训练样本全部训练完毕且满足网络精度要求或者达到迭代次数，得到可用于风机基座螺栓松动程度智能诊断的模型；
步骤6：输入测试样本，获取诊断结果。


2.如权利要求书1所述风机基座螺栓松动程度智能诊断方法，其特征在于：所述步骤2中多尺度一维卷积神经网络模型由两层交替的多尺度卷积层和池化层、两层全连接层构成；
1)多尺度卷积层包含n个并行的卷积层，每个卷积层使用不同尺度的一维卷积核对输入信号进行不同尺度的卷积，实现不同精细度信号特征的提取；然后对各卷积层所提取...

【专利技术属性】
技术研发人员：陈仁祥，徐培文，杨黎霞，曾力，王钰洁，崔晓璐，朱炬锟，陈键，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆;50