一种基于深度学习信号重构的转子监测方法技术

本发明专利技术公开了一种基于深度学习信号重构的转子监测方法，包括以下步骤：步骤1，获得转子初始振动信号数据；步骤2，将信号数据整理成矩阵形式并标准化，划分获得训练集和验证集；步骤3，搭建获得深度学习神经网络模型；步骤4，训练深度学习神经网络模型，获得训练后的重构及分类模型；步骤5，根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。本发明专利技术能够依靠少数测点的监测信号，获得精确的转子全测点信号，能够实现对转子整体及重点部位的监测，提高转子故障识别的准确率。

【技术实现步骤摘要】
一种基于深度学习信号重构的转子监测方法
本专利技术属于机械运行监测
，特别涉及一种基于深度学习信号重构的转子监测方法。
技术介绍
转子是工业生产过程中的重要部件，其结构及工作环境均较为复杂，容易发生故障；一旦发生故障而不能及时排查，会引发极大的经济损失甚至安全事故。因此，转子的实时监测及故障预警具有十分重要的意义。目前的实时监测由于测点数量缺失、设置困难、位置存在偏差等原因，常常存在所监测的数据不能真实反映转子振动状态，尤其是不能反应核心部位的振动情况，从而导致故障诊断准确性下降。总结而言，现在的转子监测及故障诊断存在以下问题：1、测点个数有限，监测情况往往难以反应整个转子的运行状况；2、测点难以布置在转子易损处等核心部位，监测存在一定的盲区；3、利用监测数据进行故障诊断往往会由于上述问题导致分类诊断效果不理想。近年来，深度学习被广泛应用于物理场重构等领域，可以实现基于较少的信息对真实物理场的还原。综上，亟需一种新的基于深度学习信号重构的转子监测方法。
技术实现思路
本专利技术的目的在于提供一种基于深度学习信号重构的转子监测方法，以解决上述存在的一个或多个技术问题。本专利技术所要解决的核心问题是，现有的转子监测技术难以对转子整体情况以及关键部位进行实时有效的监测，从而降低了故障识别的准确率；本专利技术能够依靠少数测点的监测信号，获得精确的转子全测点信号，能够实现对转子整体及重点部位的监测，提高转子故障识别的准确率。为达到上述目的，本专利技术采用以下技术方案：本专利技术的一种基于深度学习信号重构的转子监测方法，包括以下步骤：步骤1，获得转子初始振动信号数据，包括：改变转子尺寸信息，获得不同的转子模型；在每个转子模型上设置多个测点，利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；步骤2，将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化；根据转子监测问题规整输入输出，划分获得训练集和验证集；步骤3，搭建获得深度学习神经网络模型，包括：使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型；步骤4，使用步骤2获得的训练集和验证集，训练步骤3获得的深度学习神经网络模型，获得训练后的重构及分类模型；步骤5，将采集到的测点转子振动数据，利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型，模型输出测点的振动信号；根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。本专利技术的进一步改进在于，步骤1中，转子尺寸信息包括：圆盘直径、宽度、数量，转子轴的长度、直径；运行工况包括：正常工况，裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况，不同激励形式下的运行工况。本专利技术的进一步改进在于，步骤1中，转子尺寸信息表示为Parmn；其中，n＝1,2,3,...,N,N为获得的转子模型总数；每个转子尺寸信息均包括长度为m的参数信息，表示为Parmn＝[parmn1,parmn2,...,parmnm]，m为改变的参数总个数；获得的转子初始振动信号数据表示为Xn,i,j，i＝1,2,3,...,I,I为设置的测点总数；j＝1,2,3,...,J,J为所计算的工况类别总数；每个振动信号Xn,i,j均包括长度为t的时序信号，表示为Xn,i,j＝[xn,i,j,1,xn,i,j,2,...,xn,i,j,t]，t为采集振动信号的长度。本专利技术的进一步改进在于，步骤2具体包括：步骤2.1，将转子初始振动信号数据Xn,i,j按测点位置进行排序，转化为规则的矩阵形式XGn,j；其中，XGn,j包括I个长度为t的时序信号，XGn,j形状为I×t；选择预设数量测点，数量为Q，将其振动信号转化为矩阵形式XDn,j,；其中，XDn,j,包括预设数量个长度为t的时序信号；步骤2.2，对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理，获得标准化处理后的矩阵形式XG、XD，获得样本总数共计N×J个；步骤2.3，规整输入输出包括：输入Input，包括：Parmn及预设数量测点的振动信息XD；重构信息Recon，包括：全部测点的振动信息XG；输出Output，包括：不同类别的工况；步骤2.4，进行训练集和验证集的划分，包括：将总数共计N×J的样本打乱，按预设比例获得训练集(InputN×J×0.8)train和验证集(InputN×J×0.2)validation；其中，每个Input包括：Parm，形状为1×m；XD，形状为Q×t；对应的重构信息为训练集(XG)N×J×0.8，train和验证集(XG)N×J×0.8，validation，每个XG形状为I×t；对应的输出类别标签为label。本专利技术的进一步改进在于，步骤2.2中，标准化处理方法采用minmax标准化，将所有数据标准化至(0,1)区间内。本专利技术的进一步改进在于，步骤3具体包括：步骤3.1，建立从转子自身信息及监测点获得的振动信号，到全部测点振动信号XG的重构网络G_Net；步骤3.2，建立从全部测点振动信号XG到运行工况标签label的分类神经网络D_Net，用于判断振动信号发生时的转子状态；步骤3.3，确定深度学习神经网络模型的损失函数，包括：重构损失函数MSEloss与分类损失函数Logloss；其中，重构损失函数表达式为：式中，为重构的振动信号矩阵，为真实的振动信号矩阵，I×t为矩阵大小；分类损失函数表达式为：式中，labelk为标签向量中的第k个值，为经过分类神经网络后获得的标签向量中的第k个值；深度学习神经网络模型的总损失函数表达式为：Loss＝w1MSEloss+w2Logloss；其中，w1为重构损失函数的权值，而w2为分类损失函数的权值。本专利技术的进一步改进在于，步骤3.1中，先建立转子自身信息从长度m至长度为t的映射；若m>t，则使用一维卷积，若m<t，则使用一维解卷积。本专利技术的进一步改进在于，步骤3.3中，w1＝1-4×10-3×epoch，w2＝1-w1；其中，epoch为训练步。本专利技术的进一步改进在于，步骤4中，初始学习率设为0.01，每训练50步后将其降低为原来的1/10，训练200步后或预设次迭代loss变化小于等于1％时收敛。本专利技术的进一步改进在于，步骤5中，重构的振动信号与监测信号的相对误差低于10％时，满足要求。与现有技术相比，本专利技术具有以下有益效果：目前深度学习技术用于转子监测及故障诊断领域主要局限在对转子信号的分析以及分类上，未对少测点信息重构多测点信息进行相关应用。本专利技术的方法，能够依靠少数测点的监测信号还原出转子全测点本文档来自技高网...

【技术保护点】
1.一种基于深度学习信号重构的转子监测方法，其特征在于，包括以下步骤：/n步骤1，获得转子初始振动信号数据，包括：改变转子尺寸信息，获得不同的转子模型；在每个转子模型上设置多个测点，利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；/n步骤2，将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化；根据转子监测问题规整输入输出，划分获得训练集和验证集；/n步骤3，搭建获得深度学习神经网络模型，包括：使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型；/n步骤4，使用步骤2获得的训练集和验证集，训练步骤3获得的深度学习神经网络模型，获得训练后的重构及分类模型；/n步骤5，将采集到的测点转子振动数据，利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型，模型输出测点的振动信号；根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；/n步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。/n

【技术特征摘要】
1.一种基于深度学习信号重构的转子监测方法，其特征在于，包括以下步骤：
步骤1，获得转子初始振动信号数据，包括：改变转子尺寸信息，获得不同的转子模型；在每个转子模型上设置多个测点，利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；
步骤2，将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化；根据转子监测问题规整输入输出，划分获得训练集和验证集；
步骤3，搭建获得深度学习神经网络模型，包括：使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型；
步骤4，使用步骤2获得的训练集和验证集，训练步骤3获得的深度学习神经网络模型，获得训练后的重构及分类模型；
步骤5，将采集到的测点转子振动数据，利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型，模型输出测点的振动信号；根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；
步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。


2.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤1中，转子尺寸信息包括：圆盘直径、宽度、数量，转子轴的长度、直径；
运行工况包括：正常工况，裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况，不同激励形式下的运行工况。


3.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤1中，转子尺寸信息表示为Parmn；其中，n＝1,2,3,...,N,N为获得的转子模型总数；每个转子尺寸信息均包括长度为m的参数信息，表示为Parmn＝[parmn1,parmn2,...,parmnm]，m为改变的参数总个数；获得的转子初始振动信号数据表示为Xn,i,j，i＝1,2,3,...,I,I为设置的测点总数；j＝1,2,3,...,J,J为所计算的工况类别总数；每个振动信号Xn,i,j均包括长度为t的时序信号，表示为Xn,i,j＝[xn,i,j,1,xn,i,j,2,...,xn,i,j,t]，t为采集振动信号的长度。


4.根据权利要求3所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤2具体包括：
步骤2.1，将转子初始振动信号数据Xn,i,j按测点位置进行排序，转化为规则的矩阵形式XGn,j；其中，XGn,j包括I个长度为t的时序信号，XGn,j形状为I×t；
选择预设数量测点，数量为Q，将其振动信号转化为矩阵形式XDn,j,；其中，XDn,j,包括预设数量个长度为t的时序信号；
步骤2.2，对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理，获得标准化处理后的矩阵形式XG、XD，获得样本总数共计N×J个；
步骤2.3，规整输入输出包括：
输入Input，包括：...

【专利技术属性】
技术研发人员：谢永慧，孙磊，张荻，郑召利，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61