【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
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。