基于深度学习的时间序列数据智能故障诊断方法技术

本发明专利技术公开了一种基于深度学习的时间序列数据智能故障诊断方法，包括以下步骤：1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；2)根据采集的N种健康状态数据构建一维时间序列原始故障数据集；3)数据预处理，所述预处理包括归一化和数据截断；4)构建二维特征图故障数据集；5)数据集划分；6)构建深度学习故障诊断模型；7)对深度学习故障诊断模型进行训练，获得参数；8)对输入的待诊断样本数据使用深度学习故障诊断模型进行故障诊断，输出最终的故障诊断结果。本发明专利技术通过构建二维特征图和改进传统卷积神经网络模型结构，提高了故障的诊断速度和故障诊断的准确性。

【技术实现步骤摘要】
基于深度学习的时间序列数据智能故障诊断方法
本专利技术涉及故障诊断技术，尤其涉及一种基于深度学习的时间序列数据智能故障诊断方法。
技术介绍
随着智能时代的到来，越来越多的机电装备产品朝着智能化、自动化、多功能化和精密化方向发展，如今机电装备产品的应用环境复杂度逐渐增加，在复杂多变的工作环境下，机电装备的长时间连续运行易于发生各类故障，若故障无法及时的诊断和排除，一旦故障危害蔓延将可能带来重大损失，因此极有必要对机电装备提供有效的智能故障诊断方法；如今随着“互联网+”、物联网与先进智能传感器技术在机电装备上的广泛应用，反映机电装备产品运行健康状态的“大数据”被轻易获取和利用；例如，在航空发动机、电动机、发动机、滚动轴承、齿轮等机器或部件中可采集获取诸如振动加速度、噪声、转速、温度、电压或电流等一维时间序列监测数据，这些监测数据记录了机电装备运行过程的健康状态及变化特征，通过对这些一维时间序列数据进行特征提取和统计分析利用即可达到对机电装备进行故障诊断的目的。现有针对机电装备的故障诊断和状态监测的方法仍是以传统的“事后维修”、“计划维修”和“定时维护”的方式为主，此类方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足技术人员智能故障诊断和在线状态监测的需求。随着机器学习研究的不断兴起，基于人工智能的故障诊断算法逐渐成为故障诊断领域研究的热点。主流的算法有：BP神经网络(BPNN)、支持向量机(SVM)和K近邻法(KNN)。经过多年的应用验证，以上三种算法因其浅层的网络结构导致特征提取能力较差，已难以适应如今大数据样本环境下的应用。目前业内学者通常采用手工特征提取和浅层机器学习算法相结合的方法进行智能故障诊断。上述现有智能故障诊断方法中虽已应用并取得一定成效，但是仍然突显出三大不足：(1)必须掌握各种先进的信号处理技术用于特征提取，特征选择必须依赖于工程师凭经验和专业知识完成，存在较大的主观和盲目性；(2)特征提取主要用于解决特定故障问题，通用性差，且在海量数据样本环境下难以完成；(3)人工提取的故障特征不全面，对反映微小故障的特征易误删和被噪音掩盖。产生上述缺陷的主要原因是现有的智能故障诊断算法中使用的网络模型大多是浅层结构，其特征提取能力较弱。2006年，Hinton等提出深度学习理论，它利用深层神经网络对输入样本数据逐层贪婪学习并自动提取代表性特征，它强大的特征提取能力具备识别微小故障特征的潜力，克服了传统智能诊断方法中的固有缺陷，近5年开始受到故障诊断领域学者的关注。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习重要的分支之一，它具有强大的特征提取能力。近年来有部分学者将CNN应用于故障诊断领域，中国专利技术专利(一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，申请号：CN201810240234.1)和中国专利技术专利(基于振谱图和深度卷积神经网络的轴承故障诊断方法，申请号：CN201811567134.6)虽然都用到了卷积神经网络，但是仍存在三大缺陷，其一，该方法仍然需要对原始故障数据使用传统的特征提取方法(短时傅里叶变换)进行特征提取前处理，未能充分利用卷积神经网络强大的特征提取能力，限制了故障诊断效果的进一步提升；其二是传统的卷积神经网络参数量过多的问题，传统的卷积神经网络中包含有一个2～3层的全连接层网络结构部分，通常位于最后一个池化层与Softmax分类输出层之间，由于该全连接层的存在所产生的训练参数量占据了CNN总参数量的80％～90％，这一缺陷将CNN通过池化降维减少参数量的优势大幅抵消，全连接层的结构既占用了过多的计算资源，同时又容易引起CNN模型训练过拟合，尤其是包含多个隐含层的全连接层，CNN模型参数量将随全连接层数的增加呈指数级增涨，从而导致传统CNN模型因参数量过多使得用在故障在线诊断时测试耗时过长，不利于故障的实时快速诊断。其三，传统CNN中使用的Softmax分类函数在多分类功能上远不如SVM的功能强大，然而SVM的不足之处在于其深层特征提取和数据挖掘能力不足，难以在故障智能诊断方面发挥更优越的性能。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度学习的时间序列数据智能故障诊断方法。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的时间序列数据智能故障诊断方法，包括以下步骤：1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；测点的个数为T；所述健康状态为机电设备存在的N种健康状态，其中有一个正常状态和N-1种故障状态；2)根据采集的N种健康状态数据构建一维时间序列原始故障数据集{φ}原；3)数据预处理，所述预处理包括归一化和数据截断；4)构建二维特征图故障数据集；将所述数据预处理后得到的每一个故障样本中的每个通道的一维时间序列数据进行数据格式重构为二维特征图；5)数据集划分；将二维特征图故障数据集中每一种健康状态类型中的样本划分为训练集、验证集和测试集；6)采用卷积神经网络，构建深度学习故障诊断模型；7)对深度学习故障诊断模型进行训练，获得所述深度学习故障诊断模型的特征提取层和降维减参层的模型参数；对训练后的深度学习故障诊断模型进行验证，直到验证集准确率达到设定的目标值或训练迭代次数时，模型训练结束，同时保存模型训练结束时的深度学习故障诊断模型中的各层参数值；8)对输入的待诊断样本数据使用深度学习故障诊断模型进行故障诊断，输出最终的故障诊断结果。按上述方案，所述步骤2)中一维时间序列原始故障数据集{φ}原的构建如下：一维时间序列原始故障数据集{φ}原设置为包含有N个子集：{φ}原＝{φ1,φ2,...,φi,...,φN}原，对应N种健康状态，所述每个子集{φi}原包含有T个一维时间序列原始数据段，每个原始数据段的长度为L，即包含L个数据点，从而组成一个N×T×L的多维张量数据集{φ}原。按上述方案，所述步骤3)中数据预处理数据截断为将包含有L个数据点的一维时间序列原始数据段进行分段等分截断，使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段，若假设每个等长的小数据段的长度为k个数据点,则k×h＝L。按上述方案，所述步骤4)中数据重构方法为：首先，将故障样本中每个通道的长度为k的一维时间序列小数据段分量的一维向量格式重构为二维特征图的矩阵形式[x]m×n，构建方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图；按照同样的方法，每个故障样本中T个通道即可得到T张尺寸为m×n的二维特征图；其次，将故障样本{X(k)}(T)本文档来自技高网...

【技术保护点】
1.一种基于深度学习的时间序列数据智能故障诊断方法，其特征在于，包括以下步骤：/n1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；测点的个数为T；/n所述健康状态为机电设备存在的N种健康状态，其中有一个正常状态和N-1种故障状态；/n2)根据采集的N种健康状态数据构建一维时间序列原始故障数据集{φ}

【技术特征摘要】
1.一种基于深度学习的时间序列数据智能故障诊断方法，其特征在于，包括以下步骤：
1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；测点的个数为T；
所述健康状态为机电设备存在的N种健康状态，其中有一个正常状态和N-1种故障状态；
2)根据采集的N种健康状态数据构建一维时间序列原始故障数据集{φ}原；
3)数据预处理，所述预处理包括归一化和数据截断；
4)构建二维特征图故障数据集；将所述数据预处理后得到的每一个故障样本中的每个通道的一维时间序列数据进行数据格式重构为二维特征图；
5)数据集划分；将二维特征图故障数据集中每一种健康状态类型中的样本划分为训练集、验证集和测试集；
6)构建深度学习故障诊断模型；
7)对深度学习故障诊断模型进行训练，获得深度学习故障诊断模型的特征提取层和降维减参层的模型参数；对训练后的深度学习故障诊断模型进行验证，直到验证集准确率达到设定的目标值或训练迭代次数时，模型训练结束，同时保存模型训练结束时的深度学习故障诊断模型中的各层参数值；
8)对输入的待诊断样本数据使用深度学习故障诊断模型进行故障诊断，输出最终的故障诊断结果。


2.根据权利要求1所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤2)中一维时间序列原始故障数据集{φ}原的构建如下：一维时间序列原始故障数据集{φ}原设置为包含有N个子集：{φ}原＝{φ1,φ2,...,φi,...,φN}原，对应N种健康状态，所述每个子集{φi}原包含有T个一维时间序列原始数据段，每个原始数据段的长度为L，即包含L个数据点，从而组成一个N×T×L的多维张量数据集{φ}原。


3.根据权利要求1所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤3)中数据预处理数据截断为将包含有L个数据点的一维时间序列原始数据段进行分段等分截断，使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段，若假设每个等长的小数据段的长度为k个数据点,则k×h＝L。


4.根据权利要求3所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤4)中数据重构方法为：首先，将故障样本中每个通道的长度为k的一维时间序列小数据段分量的一维向量格式重构为二维特征图的矩阵形式[x]m×n，构建方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m...

【专利技术属性】
技术研发人员：陈辉，宫文峰，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42