基于深度复卷积网络的屏蔽泵故障模式识别方法及系统技术方案

本发明专利技术公开了基于深度复卷积网络的屏蔽泵故障模式识别方法及系统，该方法包括：S1：采样屏蔽泵运转时的初始数据，即屏蔽泵运转时的屏蔽泵上下部分的振动传感器数据；S2：把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中进行模型训练；S3：采用训练好的模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。本发明专利技术所构建模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K

【技术实现步骤摘要】
基于深度复卷积网络的屏蔽泵故障模式识别方法及系统


[0001]本专利技术涉及屏蔽泵故障模式识别
，具体涉及基于深度复卷积网络的屏蔽泵故障模式识别方法及系统。

技术介绍

[0002]随着工业规模的不断扩大，现代系统设备故障发生数量和严重程度都有一定攀升，给机械设备实时监测和故障智能化诊断提出了迫切的需求。早期故障智能化诊断主要是通过传统特征提取方法，如傅里叶变换、小波变换等变换核函数将故障的原始空间变换x到特征空间在特征空间上利用智能分类算法，对机械设备故障进行诊断，公式为：在特征空间上利用智能分类算法，对机械设备故障进行诊断，公式为：
[0003]由于这种方法结果准确性比较依赖于特征空间提取的完备性，需要一定的人类知识的积累和特征量筛选，筛选结果同时也具有一定主观性，因此专家知识和特征筛选工作量是该方法继续发展的主要瓶颈。
[0004]深度学习提出了一种端到端的学习范式，即不通过中间的特征提取过程，直接由原始数据通过预先定义好的深度学习网络层，最终直接获得模式识别结果。但是当前大多数故障模式识别领域的深度学习网络层是从其他领域移植过来，通过盲目调整参数或者自适应寻优方式对深度学习网络进行优化，使之适应当前故障模式识别任务。但是该方法仍然存在参数寻优的工作量大或者调参盲目的缺点，导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
[0005]因此，我们亟待一种用于屏蔽泵故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测。

技术实现思路

[0006]本专利技术所要解决的技术问题是现有技术中针对屏蔽泵故障模式识别方法中，人工识别方法主观性强，工作量大；传统深度学习的屏蔽泵故障模式识别方法基于参数寻优的工作量大或者调参盲目导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。本专利技术目的在于提供基于深度复卷积网络的屏蔽泵故障模式识别方法及系统，本专利技术的屏蔽泵故障模式识别方法采用一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
[0007]本专利技术通过下述技术方案实现：
[0008]基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该方法包括以下步骤：
[0009]S1：采样屏蔽泵运转时的初始数据，所述初始数据为屏蔽泵运转时的屏蔽泵上下部分的振动传感器数据；
[0010]S2：根据采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
[0011]S3：采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
[0012]工作原理是：基于现有技术中针对屏蔽泵故障模式识别方法中，人工识别方法主观性强，工作量大；传统深度学习的屏蔽泵故障模式识别方法基于参数寻优的工作量大或者调参盲目导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。本专利技术设计了一种基于一维深度复卷积网络的屏蔽泵故障模式识别方法，首先，对屏蔽泵运转时的屏蔽泵上下部分的振动数据进行采集，作为下一步模型的训练数据及测试数据；其次，构建基于一维深度复卷积网络的屏蔽泵深度学习模型，并采用上述采集的振动传感器数据输入到该模型中进行模型训练；尤其在此过程中，相比传统基于机器学习的故障模式识别思想，本专利技术所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；最后，采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
[0013]本专利技术方法流程合理，屏蔽泵故障模式识别精度高，效率高，且能够快速实现。本专利技术识别方法的过程中，提供了一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
[0014]进一步地，步骤S1中所述屏蔽泵上下部分的振动传感器采用5个加速度传感器，所述5个加速度传感器均匀布置于所述屏蔽泵上下导轴承附近的外围耐压壳上，且所述5个加速度传感器采集的采样率为50000Hz，采样长度为1s。
[0015]进一步地，基于屏蔽泵额定转速为3000r/min，其基础频率为50Hz，通过对屏蔽泵原始数据的频域特性进行分析，其分析范围为25Hz～10000Hz，进而步骤S1中采样屏蔽泵运转时的初始数据，其中采样频率为50000Hz。
[0016]进一步地，步骤S2中构建基于一维深度复卷积网络的屏蔽泵深度学习模型，采用上述采集的运动传感器数据输入到该模型中进行模型训练；在此过程中，相比传统基于机器学习的故障模式识别思想，本专利技术所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；具体地：步骤S2中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
[0017]S21：通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果，实现基函数的自适应选择；具体地：输入初始数据分别通过单个一维复卷积层进行卷积
操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
[0018]S22：采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
[0019]S23：利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
[0020]具体地：
[0021](1)一维复卷积层
[0022]一维复卷积层主要采用在卷积层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，该方法包括以下步骤：S1：采样屏蔽泵运转时的初始数据，所述初始数据为屏蔽泵运转时的屏蔽泵泵壳上下部的振动传感器数据；S2：根据采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；S3：采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。2.根据权利要求1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S1中所述屏蔽泵泵壳上下部分的振动传感器采用5个加速度传感器，所述5个加速度传感器布置于所述屏蔽泵上下导轴承附近的外围耐压壳上。3.根据权利要求1或2所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S1中采样屏蔽泵运转时的初始数据，其中采样率为50000Hz，采样长度为1s。4.根据权利要求1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S2中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：S21：通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；S22：采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；S23：利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。5.根据权利要求4所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S22中所述复K-MaxPooling层的执行过程如下：步骤1：划分实-虚通道x,y＝split(In,axis＝
′
channel_axis
′
)；步骤2：实-虚通道转换为幅度-相位形式，步骤3：选择幅度最大的K个索引步骤4：根据K个索引，返回索引对应的幅度和相位{r}
k
＝r[{index}
k
]；{θ}
k
＝θ[{index}
k
]；步骤5：将幅度、相位和索引连接起来，作为复K-MaxPooling层的输出Out＝concat([{r}
k
,{θ}
k
,{index}
k
],axis＝
′
channel_axis
′
)；其中，x，y分别是原始输入In的实部和虚部，r，θ分别是原始输入In的幅值和相位，index为最大幅值对应的索引值。6.根据权利要求4所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特
征在于，所述基于一维...

【专利技术属性】
技术研发人员：罗能，彭翠云，刘才学，黄彦平，何攀，杨泰波，段智勇，艾琼，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：