基于改进卷积神经网络的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于改进卷积神经网络的旋转机械故障诊断方法，其包括以下步骤：(1)采集一维时间序列故障数据，获取原始故障数据集；(2)将获取的原始故障数据集的数据进行预处理操作，所述预处理包括：标准化、数据截断和数据重构；(3)将预处理后的每类故障的样本划分为训练集、验证集和测试集；(4)建立改进的卷积神经网络故障诊断模型，该模型包含有输入层、特征提取层、降维减参层和softmax分类输出层，降维减参层包含有1×1的过渡卷积层和全局均值池化层；(5)模型的训练与测试；所述诊断模型可自动对故障数据自动提取特征和诊断，无需任何手工特征提取操作，使人们对旋转机械故障诊断更方便快捷。

【技术实现步骤摘要】
基于改进卷积神经网络的旋转机械故障诊断方法
本专利技术属于旋转机械故障诊断及检测的
，更具体的，涉及一种基于改进卷积神经网络的旋转机械故障诊断方法。
技术介绍
随着现代工业技术的快速发展，旋转机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展，旋转机械主要包含动力装置，如柴油机、汽轮机、发动机、电动机等，还包含旋转部件，如轴承、主轴等。随着旋转机械的工作环境多样化，尤其是在复杂多变的工作环境下长时间连续运行时，常因其工作负荷重，负载多变以及受盐碱腐蚀和高温等影响易于发生各类故障。若故障无法有效及时的诊断和排除，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。因此对旋转机械的故障诊断与状态在线监测对保障设备的安全稳定运行至关重要。在本专利技术之前，目前市面上针对旋转机械的故障诊断和状态监测的产品或方法较为稀少，运用较多的仍是传统的“事后维修”、“计划维修”和“定时维护”的方式，这种方式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，带来安全隐患本文档来自技高网...

【技术保护点】
1.一种基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：/n（1）采集一维时间序列故障数据，获取原始故障数据集，将振动加速度传感器设置在旋转机械上，利用所述振动加速度传感器采集旋转机械在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，该数据集包含1个正常状态和s-1个故障状态；/n（2）将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0~1之间，标准化的方法为：

【技术特征摘要】
1.一种基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：
（1）采集一维时间序列故障数据，获取原始故障数据集，将振动加速度传感器设置在旋转机械上，利用所述振动加速度传感器采集旋转机械在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，该数据集包含1个正常状态和s-1个故障状态；
（2）将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0~1之间，标准化的方法为：X={xi}=(xi-xmin)/(xmax-xmin)；其次，对标准化后的一维时间序列数据进行等分截断，得到h个等长的一维时间序列小数据段（假设每个小数据段的长度为k个数据点，k的取值为100~10000），每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；然后，将每个长度为k的小数据段的一维时间序列数据形式进行格式重构为二维特征图[m,n]（假设每张特征图的尺寸为m×n=k），按照此方法，即可获得s×h个故障样本二维特征图；
（3）将预处理后的每类故障的h个样本划分为训练集、验证集和测试集，划分方法为：在预处理后的每类故障的h个样本中随机的选取30%的样本数量作为测试集，再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集；
（4）建立改进的卷积神经网络故障诊断模型，将训练集的数据样本输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参；
（5）运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率高于验证集上的准确率，说明模型参数训练正常，继续执行步骤(6)，当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率开始低于...

【专利技术属性】
技术研发人员：宫文峰，张美玲，
申请(专利权)人：宫文峰，
类型：发明
国别省市：广西;45