基于卷积神经网络的多通道时间序列数据故障诊断方法技术

本发明专利技术公开了一种基于卷积神经网络的多通道时间序列数据故障诊断方法，其包括以下步骤：(1)采集监测对象的多通道一维时间序列故障数据；(2)构建多通道一维时间序列原始故障数据集，进行归一化、数据截断预处理；(3)构建多通道二维特征图故障数据集；(4)划分为训练集、验证集和测试集；(5)构建多通道深度学习故障诊断模型，包含有输入层、特征提取层、降维减参层、softmax分类层和支持向量机输出层，所述降维减参层包含有一个卷积核为1×1的过渡卷积层和一个全局均值池化层；(6)多通道深度学习故障诊断模型的训练、验证和测试，诊断结果最终由支持向量机自动输出，使人们对机电装备的故障诊断更加智能方便。

【技术实现步骤摘要】
基于卷积神经网络的多通道时间序列数据故障诊断方法
本专利技术属于故障诊断
，尤其涉及一种基于卷积神经网络的多通道时间序列数据故障诊断方法。
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。在本专利技术之前，针对机电装备的故障诊断和状态监测的方法仍是以传统本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多通道时间序列数据故障诊断方法，其特征在于，包括以下步骤：/n（1）采集监测对象的多通道一维时间序列故障数据；在监测对象上布置传感器，利用所述传感器采集监测对象在多种健康状态下运行时产生的一维时间序列数据监测信号，所述传感器在监测对象上布置的测点个数设置为T个(即T个通道)，用于采集监测对象T个部位的故障数据，每个测点设置为安装一个传感器，所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段，该一维时间序列原始数据段的样本长度为L，即包含有L个数据点；所述监测对象的健康状态设置为N种健康状态，其中包含有一个正常状态和N-1种故障状态，从而每个健康状态均包含有T...

【技术特征摘要】
1.一种基于卷积神经网络的多通道时间序列数据故障诊断方法，其特征在于，包括以下步骤：
（1）采集监测对象的多通道一维时间序列故障数据；在监测对象上布置传感器，利用所述传感器采集监测对象在多种健康状态下运行时产生的一维时间序列数据监测信号，所述传感器在监测对象上布置的测点个数设置为T个(即T个通道)，用于采集监测对象T个部位的故障数据，每个测点设置为安装一个传感器，所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段，该一维时间序列原始数据段的样本长度为L，即包含有L个数据点；所述监测对象的健康状态设置为N种健康状态，其中包含有一个正常状态和N-1种故障状态，从而每个健康状态均包含有T个通道的一维时间序列原始故障数据段；
（2）构建多通道一维时间序列原始故障数据集{φ}原；运用所述N种健康状态的监测数据构建用于深度学习模型训练和测试的多通道一维时间序列原始故障数据集{φ}原，所述多通道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}原均包含有T个一维时间序列原始数据段，从而组成一个N×T×L的多维张量数据集{φ}原，即：每一个一维时间序列原始数据段的长度均为L个数据点，每个健康状态类型包含有T个一维时间序列数据段，多通道原始故障数据集{φ}原包含N个健康状态类型；
（3）数据预处理；将获取的多通道一维时间序列原始故障数据集{φ}原中的N×T个一维时间序列原始数据段进行数据预处理操作，所述预处理包括归一化和数据截断；首先，对所述N×T个一维时间序列原始数据段的数据逐一进行归一化数据处理，将每一个一维时间序列原始数据段中的所有数据点的值的量级转变为0~1之间，所述归一化的方法为：X={xi}=(xi-xmin)/(xmax-xmin)；其次，对每个健康状态归一化处理后的T个通道中的每个通道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（假设每个等长的小数据段的长度为k个数据点,k×h=L,k的取值范围为100~10000之间），T个通道即可得到T×h个一维时间序列原始小数据段，从而，每个健康状态均可得到h个具有T个通道的一维时间序列原始小数据段组，每一个具有T个通道的一维时间序列原始小数据段组即构成一个故障样本，即每个故障样本均包含T个通道，其中每个通道具有k个数据点，将经过等分截断操作后的多通道一维时间序列原始故障数据集{φ}原记为{φ}截，因此{φ}截包含有N×h个具有T通道的一维时间序列小数据段组，每一个具有T通道的一维时间序列原始小数据段组记为一个故障样本{X(k)}(T)，即每一个故障样本包含T个通道，每一个通道包含k个数据点；
（4）构建多通道二维特征图故障数据集；将所述等分截断操作后得到的{φ}截中的每一个故障样本{X(k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图，具体数据重构方法为：首先，将故障样本{X(k)}(T)中每个通道的长度为k的一维时间序列小数据段分量x(k)的一维向量格式重构为二维特征图的矩阵形式[x]m×n（即：每张特征图的尺寸为m×n=k），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{X(k)}(T)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)中的T个二维特征图按照从通道1、通道2、……、通道T的顺序依次叠加，即可构建一个包含有T通道的二维特征图的故障样本{X[m×n]}(T)，该样本格式即是为后续步骤中本发明设计的卷积神经网络故障诊断可读取的样本形式；按照同样的样本重构方法即可将{φ}截中的N×h个具有T通道的一维时间序列小数据段组故障样本{X(k)}(T)重构为N×h个具有T通道相叠加的尺寸为m×n的二维特征图{X[m×n]}(T)；并将数据格式重构后的{φ}截记为多通道二维特征图故障数据集{φ}2D；
（5）数据集划分；将多通道二维特征图故障数据集{φ}2D中每一种健康状态类型中的h个样本划分为训练集、验证集和测试集，划分方法为：首先将多通道二维特征图故障数据集{φ}2D中的每一种健康状态类型中的h个故障样本随机的选取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；最后，将多通道二维特征图故障数据集{φ}2D中的N类健康状态中的所有划为训练集的故障样本组集为总训练集{D}训、将{φ}2D的N类健康状态中所有划为验证集的故障样本组集为总验证集...

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