基于旋转机械故障诊断的方法技术

本发明专利技术涉及旋转机械的故障诊断方法。当前故障诊断软件无法实现自动对旋转机械进行诊断，且精度低，并且传统方法对设备进行故障诊断效率低下。为解决这一问题，提出了提出了一种融合CNN和GMM的故障诊断方法。该方法在训练阶段首先利用大量振动数据训练一个CNN提取振动信号特征，然后为每类故障训练一个GMM。在故障诊断阶段，新的输入信号经过特征提取后在GMM模型上分类，实现故障诊断。实验表明，与传统方法相比，所提出的方法在旋转机械故障诊断方面具有更高的准确率。本发明专利技术应用于旋转机械故障诊断领域。故障诊断领域。

【技术实现步骤摘要】
基于旋转机械故障诊断的方法


[0001]本专利技术属于故障诊断领域，具体涉及到融合卷积神经网络(CNN)和高斯混合模型(GMM)的一种故障诊断方法。

技术介绍

[0002]随着信息技术和时代的进步，现代工业体系逐渐向复杂化的方向发展。控制系统相关的机械设备载体越来越复杂和庞大，在运行过程中极易发生故障，若不能及时处理，将极大程度上威胁到操作人员人身安全，同时导致经济损失。旋转机械作为机械设备的重要组成部分被广泛用于燃气机发动机、风力发电机、飞机发动机等设备，在生产中起着关键性作用。旋转机械不停地工作，容易发生转子发生不对中、齿轮松动、轴承磨损等故障，引起设备振动过大、系统整体结构产生变化，最终降低生产效率，甚至发生安全事故。因此故障诊断对于保证旋转机械的安全性和可靠性具有重要意义。
[0003]轴承是旋转机械的核心部件，发生故障将会导致整个设备无法正常运转。为了更好的实现轴承的故障诊断，人们不断尝试和探索新的方法。目前故障诊断方法主要有：基于贝叶斯推理的方法、基于神经网络的方法和基于深度学习的方法。其中贝叶斯推理的方法由于朴素贝叶斯分类算法建立在属性条件独立性假设的基础之上，而此假设在实践过程常常并不满足，因此该方法在实际轴承故障诊断应用中具有一定的局限性。虽然人工神经网络技术已经作为一种应用广泛的模式识别技术，但是由于该模型存在样本依赖性、网络结构难以确定等困难，还需要进一步深入研究提升神经网络的轴承故障诊断精度。深度学习具有自适应学习设备故障特征量的能力，因此有效避免了人工构建故障特征量的不足，随着相关理论的不断发展，基于深度学习的机械故障诊断技术必将具有广阔的应用空间。针对传统方法和机器学习方法难以准确表述复杂数据特征的问题，本专利技术将CNN 和GMM相融构成新的故障诊断框架。本专利技术相比于其他故障诊断方法提高了故障识别的精度，因此本专利技术中方法的提出具有重要的意义。

技术实现思路

[0004]本专利技术针对现有技术的不足，提出一种新的融合CNN和GMM方法的故障诊断框架。
[0005]本专利技术解决其技术问题所采用的技术方案主要包括如下步骤：
[0006]步骤一：训练特征提取模型。首先利用卷积神经网络对振动数据信号进行训练，得到可对振动数据信号提取特征的深度学习模型。
[0007]步骤二：生成特征向量。随后将振动数据信号输入到训练好的模型中进行特征提取，生成用于建立故障模式库的并描述原始振动信号的特征向量。
[0008]步骤三：建立故障模式库。接下来将提取到的特征向量利用高斯混合模型理论进行空间分布的拟合，从而得到各故障模式下的高斯混合模型，成功建立故障模式库。
[0009]步骤四：故障诊断。然后在测试阶段将测试样本输入到CNN模型中进行特征提取，最后将提取到的特征输入到多个GMM中，计算出特征向量属于模型的似然值p，取出其中最
大值p对应的模型类型，即为诊断结果。
附图说明
[0010]图1CNN
‑
GMM故障诊断整体流程图；
[0011]图2CNN网络结构展示图；
[0012]图3GMM
‑
UBM方法训练示意图；
[0013]图4振动信号时域图；
[0014]具体实施方法
[0015]以下结合附图对本专利技术进一步说明。
[0016]如附图1所示，旋转机械故障诊断方法，具体实现步骤如下。
[0017]步骤一：训练CNN用于特征提取。本文通过调参寻优确定网络层数、卷积核大小和数量、卷积步长、池化尺寸、dropout层参数和激活函数。本文CNN网络结构图如图2所示，其中各卷积层的激活函数为Relu；前三层池化层为最大池化层，第四层为平均池化层，用于特征降维。最后数据经过全连接层输出，激活函数使用softmax。最后采用adm优化器和categorical_crossentropy损失函数学习网络。各个网络层及模型参数设置均在图中显示。网络将6000
×
1的矩阵作为输入向量。第一层卷积层定义了16个滤波器，输出是2997
×
16矩阵，输出矩阵每一列都包含一个滤波器的权重值，每个滤波器包含2997个权重值。将第一层卷积层输出结果输入到第二层卷积层中，在该层中再次定义16个滤波器进行训练，与上一层逻辑相同，输出矩阵为1499
×
16矩阵。为减少输出特征的复杂的并防止数据的过拟合，加入最大池化层，这里选择大小为2的池化层，则输出矩阵的大小只有输入矩阵二分之一，输出矩阵为749
×
16矩阵。之后数据经过两个卷积层，这两层之后的输出矩阵是一个188
×
64矩阵。再将数据输入到池化层中处理，同样选择大小为2的池化层，则输出矩阵的大小只有输入矩阵的二分之一，输出矩阵为94
×
64矩阵。构造两层卷积层进一步处理数据，这两层之后的输出矩阵是一个24
×
256矩阵。将数据输入到池化层进行处理，同样选择大小为 2的池化层，则输出矩阵大小只有输入矩阵的二分之一，输出矩阵为12
×
256矩阵。最后将数据使用两层卷积层进行处理，这两层之后的输出矩阵是一个12
×ꢀ
512矩阵。将数据输入到最后一个最大池化层中，同样选择大小为2的池化层，则输出矩阵的大小只有输入矩阵的二分之一，输出矩阵为6
×
512矩阵。最后添加平均池化层可以避免过拟合发生，此时取神经网络中所有权重平均值，输出矩阵为1
×
512矩阵。将输出的数据输入到Dropout层中，此层将随机地为网络中的神经元赋值为零权重，其参数取值为0.3表示30％的神经元将会是零权重。这个层的输出仍和上一层输出相同，为1
×
512矩阵。最后一层使用Softmax函数作为激活函数，将长度为512的向量降维为长度为10的向量。这个向量表示10 个类别中各个类别出现的概率。
[0018]步骤二：使用训练完成的CNN模型对振动信号进行特征提取，得到大量振动信号的特征向量。最终将这些特征向量用于训练GMM模型，建立故障模式库。
[0019]步骤三：振动数据信号经过上述CNN方法特征提取，可以得到N条512维的数据。利用GMM对特征向量的空间拟合能力将提取到的10类特征向量进行建模，从而得到10种故障类型的GMM。由K个高斯函数的线性组合来描述矢量的特征分布，GMM的概率密度函数由公式1表示：
[0020][0021]式中x为一个L维特征矢量，ω
k
为各个单高斯密度函数的权重，N(x|μ
k
,∑
k
)称为高斯分布函数，μ
k
表示均值矢量，∑
k
表示协方差矩阵，权重ω
k
满足各个高斯分量的系数之和为1，即：
[0022][0023]通常在识别领域，为了计算方便，常将∑
k
设为对角阵：
[0024]∑
k...

【技术保护点】

【技术特征摘要】
本发明是使用如下步骤进行的：一、训练深度学习模型；二、特征提取；三、建立故障模式库；四、诊断故障。1.在建立故障模式库阶段，本发明提出保护方法如下：利用GMM对特征向量的空间拟合能力将提取到的多个特征向量进行建模，从而得到多个故障类型的GMM。该模型确定高斯混合模型数量之后，给定每个模型相关参数的初始值，再利用期望最大化算法进行计算。首先进行期望步的计算，利用初始值或者上步迭代所得的参数值计算隐性变量的后验概率，求得该步隐性变量估计值。然后进行最大化步计算，利用似然函数最大化获得新的参数值。最终训练得到各故障模式的GMM模型。此外，加入通用背景模型...

【专利技术属性】
技术研发人员：谢怡宁，曹丰，何勇军，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：