【技术实现步骤摘要】
基于改进CNN与关系模块的旋转部件故障诊断方法及其装置
本专利技术涉及机械设备故障诊断领域，具体涉及一种基于改进CNN与关系模块的旋转部件尤其是旋转机械部件的故障诊断方法及其故障诊断装置。
技术介绍
由于现代工业的快速发展，旋转机械被广泛应用于航海、机械、化工等领域。如果关键设备发生故障，会造成难以预计的损失，因此，对于旋转机械的故障诊断具有非常大的意义。现有的深度学习方法广泛应用于旋转机械旋转部件故障诊断领域并取得了很好的效果，然而还面临以下两个问题，(1)大多数机械设备在正常的状态下运行，故障数据相对来说很难获取，但是训练深度学习模型需要大量的标记数据，其次，旋转机械经常在变工况条件运行，这将会导致样本之间的差异性，因此，使用少样本去重新训练模型具有一定的挑战性。(2)在机械运行的过程中新故障的产生是未知的，新故障的判断需要专家进行诊断识别，因此，故障的样本是有限的。当每次有新故障产生时，模型都需要大量数据进行训练这无疑是需要消耗人力和时间。基于此，有必要开展针对由新故障带来的多分类，小样本和跨域问题的机械设备故障诊断的
【技术保护点】
1.一种基于改进CNN和关系模块的旋转部件故障诊断方法，其特征在于，包括以下步骤：/n步骤一，采集旋转部件在不同故障类型下的振动信号，对获取到的振动信号进行去均值处理，然后进行短时傅里叶变换，得到一维数据，构建故障数据集，并划分为训练集Tr和测试集Te，其中训练集和测试集的故障类别不同；所述去均值处理的表达式如下：/nx(n)＝x-x
【技术特征摘要】
1.一种基于改进CNN和关系模块的旋转部件故障诊断方法，其特征在于，包括以下步骤：
步骤一，采集旋转部件在不同故障类型下的振动信号，对获取到的振动信号进行去均值处理，然后进行短时傅里叶变换，得到一维数据，构建故障数据集，并划分为训练集Tr和测试集Te，其中训练集和测试集的故障类别不同；所述去均值处理的表达式如下：
x(n)＝x-xmean
式中，x(n)为每条去均值后的样本数据的时域信号；x为获取到的振动信号，xmean为振动信号的均值；
短时傅里叶的计算表达式如下：
式中，x(n)为每个去均值后的样本数据的时域信号；n为每个时频谱图中像素点的个数；
步骤二，建立旋转部件故障诊断模型，所述旋转部件故障诊断模型包括基于多尺度卷积的提取模块、基于随机池化和空洞卷积的融合模块以及用于自适应学习度量的关系模块；其中所述多尺度卷积从左到右的结构具体数学表达式如下：
式中，三个分支的输出为和W1,W2和W3为三个分支相关的权重，和为三个分支相关的偏置权重，f为整流线性激活函数即Relu函数，xl+1为多尺度卷积输出的特征，Concatenate函数为连接函数，是pytorch下的一个内置函数；
空洞卷积感受野的计算表达式如下：k′＝k+(k-1)×d
式中，k代表空洞卷积的卷积核的大小，d代表膨胀率，k′代表空洞卷积感受野的大小；
在随机池化中，首先计算每个元素xi的概率pi，根据概率pi选择随机池化区域中的一个位置k的元素xk作为最后的输出，计算表达式如下：
∑pi＝1
PS＝xk，wherek～P(p1,…pi)
步骤三，对于步骤二建立的旋转部件故障诊断模型，对所述故障诊断模型进行训练，每轮训练需要对步骤一得到的训练集随机抽取故障类别构成子任务作为模型的输入，子任务包括支持集和查询集；
步骤四，利用基于多尺度卷积的提取模块对子任务进行数据特征的提取，获取子任务下每个样本的故障特征信息；
步骤五，通过带有随机池化和空洞卷积的融合模块，利用步骤四提取的数据特征对故障诊断模型进行训练并更新融合模块的网络参数；
步骤六，利用步骤四和步骤五获得的提取模块和融合模块，得到划分好的子任务样本的数据特征，并对其进行特征拼接；
步骤七，通过自适应学习度量方法的关系模块，利用步骤六得到的已拼接的数据特征对故障诊断模型进行训练并更新关系模块的网络参数；
步骤八，对步骤二所建立的旋转部件故障诊断模型的各个子模块使用批归一化方法稳定训练过程；
步骤九，使用训练集的子任务对步骤四、步骤五、步骤六和步骤七的训练过程进行多次迭代，在训练过程中进行测试，在所设置的迭代次数内，取准确率的最大值作为最终的测试准确度；
步骤十，将测试准确度最高时的权重作为测试时提取模块、...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。