一种旋转机械设备的故障诊断方法、装置及电子设备制造方法及图纸

本发明专利技术涉及一种旋转机械设备的故障诊断方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取设备的故障数据，利用所述故障数据形成数据集；构建卷积神经网络模型，根据所述卷积神经网络模型、数据集并利用萤火虫算法，获取优化后的卷积神经网络模型；利用所述数据集对所述优化后的卷积神经网络模型各层对应的分类器进行训练，得到训练完备的卷积神经网络模型；重新获取设备的故障数据，根据重新获取的设备的故障数据及所述训练完备的卷积神经网络确定设备故障类型。本发明专利技术提供的旋转机械设备的故障诊断方法，提高了旋转机械设备的故障诊断的准确率。设备的故障诊断的准确率。设备的故障诊断的准确率。

【技术实现步骤摘要】
一种旋转机械设备的故障诊断方法、装置及电子设备


[0001]本专利技术涉及设备故障诊断
，尤其涉及一种旋转机械设备的故障诊断方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]旋转机械是生产领域中被广泛使用的重要动力设备。它具有复杂的结构，经常工作在高温、高噪声和高转速的条件下，很容易造成设备磨损老化。因此，对旋转机械进行健康状态评估非常重要。在设备工作过程中产生的大量数据蕴含着有效的信息，状态监测和诊断系统能够充分利用这些数据指导实际生产、进行装备维护以及防止灾难性事件发生。但实际上，针对故障设备的运行数据非常有限，因此建立有效的基于噪声和小样本数据驱动的故障诊断方法，对旋转设备的正常运转和生产制造的顺利进行具有非常重要的意义。
[0003]旋转机械运行环境十分复杂，采集的振动数据通常包含大量的背景噪声，严重影响了对隐含在数据结构中的敏感特征的有效提取。针对这一问题，不少学者提出了相应的故障诊断方法。为了提取数据深层抽象特征，现有技术中提出了使用卷积神经网络对信号进行特征提取，实现对齿轮和轴承的故障诊断。但是卷积神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械设备的故障诊断方法，其特征在于，包括：获取设备的故障数据，利用所述故障数据形成数据集；构建卷积神经网络模型，根据所述卷积神经网络模型、数据集并利用萤火虫算法，获取优化后的卷积神经网络模型；利用所述数据集对所述优化后的卷积神经网络模型各层对应的分类器进行训练，得到训练完备的卷积神经网络模型；重新获取设备的故障数据，根据重新获取的设备的故障数据及所述训练完备的卷积神经网络确定设备故障类型。2.根据权利要求1所述的旋转机械设备的故障诊断方法，其特征在于，构建卷积神经网络模型，包括：构建激活函数为relu的卷积神经网络，使卷积神经网络结构为若干个relu激活函数的卷积层和池化层的最大池化交替连接，使全连接层的Soft
‑
max函数用于分类，并使用优化器更新网络权重。3.根据权利要求1所述的旋转机械设备的故障诊断方法，其特征在于，根据所述卷积神经网络模型、数据集并利用萤火虫算法，获取优化后的卷积神经网络模型，包括：利用所述数据集训练卷积神经网络模型，以卷积神经网络模型的故障准确率作为萤火虫算法中每个个体的适应度函数，以该萤火虫算法确定所述卷积神经网络模型的参数，得到优化后的多源输出卷积神经网络模型。4.根据权利要求3所述的旋转机械设备的故障诊断方法，其特征在于，利用所述数据集训练卷积神经网络模型，包括：对所述数据集进行归一化处理，得到处理后的数据集，将处理后的数据集输入至所述卷积神经网络模型，依次经过交替连接的卷积层、池化层进行最大池化，并经过全连接层的进行迭代。5.根据权利要求3所述的旋转机械设备的故障诊断方法，其特征在于，以卷积神经网络模型的故障准确率作为萤火虫算法中每个个体的适应度函数，以该萤火虫算法确定所述卷积神经网络的参数，包括：初始化萤火虫算法基本参数，以所述卷积神经网络的故障准确率作为每个个体的适应度函数，计算种群...

【专利技术属性】
技术研发人员：庄可佳，邹立，李益兵，胡俊，朱大虎，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：