基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置，涉及机械设备故障诊断技术领域。包括：获取机械设备数据；将机械设备数据转换为二维图像；将二维图像输入到训练好的多尺度2D膨胀卷积神经网络；基于二维图像以及训练好的多尺度2D膨胀卷积神经网络，得到机械设备故障诊断结果。本发明专利技术通过将膨胀卷积引入到网络中，灵活的实现了多尺度特征提取，减少信息量的冗余，减少计算量，同时减少模型的参数量；将级联结构引入到网络中，通过将低分辨率信息和高分辨率信息结合以提高在样本数量不足时故障诊断准确率，同时在样本有噪声情况下提高模型准确率。有噪声情况下提高模型准确率。有噪声情况下提高模型准确率。

【技术实现步骤摘要】
基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置


[0001]本专利技术涉及机械设备故障诊断
，特别是指一种基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置。

技术介绍

[0002]当今社会己经发展到工业4.0时代，在人们生产生活等方面的各个领域应用的工业设备更加复杂，由于工业设备系统运行工况繁杂多变、运行环境相对恶劣，更增加了系统性能退化失效的速率和发生故障的概率，对于关键设备系统，一旦发生由失效引起的事故，将导致重大的经济损失甚至是人员伤亡，在工业生产中，对设备的故障预测非常重要，准确地分析和预测出设备安全隐患，并提供有效的措施，可及时控制和防止设备在生产中对生产力的损失。故障诊断技术作为一种融合多种技术的综合性学科，为实现工业系统安全可靠运行提供了有效的技术支持。其主要目的在于探索研究如何对出现的各类故障进行检测、定位和识别。具体内容包括定位故障发生的部位、大小以及时间，识别故障类型等。
[0003]现如今，仍有诸多学者致力于对该领域的探索研究，该领域一直是国内外研究热点之一。经典的故障诊断技术有专家系统、模型分解、信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度2D膨胀卷积网络的设备故障诊断方法，其特征在于，所述方法包括：S1、获取机械设备数据；S2、将所述机械设备数据转换为二维图像；S3、将所述二维图像输入到训练好的多尺度2D膨胀卷积神经网络；S4、基于所述二维图像以及训练好的多尺度2D膨胀卷积神经网络，得到机械设备故障诊断结果。2.根据权利要求1所述的方法，其特征在于，所述S2中的将所述机械设备数据转换为二维图像包括：从所述机械设备数据中选取一段长m*m的序列y(i)，i＝1,2,3,
…
,m*m；将所述序列按顺序排列成一个m*m的矩阵p(j,k),j＝1,2,3,
…
,m；k＝1,2,3,
…
,m；所述矩阵p(j,k)即为二维图像。3.根据权利要求1所述的方法，其特征在于，所述S3中的多尺度2D膨胀卷积神经网络包括浅层特征提取单元以及多个残差计算单元；所述多个残差计算单元依次为第一残差计算单元、第二残差计算单元及第三残差计算单元；所述浅层特征提取单元顺位设置于所述第一残差计算单元前；所述多尺度2D膨胀卷积神经网络还包括全局平均池化层以及全连接层。4.根据权利要求3所述的方法，其特征在于，所述多个残差计算单元中的每个残差计算单元包括多个残差网络顺序连接，所述多个残差网络依次为第一残差网络、第二残差网络、第三残差网络；每个残差计算单元中的多个残差网络均采用2D膨胀卷积，且设有不同的膨胀卷积率。5.根据权利要求1所述的方法，其特征在于，所述S3中的多尺度2D膨胀卷积神经网络的训练过程包括：S31、获取样本数据集；所述样本数据集包括训练样本数据集和测试样本数据集；S32、根据所述训练样本数据集对所述多尺度2D膨胀卷积神经网络进行训练，若达到预设迭代次数或训练损失函数小于预设阈值，则停止训练，得到训练后的多尺度2D膨胀卷积神经网络；S33、根据所述测试样本数据集对所述训练后的多尺度2D膨胀卷积神经网络进行测试，得到测试后的多尺度2D膨胀卷积神经网络即训练好的多尺度2D膨胀卷积神经网络。6.根据权利要求5所述的方法，其特征在于，所述S31中的获取样本数据集包括：S311、获取机械设备的故障数据；所述故障数据为一维原始振动信号；S312、将所述故障数据转换为二维图...

【专利技术属性】
技术研发人员：胡艳艳，杜隆坤，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：