机械设备智能故障诊断方法、系统及存储介质技术方案

本发明专利技术提供一种机械设备智能故障诊断方法、系统及存储介质，属于智能机械设备技术领域，通过采集待检测的机械设备的振动数据；根据所采集的待检测的机械设备的振动数据，确定待检测样本以及待检测样本的频谱特征；根据待检测样本的频谱特征和预获取的谱集成完整字典，确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码；并将优化稀疏编码分解为次稀疏编码；根据次稀疏编码和谱集成完整字典，确定谱稀疏重构误差；通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略，根据谱稀疏重构误差判定待检测的机械设备的健康状态。本发明专利技术具有精度优越、抗噪鲁棒性、超参数选择稳健性以及计算效率较高等特点。数选择稳健性以及计算效率较高等特点。数选择稳健性以及计算效率较高等特点。

【技术实现步骤摘要】
机械设备智能故障诊断方法、系统及存储介质


[0001]本专利技术属于智能机械设备领域，具体涉及一种机械设备智能故障诊断方法、系统及存储介质。

技术介绍

[0002]机械装备的状态监测与故障诊断技术，在航空发动机、重型燃气轮机、风力发电机组、直升机等重大高端机械装备的减少重大安全事故、大大节约装备的运行维护成本等方面具有重要意义。
[0003]机械装备的前沿智能故障诊断方法主要包括基于深度学习模型的机械装备智能故障诊断方法和基于判别式稀疏表示的机械装备智能故障诊断方法。其中，基于深度学习模型的机械装备智能故障诊断方法，通过神经网络的堆叠与深层网络架构设计实现智能故障诊断，虽然通过其强大的抽象特征提取和学习功能，实现了复杂机械装备的健康状态的深度智能识别；但是其具有深层网络架构设计复杂和学习参数调优工作繁琐的弊端。对于基于判别式稀疏表示的机械装备智能故障诊断方法，通过信号的稀疏表示构建智能分类识别策略，不仅可以实现机械装备不同健康状态的智能诊断，还克服了模型结构设计复杂以及程序繁琐的弊端。
[0004]而基于判别式稀疏表示的机械装备智能故障诊断方法的代表性方法有基于字典学习的稀疏表示分类方法(Zhao等人，2019)，该方法通过字典学习算法学习振动数据信号的稀疏表示并基于时域信号的稀疏近似误差最小准则，实现行星轴承不同健康状态下振动数据信号的识别与分类；基于增强稀疏表示的智能诊断方法(Kong等人，2021)，该方法通过融合旋转机械振动数据信号的先验知识以增强稀疏表示的信号重构与判别功能，进一步利用振动时域信号的稀疏近似误差最小准则，实现了行星轴承不同健康状态的智能识别与分类。
[0005]但是，现有的基于判别式稀疏表示的机械装备智能故障诊断方法仍然存在以下弊端：
[0006]1)算法超参数的选择对于智能故障诊断性能影响较大；
[0007]2)计算效率较低且抗噪鲁棒性不足。
[0008]因此，亟需一种超鲁棒性的、高效的机械设备智能故障诊断方法。

技术实现思路

[0009]本专利技术提供一种机械设备智能故障诊断方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。
[0010]为实现上述目的，本专利技术提供一种机械设备智能故障诊断方法，方法包括：
[0011]采集待检测的机械设备的振动数据；
[0012]根据所采集的待检测的机械设备的振动数据，确定待检测样本以及待检测样本的频谱特征；
[0013]根据待检测样本的频谱特征和预获取的谱集成完整字典，确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码；并将优化稀疏编码分解为次稀疏编码；根据次稀疏编码和谱集成完整字典，确定谱稀疏重构误差；
[0014]通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略，根据谱稀疏重构误差判定待检测的机械设备的健康状态。
[0015]进一步，优选的，通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略，根据谱稀疏重构误差判定待检测的机械设备的健康状态的步骤，通过以下公式实现：
[0016][0017]其中，label(z
n
)为待检测样本z
n
的健康状态类标；RE(Z
n
,D
whole
,α
n(l)
)为谱稀疏重构误差；Z
n
为待检测样本的频谱特征；D
whole
为谱集成完整字典；α
n(l)
为健康状态l的次稀疏编码；其中，l＝1,2,...,L；L为健康状态的种类。
[0018]进一步，优选的，谱集成完整字典的获取方法包括，
[0019]获取机械设备在不同运行健康状态下的振动数据；
[0020]利用移动滑窗，将不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本；
[0021]对训练信号样本进行傅里叶变换，获取训练信号样本的频谱特征；
[0022]根据训练信号样本的频谱特征，获取各个运行健康状态的谱集成子字典；
[0023]根据各个运行健康状态的谱集成子字典，确定多健康状态谱特征融合的谱集成完整字典。
[0024]进一步，优选的，利用移动滑窗，将不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本，通过以下公式实现：
[0025]y
n(l)
＝Γ
n
(y
(l)
)＝y
(l)
(i
n,start
:i
n,end
),
[0026][0027][0028]其中，{y
(l)
}(l＝1,2,...,L)为不同运行健康状态下的振动数据形成的训练数据集；为向下取整算子；Γ
n
为滑窗算子；W为滑窗的窗长参数，δ为滑窗的重叠率参数。
[0029]进一步，优选的，根据训练信号样本的频谱特征，获取各个运行健康状态的谱集成子字典，通过以下公式实现：
[0030]D
(l)
＝normalize{[Y
1(l)
,
…
,Y
n(l)
,
…
,Y
N(l)
]},
[0031]其中，D
(l)
为谱集成子字典；{Y
n(l)
}(l＝1,2,...,L；n＝1,2,
…
,N)为训练信号样本的频谱特征；normalize{
·
}表示矩阵的逐列L2范数归一化操作。
[0032]进一步，优选的，根据所采集的待检测的机械设备的振动数据，确定待检测样本以及待检测样本的频谱特征，通过以下公式实现：
[0033]Z
n
＝Nyq{ABS{FFT{z
n
}}},
[0034]其中，z
n
为健康状态未知的第n个待检测样本；FFT为傅里叶变换算子，ABS为复数取模算子，Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
[0035]进一步，优选的，在根据待检测样本的频谱特征和预获取的谱集成完整字典，确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码的步骤中，优化稀疏编码的优
化目标函数为：
[0036][0037]其中，D
whole
为谱集成完整字典；T为稀疏阈值；Z
n
为健康状态未知的所述第n个待检测样本的频谱特征。
[0038]为了解决上述问题，本专利技术还提供一种机械设备智能故障诊断系统，包括：
[0039]采集单元，用于采集待检测的机械设备的振动数据；
[0040]数据处理单元，用于根据所采集的待检测的机械设备的振动数据，确定待检测样本以及待检测样本的频谱特征；根据待检测样本的频谱特征和预获取的谱集成完整字典，确定待检测样本的频谱特征对于谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械设备智能故障诊断方法，其特征在于，包括：采集待检测的机械设备的振动数据；根据所采集的待检测的机械设备的振动数据，确定待检测样本以及待检测样本的频谱特征；根据所述待检测样本的频谱特征和预获取的谱集成完整字典，确定所述待检测样本的频谱特征对于所述谱集成完整字典的优化稀疏编码；并将所述优化稀疏编码分解为次稀疏编码；根据所述次稀疏编码和谱集成完整字典，确定谱稀疏重构误差；通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略，根据所述谱稀疏重构误差判定所述待检测的机械设备的健康状态。2.如权利要求1中所述的机械设备智能故障诊断方法，其特征在于，所述通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略，根据所述谱稀疏重构误差判定所述待检测的机械设备的健康状态的步骤，通过以下公式实现：其中，label(z
n
)为待检测样本z
n
的健康状态类标；RE(Z
n
,D
whole
,α
n(l)
)为谱稀疏重构误差；Z
n
为所述待检测样本的频谱特征；D
whole
为谱集成完整字典；α
n(l)
为健康状态l的次稀疏编码；其中，l＝1,2,...,L；L为健康状态的种类。3.如权利要求1所述的机械设备智能故障诊断方法，其特征在于，所述谱集成完整字典的获取方法包括，获取机械设备在不同运行健康状态下的振动数据；利用移动滑窗，将所述不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本；对所述训练信号样本进行傅里叶变换，获取训练信号样本的频谱特征；根据所述训练信号样本的频谱特征，获取各个运行健康状态的谱集成子字典；根据所述各个运行健康状态的谱集成子字典，确定多健康状态谱特征融合的谱集成完整字典。4.如权利要求3所述的机械设备智能故障诊断方法，其特征在于，所述利用移动滑窗，将所述不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本，通过以下公式实现：y
n(l)
＝Γ
n
(y
(l)
)＝y
(l)
(i
n,start
:i
n,end
),),其中，{y
(l)
}(l＝1,2,...,L)为不同运行健康状态下的振动数据形成的训练数据集；为向下取整算子；Γ
n
为滑窗算子；W为滑窗的窗长参数，δ为滑窗的重叠率参数。5.如权利要求3所述的机械设备智能故障诊断方法，其特征在于，所述根据所述训练信号样本的频谱特征，获取各个运行健康状态的谱集成子字典...

【专利技术属性】
技术研发人员：孔运，褚福磊，王天杨，
申请(专利权)人：清华大学，
类型：发明
国别省市：