一种基于深度形态卷积网络的振动信号缺陷特征提取方法技术

本发明专利技术提供一种基于深度形态卷积网络的振动信号缺陷特征提取方法，该方法基于深度形态卷积网络构建，并进行训练得到具有形态滤波残差卷积块和自校准残差学习模块的缺陷特征提取模型，通过该缺陷特征提取模型对待测振动信号数据进行缺陷特征提取来获取待测旋转机械设备的缺陷信息，从而实现利用振动信号数据对旋转机械设备进行故障诊断。该振动信号缺陷特征提取方法能够对包含大量背景噪声的振动信号进行缺陷特征提取，有效进行机械故障诊断，并且可以做到对旋转机械设备的实时监测，具有较高的故障诊断正确率。具有较高的故障诊断正确率。具有较高的故障诊断正确率。

A defect feature extraction method of vibration signal based on depth morphological convolution network

【技术实现步骤摘要】
一种基于深度形态卷积网络的振动信号缺陷特征提取方法


[0001]本专利技术属于机械故障诊断领域，具体涉及一种基于深度形态卷积网络的振动信号缺陷特征提取方法。

技术介绍

[0002]旋转机械广泛应用于各种工业领域，如制造业、运输业、航空航天业等。由于极端的工作条件，旋转机械经常发生各种故障，造成机械缺陷、经济损失甚至人员伤亡。因此，迫切需要对机械设备进行故障诊断，以确保机械传动系统的安全。如果旋转机器的部件出现局部缺陷，将产生持续时间较短的脉冲，振动信号将呈现振幅调制的故障特征。从旋转机械采集的振动信号由许多振动成分组成，例如轴承的旋转和齿轮的啮合。因此，振动信号通常是非平稳和非线性的。此外，当故障发生在早期阶段时，故障相关特征将很弱，信号影响中包含的故障判别特征不可避免地被强背景噪声覆盖。因此，从振动信号中提取故障相关分量是一个困难的问题。
[0003]振动信号分析是机械故障诊断的有效工具，它可以提供与故障相关的振动成分，抑制冗余成分(即背景噪声)。目前有多种信号处理方法，包括时域分析、频域分析和时频分析。需要注意的是，时域和频域分析只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度形态卷积网络的振动信号缺陷特征提取方法，用于对旋转机械设备进行故障诊断，其特征在于，包括以下步骤：步骤S1，使用振动信号传感器收集旋转机械设备的振动信号数据；步骤S2，对所述振动信号数据进行预处理，并基于预处理后的振动信号数据构建训练集以及测试集；步骤S3，构建可滤除噪声的深度形态卷积网络，该深度形态卷积网络包括形态滤波残差卷积块、自校准残差学习模块、全连接层以及Softmax分类器；步骤S4，将所述训练集输入至所述深度形态卷积网络中进行训练，并利用所述测试集对训练完成的所述深度形态卷积网络进行测试；步骤S5，将训练好的所述深度形态卷积网络作为缺陷特征提取模型；步骤S6，采集待测旋转机械设备的待测振动信号数据，基于所述缺陷特征提取模型对所述待测振动信号数据进行缺陷特征提取与缺陷类型识别，从而获得所述待测旋转机械设备的缺陷类型。2.根据权利要求1所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法，其特征在于：其中，所述预处理为对所述振动信号数据进行数据分段和归一化处理。3.根...

【专利技术属性】
技术研发人员：余建波，叶壮，
申请(专利权)人：同济大学，
类型：发明
国别省市：