一种基于监督学习的机械设备智能故障检测方法及系统技术方案

本发明专利技术实施例公开了一种基于监督学习的机械设备智能故障检测方法及系统，基于监督学习的机械设备智能故障诊断模型结合了堆叠的二维和一维卷积神经网络CNN、残差长短时记忆网络LSTM和基于监督学习的LSTM，可以检测机械设备产生的异常数据，所提出的模型可以使用CNN模型提取数据的空间特征，并通过联合残差LSTM和LSTM检测各种环境下基于时间序列的机械振动数据集中的异常状态，进而评估设备的健康状态；通过将基于时间序列的原始信号数据转换为梅尔频谱图像，进行了基于图像的分析，从而在应用了数据增强的故障诊断系统中获得了更好的性能；增加了数据集以解决数据不平衡问题，从而提高了模型的准确性。从而提高了模型的准确性。从而提高了模型的准确性。

【技术实现步骤摘要】
一种基于监督学习的机械设备智能故障检测方法及系统


[0001]本专利技术实施例涉及机械设备故障诊断
，具体涉及一种基于监督学习的机械设备智能故障检测方法及系统。

技术介绍

[0002]随着机械设备技术的进步，工业环境的复杂性和与生产率相关的不确定性也在增加。如果忽视老化的机械设备，并且没有对其造成的损坏进行充分的修复，则设备将会出现缺陷并降低生产率。此外，损坏的设备可能会对其他设备造成损坏。因此，有必要开发先进技术来提高设备安全性。机器设备元器件例如阀门、风扇、滑轨、滚动轴承等是机器设备系统的核心部件，在决定机械系统的性能和寿命方面起着关键作用。由于各种原因，这些机械部件可能出现故障，最严重的原因是电磁驱动系统轴承的缺陷。
[0003]各种状态监测方法已用于检测工业机器元器件的故障。传统的方法包括基于距离的K近邻算法；局部异常因子，用于检测局部异常；以及基于连通性的离群因子，它是局部异常因子的改进版本，并使用半径检测异常。基于距离和密度的传统方法的缺点是，随着数据点数量的增加，异常检测需要相当长的时间。近些年出现了能够克服这一限制的深度学习方法，并显示出比传统方法更高的性能。此外，物联网产业的发展促进了大规模的数据收集。因此，基于监督学习的异常检测的重要性正在增加。
[0004]根据最近的趋势，基于机器学习的异常检测方法由三个主要步骤组成：数据预处理—从基于时间序列的原始信号中提取正常和异常数据的重要特征；选择基于深度学习的模型，即选择用于故障诊断系统的模型；异常检测—基于深度学习的模型使用提取的特征并通过学习过程检测异常。当前，机器学习已被用于开发基于时间序列数据诊断的方法，目的是利用机械设备的数据对机械设备元器件的故障进行异常检测。这为使用时域和频域的机械设备的异常检测建立了深度学习。然而，当前技术的局限性在于未考虑来自元器件自身产生的数据。此外，基于智能数据的故障诊断模型未在一系列负载、持续时间和噪声范围内进行测试；因此，所使用的数据不足以对故障诊断模型进行全面测试。

技术实现思路

[0005]为此，本专利技术实施例提供一种基于监督学习的机械设备智能故障检测方法及系统，以应对各种环境适应异常检测，增强异常检测算法的泛化能力，构建具有鲁棒性和通用性性能的故障诊断系统。
[0006]为了实现上述目的，本专利技术实施例提供如下技术方案：
[0007]根据本专利技术实施例的第一方面，提出了一种基于监督学习的机械设备智能故障检测方法，所述方法包括：
[0008]将基于时间序列的原始数据信号转换为梅尔频谱图数据；
[0009]将所述梅尔频谱图数据输入至构建的基于监督学习的机械设备智能故障诊断模型中检测基于时间序列的机械振动数据集中的异常状态，所述模型包括堆叠的二维卷积神
经网络CNN、一维卷积神经网络CNN、残差长短时记忆网络LSTM以及长短时记忆网络LSTM。
[0010]进一步地，所述二维卷积神经网络CNN的输出连接一维卷积神经网络CNN的输入，所述一维卷积神经网络CNN的输出连接残差长短时记忆网络LSTM的输入，所述残差长短时记忆网络LSTM的输出连接长短时记忆网络LSTM的输入。
[0011]进一步地，所述长短时记忆网络LSTM的输出连接全连接层，所述全连接层连接分类输出层。
[0012]进一步地，所述方法还包括：
[0013]组合的卷积神经网络用于基于梅尔频谱图数据进行正常和异常信号特征的提取，所述二维卷积神经网络CNN用于通过多重卷积滤波器保持梅尔频谱图像的空间信息，并提取和学习相邻低频图像的特征，接着将提取的特征通过池化层进行特征收集和增强，并用作一维卷积神经网络的输入。
[0014]进一步地，所述方法还包括：
[0015]通过卷积神经网络提取的特征被用作剩余LSTM层的输入，通过残差LSTM和LSTM的联合实现基于时间序列的机械振动数据集中异常状态的检测。
[0016]进一步地，所述方法还包括：
[0017]所述分类输出层使用softmax激活函数将其转换为对应于类别的0到1之间的概率分布，实现通过将正常和异常数据分为两个或多个类别来检测异常。
[0018]根据本专利技术实施例的第二方面，提出了一种基于监督学习的机械设备智能故障检测系统，所述系统包括：
[0019]数据预处理模块，用于将基于时间序列的原始数据信号转换为梅尔频谱图数据；
[0020]异常检测模块，用于将所述梅尔频谱图数据输入至构建的基于监督学习的机械设备智能故障诊断模型中检测基于时间序列的机械振动数据集中的异常状态，所述模型包括堆叠的二维卷积神经网络CNN、一维卷积神经网络CNN、残差长短时记忆网络LSTM以及长短时记忆网络LSTM。
[0021]根据本专利技术实施例的第三方面，提出了一种计算机存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种基于监督学习的机械设备智能故障检测系统执行如上任一项所述的方法。
[0022]本专利技术实施例具有如下优点：
[0023]本专利技术实施例提出的一种基于监督学习的机械设备智能故障检测方法及系统，基于监督学习的机械设备智能故障诊断模型结合了堆叠的二维和一维卷积神经网络CNN、残差长短时记忆网络LSTM和基于监督学习的LSTM，可以检测机械设备产生的异常数据，所提出的模型可以使用CNN模型提取数据的空间特征，并通过联合残差LSTM和LSTM检测各种环境下基于时间序列的机械振动数据集中的异常状态，进而评估设备的健康状态；通过将基于时间序列的原始信号数据转换为梅尔频谱图像，进行了基于图像的分析，从而在应用了数据增强的故障诊断系统中获得了更好的性能；增加了数据集以解决数据不平衡问题，从而提高了模型的准确性。
附图说明
[0024]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方
式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0025]图1为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法的流程示意图；
[0026]图2为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法中一维卷积神经网络结构示意图；
[0027]图3为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法中二维卷积神经网络结构示意图；
[0028]图4为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法中LSTM网络结构示意图；
[0029]图5为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法中残差LSTM网络结构示意图；
[0030]图6为本专利技术实施例1提供的一种基于监督学习的机械设备智能故障检测方法中基于监督学习的机械设备智能故障诊断模型结构示意图。
具体实施方式
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法包括：将基于时间序列的原始数据信号转换为梅尔频谱图数据；将所述梅尔频谱图数据输入至构建的基于监督学习的机械设备智能故障诊断模型中检测基于时间序列的机械振动数据集中的异常状态，所述模型包括堆叠的二维卷积神经网络CNN、一维卷积神经网络CNN、残差长短时记忆网络LSTM以及长短时记忆网络LSTM。2.根据权利要求1所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述二维卷积神经网络CNN的输出连接一维卷积神经网络CNN的输入，所述一维卷积神经网络CNN的输出连接残差长短时记忆网络LSTM的输入，所述残差长短时记忆网络LSTM的输出连接长短时记忆网络LSTM的输入。3.根据权利要求2所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述长短时记忆网络LSTM的输出连接全连接层，所述全连接层连接分类输出层。4.根据权利要求3所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法还包括：组合的卷积神经网络用于基于梅尔频谱图数据进行正常和异常信号特征的提取，所述二维卷积神经网络CNN用于通过多重卷积滤波器保持梅尔频谱图像的空间信息，并提取和学习相邻低频图像的特征，接着将提取的特征通过池化层进行特征收集和增强，并...

【专利技术属性】
技术研发人员：邵海霞，孟真，邵世聪，
申请(专利权)人：启藤科技北京有限公司，
类型：发明
国别省市：