一种机械设备故障诊断方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种机械设备故障诊断方法、装置及存储介质，用于对齿轮箱中多个零部件同时出现、相互耦合的复合故障进行诊断，包含：步骤1：采集齿轮箱在不同工况下包含多种故障信息的振动信号；步骤2：对振动信号进行预处理；步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；步骤4：将处理好的数据样本输入到步骤3搭建的故障诊断模型中，对模型进行训练；步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的模型中，获取故障诊断结果。本发明专利技术提出的基于卷积神经网络故障诊断模型，能够保障故障特征完整性并实现多任务故障诊断，以更快和更准确地对故障类型及故障程度同时识别或者对包含多种故障模式的复合故障进行识别。或者对包含多种故障模式的复合故障进行识别。或者对包含多种故障模式的复合故障进行识别。

【技术实现步骤摘要】
一种机械设备故障诊断方法、装置及存储介质


[0001]本专利技术属于机械设备故障诊断领域，具体涉及一种机械设备故障诊断方法、装置及存储介质。

技术介绍

[0002]齿轮箱是旋转机械中用于连接和传递动力的关键部件，对机械设备运行的稳定性有着重要影响。齿轮箱往往长时间工作在高速、重载的环境下，其主要部件，如齿轮、轴承等很容易因疲劳磨损等而发生故障。齿轮箱一旦发生故障，将会严重影响整个机械设备的正常运行，进而威胁工业生产安全。
[0003]现有的智能故障诊断方法可以获得较好的诊断效果，但是这些方法大多只适用于单一零部件的故障类型识别或其他单一任务故障诊断。然而在工业现场，机械设备出现单一故障后通常不会马上停机检修，而是对故障跟踪评估，达到一定故障程度之后才会进行维修或更换。故障程度识别是视情维修的基础，在判断故障类型的同时进行故障程度识别十分必要。此外，当齿轮或轴承发生故障后，通常会引起与之接触的其他零部件发生故障，进而发展为复合故障。
[0004]综上，在工业生产中存在同时识别齿轮箱故障类型和故障程度或者对多种故障类型的需求。如果采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械设备故障诊断方法，其特征在于，包括以下步骤：步骤1：采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行频谱分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；步骤2：对步骤1采集到的n组振动信号进行预处理，并添加故障标签，生成数据样本；步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；步骤4：将步骤2生成的数据样本输入到步骤3搭建的卷积神经网络模型中，对模型进行训练；步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的卷积神经网络模型中，基于模型输出的故障标签，进行故障模式识别，获取齿轮箱的故障诊断结果。2.根据权利要求1所述的方法，其特征在于，步骤2包括：采用滑动分割的方式进行数据增强，设定数据点总数为N，单个样本数据点个数为N
s
，重叠部分数据点个数为N
o
，则采用增强后所得到的数据量n的计算公式如下：3.根据权利要求2所述的方法，其特征在于，步骤2中采用One
‑
Hot编码方式添加故障标签，故障标签的表示形式为向量，不同数量的故障类别分别对应不同长度的标签向量，每个样本对应的故障标签向量中只有一位处于状态1，其余均为状态0，状态1表示：是，状态0表示：否，任意时候只有一位有效。4.根据权利要求3所述的方法，其特征在于，步骤3中，所述卷积神经网络模型包括多通道输入、共享网络、M个任务分支以及复合损失函数；将采集到敏感位置上不同工况下的多组振动信号采用多通道输入的方式同时导入卷积神经网络模型；共享网络能够从振动信号中初步提取各个任务之间的共享特征；M个任务分支进一步提取每个诊断任务的特有特征；复合损失函数用于平衡不同任务之间的损失规模。5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络模型通过执行如下步骤完成模型特征提取过程及相关计算：步骤301：将经过步骤2预处理后的n组振动信号通过n个通道同时输入到步骤3搭建的卷积神经网络模型中进行训练，多通道输入的卷积结果为各个通道运算结果的叠加，如下所示：式中，y
i,j
为多通道输入的卷积结果，c为特征序列的序号，W表示卷积核的尺寸，为第i个卷积核中第j'个权值，为第j'个被卷积的局部区域，表示第i个卷积核的偏置；步骤302：步骤301中的n组振动信号输入到卷积神经网络模型后，首先经过主干网络来学习多个任务的共享特征；主干网络共包括两个以上...

【专利技术属性】
技术研发人员：梁睿君，陈瑶，冉文丰，陈蔚芳，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：