一种多模态特征融合神经网络的制冷设备故障诊断方法技术

本发明专利技术公开一种多模态特征融合神经网络的制冷设备故障诊断方法，属于计算机技术领域，包括：1)数据预处理；2)特征提取及特征融合；3)神经网络训练及优化；4)故障分类与诊断。本发明专利技术主要针对单模态输入故障诊断问题，由于单模态输入数据信息匮乏，现有的机器学习方法特征提取能力弱，准确率不高，对于一些难以分辨的故障容易产生误判。因此，本发明专利技术利用时频分析转换时域信号增加输入模态和基于注意力机制的特征融合，实现模态间互补信息的充分发挥，以达到提高诊断准确率的目标。实验验证表明，本发明专利技术能够有效地实现多模态特征提取与融合，解决单模态输入诊断准确率低下的问题。解决单模态输入诊断准确率低下的问题。解决单模态输入诊断准确率低下的问题。

【技术实现步骤摘要】
一种多模态特征融合神经网络的制冷设备故障诊断方法


[0001]本专利技术属于计算机
，涉及一种多模态特征融合神经网络的制冷设备故障诊断方法。

技术介绍

[0002]制冷设备是机械制造工业的一大重要组成部分，是发展先进生产力、增强国家综合国力必不可少的装备，在社会生产、人民生活和国防等各个领域都具有高度的重要性。制冷设备发生故障会造成生产力下降，带来较高的维修成本并产生大量故障宕机时间，甚至造成不可逆损失等一系列后果。因此，开发实用的制冷设备故障诊断方法，保障制冷设备的平稳运行，已经势在必行。目前大规模制冷设备主要采用的是螺杆式压缩机，在其工作过程中，转子的故障通常会引起转轴、齿轮和轴承等部件的异常振动，引起振动信号的强度分布变化，基于振动信号进行分析，是目前惯用的制冷设备故障诊断方法。故障诊断任务在人工智能领域属于模式识别问题。
[0003]基于振动信号分析的故障诊断方法大致可分为基于信号处理的方法和基于机器学习的方法两大类。基于信号处理的诊断方法建立在研究人员的专业知识和经验知识基础上，需要进行人工特征提取，这不仅对研究人员的专业性有非常高的要求，而且提取得到的特征质量往往具有主观性和随机性。另外，此类方法耗时耗力，准确率也不理想，已经很难满足高精度大数量自动化机械故障诊断的需求。基于机器学习的方法一般运用短时傅里叶变换、连续小波变换和希尔伯特
‑
黄变换等高效的时频分析方法，提取振动信号中包含的故障特征，然后使用支持向量机、随机森林等经典机器学习方法分类特征，降低对专家知识的依赖。但是这类方法的诊断准确率受分析方法选择和特征能否准确表达故障信息的影响，因此局限性较大。
[0004]随着人工智能技术的发展壮大，作为一种前沿的数据驱动方法，深度学习以其强大的非线性表示能力，以及可以从大数据中自适应提取特征的能力，打破了对人工特征工程的依赖。在面对强环境噪声、早期故障特征不明显、属性繁多等复杂情况时，深度学习方法也有优异的表现，已经被广泛地应用于故障诊断领域。许多现有的深度学习方法致力于设计新颖的多模态特征融合方法，以充分利用多种模态之间存在的互补信息，这样当其中一种模态数据缺失时，多模态系统仍然可以运行，因此应用多种模态的数据可以做出更具鲁棒性的诊断模型。

技术实现思路

[0005]现有的制冷设备轴承故障诊断方法大多基于单一模态振动信号，使用信号分析方法或机器学习方法进行判别，鲁棒性差。为了解决现有基于振动信号的故障诊断方法存在的问题，充分发挥深度学习的优势，本专利技术探究出一种多模态特征融合神经网络的制冷设备故障诊断方法，通过时频分析生成时频谱图增强输入数据的语义信息，应用多模态特征融合技术和注意力机制，使故障诊断任务得到更高的准确率和鲁棒性。该方法采用一维振
动信号和二维时频谱图多模态输入取代现有的单模态输入，使用特征提取能力强的卷积神经网络和有效学习时序依赖信息的LSTM网络，以解决单一模态数据信息匮乏和机器学习方法特征提取能力弱的问题。
[0006]本专利技术的技术方案：
[0007]一种多模态特征融合神经网络的制冷设备故障诊断方法，采用多模态输入，包括以下步骤：
[0008]步骤1：在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为原始样本数据，归一化处理后，进行时频分析，得到连续小波变换后的时频谱图，以振动信号和时频谱图作为数据集，划分训练集和测试集；
[0009]步骤2：构建神经网络，对原始一维振动信号以及步骤1中转换后的二维时频谱图这两种模态的训练数据分别进行特征提取，添加注意力模块并进行特征融合，对融合后的特征序列进行数据加权变换，而后输入LSTM网络和全连接层来对故障进行分类；
[0010]步骤3：传入训练数据，开始迭代训练，优化超参数，直到卷积神经网络和LSTM网络收敛，模型训练完成后，固定网络各层参数，将测试集数据输入模型，评估诊断正确率是否满足实际需求，如果还未满足需求，则继续优化网络结构和超参数，直到达到最高正确率，并保存最佳状态下的网络模型及超参数；
[0011]步骤4：采集需要诊断的螺杆压缩机转子轴承的振动信号，按与训练过程相同的处理方式生成时频谱图，并将振动信号和时频图都输入到保存的网络模型中，获得最终的诊断结果。
[0012]本专利技术的有益效果为：针对大规模制冷设备使用的螺杆压缩机故障诊断问题，设计了一种多模态特征融合神经网络的制冷设备故障诊断方法，将时序振动信号经连续小波变换生成信息更丰富的时频谱图，通过多模态特征融合，充分地发挥了多模态数据间存在大量互补信息的优点，提高了诊断模型的鲁棒性；引入注意力机制，利用卷积神经网络的强特征感知能力和LSTM网络的时间依赖信息学习能力，提升诊断的准确率。
附图说明
[0013]图1为本专利技术的整体步骤图。
[0014]图2为本专利技术的模型框架图。
[0015]图3为本专利技术所采用的注意力模块结构图。
具体实施方式
[0016]以下结合附图和技术方案，进一步说明本专利技术的具体实施方式。
[0017]图1为本专利技术的整体步骤图。如图所示，一种多模态特征融合神经网络的制冷设备故障诊断方法，其工作流程包括四个阶段：数据预处理阶段；卷积神经网络训练及特征提取阶段；多模态特征融合阶段；故障分类与诊断阶段。
[0018]具体步骤如下：
[0019]步骤1、数据预处理；
[0020]在数据预处理阶段，将数据集中的原始数据处理成能够输入神经网络的形式，同时，通过对原始时域振动信号进行连续小波变换生成时频谱图。经过预处理的样本在作为
输入时更加利于卷积神经网络进行特征提取和特征感知。详细步骤如下：
[0021](1)在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为原始样本数据，去掉原始样本数据中的列名、序号、日期等无关信息，获得初始样本数据；
[0022]本实施例中使用大小为2048个数据点的滑动窗口生成训练样本，滑动步长为1000点，对于每一种故障情况，采集120个样本，共获得1200个样本。
[0023](2)由于设备的固有机械特性，初始样本数据往往存在数值过高或过低的问题，其差距最高可能达到两个数量级，因此对初始样本数据进行归一化处理，以此消除量纲的差距，防止出现梯度爆炸或梯度弥散，帮助模型更好地学习提取特征。本专利技术在处理初始样本数据时使用的归一化方法如公式(1)所示：
[0024][0025]公式(1)中：X
i
表示样本数据序列中第i个数据的值，n表示每条样本的样本点数，max{
·
}表示取最大值，min{
·
}表示取最小值。
[0026](3)对归一化后的数据进行连续小波变换生成时频谱图。连续小波变换(CWT)是对短时傅里叶变换(STFT)的继承和发展，但其出发点与短时傅里叶变换引入窗函数并分段进行傅里叶变换的局部化思想并不相同，其主要思想是用有限长的可衰减小波基代替短时傅里叶变换使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态特征融合神经网络的制冷设备故障诊断方法，其特征在于，包括以下步骤：步骤1、数据预处理；(1.1)在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为原始样本数据，去掉原始样本数据中无关信息，获得初始样本数据；(1.2)对初始样本数据进行归一化处理，使用的归一化方法如公式(1)所示：公式(1)中：X
i
表示样本数据序列中第i个数据的值，n表示每条样本的样本点数，max{
·
}表示取最大值，min{
·
}表示取最小值；(1.3)对归一化后的数据进行连续小波变换生成时频谱图；所述变换的定义如公式(2)所示：公式(2)中：参数α和β都是连续变化的控制参数，α为尺度参数，控制小波的延展，用来改变连续小波变换的中心频率，β为时间参数，控制小波基在时间轴上沿信号方向的平移；(1.4)对样本进行故障类别分类，并逐样本添加标签，生成标签文件；将所有类型的故障样本进行合并，并进行随机打乱；按照一定比例将打乱后的样本划分为训练集和测试集；步骤2、特征提取及特征融合；特征提取过程使用多层卷积神经网络，卷积神经网络由卷积层和池化层组成，其中卷积层包含若干由神经元组成的特征图，通过卷积核遍历特征图，不同的卷积核提取不同的特征，通过多层卷积操作，神经网络提取数据从低级到复杂的特征表示；按照输入数据维度差异和卷积核遍历方式区别，卷积包含适用于输入数据为固定长度短片段的一维卷积，以及适用于提取图像中特征的二维卷积；因此，对于原始的一维振动信号，采用一维卷积进行特征提取；对于二维的时频谱图，采用二维卷积神经网络提取特征；引入注意力机制来提高特征融合能力，注意力模块的具体工作步骤如下：(2.1)将给定输入特征输入卷积层，生成两个新的特征映射B和C，其中(2.2)将B，C重整...

【专利技术属性】
技术研发人员：陈志奎，王峰，彭宇辰，王铁，钟芳明，李季，任浩，
申请(专利权)人：大连冰山嘉德自动化有限公司，
类型：发明
国别省市：