一种故障诊断方法及系统技术方案

本发明专利技术涉及一种故障诊断方法及系统，其特征在于，包括：获取待测设备的振动信号；将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果，可以广泛应用于先进制造控制技术领域中。以广泛应用于先进制造控制技术领域中。以广泛应用于先进制造控制技术领域中。

【技术实现步骤摘要】
一种故障诊断方法及系统


[0001]本专利技术涉及先进制造控制
，特别是关于一种故障诊断方法及系统。

技术介绍

[0002]工业生产过程中所用设备的精密度、复杂度以及智能度越来越高，如果不能对这些设备进行良好的管理，一旦发生故障，会产生停机甚至危害人身安全等一系列负面影响，因此，对设备进行故障诊断有极大的现实指导意义。
[0003]随着人工智能与工业物联网的不断发展，采用深度学习方法实现故障诊断已经成为现在的发展趋势。目前，最为流行的是基于信号分析的故障诊断方法，该方法采用某些变换(经验分解模型、短时傅立叶变换或小波分解等)将时间序列信号转变为频域信号，但是该种方法提取特征相对费时费力，虽然采用人工提取特征的方法在故障诊断领域应用中取得了不错的效果，但是其诊断的性能大部分取决于人工提取特征的效果，并没有充分发挥深度学习的自我学习这一独特优势。
[0004]除此之外，目前传统的故障诊断方法普遍存在网络结构比较复杂，导致增加计算机负担的缺点，且随着对故障种类的增加其诊断准确率会有明显的降低。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种能够避免人工参与提取特征且简单高效的故障诊断方法及系统。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，提供一种故障诊断方法，包括：
[0008]获取待测设备的振动信号；
[0009]将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
[0010]进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型的构建过程为：
[0011]采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型；
[0012]对采集的历史故障振动信号进行预处理；
[0013]将预处理后的历史故障振动信号进行下采样；
[0014]将下采样后的历史故障振动信号数据集划分为训练集和测试集；
[0015]采用训练集和测试集对构建的故障诊断模型进行训练和测试，得到训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。
[0016]进一步地，所述对采集的历史故障振动信号进行预处理，包括：
[0017]定义获取历史故障振动信号的函数，以将不同文件夹内不同故障类型的历史故障振动信号整合在一个数据集上；
[0018]根据历史故障振动信号的故障类型，定义历史故障振动信号的标签函数。
[0019]进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型包括第一卷积神经网络、第二卷积神经网络、特征融合模块、第一双向长短时记忆网络、第二双向长短时记忆网络、批量归一化层和全连接层；
[0020]所述第一卷积神经网络和第二卷积神经网络均用于提取下采样后的故障振动信号的局部空间特征；
[0021]所述特征融合模块用于将所述第一卷积神经网络和第二卷积神经网络提取的局部空间特征进行融合，获得不同尺度的空间特征；
[0022]所述第一双向长短时记忆网络和第二双向长短时记忆网络均用于根据融合后的空间特征，提取得到时序特征；
[0023]所述BN层用于对提取的时序特征进行批标准化；
[0024]所述全连接层用于根据批标准化结果，输出故障类型。
[0025]进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型还包括Dropout层，用于丢弃神经网络训练时的某些连接点防止过拟合。
[0026]进一步地，所述第一卷积神经网络设置有三个一维卷积层和一个一维最大池化层，所述第二卷积神经网络设置有六个一维卷积层和两个一维最大池化层；
[0027]所述第一卷积神经网络的一维卷积层采用相对较大的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
[0028]所述第一卷积神经网络的一维最大池化层用于对所述第一卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征；
[0029]所述第二卷积神经网络的一维卷积层采用相对较小的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
[0030]所述第二卷积神经网络的一维最大池化层用于对所述第二卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征。
[0031]进一步地，所述第一卷积神经网络和第二卷积神经网络的特征图边长计算公式为：
[0032]或
[0033]其中，W
out
表示输出特征图边长；W
in
表示输入特征图边长；S表示卷积步长；K表示卷积核长，计算结果均向上取整。
[0034]第二方面，提供一种故障诊断系统，包括：
[0035]数据获取模块，用于获取待测设备的振动信号；
[0036]故障诊断分类模块，用于将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
[0037]第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述故障诊断方法对应的步骤。
[0038]第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述故障诊断方法对应的步骤。
[0039]本专利技术由于采取以上技术方案，其具有以下优点：
[0040]1、本专利技术以简单、高效为目标，可自动提取数据，避免人工参与提取特征的影响，本专利技术利用端到端的故障诊断模式，构建一种双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，以原始振动信号作为故障诊断模型的输入，通过双通道卷积神经网络作为特征提取器，以双向长短时记忆神经网络作为分类器，构建的模型具有时间和空间的特征表达的能力，不仅可以利用传感器采集的具有时间序列特点的信息，而且可以挖掘更深层次的信息，相较传统故障诊断模型的训练时间更短，效果更稳定。
[0041]2、本专利技术通过构建的故障诊断模型，能够摆脱传统故障诊断需要的人工提取特征的步骤，无需对信号进行处理，能够降低人为误差。
[0042]3、本专利技术通过对数据的下采样使样本量减小，从而能够降低计算设备的训练网络的负担，且不影响准确率，对四分类的故障诊断准确率可达100％，十分类的故障诊断准确率也可达到99.8％，对比传统故障诊断，采用本专利技术的故障诊断模型训练收敛速度更快更准确。
[0043]综上所述，本专利技术可以广泛应用于先进制造控制
中。
附图说明
[0044]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。在整个附图中，用相同的附图标记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障诊断方法，其特征在于，包括：获取待测设备的振动信号；将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。2.如权利要求1所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型的构建过程为：采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型；对采集的历史故障振动信号进行预处理；将预处理后的历史故障振动信号进行下采样；将下采样后的历史故障振动信号数据集划分为训练集和测试集；采用训练集和测试集对构建的故障诊断模型进行训练和测试，得到训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。3.如权利要求2所述的一种故障诊断方法，其特征在于，所述对采集的历史故障振动信号进行预处理，包括：定义获取历史故障振动信号的函数，以将不同文件夹内不同故障类型的历史故障振动信号整合在一个数据集上；根据历史故障振动信号的故障类型，定义历史故障振动信号的标签函数。4.如权利要求2所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型包括第一卷积神经网络、第二卷积神经网络、特征融合模块、第一双向长短时记忆网络、第二双向长短时记忆网络、批量归一化层和全连接层；所述第一卷积神经网络和第二卷积神经网络均用于提取下采样后的故障振动信号的局部空间特征；所述特征融合模块用于将所述第一卷积神经网络和第二卷积神经网络提取的局部空间特征进行融合，获得不同尺度的空间特征；所述第一双向长短时记忆网络和第二双向长短时记忆网络均用于根据融合后的空间特征，提取得到时序特征；所述BN层用于对提取的时序特征进行批标准化；所述全连接层用于根据批标准化结果，输出故障类型。5.如权利要求4所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网...

【专利技术属性】
技术研发人员：张彩霞，谢思映，赵永胜，刘志峰，张月泽，许静静，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：