基于经验模态分解和图像转换的智能故障诊断方法技术

本发明专利技术公开了一种基于经验模态分解和图像转换的智能故障诊断方法，包括如下步骤：S1、预处理：通过EMT490传感器获取石化旋转机械故障的振动数据，每1024个振动数据为一组原始振动信号数据；S2、互补集成经验模态分解：将收集到的原始振动信号分解为高效固有模态函数，用于进一步的数据处理，并用于轴承故障诊断；S3、图像转换：将处理后的原始振动信号进行数据段采集，并构建出灰度图像来作为卷积神经网络的二维输入；S4、卷积神经网络识别：卷积神经网络提取深度特征，用于故障评估与检测。本发明专利技术能够为石化行业从业者提高新的、更多种检测石油化工生产过程的机械故障的手段，避免了石化机组设备发生故障而引发的重大事故的发生。组设备发生故障而引发的重大事故的发生。组设备发生故障而引发的重大事故的发生。

【技术实现步骤摘要】
基于经验模态分解和图像转换的智能故障诊断方法


[0001]本专利技术属于故障诊断
，具体涉及一种基于经验模态分解和图像转换的智能故障诊断方法。

技术介绍

[0002]在如今工业发展迅猛的时代，轴承健康状况的诊断和预测方法一直受到现代石油化工工业极度重视。旋转机械是石化机组的重要组成部分，由于其处于高温、高压等复杂且多样的环境下工作，使振动监测信号存在模糊、非平稳、非线性以及多耦合性，尤其是旋转机械早期损伤的微弱冲击特征不易提取，导致轴承故障难以识别，给故障信号分析带来具挑战性的任务。而现有的时频分析的轴承故障诊断方法存在专家知识的依赖、故障特征提取的不敏感和对非线性非平稳信号诊断精度低等缺点，无法满足故障诊断要求，导致石化企业安全事故频频发生。故迫切需要探索新的石化机组故障诊断方法，并能真正破解石化旋转机械故障诊断难题以维持石化机组的正常运行和安全性。为此，我们提出一种基于经验模态分解和图像转换的智能故障诊断方法，以解决上述
技术介绍
中提到的问题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于经验模态分解和图像转换的智能故障诊断方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于经验模态分解和图像转换的智能故障诊断方法，其在预处理中，采用互补集成经验模态分解和图像转换对轴承故障振动信号进行处理，并与卷积神经网络结合，包括如下步骤：
[0005]S1、预处理：通过EMT490传感器获取石化旋转机械故障的振动数据，每1024个振动数据为一组原始振动信号数据；
[0006]S2、互补集成经验模态分解：将收集到的原始振动信号分解为高效固有模态函数，用于进一步的数据处理，并用于轴承故障诊断；
[0007]S3、图像转换：将处理后的原始振动信号进行数据段采集，并构建出灰度图像来作为卷积神经网络的二维输入；
[0008]S4、卷积神经网络识别：卷积神经网络提取深度特征，用于故障评估与检测。
[0009]所述步骤S2的互补集成经验模态分解是在原始振动信号基础上加白噪声和减白噪声并完成经验模态分解，并将分解后的两组固有模态求均值；
[0010]分解后的两组固有模态求均值后，再将i组固有模态求平均值，获得最终的固有模态分量，使重建的信号噪音减少。
[0011]所述步骤S3的图像转换是将互补集成经验模态分解处理后得到的时域信号依次填充到图像像素中，时域信号中的数据长度为L，每次采样一个长度为T2的数据段，构建一个像素大小为T
×
T的灰度图像，其中每个图像分别从0归一化到255。
[0012]将处理后的原始振动信号作为采样数据段并分为正常样本、故障样本2、故障样本
3、故障样本4
……
故障样本n所述数据长度为L的时域中，每次采样T2的数据段从而构建一个像素大小为T
×
T的灰度图像。
[0013]将处理后的原始振荡信号作为采样数据段并分为正常样本、故障样本2、故障样本3、故障样本4
……
故障样本n，所述灰度图像分别从0归一化到255，最终得到图像的像素强度，消除专家经验。
[0014]所述卷积神经网络的模型是在LeNet
‑
5基础上进行了参数调整，并且进行卷积和池化的运算，最后使用softmax函数输出识别结果；
[0015]所述卷积神经网络包含2个交替的卷积层和池化层，以及3个完全连接层，并且选取ReLU作为模型的激活函数。
[0016]与现有技术相比，本专利技术的有益效果是：本专利技术首次提出了一种处理不敏感和非线性非平稳信号故障信号方法，具有准确且快速识别不同条件下的不同故障类型，具有有效性和优越性等卓越性能的特点。本专利技术首次提出基于经验模态分解和图像转换相结合的智能故障诊断方法，并且与传统的深度学习比较，包括循环神经网络，本专利技术具有优越性，为智能故障诊断提供了一种新的思路。总之，本专利技术能够为石化行业从业者提高新的、更多种检测石油化工生产过程的机械故障的手段，提高石化行业从业者对石油化工生产过程中出现的事故的判别和防范能力，避免了石化机组设备发生故障而引发的重大事故的发生、保障了石化行业正常的生产和从业的安全。
附图说明
[0017]图1为一种基于经验模态分解和图像转换的智能故障诊断方法的流程示意图；
[0018]图2为本专利技术互补集成经验模态分解(CEEMD)示意图；
[0019]图3为本专利技术卷积神经网络识别示意图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]本专利技术提供了如图1
‑
3的一种基于经验模态分解和图像转换的智能故障诊断方法，其在预处理中，采用互补集成经验模态分解和图像转换对轴承故障振动信号进行处理，并与卷积神经网络结合，包括如下步骤：
[0022]S1、预处理：通过EMT490传感器获取石化旋转机械故障的振动数据，每1024个振动数据为一组原始振动信号数据；
[0023]S2、互补集成经验模态分解：将收集到的原始振动信号分解为高效固有模态函数，用于进一步的数据处理，并用于轴承故障诊断；
[0024]S3、图像转换：将处理后的原始振动信号进行数据段采集，并构建出灰度图像来作为卷积神经网络的二维输入；
[0025]S4、卷积神经网络识别：卷积神经网络提取深度特征，用于故障评估与检测。
[0026]所述步骤S2的互补集成经验模态分解是在原始振动信号基础上加白噪声和减白
噪声并完成经验模态分解，并将分解后的两组固有模态求均值；
[0027]分解后的两组固有模态求均值后，再将i组固有模态求平均值，获得最终的固有模态分量，使重建的信号噪音减少。
[0028]所述步骤S3的图像转换是将互补集成经验模态分解处理后得到的时域信号依次填充到图像像素中，时域信号中的数据长度为L，每次采样一个长度为T2的数据段，构建一个像素大小为T
×
T的灰度图像，其中每个图像分别从0归一化到255。
[0029]将处理后的原始振动信号作为采样数据段并分为正常样本、故障样本2、故障样本3、故障样本4
……
故障样本n所述数据长度为L的时域中，每次采样T2的数据段从而构建一个像素大小为T
×
T的灰度图像。
[0030]将处理后的原始振荡信号作为采样数据段并分为正常样本、故障样本2、故障样本3、故障样本4
……
故障样本n，所述灰度图像分别从0归一化到255，最终得到图像的像素强度，消除专家经验。
[0031]所述卷积神经网络的模型是在LeNet
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于经验模态分解和图像转换的智能故障诊断方法，其在预处理中，采用互补集成经验模态分解和图像转换对轴承故障振动信号进行处理，并与卷积神经网络结合，其特征在于：包括如下步骤：S1、预处理：通过EMT490传感器获取石化旋转机械故障的振动数据，每1024个振动数据为一组原始振动信号数据；S2、互补集成经验模态分解：将收集到的原始振动信号分解为高效固有模态函数，用于进一步的数据处理，并用于轴承故障诊断；S3、图像转换：将处理后的原始振动信号进行数据段采集，并构建出灰度图像来作为卷积神经网络的二维输入；S4、卷积神经网络识别：卷积神经网络提取深度特征，用于故障评估与检测。2.根据权利要求1所述的一种基于经验模态分解和图像转换的智能故障诊断方法，其特征在于：所述步骤S2的互补集成经验模态分解是在原始振动信号基础上加白噪声和减白噪声并完成经验模态分解，并将分解后的两组固有模态求均值；分解后的两组固有模态求均值后，再将i组固有模态求平均值，获得最终的固有模态分量，使重建的信号噪音减少。3.根据权利要求2所述的一种基于经验模态分解和图像转换的智能故障诊断方法，其特征在于：所述步骤S3的图像转换是将互补集成经验模态分解处理后得到的时域信号依次填充到图像像素中，时域信号中的数据长度为L，每次采样...

【专利技术属性】
技术研发人员：熊建斌，刘鸣慧，张钰妤，余得正，李春林，张铭芷，叶宝玉，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：