一种旋转机械故障判别方法、计算机设备及存储介质技术

本发明专利技术属于旋转机械故障诊断技术领域，公开了一种旋转机械故障判别方法、计算机设备及存储介质，所述基于时序深度融合网络的旋转机械故障判别方法包括采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理，得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析，得到所述旋转机械的故障信息。本发明专利技术采用训练好的卷积神经网络对其中的故障特征进行分析，进而得到所述旋转机械的故障诊断，有助于实现旋转机械实时智能的故障诊断。断。断。

【技术实现步骤摘要】
一种旋转机械故障判别方法、计算机设备及存储介质


[0001]本专利技术属于旋转机械故障诊断
，尤其涉及一种旋转机械故障判别方法、计算机设备及存储介质。

技术介绍

[0002]目前，随着工业技术的发展，旋转机械设备的技术水平和复杂性都在提高。这些设备的故障将造成巨大的经济损失甚至人员伤亡。故障诊断的目的是在故障发生时对其进行检测、隔离和识别，这是保证系统安全可靠运行的关键。对于确保大型旋转机械的安全可靠运行至关重要，并有助于制定合理的维修计划，降低设备维修费用。
[0003]现有的旋转机械诊断方法，大多是对振动信号进行分析。基于深度学习的故障诊断方法，大多数深度网络通常十分关注工业故障信号的准静态特征，即在相对较短的时间内每个频率的幅度和相位，但这还不够。旋转机械的波形在短时间窗中是周期信号，是对应某时刻状态的准静态信息，是状态的一种表现。而在远大于采集周期的较长时段中，旋转机械的状态可能会明显变化。如果产生故障，在某一状态下，振动波形不一定含有明显的故障信息，或故障信息被淹没在其他信息中。这时，依靠随机抽取的状态信息来进行诊断是会碰到困难的，如果故障特征不是绝对清晰，基于某时刻状态波形的方法就不能很好区分这些故障。大多数故障信号往往随时间变化，在运行条件发生较大变化的情况下，故障会导致转子的工作频率振动幅值和相位等相关信息随时间有规律地变化，信号的这些时间序列特征往往被深度网络忽略，导致现有方法无法取得更好的效果。现有的一些基于CNN的故障诊断方法使用多尺度卷积的方式在一定程度上解决故障时间尺度的问题，但并不能很好地直接自动学习到故障时间序列特征。还有的深度学习方法使用时间序列网络来处理转子时间序列特征，但没有充分利用深度的准静态特征。因此，深度网络进行故障诊断的同时，有机结合两类特征非常重要。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)现有技术在旋转机械故障判别中，获得的旋转机械的故障信息准确度低。
[0006](2)现有技术在旋转机械故障判别中，在运行条件发生较大变化的情况下，信号的时间序列特征往往被深度网络忽略，导致现有方法无法取得准确信号数据。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供了一种旋转机械故障判别方法、计算机设备及存储介质。
[0008]具体涉及一种基于时序深度融合网络的旋转机械故障判别方法。
[0009]本专利技术是这样实现的，一种基于时序深度融合网络的旋转机械故障判别方法包括：
[0010]采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理，得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对所述处理结果中的故障特
征进行分析，得到所述旋转机械的故障信息。
[0011]进一步，所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理前，需进行：采集旋转机械的振动信号；在所述旋转机械上设置振动位移传感器，在所述旋转机械的运动过程中，所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。
[0012]进一步，所述振动位移传感器沿所述旋转机械的轴的径向的水平或垂直方向设置，以检测所述旋转机械沿所述径向的振动；所述振动位移传感器为电涡流位移传感器，沿所述轴的径向的水平和垂直方向设置；
[0013]所述采样方式包括采样长度及采样频率，并采用同步整周期采样，采样频率为旋转机械转速的2
n
倍，n为大于等于6的正整数；采样时间长度为 2k个旋转周期，k为大于等于3的正整数。
[0014]采样频率为所述旋转机械转速的2
n
倍，n为大于等于6的正整数；采样长度为2
k
个旋转周期，k为大于等于3的正整数。
[0015]进一步，所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理具体包括：
[0016]按照预先训练过的时序深度融合网络模型的输入形式，对采集到的振动信号进行小波变换，并将信息矩阵进行组合，获得振动信号的短时间
‑
时频域信息矩阵；
[0017]按照预先训练过的时序深度融合网络模型的输入形式，将采集到的振动信号进行短时傅里叶变换，将特征频率的幅值相位提取出来，并用滑动平移的办法得到时序变化信息向量。
[0018]进一步，所述获得振动信号的短时间
‑
时频域信息矩阵具体步骤包括：
[0019]将振动信号截取信号长度为2
n
的一维数组，n为大于等于6的正整数；
[0020]将一维数组进行小波变换，提取频率为转速的8倍频以内的振动信号；将所述一维数组拓展为2
k
×2n
大小的矩阵，作为振动信号的短时信息矩阵F
x
，k 为大于等于3的正整数。
[0021]进一步，所述获得振动信号的时序变化信息向量具体步骤包括：
[0022]将振动信号按时序依次截取为2
k
个长度为2
n
的行向量，分别记为k为大于等于3的正整数，n为大于等于6的正整数；
[0023]对这2
k
个向量做傅里叶变换，得到频率的振动信号；
[0024]提取特征频率的振动信号的幅值和相位，得到两个长度为2
k
的时序向量；
[0025]再采用滑动平移方法得到2m个时序向量其p
m
为第m个时间序列向量。
[0026]进一步，所述并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析，得到所述旋转机械的故障信息包括：
[0027]将振动综合信息矩阵输入到所述预先训练过的时序深度融合网络模型，所述网络模型对接收到的振动信息矩阵和向量进行诊断分析，得到旋转机械的故障诊断结果；
[0028]卷积神经网络模型的预先训练过程包括以下步骤：
[0029]对所述旋转机械进行故障实验，对不同的故障实验分别采集振动位移信号，得到多组不同故障情况下的故障信号；
[0030]对多组故障情况下故障信号进行频域和时域信息分析获取，得到短时间
‑
时频域信息矩阵和时序变化信息向量，作为卷积神经网络模型的输入；
[0031]根据故障实验中每种故障诊断的发生情况，构造对应的输出矩阵；
[0032]设置卷积神经网络模型的参数，将输入及输出矩阵输入时序深度融合网络模型进行训练，得到用于所述旋转机械故障诊断识别的预先训练的融合神经网络模型。
[0033]进一步，所述卷积神经网络包括：深度块、时序块和融合块；
[0034]所述深度块中包括：第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层；其中第一卷积层将原始的三维矩阵进行矩阵卷积操作，提取不同卷积核维度下的矩阵数值特征，得到第一特征矩阵，将特征传递到第一池化层；第一池化层将第一特征矩阵进行池化运算处理，减小特征矩阵的尺度，得到第二特征矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述基于时序深度融合网络的旋转机械故障判别方法包括：采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理，得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析，得到所述旋转机械的故障信息。2.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理前，需进行：采集旋转机械的振动信号；在所述旋转机械上设置振动位移传感器，在所述旋转机械的运动过程中，所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。3.根据权利要求2所述的基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述振动位移传感器沿所述旋转机械的轴的径向的水平或垂直方向设置，以检测所述旋转机械沿所述径向的振动；所述振动位移传感器为电涡流位移传感器，沿所述轴的径向的水平和垂直方向设置；所述采样方式包括采样长度及采样频率，并采用同步整周期采样，采样频率为旋转机械转速的2
n
倍，n为大于等于6的正整数；采样时间长度为2k个旋转周期，k为大于等于3的正整数。采样频率为所述旋转机械转速的2
n
倍，n为大于等于6的正整数；采样长度为2
k
个旋转周期，k为大于等于3的正整数。4.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理具体包括：按照预先训练过的时序深度融合网络模型的输入形式，对采集到的振动信号进行小波变换，并将信息矩阵进行组合，获得振动信号的短时间
‑
时频域信息矩阵；按照预先训练过的时序深度融合网络模型的输入形式，将采集到的振动信号进行短时傅里叶变换，将特征频率的幅值相位提取出来，并用滑动平移的办法得到时序变化信息向量。5.根据权利要求4所述的基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述获得振动信号的短时间
‑
时频域信息矩阵具体步骤包括：将振动信号截取信号长度为2
n
的一维数组，n为大于等于6的正整数；将一维数组进行小波变换，提取频率为转速的8倍频以内的振动信号；将所述一维数组拓展为2
k
×2n
大...

【专利技术属性】
技术研发人员：杨涛，张家盛，胡迪，张颖，谭亲雄，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：