基于1DCNN-TSA-GRU的传送带滚筒故障识别方法和系统技术方案

本发明专利技术涉及一种基于1DCNN

【技术实现步骤摘要】
基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法和系统


[0001]本专利技术涉及机械故障识别
，尤其涉及一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法和系统。

技术介绍

[0002]带式运输机广泛运用于港口、采石场、煤矿，小到机场、客运站、地铁等场所，因此，带式运输机在运量更多、速度更快、输送更远的目标指引下不断研发升级。带式运输机设备中传动滚筒、承载轴承等零部件作为其核心零部件，时常产生故障导致整体运输传动产生停滞，甚至发生严重的安全事故。其原因在于大型滚筒一般采用板材卷筒后再与两端的法兰盘焊接成型生产工艺，存在着一条纵向焊缝和两条环形焊缝，长时负载过程中，滚筒容易产生裂纹故障，且裂纹故障在未发生严重损坏前无明显征兆，难以诊断，据研究发现，滚筒故障数据统计结果显示发生在环形焊缝上的损伤占比达90％以上；滚动轴承更是滚筒设备的关键配合部件，在设备运行过程中，滚动轴承的磨损也会使得轴承状态退化进而逐渐出现故障。目前，工业设备技术越来越发达，伴随的工况也更加复杂，对大多数故障识别方法来说难度也逐渐增加。同时滚筒裂纹故障与轴承故障振动信号中均会产生调幅和调制等问题，导致故障识别具有挑战性，甚至无法有效识别滚筒裂纹与轴承故障。

技术实现思路

[0003]有鉴于此，本申请提供了一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法和系统，以缓解现有技术中存在的无法有效识别滚筒裂纹与轴承故障的技术问题。
[0004]第一方面，本专利技术实施例提供了一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法，包括：对传送带滚筒原始测试振动信号采取滑移窗分割方法进行样本数据增强，得到样本数据集；对所述样本数据集进行频带能量特征系数提取，得到特征样本数据集；通过将一维卷积神经网络与时间自注意力机制相结合，进一步提取所述特征样本数据集的空间特征，并对特征自适应分配权重系数，采用双向门控循环单元提取时间特征，构建1DCNN
‑
TSA
‑
GRU模型；基于所述特征样本数据集对所述1DCNN
‑
TSA
‑
GRU模型进行训练，得到传送带滚筒故障识别模型；基于所述传送带滚筒故障识别模型，对传送带滚筒进行故障识别。
[0005]进一步地，对所述样本数据集进行频带能量特征系数提取，包括：基于梅尔频率倒谱系数特征提取方法，对所述样本数据集进行频带能量特征系数提取。
[0006]进一步地，所述1DCNN
‑
TSA
‑
GRU模型包括：一维卷积神经网络、时间自注意力机制层、双向门控循环单元和分类层；所述一维卷积神经网络的输入数据为所述特征样本数据集中的数据，通过卷积层对所述输入数据进行卷积操作，提取所述输入数据的映射特征，然后通过池化层提取每一个特征向量中的局部特征；通过所述时间自注意力机制层，为所述一维卷积神经网络的输出特征向量分配权重系数，得到分配权重系数之后的特征样本数据；所述双向门控循环单元包括从前向后运算和从后向前运算两个门控循环单元，所述双向门控循环单元的输出由所述两个门控循环单元的状态共同确定；所述分类层用于对所述
双向门控循环单元的输出特征向量进行分类操作；所述分类层包括全连接层、激活层和展平层；所述分类层通过SoftMax多分类器进行故障识别，通过线性修正单元激活函数进行激活操作。
[0007]进一步地，所述时间自注意力机制层包括：其中，α
t
为权重系数矩阵，q为查询向量，F为评分函数，L为长短时记忆网络，v为时间自注意力层的输出特征向量，h
t
为所述一维卷积神经网络的输出特征向量。
[0008]进一步地，所述池化层包括Dropout正则化操作。
[0009]进一步地，基于所述特征样本数据集对所述1DCNN
‑
TSA
‑
GRU模型进行训练，得到传送带滚筒故障识别模型，包括：以预设比例抽取所述特征样本数据集中的数据作为训练样本，并将所述特征样本数据集中剩余数据作为测试样本；利用所述训练样本对所述1DCNN
‑
TSA
‑
GRU模型进行训练，并利用所述测试样本对训练之后的1DCNN
‑
TSA
‑
GRU模型进行验证，得到传送带滚筒故障识别模型。
[0010]进一步地，利用所述训练样本对所述1DCNN
‑
TSA
‑
GRU模型进行训练，包括：对所述1DCNN
‑
TSA
‑
GRU模型的参数初始化，通过逐层的参数信息传递得到输出值，通过目标损失函数计算实际输出与目标输出的偏差，利用反向传播误差调整网络权值及偏置，当网络迭代次数达到预设值时终止训练，得到训练之后的1DCNN
‑
TSA
‑
GRU模型；其中，所述目标损失函数为交叉熵损失函数。
[0011]第二方面，本专利技术实施例还提供了一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别系统，包括：数据增强模块，特征提取模块，模型构建模块，模型训练模块和故障识别模块；其中，所述数据增强模块，用于对传送带滚筒原始测试振动信号采取滑移窗分割方法进行样本数据增强，得到样本数据集；所述特征提取模块，用于对所述样本数据集进行频带能量特征系数提取，得到特征样本数据集；所述模型构建模块，用于通过将一维卷积神经网络与时间自注意力机制相结合，进一步提取所述特征样本数据集的空间特征，并对特征自适应分配权重系数，采用双向门控循环单元提取时间特征，构建1DCNN
‑
TSA
‑
GRU模型；所述模型训练模块，用于基于所述特征样本数据集对所述1DCNN
‑
TSA
‑
GRU模型进行训练，得到传送带滚筒故障识别模型；所述故障识别模块，用于基于所述传送带滚筒故障识别模型，对传送带滚筒进行故障识别。
[0012]第三方面，本专利技术实施例还提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1
‑
7任一项所述的处理方法。
[0013]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如上述第一方面所述的方法。
[0014]本专利技术涉及一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法和系统，针对滚筒内部存在的裂纹故障与轴承故障特征分布于不同频带的特性，采用MFCC梅尔频率倒谱提取信号中不同频带的能量系数，在有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1DCNN
‑
TSA
‑
GRU的传送带滚筒故障识别方法，其特征在于，包括：对传送带滚筒原始测试振动信号采取滑移窗分割方法进行样本数据增强，得到样本数据集；对所述样本数据集进行频带能量特征系数提取，得到特征样本数据集；通过将一维卷积神经网络与时间自注意力机制相结合，进一步提取所述特征样本数据集的空间特征，并对特征自适应分配权重系数，采用双向门控循环单元提取时间特征，构建1DCNN
‑
TSA
‑
GRU模型；基于所述特征样本数据集对所述1DCNN
‑
TSA
‑
GRU模型进行训练，得到传送带滚筒故障识别模型；基于所述传送带滚筒故障识别模型，对传送带滚筒进行故障识别。2.根据权利要求1所述的方法，其特征在于，对所述样本数据集进行频带能量特征系数提取，包括：基于梅尔频率倒谱系数特征提取方法，对所述样本数据集进行频带能量特征系数提取。3.根据权利要求1所述的方法，其特征在于，所述1DCNN
‑
TSA
‑
GRU模型包括：一维卷积神经网络、时间自注意力机制层、双向门控循环单元和分类层；所述一维卷积神经网络的输入数据为所述特征样本数据集中的数据，通过卷积层对所述输入数据进行卷积操作，提取所述输入数据的映射特征，然后通过池化层提取每一个特征向量中的局部特征；通过所述时间自注意力机制层，为所述一维卷积神经网络的输出特征向量分配权重系数，得到分配权重系数之后的特征样本数据；所述双向门控循环单元包括从前向后运算和从后向前运算两个门控循环单元，所述双向门控循环单元的输出由所述两个门控循环单元的状态共同确定；所述分类层用于对所述双向门控循环单元的输出特征向量进行分类操作；所述分类层包括全连接层、激活层和展平层；所述分类层通过SoftMax多分类器进行故障识别，通过线性修正单元激活函数进行激活操作。4.根据权利要求3所述的方法，其特征在于，所述时间自注意力机制层包括：征在于，所述时间自注意力机制层包括：征在于，所述时间自注意力机制层包括：其中，α
t
为权重系数矩阵，q为查询向量，F为评分函数，L为长短时记忆网络，v为时间自注意力层的输出特征向量，h
t
为所述一维卷积神经网络的输出特征向量。5.根据权利要求3所述的方法，其特征在于，所述池化层包括Dropout正则化操作。6.根据权利要求1所述的方法，其特征在于，基于所述特征样本数据集对所述1DCNN
‑
TSA
‑
GRU模型进行训...

【专利技术属性】
技术研发人员：于新国，周思远，王招平，王琇峰，苗要党，刘春阳，林森，王天成，魏豪，于超，栾文轩，
申请(专利权)人：苏州微著设备诊断技术有限公司焦作科瑞森重装股份有限公司，
类型：发明
国别省市：