一种基于文本和语义嵌入的旋转机械复合故障识别方法技术

本发明专利技术提供一种基于文本和语义嵌入的旋转机械复合故障识别方法，涉及故障诊断技术领域，包括以下步骤：采集旋转机械设备复合故障状态下的振动信号的时域信号和频域信号；构建深度卷积神经网络模型，通过训练后的深度卷积神经网络模型提取时域信号的文本信号特征；构建包含两个全连接层的网络模型，通过训练后的网络模型提取频域信号的语义特征；将文本信号特征和语义特征进行差值融合，获得融合特征；根据融合特征，通过双全连接层输出旋转机械设备复合故障的识别结果。该方法能够准确实现对旋转机械设备复合故障诊断的目的，从机械设备单一故障信息，获取多样故障形式的诊断结果。获取多样故障形式的诊断结果。获取多样故障形式的诊断结果。

【技术实现步骤摘要】
一种基于文本和语义嵌入的旋转机械复合故障识别方法


[0001]本专利技术涉及故障诊断
，具体涉及一种基于文本和语义嵌入的旋转机械复合故障识别方法。

技术介绍

[0002]随现代制造业快速发展，加速大尺寸机械装备批量化生产。旋转机械是机械装备中最为关键的部件之一，在长期的运转下，很容易发生退化磨损甚至失效。如果对于失效部件缺乏及时的维护，失效部位将会进一步扩大，单一故障也会因此演化为复合故障，导致整个机械设备停机甚至出现伤亡事故。旋转机械复合故障诊断是非常具有前景的技术，可以有效确保机械装备的安全运行，降低维护成本和经济损失。
[0003]目前，故障诊断技术主要包括两类：基于模型与基于数据驱动的方法，其中，基于模型的方法可以精确地预测设备故障，但前提是开发的模型可以精确地描述一台老旧设备的退化特征。然而，机械设备实际的退化过程受多种因素的影响，如其他机械部件或设备的工作环境等。退化损伤过程中的非线性、随机性以及动态变化等特征给基于模型的方法带来了大量的不确定参数。而基于数据驱动的方法，能够准确追踪机械装备真实的退化过程，并精确预测设备的退化状态。基于数据驱动的故障诊断方法主要包括三个连续的阶段，即数据处理、特征提取和故障识别。相应的发展过程也可以概括为两个关键的历史阶段，即传统的基于统计特征的故障诊断技术和基于机器学习的智能故障诊断技术。通过传统诊断技术需要结合专家知识和先进的工程师经验来完成这个选择，而选择的特征决定了整个技术的诊断效果，因此该技术在故障诊断应用中难以得到全面的应用。
[0004]基于机器学习的智能诊断技术可以通过模型的自学习与自训练过程来实现旋转机械设备的故障诊断，该过程不需要人为的参与，而且学习的特征与人的理解不同，通过抽象特征的方式表征设备故障退化信息。但是在该技术的应用过程中，主要聚焦于对已有的故障类型进行诊断分析，即需要诊断的故障形式虽然多样，但是形式是已知的。这与实际情况并不完全相符，因为在机械设备退化过程中，损伤退化存在很多不确定因素，会产生很多位置的故障类型，比如具有多种单一故障特征的复合故障。而在基于已有故障类型数据来预测诊断未知的复合故障类型的数据过程中，现有的解决技术并不多，依然面临巨大的挑战。

技术实现思路

[0005]本专利技术提出了一种基于文本和语义嵌入的旋转机械复合故障识别方法，通过已有故障类型数据来预测诊断未知的复合故障类型。
[0006]为实现上述目的，本专利技术提供了如下的技术方案：一种基于文本和语义嵌入的旋转机械复合故障识别方法，包括以下步骤：采集旋转机械设备单一故障状态下振动信号的时域信号和频域信号作为训练集；
构建深度卷积神经网络模型，通过深度卷积神经网络模型提取时域信号的文本信号特征；构建第一双全连接层，所述第一双全连接层为两个全连接层的网络模型，通过第一双全连接层提取频域信号的语义特征；将文本信号特征和语义特征进行差值融合，获得融合特征；构建第二双全连接层，根据融合特征通过第二双全连接层输出故障识别结果；通过训练集进行多次迭代训练；采集待识别的旋转机械设备振动信号的时域信号和频域信号；通过训练后的深度卷积神经网络模型、第一双全连接层和第二双全连接层获得旋转机械设备复合故障的识别结果。
[0007]优选地，所述采集旋转机械设备单一故障状态下振动信号的时域信号和频域信号，包括以下步骤：对每个采样数据进行整理，使用尺寸为1024的滑窗对采样的时序数据进行分割，获得相同格式的样本集合并保存；根据每个样本所来自的设备，分别生成对应的标签对：式中，为第个样本数据，样本维度为，其中，；为第个样本数据所对应的标签，为数据集样本总数。
[0008]优选地，还包括：通过快速傅里叶变换获得频域信号，其包括以下步骤：对振动信号的时域信号进行快速傅里叶变换，获得时域信号的频域特征，快速傅里叶变换表述为：式中，为时域信号的傅里叶变换结果，表示时间序列的长度，为DFT算法的权函数。
[0009]优选地，还包括：对时域数据和频域数据进行z
‑
score归一化处理，确保所有数据均位于[0,1]之间，从而消除因极端值或者量纲导致偏差；数据归一化的表达式为：式中，表示第个样本数据，表示数据的均值，为样本方差，为归一化后的样本值。
[0010]优选地，所述深度卷积神经网络模型包括：依次连接的三组卷积模块和一个全连接层，三组所述卷积模块通过前向传播的方式连接；每组所述卷积模块包含一个卷积层、一个激活层和一个池化层。
[0011]优选地，所述通过深度卷积神经网络模型提取时域信号的文本信号特征，包括以下步骤：
对于每个卷积模块的输入，通过卷积层运算进行数据特征提取，公式如下：式中，和分别为第层第个特征的权重核和偏置，为第个权重核；为第层的第个输出特征，为第层的第个输出特征；将卷积层的输出特征输入到激活层进行非线性运算，具体的函数关系式为：式中，为修正线性单元，表达式为：将激活层输出的高维特征通过池化运算获得低维特征表达，表达式如下：式中，为在区域内的每个神经元的激活值；在输入数据经过三个卷积模块的特征提取后，继续输入到全连接层，提取数据的全局特征，其表达式为：式中，为网络层序号，为权重向量，为输入特征向量，为偏置向量。
[0012]优选地，还包括：三个全连接层的参数要求为：三个全连接层的参数要求为：三个全连接层的参数要求为：其中，和为第一双全连接层的两个全连接层，为深度卷积神经网络模型的全连接层；表示全连接运算，in
‑
dim
‑
F，in
‑
dim
‑
T，mid
‑
dim，out
‑
dim分别表示频域数据的维度，时域数据经过三个卷积模块后的输出数据维度，的输出数据维度，或的输出数据维度，和的输出维度一致。
[0013]优选地，所述将文本信号特征和语义特征进行差值融合，包括以下步骤：式中，为进行差值后的特征，而分别为两个网络模型的输出结果；将进行差值融合后的特征输入到双全连接层，通过soft
‑
max函数输出最终预测结果；所述双全连接层包括两个连接的全连接层。
[0014]优选地，还包括：模型的训练过程使用交叉熵作为损失函数，其定义为：
其中，和分别为第个样本的第个目标类别和输出预测值；将损失函数作为目标值，使用自适应矩估计更行网络模型参数。
[0015]本专利技术的有益效果：本专利技术提出一种基于文本和语义嵌入的旋转机械复合故障识别方法，通过对已知故障类型数据进行处理，获得数据的文本特征和语义描述，然后对复合故障数据进行同样的处理，获得复合故障的语义描述。建立深度学习模型，提取复合故障语义与单一已知故障语义之间的相关联系，实现对复合故障类型的识别，本专利技术能够准确实现对旋转机械设备复合故障诊断的目的，从机械设备单一故障信息，获取多样故障形式的诊断结果。该方法通过对文本特征和语义描述的差值融合处理，获取了准确的故障特征，同时加强了单一故障和复合故障的相关联系，通过单一已知故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于文本和语义嵌入的旋转机械复合故障识别方法，其特征在于，包括以下步骤：采集旋转机械设备单一故障状态下振动信号的时域信号和频域信号作为训练集；构建深度卷积神经网络模型，通过深度卷积神经网络模型提取时域信号的文本信号特征；构建第一双全连接层，所述第一双全连接层为两个全连接层的网络模型，通过第一双全连接层提取频域信号的语义特征；将文本信号特征和语义特征进行差值融合，获得融合特征；构建第二双全连接层，根据融合特征通过第二双全连接层输出故障识别结果；通过训练集进行多次迭代训练；采集待识别的旋转机械设备振动信号的时域信号和频域信号；通过训练后的深度卷积神经网络模型、第一双全连接层和第二双全连接层获得旋转机械设备复合故障的识别结果。2.根据权利要求1所述的一种基于文本和语义嵌入的旋转机械复合故障识别方法，其特征在于，所述采集旋转机械设备单一故障状态下振动信号的时域信号和频域信号，包括以下步骤：对每个采样数据进行整理，使用尺寸为1024的滑窗对采样的时序数据进行分割，获得相同格式的样本集合并保存；根据每个样本所来自的设备，分别生成对应的标签对：式中，为第个样本数据，样本维度为，其中，；为第个样本数据所对应的标签，为数据集样本总数。3.根据权利要求1所述的一种基于文本和语义嵌入的旋转机械复合故障识别方法，其特征在于，还包括：通过快速傅里叶变换获得频域信号，其包括以下步骤：对振动信号的时域信号进行快速傅里叶变换，获得时域信号的频域特征，快速傅里叶变换表述为：式中，为时域信号的傅里叶变换结果，表示时间序列的长度， 为DFT算法的权函数。4.根据权利要求1所述的一种基于文本和语义嵌入的旋转机械复合故障识别方法，其特征在于，还包括：对时域数据和频域数据进行z
‑
score归一化处理，确保所有数据均位于[0,1]之间，从而消除因极端值或者量纲导致偏差；数据归一化的表达式为：式中，表示第个样本数据，表示数据的均值，为样本方差，为归一化后的样本
值。5.根据权利要求1所述的一种基于文本和语义嵌入的旋转机械复合故障识别方法，其特征在于，所述深度卷积神经网络模型包括：依次连接的三组卷积模块和一个全连接层，三组所述卷积模块通过前向传播的方式连接；每组所述卷积模块包含一个卷积层、一个激活...

【专利技术属性】
技术研发人员：赵延南，胡俊，张伟，冯泳，余剑峰，邹立，支峰，张蔚，党永红，
申请(专利权)人：西安易诺敬业电子科技有限责任公司，
类型：发明
国别省市：