一种基于LSTM和TCN的旋转机械故障诊断方法及系统技术方案

本发明专利技术公开了一种基于LSTM和TCN的旋转机械故障诊断方法及系统，采集旋转机械在不同位置不同类型故障工况及正常工况下的振动信号数据，并划分得到训练集和测试集；对训练集进行预处理及归一化；构建多层LSTM网络和多层TCN并联的旋转机械故障诊断模型；利用训练集对旋转机械故障诊断模型进行训练，将测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。本发明专利技术能够对旋转机械设备中不同位置不同类型的故障进行准确诊断。同位置不同类型的故障进行准确诊断。同位置不同类型的故障进行准确诊断。

【技术实现步骤摘要】
一种基于LSTM和TCN的旋转机械故障诊断方法及系统


[0001]本专利技术属于旋转机械的深度学习故障诊断
，具体涉及一种基于长短期记忆(Long Short
‑
Term Memory，LSTM)网络和时域卷积网络(Temporal Convolutional Network，TCN)的旋转机械故障诊断方法及系统。

技术介绍

[0002]随着工业的发展，机械设备变得越来越复杂，其中旋转机械作为机械设备中的关键设备，已经被广泛应用到核电、火电、化工、航空航天等领域。旋转机械的工作环境通常极为恶劣，很容易发生各种各样的故障，最终导致不必要的时间和经济损失，甚至造成人员的伤亡。而在旋转机械中，轴承是一个非常关键的部件，对旋转机械中的转子起到了支撑作用。因此，旋转机械对安全性和可靠性的高需求使得在短时间内准确有效地诊断出其轴承发生的故障是至关重要的。
[0003]当前，随着工业大数据时代的到来和传感器技术的发展，传统的故障诊断方法已经无法满足海量数据的诊断需求。基于传统人工经验的故障诊断对于异常工况的诊断能力十分有限，为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM和TCN的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1、采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；S2、对步骤S1得到的训练集进行预处理及归一化；S3、构建多层LSTM网络和多层TCN并联的旋转机械故障诊断模型；S4、利用步骤S2得到的训练集对步骤S3构建的旋转机械故障诊断模型进行训练，将步骤S1得到的测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。2.根据权利要求1所述的基于LSTM和TCN的旋转机械故障诊断方法，其特征在于，步骤S1中，振动信号包括旋转机械在不同位置和时间点发生的故障征兆数据。3.根据权利要求1所述的基于LSTM和TCN的旋转机械故障诊断方法，其特征在于，步骤S1中，训练集和测试集按8:2的比例划分。4.根据权利要求1所述的基于LSTM和TCN的旋转机械故障诊断方法，其特征在于，步骤S3中，旋转机械故障诊断模型包括输入层、由LSTM网络和TCN组成的并行特征提取层、特征合并层、全连接层、Softmax层和输出层，梯度阈值为2。5.根据权利要求4所述的基于LSTM和TCN的旋转机械故障诊断方法，其特征在于，输入层：接收经归一化处理后的单维时间序列训练样本；并行特征提取层：包含多层LSTM模块和多层TCN模块；特征合并层：用于将并行特征提取层提取的时空特征进行合并，输出更加全面的时空特征；全连接层：把特征合并层得到的时空特征作为输入值，输出值为表示故障种类特征的单维向量；Softmax层：使用Softmax函数，...

【专利技术属性】
技术研发人员：王鹏飞，刘懿德，万甲双，吴世发，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：