基于改进深度学习分类模型的旋转机械故障诊断方法技术

本发明专利技术涉及旋转机械故障诊断技术领域，具体涉及一种基于改进深度学习分类模型的旋转机械故障诊断方法。包括以下步骤:从数据库中提取每一类故障数据的声音信号及加速度信号；对每一类故障数据中提取到的声音信号和加速度信号进行融合，得到每一类故障数据的声音加速度融合信号；将每一类故障数据的声音加速度融合信号变换成声音加速度融合信号时频图并标注故障分类标签；建立网络模型；训练更新网络模型的参数；将旋转机械故障诊断数据输入到训练好的改进网络模型中，得到最终的旋转机械故障分类结果。保证了时效性并且提高了算法的识别精度，更全面的提取故障的特征信息，提高设备检测效率，实现旋转机械故障准确分类。实现旋转机械故障准确分类。实现旋转机械故障准确分类。

【技术实现步骤摘要】
基于改进深度学习分类模型的旋转机械故障诊断方法


[0001]本专利技术涉及旋转机械故障诊断
，具体涉及一种基于改进深度学习分类模型的旋转机械故障诊断方法。

技术介绍

[0002]目前，旋转机械应用广泛，因为长时间运行在相对恶劣的环境中，整个设备容易出现工作异常、运行不稳定、甚至停机等问题，深度学习已经成为工业设备智能监测和故障诊断领域的一个新兴研究方向，旋转机械普遍用于航空航天以及化工厂中，由于其应用的特殊性如果旋转机械发生故障，会对企业生产运行效率造成影响，停工检修，无法按时完成工期，重则会造成工作人员的伤亡，甚至不可逆转的污染环境。传统旋转机械故障诊断方法，依靠维修人员经验，停机成本较高并且难以实现准确定位与诊断。
[0003]深度学习相关理论提出之后应用广泛，不断发展的同时也促进了人工智能的普及，应用于自动驾驶，车牌识别等方面，也推动了企业数字化转型，将深度学习与旋转机械故障诊断二者紧密联系起来，将其应用于旋转机械诊断中，提高了安全性的同时也取得较好的诊断效果。然而，现有模型进行旋转机械故障诊断存在效率低，精度低，所采集数据存在噪声造成特征提取不准确等问题，造成旋转机械故障的分类不够准确，亟需对故障诊断的深度学习模型进行改进。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种基于改进深度学习分类模型的旋转机械故障诊断方法。
[0005]本专利技术为解决其技术问题所采用的技术方案为：基于改进深度学习分类模型的旋转机械故障诊断方法，包括以下步骤:步骤一：数据库中存储旋转机械的正常运行数据及多种故障数据；步骤二：从数据库中提取每一类故障数据的声音信号及加速度信号；步骤三：对每一类故障数据中提取到的声音信号和加速度信号进行融合，得到每一类故障数据的声音加速度融合信号；步骤四：将每一类故障数据的声音加速度融合信号变换成声音加速度融合信号时频图并标注故障分类标签；步骤五：建立EfficientNet网络模型；步骤六：训练更新EfficientNet网络模型的参数；步骤七：将旋转机械故障诊断数据输入到训练好的改进EfficientNet网络模型中，得到最终的旋转机械故障分类结果。
[0006]所述数据库中故障数据包括不平衡故障数据、水平不对中故障数据、垂直不对中故障数据、内轴承故障数据和外轴承故障数据。
[0007]所述步骤三中声音加速度融合信号计算公式如下：
；其中，表示第i类故障数据的声音加速度融合信号；表示声音信号和加速度信号融合后的第i类故障数据的时域信号，且；表示基本小波，表示频率参数，表示位置参数，表示融合信号对应的时间，i=1,2,
…
,n，dt表示时间t变化无限小的量，
‑ꢀ
表示 是一个随机变量。
[0008]所述步骤四中，声音加速度融合信号时频图计算公式如下：；其中，表示时频图数据对应的时间，j表示故障类别且j=1,2,
…
,n，表示基本小波，表示频率参数，表示位置参数，dt表示时间t变化无限小的量，
‑
表示是一个随机变量。
[0009]所述步骤五中建立EfficientNet网络模型并初始化，采用多谱通道注意力机制和hard
‑
swish激活函数代替EfficientNet网络模型中原注意力机制和原激活函数，得到改进EfficientNet网络模型。
[0010]所述步骤五中改进后的EfficientNet网络模型中多谱通道注意力机制，表达式如下：；式中，表示多谱通道向量，，cat表示对多谱通道向量压缩堆叠。
[0011]hard
‑
swish激活函数的表达式如下：；式中，，为激活函数的变量输入值，ReLU6表示ReLU6激活函数。
[0012]所述步骤六包括以下子步骤：6
‑
1：将步骤四中得到的所有声音加速度融合信号时频图作为训练集，初始化EfficientNet网络模型参数，并预设学习率和最大迭代次数；6
‑
2：将训练集中所有声音加速度融合信号时频图作为改进EfficientNet网络模型的输入，输出为训练集中每个时频图对应的预测故障分类结果；6
‑
3：通过时频图对应的预测故障分类结果和时频图原故障分类标签计算得到训练精度值；6
‑
4：重复步骤6
‑
2和6
‑
3，训练更新EfficientNet网络模型的参数，当训练达到最大迭代次数或者训练精度达到0.999时停止训练，得到训练好的改进EfficientNet网络模型；否则返回6
‑
2。
[0013]所述步骤6
‑
4中训练精度值表达式如下：
；式中，TP表示时频图的预测故障分类结果与原故障分类标签相同的数量，FP表示时频图的预测故障分类结果与原故障分类标签不同的数量。
[0014]所述步骤七中包括以下子步骤：7
‑
1：接收故障旋转机械的声音信号和加速度信号；7
‑
2：将采集到的声音信号和加速度信号进行融合，得到声音加速度融合信号；7
‑
3：将步骤7
‑
2中的声音加速度融合信号变换成声音加速度融合信号时频图；7
‑
4：将步骤7
‑
3中声音加速度融合信号时频图输入到训练好的改进EfficientNet网络模型，输出得到该旋转机械故障诊断数据的故障分类结果。
[0015]与现有技术相比，本专利技术具有以下有益效果：1、在EfficientNet模型基础上进行改进，采用hard
‑
swish激活函数替代原激活函数，采用多谱通道注意力代替SE注意力机制，更多的识别数据不同频域的特征，保证了时效性并且提高了算法的识别精度。
[0016]2、解决单频谱在通道注意力中的信息提取不足等问题，采用加速度传感器与声音传感器相融合，防止信号特征提取不足，采用多传感器融合连续小波变换技术，更全面的提取故障的特征信息，提高设备检测效率，实现旋转机械故障准确分类。
附图说明
[0017]图1是本专利技术系统流程图。
具体实施方式
[0018]如图1所示，基于改进深度学习分类模型的旋转机械故障诊断方法，应用于该方法的系统包括诊断终端，旋转机械可以是离心泵、压缩机、旋转泵等等。旋转机械上设置声音传感器和加速度传感器诊断终端通过故障旋转机械上的声音传感器和加速度传感器进行对应信息的采集。诊断终端还通讯连接故障模拟器。
[0019]基于改进深度学习分类模型的旋转机械故障诊断方法包括以下步骤:步骤一：数据库中存储旋转机械的正常运行数据及多种故障数据；具体的说，诊断终端采集故障模拟器上传感器的多变量时间序列数据，按照数据类型存储在数据库中。所述数据库中故障数据包括不平衡故障数据、水平不对中故障数据、垂直不对中故障数据、内轴承故障数据和外轴承故障数据。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度学习分类模型的旋转机械故障诊断方法，其特征在于，包括以下步骤:步骤一：数据库中存储旋转机械的正常运行数据及多种故障数据；步骤二：从数据库中提取每一类故障数据的声音信号及加速度信号；步骤三：对每一类故障数据中提取到的声音信号和加速度信号进行融合，得到每一类故障数据的声音加速度融合信号；步骤四：将每一类故障数据的声音加速度融合信号变换成声音加速度融合信号时频图并标注故障分类标签；步骤五：建立EfficientNet网络模型；步骤六：训练更新EfficientNet网络模型的参数；步骤七：将旋转机械故障诊断数据输入到训练好的改进EfficientNet网络模型中，得到最终的旋转机械故障分类结果。2.根据权利要求1所述的基于改进深度学习分类模型的旋转机械故障诊断方法，其特征在于，所述数据库中故障数据包括不平衡故障数据、水平不对中故障数据、垂直不对中故障数据、内轴承故障数据和外轴承故障数据。3.根据权利要求1所述的基于改进深度学习分类模型的旋转机械故障诊断方法，其特征在于， 所述步骤三中声音加速度融合信号计算公式如下：；其中，表示第i类故障数据的声音加速度融合信号；表示声音信号和加速度信号融合后的第i类故障数据的时域信号，且；表示基本小波，表示频率参数，表示位置参数，表示融合信号对应的时间，i=1,2,
…
,n，dt表示时间t变化无限小的量，
‑ꢀ
表示是一个随机变量。4.根据权利要求3所述的基于改进深度学习分类模型的旋转机械故障诊断方法，其特征在于，所述步骤四中，声音加速度融合信号时频图计算公式如下：；其中，表示时频图数据对应的时间，j表示故障类别且j=1,2,
…
,n，表示基本小波，表示频率参数，表示位置参数，dt表示时间t变化无限小的量，
‑ꢀ
表示是一个随机变量。5.根据权利要求3所述的基于改进深度学习分类模型的旋转机械故障诊断方法，其特征在于，所述步骤五中建立EfficientNet网络模型并初始化，采用多谱通道注意力机制和hard
‑
swish激活函数代替EfficientNet网络模型中原注意力机制和原激活函数，得到改进EfficientNet网络模型。6.根据权利要求5所述的基于改进深度学习分类模型的旋转机械故障诊断方法，其特
征在于，所述步骤五中改进后的EfficientNet网络模型中多谱通道...

【专利技术属性】
技术研发人员：张伟，葛振福，张锐，王荣鑫，王晨，高翔，聂鑫，徐毅，刘娜，牛淑洁，杨一，李福华，侯晨晨，车新华，吴璇，李旭，张忠岩，马骁骅，
申请(专利权)人：淄博热力有限公司，
类型：发明
国别省市：