基于机理与卷积测量网络的旋转机械局部型故障诊断方法技术

本发明专利技术公开了一种基于机理与卷积测量网络的旋转机械局部型故障诊断方法，包括步骤：步骤S1、利用旋转机械局部型故障机理构建用于模型训练的数据集；步骤S2、构造网络层数由所需信号压缩率确定，且隐含层与原信号的频率成对应关系的深度卷积去噪自编码网络；步骤S3、采集设备端的机械振动信号和转速信号，并计算设备不同位置发生齿轮或轴承局部故障时对应的特征频率；步骤S4、截取训练完备的编码子网络代替传统压缩感知中的观测矩阵对旋转机械振动信号进行压缩测量，得到压缩域信号；步骤S5、将压缩域信号进行远程传输；步骤S6、在接收端直接对压缩域信号进行特征提取，由提取的故障特征信息以确定设备的故障问题所在。障特征信息以确定设备的故障问题所在。障特征信息以确定设备的故障问题所在。

【技术实现步骤摘要】
基于机理与卷积测量网络的旋转机械局部型故障诊断方法


[0001]本专利技术属于旋转机械故障诊断领域，更具体地，涉及一种基于机理与卷积测量网络的旋转机械局部型故障诊断方法。

技术介绍

[0002]对旋转机械进行状态监测对于机械设备的正常运转至关重要，但采集到的旋转机械振动信号往往包含大量的噪声，对特征提取造成了困难，同时庞大的数据量也给远距离传输带来了沉重的负担。因此，在保留故障特征的前提下对振动响应信号进行高倍压缩意义重大。近年来从稀疏分解基础上发展而来的压缩感知(Compressed Sensing，CS)可实现信号的压缩，并能利用低维观测信号重构高维原始信号，在故障诊断领域里已有了一定的应用。基于优化分类的机械振动信号压缩感知是基于信号能量对信号进行分段，利用学习字典和基追踪算法重构出轴承的故障特征(基于优化分类的机械振动信号压缩感知，王强，张培林，王怀光，吴定海，张云强，军械工程学院车辆与电气工程系，石家庄)。滚动轴承压缩故障信号的特征代理与凸优化重构算法利用压缩信号的特征代理和凸优化算法对轴承故障信号进行有效重构，分析了滚动轴承局部故障信号的稀疏和卷积特性，学习得到故障冲击模式。对压缩得到的轴承观测信号，构造包含冲击时刻特征的代理，并对代理建立目标优化函数，采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo
‑
rithm，FISTA)直接从代理提取出稀疏系数，将学习模式与稀疏系数卷积重构出故障信号。(滚动轴承压缩故障信号的特征代理与凸优化重构算法，林慧斌，邓立发，华南理工大学机械与汽车工程学院，广东广州)。以上文献采用压缩感知方法进行信号重构时会涉及最优化解的迭代，难以进行实时重构；此外，受噪声的影响，传统方法利用测量矩阵对信号进行线性观测时，在保证足够重构精度的前提下无法对信号进行大幅压缩。随着人工智能的快速发展，可将深度学习引入压缩感知中用以解决上述问题。

技术实现思路

[0003]本专利技术针对现有基于压缩感知的远程故障诊断方法压缩效率低下、信号重构过程缓慢等问题，提供一种基于机理与卷积测量网络的旋转机械局部型故障诊断方法。该方法能够实时高倍压缩数据以便于远距离传输，同时能够直接对压缩数据进行特征提取，以快速完成机械故障的远程诊断，可以用来解决故障特征的快速提取和庞大数据量的远距离传输困难等问题。
[0004]本专利技术至少通过如下技术方案之一实现。
[0005]基于机理与卷积测量网络的旋转机械局部型故障诊断方法，包括以下步骤：
[0006]S1、利用旋转机械的局部型故障机理构建用于模型训练的数据集；
[0007]S2、构造深度卷积去噪自编码网络，深度卷积去噪自编码网络的网络层数由所需信号压缩率确定，隐含层与原信号的频率成对应关系，并对深度卷积去噪自编码网络进行训练；
[0008]S3、采集设备端的机械振动信号和转速信号，并计算设备不同位置发生齿轮或轴承局部故障时对应的特征频率；
[0009]S4、截取训练完备深度卷积去噪自编码网络的编码子网络对旋转机械振动信号进行压缩测量，得到压缩域信号；
[0010]S5、将压缩域信号进行远程传输；
[0011]S6、在接收端直接对压缩域信号进行希尔伯特解调，由提取的故障特征信息以确定设备的故障问题所在。
[0012]进一步地，所述步骤S1中具体包括：
[0013]S11、根据旋转机械局部故障信号数学模型，建立故障冲击分量，得到无噪样本；
[0014]S12、对无噪样本加入高斯白噪声，得到含噪样本；
[0015]S13、以含噪样本作为输入、故障冲击分量作为序列标注，完成数据集的构建。
[0016]进一步地，深度卷积去噪自编码网络包括编码子网络和解码子网络，其中编码子网络包括卷积层和池化层，解码子网络包括卷积层和上采样层。
[0017]进一步地，深度卷积去噪自编码网络具体包括：
[0018]每个卷积层输出的维度等于输入的维度，并依据下式得到卷积核的参数：
[0019][0020]式中：h表示卷积核的大小，p表示填充Padding的大小，s表示步长Stride的大小，d表示卷积层输入的维度，d'表示卷积层输出的维度。
[0021]进一步地，深度卷积去噪自编码网络的最大池化层起对信号压缩的作用，设置在编码子网络的卷积层后。
[0022]进一步地，编码子网络的卷积核数量以2的倍数逐层递减，至最后一层卷积层数量为1。
[0023]进一步地，所述步骤S3中具体包括：
[0024]S31、采集设备的振动加速度信号与输入轴的转速；
[0025]S32、由设备结构分析其中齿轮和轴承可能会发生的故障类型，并由设备工况计算其故障特征频率。
[0026]进一步地，所述步骤S4中具体包括：
[0027]S41、利用步骤S1的数据集对深度卷积去噪自编码网络进行训练，并截取训练完备的编码子网络；
[0028]S42、利用编码子网络对旋转机械振动信号进行压缩测量，得到压缩域信号。
[0029]进一步地，所述步骤S5中，为最大限度减缓远距离传输压力，只将压缩域信号和转速工况信息进行远距离无线传输。
[0030]进一步地，所述步骤S6中具体包括：
[0031]S61、将压缩域信号进行希尔伯特解调处理，得出设备的故障特征频率；
[0032]S62、对照设备可能存在的故障的特征频率，以确定设备的故障位置，进而达到设备健康状态评估的目的。
[0033]本专利技术相对于现有技术具有的优点及效果：
[0034](1)该方法利用故障机理构建数据集，解决了实际工程中难以获取大量样本特别
是无噪声样本进行模型训练的问题；
[0035](2)所构造的深度卷积去噪自编码网络以卷积层进行特征提取，以池化层作为信号压缩的手段，利用预期压缩率调整池化层参数，在极低压缩率下仍可以取得很好的特征提取效果；
[0036](3)采用所提数据集训练得到的深度卷积测量网络具有很好的泛化性，一次训练完毕后可以直接用于不同类型、不同工况的实测旋转机械局部型故障的远程诊断。
[0037](4)采用所提的深度卷积测量网络代替传统压缩感知方法的随机矩阵进行信号观测，可在大幅降低压缩率的同时有效保留故障特征，且在压缩域即可实现故障诊断。
附图说明
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。附图构成本申请的一部分，但仅是作为体现专利技术概念的非限制性示例，并非用于做出任何限制。
[0039]图1是本专利技术一种基于机理与卷积测量网络的旋转机械局部型故障诊断方法实施的流程图；
[0040]图2是本专利技术方法中数据集构造方法流程图；
[0041]图3是本专利技术实施例中采集的原始振动信号的时域波形；
[0042]图4是本专利技术实施例中经深度卷积测量网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机理与卷积测量网络的旋转机械局部型故障诊断方法，其特征在于，包括以下步骤：S1、利用旋转机械的局部型故障机理构建用于模型训练的数据集；S2、构造深度卷积去噪自编码网络，深度卷积去噪自编码网络的网络层数由所需信号压缩率确定，隐含层与原信号的频率成对应关系，并对深度卷积去噪自编码网络进行训练；S3、采集设备端的机械振动信号和转速信号，并计算设备不同位置发生齿轮或轴承局部故障时对应的特征频率；S4、截取训练完备深度卷积去噪自编码网络的编码子网络对旋转机械振动信号进行压缩测量，得到压缩域信号；S5、将压缩域信号进行远程传输；S6、在接收端直接对压缩域信号进行希尔伯特解调，由提取的故障特征信息以确定设备的故障问题所在。2.如权利要求1所述的基于机理与卷积测量网络的旋转机械局部型故障诊断方法，其特征在于，所述步骤S1中具体包括：S11、根据旋转机械局部故障信号数学模型，建立故障冲击分量，得到无噪样本；S12、对无噪样本加入高斯白噪声，得到含噪样本；S13、以含噪样本作为输入、故障冲击分量作为序列标注，完成数据集的构建。3.如权利要求1所述的基于机理与卷积测量网络的旋转机械局部型故障诊断方法，其特征在于，深度卷积去噪自编码网络包括编码子网络和解码子网络，其中编码子网络包括卷积层和池化层，解码子网络包括卷积层和上采样层。4.如权利要求1所述的基于机理与卷积测量网络的旋转机械局部型故障诊断方法，其特征在于，深度卷积去噪自编码网络具体包括：每个卷积层输出的维度等于输入的维度，并依据下式得到卷积核的参数：式中：h表示卷积核的大小，p表示填充Padding的大小，s表示步长Strid...

【专利技术属性】
技术研发人员：林慧斌，王洪畅，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：