基于神经网络的机电设备故障诊断方法及系统技术方案

本申请公开了基于神经网络的机电设备故障诊断方法及系统，本申请的方法包括：获取机电设备正常数据和不同故障类型的故障数据，并进行归一化操作；将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据；将所述频域数据转化为图结构，并将数据按预设比例分为训练集与测试集；将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接；将特征导入训练后的模型查看预测结果，并将所述预测结果可视化。本申请解决了长短期时间序列的特征提取和降噪，能通过周围的许多节点学习到局部的特征，通过金字塔注意力将局部特征与长期特征相结合，实现长短期特征的提取。的提取。的提取。

【技术实现步骤摘要】
基于神经网络的机电设备故障诊断方法及系统


[0001]本申请涉及机电设备故障诊断领域，尤其是基于神经网络的机电设备故障诊断方法及系统。

技术介绍

[0002]当前制造业发展迅速，机电设备已经成为制造业中的主要设备。随着机电设备的服役时间增长，其故障率也会随之增加，导致维护成本和修理周期以及误工成本都会随之增加。为了解决由于设备突然故障导致的生产效率降低甚至停机，研究机电设备的故障诊断势在必行。
[0003]如果采用传统的维修方法，在机器出现故障后进行维修会导致维修处于被动的状态，其次由于如今的机器设备越来越复杂和精细，排查和检测维修的时间成本和人工成本将会大大提高，甚至，在大部分自动化生产线中，机器设备数量庞大，依赖传统被动的维修维护方法的话，成本不可估量。现有的部分时序故障诊断方法存在一些问题：1)通过局部数据提取短期时序特征，导致特征提取不全面，效果不尽人意。2)通过多层卷积或者全连接注意力再或者循环神经网络采用长短期记忆提取特征，虽然可以从比较全面的数据中得到特征，但其耗费的成本比较大，特征提取低效率。此外，现有方法更灵活地选择不同注意力以及具有良好的抗噪性，不过有以下缺点：缺少针对时序数据的处理以及去噪方法，在使用注意力模型时同时使用点积(DP)以及单层神经网络、混合等，对于节点的特征提取需要结合所有邻节点，导致空间和时间复杂度太大，特别对于时序数据，并不需要结合过多数据，对故障检测的长期与短期预测方面缺少实践。
[0004]因此，相关技术存在的上述技术问题亟待解决。

技术实现思路
r/>[0005]本申请旨在解决相关技术中的技术问题之一。为此，本申请实施例提供基于神经网络的机电设备故障诊断方法及系统，能够基于神经网络对机电设备进行故障诊断。
[0006]根据本申请实施例一方面，提供基于神经网络的机电设备故障诊断方法，所述方法包括：
[0007]获取机电设备正常数据和不同故障类型的故障数据，并进行归一化操作；
[0008]将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据；
[0009]将所述频域数据转化为图结构，并将数据按预设比例分为训练集与测试集；
[0010]将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接；
[0011]将特征导入训练后的模型查看预测结果，并将所述预测结果可视化。
[0012]在其中一个实施例中，在得到不同细粒度的特征并拼接后，所述方法还包括：
[0013]通过金字塔注意力机制处理所述不同细粒度的特征，获得训练数据的预测结果；
[0014]更新权重，反向传播直至完成训练。
[0015]在其中一个实施例中，进行归一化操作，包括：
[0016]将所述正常数据和所述故障数据进行归一化操作，将归一化操作之后的结果控制在[0,1]区间内。
[0017]在其中一个实施例中，将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据，所述傅里叶变化公式包括：
[0018][0019]其中，原数据半输出为x
′
(t)，原数据为x(t)，原数据的长度为L。
[0020]在其中一个实施例中，所述图切比雪夫网络模型采用图拉普拉斯矩阵。
[0021]在其中一个实施例中，将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接，包括：
[0022]将故障数据作为多尺度卷积的输入；
[0023]通过拉普拉斯矩阵提取节点之间特征。
[0024]根据本申请实施例一方面，提供基于神经网络的机电设备故障诊断系统，所述系统包括：
[0025]第一模块，用于获取机电设备正常数据和不同故障类型的故障数据，并进行归一化操作；
[0026]第二模块，用于将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据；
[0027]第三模块，用于将所述频域数据转化为图结构，并将数据按预设比例分为训练集与测试集；
[0028]第四模块，用于将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接；
[0029]第五模块，用于将特征导入训练后的模型查看预测结果，并将所述预测结果可视化。
[0030]在其中一个实施例中，所述系统包括：
[0031]第六模块，用于通过金字塔注意力机制处理所述不同细粒度的特征，获得训练数据的预测结果；
[0032]第七模块，用于更新权重，反向传播直至完成训练。
[0033]在其中一个实施例中，所述系统包括：第八模块，用于将所述正常数据和所述故障数据进行归一化操作，将归一化操作之后的结果控制在[0,1]区间内。
[0034]根据本申请实施例一方面，提供基于神经网络的机电设备故障诊断系统，所述系统包括：
[0035]至少一个处理器；
[0036]至少一个存储器，所述存储器用于存储至少一个程序；
[0037]当至少一个所述程序被至少一个所述处理器执行时实现如前面实施例所述的基于神经网络的机电设备故障诊断方法。
[0038]本申请实施例提供的基于神经网络的机电设备故障诊断方法及系统的有益效果为：本申请的方法包括：获取机电设备正常数据和不同故障类型的故障数据，并进行归一化
操作；将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据；将所述频域数据转化为图结构，并将数据按预设比例分为训练集与测试集；将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接；将特征导入训练后的模型查看预测结果，并将所述预测结果可视化。本申请解决了长短期时间序列的特征提取和降噪：采用局部时序特征转化成频域数据构造有向带权图，这样节点能通过周围的许多节点学习到局部的特征，有别于依赖前后较少时序特征所带来的噪音问题，通过金字塔注意力将局部特征与长期特征相结合，实现长短期特征的提取。
[0039]本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0040]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本申请实施例提供的基于神经网络的机电设备故障诊断方法的流程图；
[0042]图2为本申请实施例提供的基于神经网络的机电设备故障诊断方法的具体实施流程图；
[0043]图3为本申请实施例提供的基于神经网络的机电设备故障诊断系统的示意图；
[0044]图4为本申请实施例提供的另一基于神经网络的机电设备故障诊断系统的示意图。
具体实施方式
[0045]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的机电设备故障诊断方法，其特征在于，所述方法包括：获取机电设备正常数据和不同故障类型的故障数据，并进行归一化操作；将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据；将所述频域数据转化为图结构，并将数据按预设比例分为训练集与测试集；将所述训练集与测试集通过图切比雪夫网络模型训练，得到不同细粒度的特征并拼接；将特征导入训练后的模型查看预测结果，并将所述预测结果可视化。2.根据权利要求1所述的基于神经网络的机电设备故障诊断方法，其特征在于，在得到不同细粒度的特征并拼接后，所述方法还包括：通过金字塔注意力机制处理所述不同细粒度的特征，获得训练数据的预测结果；更新权重，反向传播直至完成训练。3.根据权利要求1所述的基于神经网络的机电设备故障诊断方法，其特征在于，进行归一化操作，包括：将所述正常数据和所述故障数据进行归一化操作，将归一化操作之后的结果控制在[0,1]区间内。4.根据权利要求1所述的基于神经网络的机电设备故障诊断方法，其特征在于，将所述正常数据和所述故障数据进行傅里叶变化，转换为频域数据，所述傅里叶变化公式包括：其中，原数据半输出为x
′
(t)，原数据为x(t)，原数据的长度为L。5.根据权利要求1所述的基于神经网络的机电设备故障诊断方法，其特征在于，所述图切比雪夫网络模型采用图拉普拉斯矩阵。6.根据权利要求1所述的基于神经网络的机电设备故障诊断方法，其特征在于，将所述训练集与测试集通过图切比雪夫网络模...

【专利技术属性】
技术研发人员：程良伦，毛栋，陈翀，王涛，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：