一种振动信号故障诊断方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种振动信号故障诊断方法、装置、设备及存储介质，该方法将连续FRFT时频谱图和神经网络结合在一起，利用FRFT的频率

【技术实现步骤摘要】
一种振动信号故障诊断方法、装置、设备及存储介质


[0001]本专利技术涉及故障诊断
，特别是涉及一种基于FRFT时频谱图和神经网络的振动信号故障诊断方法、装置、设备及存储介质。

技术介绍

[0002]机械振动是机械设备工作过程中常见的物理现象，设备中的传输、筛选等环节都会产生具有特定时频特征的振动信号，同时振动产生的载荷会对机械本身造成损伤并降低机械的使用寿命。机械正常运转时，其振动信号通常是平稳的周期信号，而当机械发生诸如传动失衡、部件损坏、外部干扰等故障时，其振动信号会产生频率、幅度和相位变化。采集和分析振动信号是对机械设备进行故障诊断的重要方法。但是通常机械设备振动信号的噪声较强，故障诱发的时变特征微小且不易提取，难以利用振动信号准确进行故障诊断。
[0003]传统的振动信号分析方法和步骤包括，对原始振动信号进行裁剪、降噪等处理，对初步处理的信号进行时频分析提取特定的信号特征，对特征进行筛选和分类得到诊断结果。其中的时频分析方法包括STFT(短时傅里叶变换)、WT(小波变换)、HT(希尔伯特变换)等，这些方法提取了信号的时频特征、小波特征等，对这些特征或其分布做进一步的筛选即可得到信号诊断结果。
[0004]而另一种振动信号的分析处理方法是采用神经网络。首先对原始采集信号做降噪、归一化等初步处理，将处理后的信号输入神经网络，计算得到网络输出，对神经网络输出做聚类处理得到诊断结果。采集大量的各个种类的振动信号，制作成数据集，使用数据集对上述神经网络进行训练，训练得到网络参数即可对新的信号进行诊断。上述神经网络通常包括1D
‑
CNN(一维卷积神经网络)，RNN(循环神经网络)等。
[0005]然而，由于传统的振动信号分析方法中，使用了先验的知识对信号进行特征提取(如采用STFT提取信号的频域特征、采用WT提取信号的小波特征)，故而方法的范用性和鲁棒性不足。即是说，这些方法针对在特定特征上区别明显的故障类型能够进行有效提取，而对更多样的和更复杂的故障类型效果不佳；同时这些方法的特征提取也依赖于前期的信号预处理，对于有外部干扰等场景效果会有所下降。
[0006]而基于深度学习的振动信号分析方法中，使用了神经网络将振动信号转换为未知的特征向量，由于提取的特征缺乏了先验知识，其效果非常依赖于大量的数据，往往数据集难以制作且神经网络训练时难以收敛。同时，由于神经网络运算过程中的信息丢失，这些方法往往对于微小的故障特征难以做到有效提取和判别。

技术实现思路

[0007]鉴于上述问题，本专利技术提供用于克服上述问题或者至少部分地解决上述问题的一种振动信号故障诊断方法、装置、设备及存储介质。解决了难以利用振动信号对机械设备进行故障诊断的问题。
[0008]本专利技术提供了如下方案：
[0009]一种振动信号故障诊断方法，包括：
[0010]获取训练振动信号数据，将所述训练振动信号数据分割为等长的若干片段获得训练一维数组；所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据；
[0011]将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图，并将所述分数域时频谱图进行归一化处理得到训练二维数组；
[0012]将所述训练二维数组下采样到图像分类神经网络模型的输入格式；
[0013]将下采样后的所有数据根据故障类别打上标签，分类后获得振动信号时频谱图数据集；
[0014]利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型；
[0015]获取待诊断振动信号数据，将所述待诊断振动信号数据转化为诊断二维数组；
[0016]将所述诊断二维数组输入所述目标图像分类神经网络模型进行推理输出故障诊断结果。
[0017]优选地：所述分数域时频谱图的横坐标从1至N，所述横坐标的单位为采样间隔；所述分数域时频谱图的纵坐标为0至π，所述纵坐标的单位为弧度。
[0018]优选地：一维数据x(t)的p阶分数阶傅里叶变换的积分变换如下式所示：
[0019][0020]式中：F
p
为分数阶傅里叶变换算子，K
p
(t,u)为核函数。
[0021]优选地：所述核函数K
p
(t,u)如下式所示：
[0022][0023][0024]式中：α代表时频平面的旋转角度，0≤α≤π。
[0025]优选地：α为0时变换为原始时域信号，α为π时变换为频域信号。
[0026]优选地：所述归一化处理包括将训练二维数组中的值取模并归一到[0，1]范围。
[0027]优选地：所述图像分类神经网络模型包括深度残差网络Resnet50、轻量级卷积网络Mobilenet、视觉注意力网络ViT中的任意一种。
[0028]一种振动信号故障诊断装置，包括：
[0029]训练振动信号数据获取单元，用于获取训练振动信号数据，将所述训练振动信号数据分割为等长的若干片段获得训练一维数组；所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据；
[0030]训练二维数组转换单元，用于将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图，并将所述分数域时频谱图进行归一化处理得到训练二维数组；
[0031]输入格式转换单元，用于将所述训练二维数组下采样到图像分类神经网络模型的输入格式；
[0032]图像数据集获取单元，用于将下采样后的所有数据根据故障类别打上标签，分类后获得振动信号时频谱图数据集；
[0033]目标图像分类神经网络模型获取单元，用于利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型；
[0034]待诊断振动信号数据获取单元，用于获取待诊断振动信号数据，将所述待诊断振动信号数据转化为诊断二维数组；
[0035]故障诊断结果输出单元，用于将所述诊断二维数组输入所述目标图像分类神经网络模型，以便所述图像分类神经网络模型输出故障诊断结果。
[0036]一种振动信号故障诊断设备，所述设备包括处理器以及存储器：
[0037]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0038]所述处理器用于根据所述程序代码中的指令执行上述的振动信号故障诊断方法。
[0039]一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的振动信号故障诊断方法。
[0040]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0041]本申请实施例提供的一种振动信号故障诊断方法、装置、设备及存储介质，将连续FRFT时频谱图和神经网络结合在一起，利用FRFT的频率
‑
相位特征提取能力和神经网络的局部特征分析能力，采集和建立设备振动信号故障数据集，使用该数据集训练图像分类神经网络，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种振动信号故障诊断方法，其特征在于，包括：获取训练振动信号数据，将所述训练振动信号数据分割为等长的若干片段获得训练一维数组；所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据；将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图，并将所述分数域时频谱图进行归一化处理得到训练二维数组；将所述训练二维数组下采样到图像分类神经网络模型的输入格式；将下采样后的所有数据根据故障类别打上标签，分类后获得振动信号时频谱图数据集；利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型；获取待诊断振动信号数据，将所述待诊断振动信号数据转化为诊断二维数组；将所述诊断二维数组输入所述目标图像分类神经网络模型进行推理输出故障诊断结果。2.根据权利要求1所述的振动信号故障诊断方法，其特征在于，所述分数域时频谱图的横坐标从1至N，所述横坐标的单位为采样间隔；所述分数域时频谱图的纵坐标为0至π，所述纵坐标的单位为弧度。3.根据权利要求1所述的振动信号故障诊断方法，其特征在于，一维数据x(t)的p阶分数阶傅里叶变换的积分变换如下式所示：式中：F
p
为分数阶傅里叶变换算子，K
p
(t,u)为核函数。4.根据权利要求3所述的振动信号故障诊断方法，其特征在于，所述核函数K
p
(t,u)如下式所示：式所示：式中：α代表时频平面的旋转角度，0≤α≤π。5.根据权利要求4所述的振动信号故障诊断方法，其特征在于，α为0时变换为原始时域信号，α为π时变换为频域信号。6.根据权利要求1所述的振动信号故障诊断方法，其特征在于，所述归一化处理包括将训练二维数组中的值取模并归一到[0，1]范围。7.根据权利要求1所...

【专利技术属性】
技术研发人员：刘泽霖，刘彬，钱鹏，黄权，石义官，徐亮，
申请(专利权)人：中国兵器装备集团自动化研究所有限公司，
类型：发明
国别省市：