本申请涉及故障诊断技术领域，特别涉及一种多任务旋转机械设备的故障诊断方法及装置，其中，方法包括：采集旋转机械设备的振动信号进行数据预处理，得到频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据，将多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。本申请实施例可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。使诊断结果更加准确可靠。使诊断结果更加准确可靠。
【技术实现步骤摘要】
多任务旋转机械设备的故障诊断方法及装置
[0001]本申请涉及故障诊断
，特别涉及一种多任务旋转机械设备的故障诊断方法及装置。
技术介绍
[0002]随着工业的不断发展，针对工业生产关键设备的故障诊断逐渐受到重视。旋转机械设备是工业生产的重要一环，需确保旋转机械设备的安全运行。
[0003]相关技术中，依靠在线监测设备的普及，工业领域积累了大量的在线监测数据，可基于深度学习、知识图谱与自动化机器学习算法进行旋转机械故障诊断。
[0004]然而，相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断，亟待解决。
技术实现思路
[0005]本申请提供一种多任务旋转机械设备的故障诊断方法及装置，以解决相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
[0006]本申请第一方面实施例提供一种多任务旋转机械设备的故障诊断方法，应用于模型训练阶段，其中，所述方法包括以下步骤：采集至少一个旋转机械设备在运动过程中的至少一个振动信号；对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
[0007]可选地，在本申请的一个实施例中，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，包括：对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
[0008]可选地，在本申请的一个实施例中，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，还包括：在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；基于需诊断的故障种类，构造相应数量残差网络块的多任故障分类模块，以输出对每类故障的发生情况。
[0009]本申请第二方面实施例提供一种多任务旋转机械设备的故障诊断方法，应用于故障诊断阶段，其中，所述方法包括以下步骤：采集目标旋转机械设备的至少一个振动信号；将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断
模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
[0010]可选地，在本申请的一个实施例中，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
[0011]本申请第三方面实施例提供一种多任务旋转机械设备的故障诊断装置，应用于模型训练阶段，其中，所述装置包括：采集模块，用于采集至少一个旋转机械设备在运动过程中的至少一个振动信号；预处理模块，用于对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；训练模块，用于将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
[0012]可选地，在本申请的一个实施例中，所述训练模块进一步用于对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
[0013]可选地，在本申请的一个实施例中，所述训练模块还包括：分类单元，用于在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；输出单元，用于基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。
[0014]本申请第四方面实施例提供一种多任务旋转机械设备的故障诊断装置，应用于故障诊断阶段，其中，所述装置包括：获取模块，用于采集目标旋转机械设备的至少一个振动信号；诊断模块，用于将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
[0015]可选地，在本申请的一个实施例中，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
[0016]本申请第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的多任务旋转机械设备的故障诊断方法。
[0017]本申请第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的多任务旋转机械设备的故障诊断方法。
[0018]本申请实施例可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
[0019]本申请附加的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
[0020]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0021]图1为根据本申请实施例提供的一种多任务旋转机械设备的故障诊断方法的流程图；
[0022]图2为本申请一个实施例的旋转机械设备振动信号的原始振动波形图；
[0023]图3为本申请一个实施例的旋转机械设备振动信号的频谱图；
[0024]图4为本申请一个实施例的旋转机械设备振动信号的包络谱；
[0025]图5为本申请一个实施例的旋转机械设备振动信号的连续小波变换图；
[0026]图6为本申请一个实施例的旋转机械设备振动信号的小波包分解图；
[0027]图7为本申请一个实施例的旋转机械设备振动信号的轴心轨迹图；
[0028]图8为本申请一个实施例的旋转机械设备振动信号本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多任务旋转机械设备的故障诊断方法，其特征在于，应用于模型训练阶段，其中，所述方法包括以下步骤：采集至少一个旋转机械设备在运动过程中的至少一个振动信号；对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；以及将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。2.根据权利要求1所述的方法，其特征在于，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，包括：对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。3.根据权利要求2所述的方法，其特征在于，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，还包括：在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。4.一种多任务旋转机械设备的故障诊断方法，其特征在于，应用于故障诊断阶段，其中，所述方法包括以下步骤：采集目标旋转机械设备的至少一个振动信号；将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。5.根据权利要求4所述的方法，其特征在于，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。6.一种多任务旋转机械设备的故障诊断装置，其特征在于，应用于模型训练...
【专利技术属性】
技术研发人员：郭盛，陈辉，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。