一种基于事件触发数据驱动的故障诊断方法、设备及存储介质技术

本发明专利技术公开了一种基于事件触发数据驱动的故障诊断方法、设备及存储介质，步骤1：获取目标产品各类传感器的数据；步骤2：根据获取到的目标产品各类传感器的数据，基于事件触发数据驱动机制进行触发数据传输；步骤3：根据提取到的触发数据以及时间信息进行数据重构，得到重构后的数据；步骤4：将重构后的数据进行数据集划分，并将划分后的数据集输入网络模型中进行网络模型训练，得到训练好的网络模型；步骤5：根据训练好的模型对目标产品进行故障类型的诊断。本发明专利技术提供的一种基于事件触发数据驱动的故障诊断方法、设备及存储介质，在产品实际工程的通信过程中能减少数据量，降低通信拥堵的程度，同时提高诊断准确率或维持准确率不变。变。变。

【技术实现步骤摘要】
一种基于事件触发数据驱动的故障诊断方法、设备及存储介质


[0001]本专利技术涉及一种基于事件触发数据驱动的故障诊断方法、设备及存储介质，属于滚动轴承故障诊断


技术介绍

[0002]目前对于数据驱动的故障诊断研究，多是根据时间触发的机制下进行的。其需要将每一采样时刻的产品数据都发送到诊断控制系统中，但是在工程运用中，采用时间触发机制将会传输大量差异很小数据，同时这样频繁的传输数据也将使得网络通信承担巨大压力。尤其是在“智能制造”大背景之下，工程系统更加集成且复杂，检测设备和整体系统的通讯压力倍增，合理运用这些硬件资源也显得尤为重要。
[0003]传统数据驱动的故障诊断方法如基于解析模型的方法不适用于目前具有“大数据”特性的复杂，精密的产品工程系统环境之中。因为对于更加复杂、相互耦合产品工程系统，传统数据驱动的故障诊断方法往往无法建立有效的物理模型对其进行故障分析检测于诊断。
[0004]例如：滚动轴承在旋转机械中应用广泛，是常见的基础核心零部件，其对于机械设备安全稳定的运行也起着非常重要的影响。尤其是在现如今“智能制造”的大环境下，以滚动轴承为基础部件的旋转机械设备要求更加的先进和安全。进而对于滚动轴承运行数据的处理以及故障诊断具有很大的研究意义。
[0005]而基于事件触发的数据驱动方式则是一种“按需执行”的触发机制，其不基于周期采样，而是通过判断信息是否满足某些触发条件才会引起通信设备的采样。目前大多数事件触发技术都会因为采样模式的非均匀性质而忽略了原本数据信息的完整性。
>[0006]所以，基于事件触发数据驱动的滚动轴承故障诊断方法研究具有重要的实际意义。

技术实现思路

[0007]目的：为了克服现有技术中存在的不足，本专利技术提供一种基于事件触发数据驱动的故障诊断方法、设备及存储介质，在有效使用神经网络故障诊断模型对故障实行诊断的同时，解决在故障诊断及检测的数据传输过程中网络通信资源浪费、硬件资源浪费以及事件触发机制非均匀采样而导致的系统部分信息缺失的问题。
[0008]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0009]第一方面，一种基于事件触发数据驱动的故障诊断方法，包括如下步骤：
[0010]步骤1：获取目标产品各类传感器的数据。
[0011]步骤2：根据获取到的目标产品各类传感器的数据，基于事件触发数据驱动机制进行触发数据传输。
[0012]步骤3：根据提取到的触发数据以及时间信息进行数据重构，得到重构后的数据。
[0013]步骤4：将重构后的数据进行数据集划分，并将划分后的数据集输入网络模型中进行网络模型训练，得到训练好的网络模型。
[0014]步骤5：根据训练好的模型对目标产品进行故障类型的诊断。
[0015]作为优选方案，所述步骤2，包括：
[0016]分别获取目标产品各类传感器的样本数据，所述样本数据包括：正常数据，故障数据。
[0017]分别对获取到的正常数据和故障数据运用一阶后向差分方式提取触发数据。
[0018]作为优选方案，所述一阶后向差分方式提取触发数据的方法，包括：
[0019]获取正常数据和故障数据的连续事件触发偏差e(t)，计算公式如下：
[0020]e(t)＝x(t)
‑
x(t
k
),t∈[t
k
,t
k+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0021]其中:t
k
为传感器从被控对象获得数据并将数据传输给控制器的时刻,t
k
＝0；x(t
k
)和x(t)分别为系统在上一个传输采样时刻的状态和当前状态。
[0022]当满足事件触发条件时,直接进行触发采样获得触发数据。
[0023]所述事件触发条件，包括：固定阈值事件触发条件或相对阈值事件触发条件。
[0024]所述固定阈值事件触发条件：当连续事件触发偏差e(t)的绝对值超过预设的固定阈值δ时，触发数据的传输。
[0025]所述相对阈值事件触发条件：当连续事件触发偏差e(t)的绝对值相对于当前状态x(t)的绝对值超过预设的相对阈值η时，触发数据的传输。
[0026]作为优选方案，所述步骤3，包括：
[0027]在触发时刻提取数据信息，在非触发时刻采取补零操作，得到重构后的数据。
[0028]作为优选方案，所述网络模型采用CNN模型。
[0029]作为优选方案，所述网络模型采用CNN+ResNet模型。
[0030]作为优选方案，δ＝0.07。
[0031]作为优选方案，所述目标产品设置为滚动轴承。
[0032]第二方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一所述的一种基于事件触发数据驱动的故障诊断方法。
[0033]第三方面，一种计算机设备，包括：
[0034]存储器，用于存储指令。
[0035]处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种基于事件触发数据驱动的故障诊断方法。
[0036]有益效果：本专利技术提供的一种基于事件触发数据驱动的故障诊断方法、设备及存储介质，建立基于事件触发数据驱动的故障诊断模型，基于事件触发机制对数据进行有选择的传输，并将卷积神经网络和残差网络卷积神经网络分别与事件触发数据驱动结合，达到事件触发数据驱动与深度学习网络的融合。
[0037]本专利技术提出将事件触发机制运用在数据驱动之中，借助事件触发机制对需要传输的产品数据进行抉择，只传输需要的数据，保证故障数据特征的传输。在产品实际工程的通信过程中能减少数据量，降低通信拥堵的程度，同时提高诊断准确率或维持准确率不变。并在例如滚动轴承故障诊断中得到充分的验证。
附图说明
[0038]图1是本专利技术基于事件触发数据驱动的故障诊断方法工作原理示意图。
[0039]图2是本专利技术基于事件触发数据驱动的故障诊断方法的实施流程图。
[0040]图3是本专利技术重构后数据与原数据对比图。
[0041]图4是本专利技术多基于原始数据数据驱动的CNN得分结果。
[0042]图5是本专利技术多基于事件触发数据驱动的CNN得分结果。
[0043]图6是本专利技术多基于事件触发数据驱动的CNN+ResNet得分结果。
具体实施方式
[0044]下面结合本专利技术实例中的附图，对本专利技术实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0045]下面结合具体实施例对本专利技术作更进一步的说明。
[0046]实施例1：
[0047]本实施例介绍一种基于事本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件触发数据驱动的故障诊断方法，其特征在于：步骤1：获取目标产品各类传感器的数据；步骤2：根据获取到的目标产品各类传感器的数据，基于事件触发数据驱动机制进行触发数据传输；步骤3：根据提取到的触发数据以及时间信息进行数据重构，得到重构后的数据；步骤4：将重构后的数据进行数据集划分，并将划分后的数据集输入网络模型中进行网络模型训练，得到训练好的网络模型；步骤5：根据训练好的模型对目标产品进行故障类型的诊断。2.根据权利要求1所述的一种基于事件触发数据驱动的故障诊断方法，其特征在于：所述步骤2，包括：分别获取目标产品各类传感器的样本数据，所述样本数据包括：正常数据，故障数据；分别对获取到的正常数据和故障数据运用一阶后向差分方式提取触发数据。3.根据权利要求2所述的一种基于事件触发数据驱动的故障诊断方法，其特征在于：所述一阶后向差分方式提取触发数据的方法，包括：获取正常数据和故障数据的连续事件触发偏差e(t)，计算公式如下：e(t)＝x(t)
‑
x(t
k
),t∈[t
k
,t
k+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中:t
k
为传感器从被控对象获得数据并将数据传输给控制器的时刻,t
k
＝0；x(t
k
)和x(t)分别为系统在上一个传输采样...

【专利技术属性】
技术研发人员：岳东，刘锦瑞，魏祥森，黄家伟，窦春霞，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：