【技术实现步骤摘要】
基于参照化神经网络的智能旋转机械故障诊断方法及系统
[0001]本专利技术属于机械部件检测和故障诊断
,尤其涉及基于参照化神经网络的智能旋转机械故障诊断方法及系统
。
技术介绍
[0002]旋转机械是指主要依靠旋转动作完成特定功能的机械,包括齿轮
、
轴承
、
转轴等,在各行业均有广泛应用,是各领域的关键机械设备或机械设备的关键部件
。
旋转机械在运行过程中伴有振动,当发生故障时,振动信号也会出现异常,所以对旋转机械的振动信号进行监测,能够对设备运行状态进行预测和对故障进行诊断,这有着重要的现实意义和经济价值
。
[0003]在机器工业生产中,以轴承为例,轴承对于机械装置的旋转传动起着至关重要的作用,体现为对轴重量的支撑和降低能量损耗,被广泛应用在风力发电机组
、
大型舰船
、
高速动车组
、
坦克装甲等重大技术装备的传动系统中
。
然而,这些重大机械装备往往需要在恶劣且多变的工况条件下长期服役,遭受交变载荷
、
冲击载荷
、
转速波动等因素的持续作用,致使轴承故障频频发生
。
传动系统故障一旦出现,轻则影响整机的正常运转,重则还会造成机毁人亡,导致灾难性安全事故的发生
。
因此,开展轴承故障诊断和健康监测技术研究,及早发现传动系统中潜在的早期故障,消除故障隐患,对于保证机械系统安全可靠地运行
、
...
【技术保护点】
【技术特征摘要】
1.
基于参照化神经网络的智能旋转机械故障诊断方法,其特征在于,包括:获取旋转机械的实时振动数据,将实时振动数据输入训练好的参照化神经网络,参照化神经网络输出诊断结果,诊断结果包括
N
种故障类型和健康的概率值,所述
N
为正整数;参照化神经网络包括与故障类型一一对应的
N
个参照化单元,以及状态分类器和融合单元;每个参照化单元基于实时振动数据提取隐藏故障特征和输出二分类向量;状态分类器对每个参照化单元提取的隐藏故障特征进行处理获得每个参照化单元对应的初步诊断向量;融合单元利用参照化单元的隶属权重对
N
个参照化单元对应的初步诊断向量加权和处理获得诊断结果,其中,参照化单元的隶属权重通过参照化单元输出的二分类向量确定
。2.
如权利要求1所述的基于参照化神经网络的智能旋转机械故障诊断方法,其特征在于,所述参照化单元的隶属权重通过参照化单元输出的二分类向量确定中,第
n
个参照化单元的隶属权重为:其中,表示第
n
个参照化单元的计算公式,表示输入参照化单元的数据,
κ
表示第一参数
。3.
如权利要求2所述的基于参照化神经网络的智能旋转机械故障诊断方法,其特征在于,第一参数
κ
为
2。4.
如权利要求1‑3之一所述的基于参照化神经网络的智能旋转机械故障诊断方法,其特征在于,所述融合单元利用参照化单元的隶属权重对
N
个参照化单元对应的初步诊断向量加权和处理获得诊断结果,包括:利用参照化单元的隶属权重对
N
个参照化单元对应的初步诊断向量加权和处理获得加权结果;对加权结果进行归一化处理获得诊断结果
。5.
如权利要求4述的基于参照化神经网络的智能旋转机械故障诊断方法,其特征在于,所述将实时振动数据输入训练好的参照化神经网络,包括:对实时振动数据进行预处理获得预处理数据;将预处理数据输入训练好的参照化神经网络
。6.
基于参照化神经网络的智能旋转机械故障诊断装置,其特征在于,用于实现权利要求1‑5之一所述的基于参照化神经网络的智能旋转机械故障诊断方法,包括:数据获取模块,用于获取旋转机械的实时振动数据;诊断模块,将实时振动数据输入训练好的参照化神经网络,参照化神经网络输出诊断结果,诊断结果包括
N
种故障类型和健康的概率值,所述
N
为正整数;参照化神经网络包括与故障类型一一对应的
N
个参照化单元,以及状态分类器和融合单元;每个参照化单元基于实时振动数据提取隐藏故障特征和输出二分类向量;状态分类器对每个参照化单元提取的隐藏故障特征进行处理获得每个参照化单元对应的初步诊断向量;
融合单元利用参照化单元的隶属权重对
N
个参照化单元对应的初步诊断向量加权和处理获得诊断结果,其中,参照化单元的隶属权重通过参照化单元输出的二分类向量确定
。7.
一种旋转机械故障诊断系统,其特征在于,包括:信号采集模块,用于检测旋转机械的实时振动数据;智能感知模块,从信号采集模块获取实时振动数据,并按照权利要求1‑5之一所述的基于参照化神经网络的智能旋转机械故障诊断方法获取旋转机械的诊断结果;远程终端,所述远程终端与智能感知模块连接通信
。8.
一种旋转机械故障诊断模型训练方法,其...
【专利技术属性】
技术研发人员:王印军,杜彦斌,陈鹏,李健,张威,曾丹,朱琪,
申请(专利权)人:重庆工商大学,
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。