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方案

本发明专利技术提供了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，故障诊断方法包括：获取旋转机械实时振动数据，将实时振动数据输入训练好的参照化神经网络，输出诊断结果；参照化神经网络包括与故障类型一一对应的

【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
、
避免重大经济损失及人员伤亡事故至关重要
。
[0004]旋转机械
(
如轴承
)
故障是由健康状态演变而来的，健康信号和故障信号的强噪声是相似的
。
反映旋转机械状态的信号敏感特性将随着轴承状态退化而逐渐增加
。
在旋转机械状态退化的早期阶段，这种反应状态的敏感特性非常弱，并且经常被强噪声淹没
。
在强噪声信号中很难提取故障敏感特征，这导致旋转机械监控与诊断系统的误判率很高，甚至导致故障无法识别
。
如何建立一个高识别率的网络对强噪声环境下的旋转机械故障特征进行识别一直是故障诊断领域的一个难题
。
[0005]对于强噪声环境下旋转机械故障识别，传统方法通常是利用传感器测得振动
、
温度等信号再通过傅里叶变换
、
小波变换
、
经验模态分解或变分模态分解对信号进行降噪处理，降噪后的信号上传至终端进行特征计算，再输出可能出现的故障
。
这样的操作方法通用性不强，需要针对不同设备或不同工况进行降噪方法的调整，故障识别效果受操作者经验影响较大，不便实现故障的智能识别
。
传统降噪方法导致发现故障时效性差
、
终端积累大量冗余数据等问题，可能出现发现故障不及时或故障预警误报率高，严重者更有可能导致部件损坏
、
生产被迫停止以及较严重的经济损失或安全事故
。

技术实现思路

[0006]本专利技术旨在解决现有技术中存在的技术问题，提供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
。
[0007]为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了基于参照
化神经网络的智能旋转机械故障诊断方法，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
。
[0008]为了实现本专利技术的上述目的，根据本专利技术的第二个方面，本专利技术提供了基于参照化神经网络的智能旋转机械故障诊断装置，用于实现本专利技术第一方面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
。
[0009]为了实现本专利技术的上述目的，根据本专利技术的第三个方面，本专利技术提供了一种旋转机械故障诊断系统，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，并按照本专利技术第一方面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
。
[0010]为了实现本专利技术的上述目的，根据本专利技术的第四个方面，本专利技术提供了一种旋转机械故障诊断模型训练方法，包括：构建样本集合，将样本集合划分为第一训练集
、
第二训练集和测试集；构建参照化神经网络，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，
N
为正整数；利用第一训练集预训练参照化单元获得参照化单元优化网络参数；利用第二训练集对参照化神经网络进行训练；利用测试集对训练好的参照化神经网络进行测试验证，将测试验证通过后的参照化神经网络作为旋转机械故障诊断模型；在参照化神经网络训练过程中：参照化单元的网络参数固定为参照化单元优化网络参数，每个参照化单元基于第二训练集样本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；和
/
或，在参照化神经网络测试过程中：参照化单元的网络参数固定为参照化单元优化网络参数，每个参照化单元基于测试集样本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；本文档来自技高网...

【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：