本申请公开了一种基于堆叠自编码器的旋转设备故障诊断方法及装置，通过卡尔曼滤波对初始振动信号中的噪声进行滤除，用于增强分类器对旋转设备的故障类别的细分和判定。通过傅里叶变换提取初始振动信号和滤波振动信号中的频谱特征。通过堆叠自编码器对提取的频谱特征进行聚合，并将聚合信息进行编码，以供分类器确定旋转设备可能发生各类别故障的概率。通过堆叠自编码器可以提取更加深度的特征，分类器可以根据提取的深度特征之间的关系生成可解释的预测结果，提高对旋转设备各种类别故障诊断结果准确度。
【技术实现步骤摘要】
本申请涉及旋转机械故障诊断，更具体地说，涉及一种基于堆叠自编码器的旋转设备故障诊断方法及装置。
技术介绍
1、旋转机械是工业设备中使用最广泛的机械设备之一，包括齿轮、凸轮、轴承等凡能旋转工作的机械，其稳定性和可靠性直接影响着工业生产活动，对旋转机械进行故障诊断显得尤为重要。旋转设备的平衡问题是在制造工厂、风能、汽车、航空航天等各个领域中至关重要的挑战。表现为旋转部件的质心偏离其旋转轴线，导致离心力的增加，从而加剧系统振动同时会引入额外的振动应力。在旋转设备的操作和维护中，不平衡因素的大小和类型可以很大程度上预示设备未来的运行状况和潜在的维护需求。
2、现有旋转设备故障诊断方法，主要是基于深度学习通过卷积神经网络、深度卷积神经网络、二维卷积神经网络等来提取旋转设备的特征，并基于提取到的特征对旋转设备进行故障诊断。而这些神经网络需要大量标记数据进行训练，但是在实际的生产环境中，旋转设备的故障不是经常发生，所以对于神经网络的训练经常面临数据不平衡的问题。因此，导致神经网络网络的泛化能力下降，对于旋转设备故障的诊断精度较低。
...
【技术保护点】
1.一种基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，将所述初始振动信号进行卡尔曼滤波，包括：
3.根据权利要求2所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，将所述初始振动信号和所述滤波振动信号分别进行傅里叶变换，包括：
4.根据权利要求3所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，通过预先训练完成的堆叠自编码器基于所述第一频谱特征和所述第二频谱特征进行编码的过程，包括：
5.根据权利要求4所述的基于堆叠自编码器的旋转设备故...
【技术特征摘要】
1.一种基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，将所述初始振动信号进行卡尔曼滤波，包括：
3.根据权利要求2所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，将所述初始振动信号和所述滤波振动信号分别进行傅里叶变换，包括：
4.根据权利要求3所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，通过预先训练完成的堆叠自编码器基于所述第一频谱特征和所述第二频谱特征进行编码的过程，包括：
5.根据权利要求4所述的基于堆叠自编码器的旋转设备故障诊断方法，其特征在于，将所述第一频谱特征和第二频谱特征分别...
【专利技术属性】
技术研发人员：阳爱民，曾培健，刘伟中，林楠铠，林江豪，
申请(专利权)人：广东工业大学，
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。