【技术实现步骤摘要】
本专利技术属于设备故障诊断，具体涉及一种类人眼观察和深度神经网络双结合的故障诊断方法。
技术介绍
1、传统的设备状态监测(如离心式风机轴承状态监测)靠点检人员和手持的设备完成，只有在故障发生而且点检员正好在现场才能采集到设备的故障数据；设备以点检五感为主，缺少量化趋势分析；对故障状态数据收集的效率较低，数据的时效性较差；整个过程严重依赖现场点检人员的经验，由于经验不容易传承；故障发生之后，才能进行故障的分析，对设备的及时维修容易造成滞后性，影响生产。
2、运用设备的智能诊断模型之后，当设备出现故障，可以直接获取设备的故障类型和故障信息，不需要完全依托巡点检的经验进行识别，避免设备出现故障还在运行的状况，能更好指导现场的巡点检人员年度工作，降低了巡点检人员的工作门槛和工作强度。
3、现有技术中，缺少能够自学习、自启发式跟随设备运行状态变化对故障诊断判断模型进行自动更新及故障诊断的方法。
技术实现思路
1、本专利技术的目的在于克服传统技术中存在的上述问题，提供一种类人眼观察和深度神经网络双结合的故障诊断方法，其不需要人工干预故障诊断，而采用深度神经网络模拟人眼观察图像曲线的方式；通过对采样信号进行数学变换的处理，生成频域和时域下的数据曲线图像并组合为曲线图像；然后利用卷积神经网络提取时空特征，通过串行连接得到高维特征向量；对特征向量进行规范化处理，送入循环神经网络进行特征融合，最后对融合后的特征进行分类，实现故障诊断。
2、为实现上述技术目的，达到上
3、本专利技术提供一种一种类人眼观察和深度神经网络双结合的故障诊断方法，包括如下步骤：
4、s1、将每个时间段的原始采样数据信号表示为x(t)，建立根据模型i的数学变换，生成频域下的数据曲线图像a；模型i定义为：
5、f(ω)＝∫[x(t)*e(-jωt)]dt
6、其中，f(ω)表示信号在频域上的表示，x(t)表示信号在时域上的表示，ω表示角频率，j表示虚数单位；该公式的实部为信号x(t)；
7、s2、将每个时间段的原始采样数据信号，建立基于数学公式i的模型构建，生成频域下的数据曲线图像b；数学公式i是：
8、
9、其中，h(x(t))表示信号x(t)的数学变换，t'表示积分变量；h(x(t))对一个实函数x(t)进行变换，将其转化为一个复函数，其虚部为信号x(t)；通过合成实部和虚部，能够得到一个复函数，其中包含了信号x(t)的相位信息；
10、s3、将每个时间段的采样数据信号进行拟合，拟合的结果是一条曲线，生成时域下的数据曲线图像c；
11、s4、将上述的数据曲线图像a、b、c进行拼接后划分为n部分，从每个部分提取m帧图片，n、m均为自然数；
12、s5、利用训练好的卷积神经网络对数据曲线进行时空特征提取，并将不同层次的时空特征进行串行连接得到高维特征向量；卷积神经网络是实现训练好的网络层次结构，通过仿生人眼的观察行为予以模拟实现；
13、s6、对步骤s5得到的高维特征向量进行规范化处理；
14、s7、将步骤s6中规范化处理后的高维特征向量送入循环神经网络，进行特征融合；
15、s8、对步骤s7中融合后的特征进行分类，得到数据曲线对应的故障类型。
16、进一步地，步骤s1中，对模型i中的表示通过仔细选择和重新排列中间结果，使得振动速度上有更优表示，再忽略数学计算中精度的影响条件，得以下公式
17、
18、
19、进一步地，步骤s2中，设x(t)为一个实时域信号，其实函数的变换的定义公式为：
20、
21、其中，则原始信x(t)和它的复函数变换结果信号h(t)能够构建一个新的解析信号z(t):
22、
23、此时输出的h(t)是解析信号a(t)的虚部系数，再对z(t)取模，得到其幅值a(t):
24、
25、其中，a(t)即为包络信号。
26、进一步地，步骤s4中，若数据曲线的总帧数小于64帧，则丢弃该数据曲线；若数据曲线的总帧数不能被m整除，则丢弃最后几帧。
27、进一步地，步骤s4中，将每个数据曲线a、b和c分别划分为n部分，提取每部分中的m帧图片的方法如下：将一个数据曲线按帧数平均划分为n＝3部分，每部分包含相同帧数，并从每部分中等间隔提取m＝64帧图片。
28、进一步地，步骤s5的具体过程如下：
29、使用预先训练好的卷积网络作为特征提取器，对步骤s4中的每个64帧输入进行时空特征提取，得到p_num4维的输出向量；对整个数据曲线进行时空特征提取，提取后的结果用二维张量(3，p_num4)表示，其中p_num4表示特征提取器池化层4的输出维度；
30、对于每个64帧输入，将特征提取器的池化层i、池化层ii和池化层iii的输出进行串行连接，得到p_num_all维的特征向量；对整个数据曲线进行特征串行连接操作，串行连接后的结果用二维张量(3，p_num_all)表示，其中p_num_all＝p_num1+p_num2+p_num3，p_num1、p_num2、p_num3分别表示特征提取器池化层i、池化层ii和池化层iii的输出维度。
31、进一步地，步骤s3中，进行规范化处理的具体过程是：
32、在整个训练集上求取步骤s2中高维特征向量的每个维度的均值e[x(k)]与方差d[x(k)]，然后对特征向量的每个维度进行标准化，标准化公式为：
33、其中，x(k)表示激活值，表示标准化处理后的值；
34、然后，用如下公式对进行转化，得到通过γ(k)和β(k)变化后的新值y(k)，则y(k)表示经过规范化处理后的特征值：
35、
36、其中，γ(k)和β(k)均为循环神经网络参数，由网络学习得到。
37、进一步地，步骤s4中，将步骤s3中规范化处理后的高维特征向量送入循环神经网络，进行特征融合的具体内容是：将经过规范化处理后的二维张量(3，p_num_all)送入循环神经网络，其中，循环神经网络的时间步长为3，包含一个隐层，隐层中包含的神经元数目为1024。
38、进一步地，步骤s5中，利用多类softmax分类器，对步骤s8中循环神经网络的输出进行线性分类。
39、本专利技术的有益效果是：
40、1、利用预训练好的卷积神经网络直接提取数据曲线的时空信息，不需要对数据曲线数据提前进行故障数据提取，能够实现端对端的故障诊断。
41、2、预训练好的卷积神经网络是仿生人眼观察行为从而实现的。
42、3、串行连接由卷积核提取到的不同层次的特征信息，相比于人工分析与计算过程中提取到数据曲线的低层数据信息，卷积核输出的低层时空信息具有更高的鲁本文档来自技高网...
【技术保护点】
1.一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S1中，对模型I中的表示通过仔细选择和重新排列中间结果，使得振动速度上有更优表示，再忽略数学计算中精度的影响条件，得以下公式
3.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S2中，设x(t)为一个实时域信号，其实函数的变换的定义公式为：
4.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S4中，若数据曲线的总帧数小于64帧，则丢弃该数据曲线；若数据曲线的总帧数不能被M整除，则丢弃最后几帧。
5.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S4中，将每个数据曲线A、B和C分别划分为N部分，提取每部分中的M帧图片的方法如下：将一个数据曲线按帧数平均划分为N＝3部分，每部分包含相同帧数，并从每部分中等间隔提取M＝64帧图片。
6.根据
7.根据权利要求6所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S3中，进行规范化处理的具体过程是：
8.根据权利要求7所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S4中，将步骤S3中规范化处理后的高维特征向量送入循环神经网络，进行特征融合的具体内容是：将经过规范化处理后的二维张量(3，p_num_all)送入循环神经网络，其中，循环神经网络的时间步长为3，包含一个隐层，隐层中包含的神经元数目为1024。
9.根据权利要求8所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤S5中，利用多类Softmax分类器，对步骤S8中循环神经网络的输出进行线性分类。
...【技术特征摘要】
1.一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤s1中，对模型i中的表示通过仔细选择和重新排列中间结果，使得振动速度上有更优表示，再忽略数学计算中精度的影响条件，得以下公式
3.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤s2中，设x(t)为一个实时域信号，其实函数的变换的定义公式为：
4.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤s4中，若数据曲线的总帧数小于64帧，则丢弃该数据曲线；若数据曲线的总帧数不能被m整除，则丢弃最后几帧。
5.根据权利要求1所述的一种类人眼观察和深度神经网络双结合的故障诊断方法，其特征在于，步骤s4中，将每个数据曲线a、b和c分别划分为n部分，提取每部分中的m帧图片的方法如下：将一个数据曲线...
【专利技术属性】
技术研发人员：徐浩，张辰啸，韩龙岗，张志国，
申请(专利权)人：安徽工业大学，
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。