【技术实现步骤摘要】
本专利技术属于监测预警及诊断，尤其涉及一种基于信号升维及特异性激活函数的旋转机械故障诊断智能方法。
技术介绍
1、如今，随着信号处理技术和现代工业的快速发展，各种工业设备的大量运行数据被实时监控和传输，以确保各类工业机械的稳定健康运行。这使得这些设备的故障诊断逐渐从依靠专家知识和经验的传统方式转变为数据驱动的大数据时代。
2、伴随着这一历史进程，诸多神经网络模型被应用于故障诊断。例如：深度残差收缩网络(deep residual shrinkage networks,简称drsns)，被用来提升强噪声背景下轴承故障诊断的准确性,生成对抗网络(generative adversarial networks，简称gan)，被用来解决训练数据不平衡的问题提升了现有数据驱动方法的有效性，卷积神经网络(convolutional neural network简称cnn)，被用来解决数据高噪声背景及以往基于数据驱动的故障诊断时效性不好的问题，利用cnn搭建了具有较高时效性的在线诊断模型框架，残差网络(residual networks简称resnet)由于其可控的网络层次这一优点，被用来构建深层dl(deep learning)模型，克服以往故障诊断的故障特征提取较为浅显的问题。诸如此类的许多深度学习领域的网络模型均被用在旋转机械尤其是滚动轴承的故障分类方面。这使得基于数据驱动的故障诊断技术快速发展、革新。于是便有了由各类经典神经网络模型相互结合发展而来的新型模型。例如：自适应融合去噪卷积神经网络(adaptive fusion
3、综合相关文献分析，现有技术存在的问题及缺陷为：
4、(1)现有旋转机械故障诊断的故障信号多为一维时间序列信号，不能很好地发挥深度学习在多维信号处理层面的优势。
5、(2)神经网络模型中的激活函数不具有特异性，不能很好的处理类内信号差距大、类间信号差距小的问题。
6、(3)故障信号源相对单一，如大部分研究基于振动信号，没有充分考虑多源信息融合诊断的问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于信号升维及特异性激活函数的旋转机械故障诊断智能方法。
2、本专利技术针对上述问题以信号升维为主要创新点将振动信号、声音信号等一维时序信号通过通用的转换框架实现一维时序信号向二维彩色图像信号转换的目标，实现信号内容的丰富。同时结合改进激活函数的resnet网络模型对图片信号进行分类进而实现对故障的识别。具体是这样实现的，一种基于信号升维及特异性激活函数的旋转机械故障诊断智能方法包括以下步骤：
3、步骤一，进行一维时序信号向二维图片信号的转换；
4、步骤二，进行特异性激活函数的搭建；
5、步骤三，基于特异性激活函数构建故障诊断智能方法模搭建；
6、步骤四，在对不同位置传感器数据不做区分的情况下，实现了良好的诊断精度；
7、步骤五，进行多源信号的融合诊断。
8、进一步，所述进行一维时序信号向二维图片信号的转换：提出了一种基于格拉姆角场、马尔可夫变迁场和递归图的振动信号彩色图像转换方案，构建了gmp转换框架，此框架在保留时间序列信息的同时，实现信号从一维到二维的转换，扩展了输入信号中的故障信息。
9、进一步，所述特异性激活函数的搭建：利用函数平滑替代最大值函数，进而构建relu激活函数族；然后以基于嵌入式子网络的方式提出线性整定函数的特殊超参数调节方案，丰富了残差网络模型中的非线性变换，构建了对输入信号具有特异性的特异性激活函数模块；解决了类内信号变化较大导致分类不准确的问题。
10、进一步，所述基于特异性激活函数模块的构建故障诊断智能方法模搭建：使用深度残差网络resnet基础框架，将框架中的部分relu激活函数替换成特异性激活函数模块。
11、进一步，所述进行多源信号的融合诊断：将多源时序信号在gmp转换框架下转换成图像信号之后，将图片叠加实现信号特征层的融合。
12、本专利技术还提供一种用于旋转机械故障诊断的系统，包括：
13、一个信号转换模块，用于将一维时序信号转换为二维图片信号，采用基于格拉姆角场、马尔可夫变迁场和递归图的振动信号彩色图像转换方案(gmp转换框架)；
14、一个特异性激活函数构建模块，利用函数平滑替代最大值函数来构建relu激活函数族，并进一步实现基于嵌入式子网络的特殊超参数调节方案；
15、一个故障诊断算法构建模块，使用深度残差网络resnet框架，并在其中部分替换relu激活函数为特异性激活函数模块；
16、一个多源信号融合模块，将经gmp转换框架转换的多源时序信号图像进行叠加以实现信号特征层的融合。
17、进一步，信号转换模块能够在保留时间序列信息的同时，实现信号从一维到二维的转换，扩展了输入信号中的故障信息。
18、进一步，特异性激活函数构建模块能够丰富残差网络模型中的非线性变换，构建对输入信号具有特异性的激活函数本文档来自技高网...
【技术保护点】
1.一种基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述进行一维时序信号向二维图片信号的转换：提出了一种基于格拉姆角场、马尔可夫变迁场和递归图的振动信号彩色图像转换方案，构建了GMP转换框架。
3.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述特异性激活函数的搭建：利用函数平滑替代最大值函数，进而构建ReLU激活函数族(ψa(x)-ψb(x))σ[β(ψa(x)-ψb(x))]+ψb(x)；然后以基于嵌入式子网络的方式提出线性整定函数的特殊超参数调节方案。
4.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述基于特异性激活函数模块的构建故障诊断智能方法模搭建：使用深度残差网络ResNet基础框架，将框架中的部分ReLU激活函数替换成特异性激活函数模块。
5.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法
6.一种用于旋转机械故障诊断的系统，其特征在于，包括：
7.如权利要求1所述的旋转机械故障诊断系统，其特征在于，信号转换模块能够在保留时间序列信息的同时，实现信号从一维到二维的转换，扩展了输入信号中的故障信息。
8.如权利要求1所述的旋转机械故障诊断系统，其特征在于，特异性激活函数构建模块能够丰富残差网络模型中的非线性变换，构建对输入信号具有特异性的激活函数模块。
9.如权利要求1所述的旋转机械故障诊断系统，其特征在于，故障诊断算法构建模块采用深度残差网络ResNet作为基础框架，并在此基础上结合特异性激活函数模块。
...【技术特征摘要】
1.一种基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述进行一维时序信号向二维图片信号的转换：提出了一种基于格拉姆角场、马尔可夫变迁场和递归图的振动信号彩色图像转换方案，构建了gmp转换框架。
3.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述特异性激活函数的搭建：利用函数平滑替代最大值函数，进而构建relu激活函数族(ψa(x)-ψb(x))σ[β(ψa(x)-ψb(x))]+ψb(x)；然后以基于嵌入式子网络的方式提出线性整定函数的特殊超参数调节方案。
4.如权利要求1所述基于信号升维及特异性激活函数的旋转机械故障诊断智能方法，其特征在于，所述基于特异性激活函数模块的构建故障诊断智能方法模搭建：使用深度残差网络resnet基础框...
【专利技术属性】
技术研发人员：朱瑞，王学超，袁斌霞，王心柔，韩清鹏，江天镇，
申请(专利权)人：上海电力大学，
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。