CN107329933B - 基于光纤传感振动信号的故障检测方法及装置 - Google Patents

Abstract

本申请是关于一种基于光纤传感振动信号的故障检测方法及装置。该方法包括：获取N个光纤传感器在预设时间段内采集的振动信号数据；所述N个光纤传感器分别设置在不同设备的预设部位；提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；将振动信号数据和振动信号特征数据匹配后分组得到训练集、验证集和测试集；利用训练集对预设卷积神经网络模型进行训练，并利用验证集对预设卷积神经网络模型进行验证；在验证完成后，将测试集输入到预设卷积神经网络模型获取到检测结果。本申请实施例可以使特征的区分度更大且可以解决卷积神经网络模型中的过拟合问题，提高检测精度。

Description

基于光纤传感振动信号的故障检测方法及装置

技术领域

本申请涉及光纤传感技术领域，尤其涉及一种基于光纤传感振动信号的故障检测方法及装置。

背景技术

由于煤矿机械化和自动化程度日益加强，由机电设备运行故障引发的安全隐患及次生灾害不断增加的趋势值得重视和警惕。实际应用中，机电设备运行中的安全可靠性一般取决于核心部位的运行状态，通过对这些核心部位的温度、振动等信号进行采集、分析和处理，监控机电设备的运行状态，并通过分析这些运行状态，预测机电设备的故障类型，并给出故障预警和提示。一方面保障设备安全运行，另一方面为机电设备维修提供指导和帮助，降低维修不足和过剩维修的情况。然而，现有的煤矿在重大灾害监测预警方面与安全生产要求之间还存在着较大差距，主要表现在传感器可靠性差、维护工作量大、监控系统在信号采集及传输线路中受电磁场干扰严重等。

在实现本申请方案的过程中，发明人发现：机电设备绝大部分运行故障都通过振动表现，这些特征可以反映机电设备运行状态。机电设备的温度是另一个表征，机电设备可能温度过高可能引发的电路、电缆接头、电缆、机电设备本身元器件的火灾。因此，光纤传感器适合煤矿行业的安全生产的场景。这是由于光纤具有本身不带电、抗电磁干扰、绝缘性好、灵敏度高、体积小、重量轻、耐高温等优点，从而能够适于长期监测煤矿的恶劣环境(髙温、易燃易爆、强电磁干扰等)。

发明内容

为克服相关技术中存在的问题，本申请实施例提供一种基于光纤传感振动信号的故障检测方法及装置，用以解决相关技术中的技术问题。

根据本申请实施例的第一方面，提供一种基于光纤传感振动信号的故障检测方法，所述方法包括：

获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果。

可选地，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤，包括：

对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

可选地，利用所述训练集对预设卷积神经网络模型进行训练的步骤，包括：

对输入的所述训练集进行特征张量分解；

对滤波器进行张量分解。

可选地，对输入的所述训练集进行特征张量分解的步骤，包括：

振动信号数据的傅里叶变换特征及其谱包络特征、正交小波变换特征及其谱包络特征和预设时间定义为三阶张量T；

采用塔克张量分解Tucker模型将所述三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式；i分别取1、2、3；

计算所述三阶张量T和所述三个投影矩阵Ui的乘积得到矩阵T’；

将矩阵T’矩阵化后得到矩阵T”，该矩阵T”的行数为第一三阶张量T在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

可选地，对滤波器进行张量分解的步骤，包括：

将经典的卷积神经网络模型中的输入Input和滤波器中特征映射的行和列定义为三阶张量F；

采用块组件分解模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i ^r乘积的形式；r表示第r个块，R表示块的总数量；

计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i ^r的乘积，并计算所述R个块r的乘积之和得到矩阵F’；

将矩阵F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

可选地，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤之前，所述方法还包括：

将每个光纤传感器对应的设备的工作状态标注到对应的振动信号数据。

可选地，所述方法还包括利用所述振动信号数据和所述振动信号特征数据对设备工作状态进行预警的步骤，所述步骤包括：

将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集；

利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。

可选地，将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集的步骤，包括：

将[1,T/2]时刻内工作状态为无故障，且[T/2，T]时刻内工作状态为无故障之外的其他状态的所述振动信号数据和所述振动信号特征数据分成D组数据；D为正整数；

将1～D/2组数据定义为预警训练集Ytr，将D/2～3D/4组数据定义为验证集Yva；将3D/4～D组数据定义为测试集Yva。

根据本申请实施例的第二方面，提供一种基于光纤传感振动信号的故障检测装置，所述装置包括：

振动信号数据获取模块，用于获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

特征数据获取模块，用于提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

数据分组模块，用于将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

训练验证模块，用于利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

结果获取模块，用于在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果。

可选地，所述特征数据获取模块包括：

变换单元，用于对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

分解单元，用于利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

获取单元，用于分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

可选地，所述训练验证模块包括：

输入张量分解单元，用于对输入的所述训练集进行特征张量分解；

滤波器张量分解单元，用于对滤波器进行张量分解。

可选地，所述输入张量分解单元包括：

张量定义子单元，用于将振动信号数据的傅里叶变换特征及其谱包络特征、正交小波变换特征及其谱包络特征和预设时间定义为三阶张量T；

张量分解子单元，用于采用塔克张量分解Tucker模型将所述三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式；i分别取1、2、3；

乘积计算子单元，用于计算所述三阶张量T和所述三个投影矩阵Ui的乘积得到T’；

矩阵化子单元，用于将T’矩阵化后得到矩阵T”，该矩阵T”的行数为第一三阶张量T在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

可选地，滤波器张量分解单元包括：

张量定义子单元，用于将经典的卷积神经网络模型中的输入Input和滤波器中特征映射的行和列定义为三阶张量F；

张量分解子单元，用于采用块组件分解Block term decomposition模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i ^r乘积的形式；r表示第r个块，R表示块的总数量；

张量计算子单元，用于计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i ^r的乘积，并计算所述R个块r的乘积之和得到F’；

矩阵化子单元，用于将F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

根据本申请实施例的第三方面，提供一种基于光纤传感振动信号的故障检测装置，在第二方面所示故障检测装置的基础上，该装置包括：

振动信号数据获取模块，用于获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

工作状态标注模块，用于将每个光纤传感器对应的设备的工作状态标注到所述振动信号数据获取模块输出的振动信号数据中；

特征数据获取模块，用于提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

训练验证模块，还用于利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

结果获取模块，还用于在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请实施例提供的上述方法，在N个光纤传感器采集的振动信号数据中标注对应设备的工作状态，然后提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；将振动信号数据和振动信号特征数据匹配后分组得到训练集、验证集和测试集；利用训练集对预设卷积神经网络模型进行训练，并利用验证集对预设卷积神经网络模型进行验证；在验证完成后，将测试集输入到预设卷积神经网络模型获取到检测结果。本申请实施例可以保留不同来源的光纤振动信号特征，基于张量分解方法提取振动信号数据和振动信号特征数据的主成分，可以降低输入信号的维度，在检测时使特征的区分度更大。另外，相比于经典的卷积神经网络模型而言，本申请实施例中预设卷积神经网络模型，由于对输入信号及每一个隐藏层中的滤波器进行张量分解，可以解决卷积神经网络模型中的过拟合问题，提高检测精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请一实施例提供的基于光纤传感振动信号的故障检测方法的流程示意图；

图2是本申请中预设卷积神经网络模型的流程示意图；

图3是本申请一实施例提供的基于光纤传感振动信号的故障预警方法的流程示意图；

图4是本申请一实施例提供的基于光纤传感振动信号的故障检测装置的框图；

图5是本申请一实施例提供的基于光纤传感振动信号的故障预警装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的基于光纤传感振动信号的故障检测方法的流程示意图。如图1所示，该故障检测方法包括：

步骤101，获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

步骤102，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

步骤103，将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

步骤104，利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

步骤105，在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果。

本申请实施例提供的上述方法，在N个光纤传感器采集的振动信号数据中标注对应设备的工作状态，然后提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；将振动信号数据和振动信号特征数据匹配后分组得到训练集、验证集和测试集；利用训练集对预设卷积神经网络模型进行训练，并利用验证集对预设卷积神经网络模型进行验证；在验证完成后，将测试集输入到预设卷积神经网络模型获取到检测结果。本申请实施例可以保留不同来源的光纤振动信号特征，基于张量分解方法提取振动信号数据和振动信号特征数据的主成分，可以降低输入信号的维度，在检测时使特征的区分度更大。另外，相比于经典的卷积神经网络模型而言，本申请实施例中预设卷积神经网络模型，由于对输入信号及每一个隐藏层中的滤波器进行张量分解，可以解决卷积神经网络模型中的过拟合问题，提高检测精度。

本申请提供的基于光纤传感振动信号的故障检测方法可以应用于某系统，上述系统至少包括处理器、存储器等。其中存储器可以存储来自各光纤传感器的振动信号数据和振动信号数据对应的振动信号特征数据等，以及各设备的工作状态，处理器可以执行本申请实施例提供的故障检测方法，在执行过程中，该处理器可以从存储器中读取相应的数据。下面结合实施例和附图对本申请提供的基于光纤传感振动信号的故障检测方法的各步骤作详细描述。

首先，介绍步骤101，获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位。

在步骤101中，N个光纤传感器预先设置在不同设备的预设部位。例如，在每个设备上设置一个光纤传感器，该光纤传感器可以采集该设备的振动信号。该光纤传感器可以将上述振动信号输出即得到振动信号数据。

可理解的是，每个光纤传感器可以按照各自的采集周期采集上述振动信号数据，也可以所有光纤传感器按照同一个采集周期采集上述振动信号数据。实际应用中，光纤传感器采集振动信号数据后存储到存储器中，然后从上述存储器中直接读取预设时间内的振动信号数据即可。

例如光纤传感器在预设时间段内的[1,T]时刻采集振动信号数据进行存储，然后从存储器中直接读取[1,T]时刻各光纤传感器对应的振动信号数据即可。后续以[1,T]时刻采集的振动信号数据为例继续描述本申请的方案。当然采集周期或者采集时刻是可以根据具体场景进行设置，在此不作限定。

其次，介绍步骤102，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据。

在步骤102中，对振动信号数据处理，包括对振动信号数据进行傅里叶变换和正交小波变换，以获取傅里叶变换特征及其谱包络特征，和，正交小波变换特征及其谱包络特征。

一实施例中，处理器先对上述振动信号数据进行傅里叶变换，将振动信号数据从时序转换到频域。例如，定义S(t)为第t时刻的震动信号的时域值，则经过离散傅里叶变换后有：

其中，k＝0,......,N-1，X(k)为S(t)的离散傅里叶变换值，N为变换频谱序列的长度。

本实施例中，对振动信号数据进行傅里叶变换的目的在于将该振动信号分解为一系列单一频率的谐波信号。但由于该振动信号数据为非平稳信号，且傅里叶变换无法有效处理该振动信号数据的时域细节特征。为此本申请一实施例中，还对振动信号数据进行小波变换，以实现非均匀的划分时频空间的目的，通过自适应调节时频窗口，能够获取上述振动信号的频率成分还能更好的反映该振动信号数据(为非平稳信号)的瞬间变化。

一实施例中，处理器采用正交小波基将S(t)分解成小波基的组合，如式(2)所示：

其中，

为正交小波基，j表征不同分辨率，j越大表示分析的分辨率越低，j₀表示最低分辨率；k表征时间局部性。

可知，本申请中采用傅里叶变换和小波变换的优点在于，利用傅里叶变换在频域分析方面的优势和小波变换在时频局部化方面的优势，可以更加准确的提取非平稳振动信号中的各种细节特征，使步骤102中得到的傅里叶变换特征和小波变换特征更全面的反映振动信号以及提高后续计算的准确度。

经过大量实验，本申请的发明人发现，当某个设备发生故障时，光纤传感器采集到的振动信号往往呈现为多分量的调制信号，为获取上述多分量特征，一实施例中提取上述傅里叶变换和小波变换后的振动信号数据的谱包络特征。具体实现时，该谱包络特征可以选取任意一种谱包络特征的方法实现。本申请一实施例中，处理器采用经验模态分解(Empirical Mode Decomposition,EMD)方法分别对振动信号数据的傅里叶变换特征和小波变换特征进行分解，从而得到多个本质模态函数分量(intrinsic mode functions,IMF)，然后再对每个IMF分量进行谱包络提取，从而得到傅里叶变换特征及其谱包络特征Ff、小波变换特征及其谱包络特征Fw。其中本申请中在后续部分将傅里叶变换特征及其谱包络特征Ff、小波变换特征及其谱包络特征Fw称为振动信号特征数据。

再次，介绍步骤103，将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集。

实际应用中，在光纤传感器的使用现场，各运转中设备的工作状态是复杂多变的，导致设备故障类型也多种多样，相应地，光纤传感器采集到的振动信号特征也各不相同，加之振动信号数据的采集时间较长(可理解为预设时间段)，导致将振动信号数据及其特征输入到经典的卷积神经网络模型进行训练时，容易存在过拟合的问题，其表现之一为卷积神经网络模型在训练集的准确度远远高于测试集的准确度。

为解决经典的卷积神经网络模型的过拟合的问题，本申请实施例中采用预设卷积神经网络模型实现。如图2所示，该预设卷积神经网络模型包括：

步骤201，输入层：输入数据；

步骤202，特征张量分解：对输入数据按照塔克张量分解Tucker模型进行张量分解。

步骤203，第一个卷积层：进行第一次卷积运算。

步骤204，滤波器张量分解：对步骤201中的输入和步骤203中的滤波器按照用块组件分解Block term decomposition模型进行张量分解。

步骤205，第一个子抽样层：实现子抽样和局部平均。

步骤206，第二个卷积层：进行第二次卷积运算。

步骤207，第二个子抽样层：第二次子抽样和局部平均计算。

步骤208，第三个卷积层：进行第三次卷积运算。

步骤209，全连接层：得到输出向量。

该预设卷积神经网络模型为改进后的卷积神经网络模型，与经典的卷积神经网络模型的不同之处在于：对输入特征进行张量分解和对滤波器进行张量分量。

(1)对输入特征进行张量分解

本实施例中将傅里叶变换特征及其谱包络特征Ff、小波变换特征及其谱包络特征Fw以及时间t∈[1,T]定义为三阶张量T，采用塔克张量分解Tucker模型将三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式，如式(3)所示：

T≈G×₁U₁×₂U₂×₃U×₃ (3)

其中，

为张量；

为核张量；

为3个投影矩阵，是张量T在各阶上的主分量；×_i(i＝1,2,3)为张量模式下展开的乘法。

然后，进行张量矩阵乘，即计算三阶张量T和三个投影矩阵Ui的乘积得到矩阵T’，如式(4)所示：

T'≈T×₁U₁×₂U₂×₃U×₃ (4)

最后，将矩阵T’矩阵化得到矩阵T”，该矩阵T”的行数为三阶张量T(此时对应第一三阶张量)在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

(1)对滤波器进行张量分量

一实施例中，将经典的卷积神经网络模型中的输入Input和滤波器filter(即滤波器中特征映射)的行和列定义为三阶张量F，采用块组件分解Block term decomposition模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i ^r乘积的形式，如式(5)所示：

其中，

为张量；

为核张量；

为F在第r个块上的3个投影矩阵；×_i(i＝1,2,3)为张量模式下展开的乘法；R表示块的总数量。

然后进行张量矩阵乘，计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i ^r的乘积，并计算所述R个块r的乘积之和得到矩阵F’，如式(6)所示：

最后，将矩阵F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

在上述预设卷积神经网络模型的基础上，本申请一实施例将振动信号数据和振动信号特征数据匹配后分组得到训练集、验证集和测试集。例如，将[1,T/2]时刻的振动信号数据和振动信号特征数据定义为训练集Gtr；将[T/2,3T/4]时刻的振动信号数据和振动信号特征数据定义为验证集Gva；将[3T/4,T]时刻的振动信号数据和振动信号特征数据定义为测试集Gte；T是指预设时间的长度。可理解的是，上述分组仅是示意性的，本领域技术人员可以根据具体场景进行设置，在此不作限定。

一实施例中，将训练集Gtr中的全部数据输入到上述预设卷积神经网络模型进行训练，然后利用验证集Gva对上述预设卷积神经网络模型进行验证。

最后执行步骤104，即在验证完成后，将测试集Gte输入到上述预设卷积神经网络模型得到检测结果。

图3是根据一示例性实施例示出的种基于光纤传感振动信号的故障预警方法的流程示意图。如图3所示，该故障预警方法包括：

步骤301，获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

步骤302，将每个光纤传感器对应的设备的工作状态标注到对应的振动信号数据；

步骤303，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

步骤304，将所述振动信号数据和所述振动信号特征数据匹配后分组得到预警训练集、预警验证集和预警测试集；

步骤305，利用所述预警训练集对预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

步骤306，在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型获取到预警结果。

为简化说明，本实施例中与图1实施例示出的方法的相同之处，包括：

步骤301与步骤101的具体方法和原理一致，详细描述请参考图1及步骤101的相关内容，此处不再赘述。

步骤303与步骤102的具体方法和原理一致，详细描述请参考图1及步骤102的相关内容，此处不再赘述。

步骤305与步骤104的具体方法和原理一致，详细描述请参考图1及步骤104的相关内容，此处不再赘述。

步骤306与步骤105的具体方法和原理一致，详细描述请参考图1及步骤105的相关内容，此处不再赘述。

本实施例中与图1实施例示出的方法的不同之处，包括：

步骤302，将每个光纤传感器对应的设备的工作状态标注到对应的振动信号数据。

在步骤302中，将光纤传感器对应设备的工作状态标注到该光纤传感器采集的振动信号数据中。例如，处理器将获取的各设备的工作状态分别标注到设置在该设备自身的光纤传感器采集的振动信号数据中，此时步骤103中的每组振动信号数据比步骤301中的每组振动信号数据多了一项工作状态。一实施例中，在振动信号数据为一个数组时，直接在该数组中增加一项(代表工作状态)即可。

其中，上述工作状态包括：无故障、故障1、故障2、……、故障K中的一种或多种。可理解的是，上述工作状态可以由各设备传输到存储器，也可以发送给处理器(该处理器为执行本申请方法的装置)，或者可以由本地操作人员发送给远程中心，之后由远程中心分发到上述装置的存储器中。本领域技术人员可以根据具体场景设置，在此不作限定。

步骤304，将所述振动信号数据和所述振动信号特征数据匹配后分组得到预警训练集、预警验证集和预警测试集。

本申请一实施例中，将振动信号数据和振动信号特征数据相匹配，即同一个光纤传感器采集的振动信号数据与提取的振动信号特征数据一一对应。实际应用时，可以将对应的数据融合到一个矩阵或者数据中。

然后，将[1,T/2]时刻内工作状态为无故障，且[T/2，T]时刻内工作状态为无故障之外的其他状态的振动信号数据和振动信号特征数据分成D组数据；D为正整数；

将1～D/2组数据定义为预警训练集Ytr，将D/2～3D/4组数据定义为验证集Yva；将3D/4～D组数据定义为测试集Yva。

可见，本申请实施例可以保留不同来源的光纤振动信号特征，基于张量分解方法提取振动信号数据和振动信号特征数据的主成分，可以降低输入信号的维度，在检测时使特征的区分度更大。另外，相比于经典的卷积神经网络模型而言，本申请实施例中预设卷积神经网络模型，由于对输入信号及每一个隐藏层中的滤波器进行张量分解，可以解决卷积神经网络模型中的过拟合问题，提高预警精度，符合例如煤矿场景的安全生产要求。

需要说明的是，本申请实施例中上述故障检测方法和故障预警方法可以分开单独使用，也可以同时使用，本领域技术人员可以根据具体场景进行设置，在此不作限定。

本申请一实施例提供一种基于光纤传感振动信号的故障检测装置，如图4所示，所述装置包括：

振动信号数据获取模块401，用于获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

特征数据获取模块402，用于提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

数据分组模块403，用于将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

训练验证模块404，用于利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

结果获取模块405，用于在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果。

可选地，所述特征数据获取模块402包括：

变换单元，用于对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

分解单元，用于利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

获取单元，用于分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

可选地，所述训练验证模块404包括：

输入张量分解单元，用于对输入的所述训练集进行特征张量分解；

滤波器张量分解单元，用于对滤波器进行张量分解。

可选地，所述输入张量分解单元包括：

张量定义子单元，用于将振动信号数据的傅里叶变换特征及其谱包络特征、正交小波变换特征及其谱包络特征和预设时间定义为三阶张量T；

张量分解子单元，用于采用塔克张量分解Tucker模型将所述三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式；i分别取1、2、3；

乘积计算子单元，用于计算所述三阶张量T和所述三个投影矩阵Ui的乘积得到T’；

矩阵化子单元，用于将T’矩阵化后得到矩阵T”，该矩阵T”的行数为第一三阶张量T在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

可选地，滤波器张量分解单元包括：

张量定义子单元，用于将经典的卷积神经网络模型中的输入Input和滤波器中特征映射的行和列定义为三阶张量F；

张量分解子单元，用于采用块组件分解Block term decomposition模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i ^r乘积的形式；r表示第r个块，R表示块的总数量；

张量计算子单元，用于计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i ^r的乘积，并计算所述R个块r的乘积之和得到F’；

矩阵化子单元，用于将F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

根据本申请实施例的第三方面，提供一种基于光纤传感振动信号的故障检测装置，在第二方面所示故障检测装置的基础上，如图5所示，该装置包括：

振动信号数据获取模块501，用于获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

工作状态标注模块502，用于将每个光纤传感器对应的设备的工作状态标注到所述振动信号数据获取模块输出的振动信号数据中；

特征数据获取模块503，用于提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

数据分组模块504，还用于将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

训练验证模块505，还用于利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

结果获取模块506，还用于在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。

关于上述实施例中的装置，其中各个单元或者模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于光纤传感振动信号的故障检测方法，其特征在于，所述方法包括：

获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果；

提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤，包括：

对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

2.根据权利要求1所述的故障检测方法，其特征在于，利用所述训练集对预设卷积神经网络模型进行训练的步骤，包括：

对输入的所述训练集进行特征张量分解；

对滤波器进行张量分解。

3.根据权利要求2所述的故障检测方法，其特征在于，对输入的所述训练集进行特征张量分解的步骤，包括：

振动信号数据的傅里叶变换特征及其谱包络特征、正交小波变换特征及其谱包络特征和预设时间定义为三阶张量T；

采用塔克张量分解Tucker模型将所述三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式；i分别取1、2、3；

计算所述三阶张量T和所述三个投影矩阵Ui的乘积得到矩阵T’；

将矩阵T’矩阵化后得到矩阵T”，该矩阵T”的行数为第一三阶张量T在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

4.根据权利要求2所述的故障检测方法，其特征在于，对滤波器进行张量分解的步骤，包括：

将经典的卷积神经网络模型中的输入Input和滤波器中特征映射的行和列定义为三阶张量F；

采用块组件分解模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i ^r乘积的形式；r表示第r个块，R表示块的总数量；

计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i ^r的乘积，并计算所述R个块r的乘积之和得到矩阵F’；

将矩阵F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

5.根据权利要求1～4任一项所述的故障检测方法，其特征在于，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤之前，所述方法还包括：

将每个光纤传感器对应的设备的工作状态标注到对应的振动信号数据。

6.根据权利要求5所述的故障检测方法，其特征在于，所述方法还包括利用所述振动信号数据和所述振动信号特征数据对设备工作状态进行预警的步骤，所述步骤包括：

将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集；

利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。

7.根据权利要求6所述的故障检测方法，其特征在于，将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集的步骤，包括：

将[1，T/2]时刻内工作状态为无故障，且[T/2，T]时刻内工作状态为无故障之外的其他状态的所述振动信号数据和所述振动信号特征数据分成D组数据；D为正整数；

将1～D/2组数据定义为预警训练集Ytr，将D/2～3D/4组数据定义为验证集Yva；将3D/4～D组数据定义为测试集Yva。

8.一种基于光纤传感振动信号的故障检测装置，其特征在于，所述装置包括：

振动信号数据获取模块，用于获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

特征数据获取模块，用于提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

数据分组模块，用于将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

训练验证模块，用于利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

结果获取模块，用于在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果；

所述特征数据获取模块包括：

变换单元，用于对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

分解单元，用于利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

获取单元，用于分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

9.根据权利要求8所述的故障检测装置，其特征在于，所述装置还包括：工作状态标注模块，用于将每个光纤传感器对应的设备的工作状态标注到所述振动信号数据获取模块输出的振动信号数据中；相应地，

数据分组模块，还用于将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集；

训练验证模块，还用于利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

结果获取模块，还用于在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。

Images