CN110441081A - 一种旋转机械故障的智能诊断方法及智能诊断系统 - Google Patents
一种旋转机械故障的智能诊断方法及智能诊断系统 Download PDFInfo
- Publication number
- CN110441081A CN110441081A CN201910601823.2A CN201910601823A CN110441081A CN 110441081 A CN110441081 A CN 110441081A CN 201910601823 A CN201910601823 A CN 201910601823A CN 110441081 A CN110441081 A CN 110441081A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- fault identification
- signal
- network fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 197
- 238000001228 spectrum Methods 0.000 claims abstract description 163
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 159
- 238000012545 processing Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000004218 nerve net Anatomy 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种旋转机械故障的智能诊断方法及智能诊断系统。本发明利用三个深度神经网络故障识别子模型从频域、小波域和包络谱角度分别进行故障识别，再结合相关系数评估故障识别子模型的识别结果，并通过融合处理三个故障识别子模型的评估结果来实现对故障的诊断。本发明提供的旋转机械故障的智能诊断方法及智能诊断系统，从多个角度对故障信号进行识别，并结合相关系数进行综合判断，能够有效提高故障识别的准确性和可靠性，整个过程自动提取特征，自动实现对故障信号识别，具有广阔的工业应用前景。
Description
技术领域
本发明涉及旋转机械故障诊断领域，特别是涉及一种旋转机械故障的智能诊断方法及智能诊断系统。
背景技术
旋转机械是工业上应用最广泛的机械，是指依靠旋转动作完成特定功能的机械。典型的旋转机械有汽轮机、燃气轮机、离心压缩机、风机、泵、水轮机、电动机、发电机和航空发动机等。由于现代化的工程技术系统正朝大规模、复杂化方向发展，现代生产机械日益高速化、大型化、精密化、集中化和自动化，机械设备的可靠性与安全性日益受到重视。
旋转机械广泛应用于石油、化工、电力、冶金等行业，一些设备已成为这些行业的核心设备。旋转机械通常由众多零部件组成。由于长时间工作，零部件的性能会随运行时间而逐渐退化。任何一个零部件出现故障都可能导致整个设备工作异常，甚至是造成设备出现严重故障，影响企业的正常生产活动。因此，采用先进的故障诊断技术，对设备运行状态进行跟踪，实时发现问题已成为生产正常进行的必要保障，能为企业带来巨大的经济效益和社会效益。
在经历了事后维修、定期检修，故障诊断目前已发展到预知维修阶段。预知维修建立在设备状态的实时监测和智能故障诊断基础之上，实现预知维修的关键是对设备运行状态进行准确的判断。现有的旋转机械故障诊断主要由专业人员来完成，依赖于专业人员的技术和经验，导致故障诊断的智能化程度低。
因此，如何提供一种旋转机械故障的智能诊断方法及智能诊断系统，成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种旋转机械故障的智能诊断方法及智能诊断系统，从多个角度对故障信号进行识别，并结合相关系数进行综合判断，能够有效提高故障识别的准确性和可靠性，整个过程自动提取特征，自动实现对故障信号的识别，具有广阔的工业应用前景。
为实现上述目的，本发明提供了如下方案：
一种旋转机械故障的智能诊断方法，所述智能诊断方法包括：
获取表征旋转机械故障的时域振动信号；
对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；
将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络(DNN)故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成；所述深度神经网络故障识别模型的建立方法具体包括：
获取待识别故障信号，所述待识别故障信号为时域振动信号；
加载训练好的深度神经网络故障识别模型；所述训练好的深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱特征的深度神经网络故障识别子模型；
判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就对深度神经网络故障识别模型进行训练；
对所述待识别信号进行处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
可选的，所述的对深度神经网络故障识别模型进行训练，其训练包括如下环节：
获取训练样本对，建立训练样本库；所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
对所述训练样本对的各个时域振动信号进行处理，获得训练样本频谱特征、小波包特征和包络谱特征；
构建基于频域特征的深度神经网络故障识别子模型，构建基于小波域特征的深度神经网络故障识别子模型，和构建基于包络谱特征的深度神经网络故障识别子模型；所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1；
利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
利用所述训练样本包络谱特征对构建的基于包络谱特征的深度神经网络故障识别子模型进行训练，获得基于包络谱特征的深度神经网络故障识别子模型训练结果；
保存各个故障识别子模型的训练结果；
将待识别信号的频谱特征输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；
利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；
将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；
利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；
将待识别信号的包络谱特征输入基于包络谱特征的深度神经网络故障识别子模型，计算得到包络谱的识别结果；
利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于包络谱特征的深度神经网络故障识别子模型的识别结果；
对重新评估后的三个故障识别子模型的输出进行融合处理，得到最终的故障识别结果。
一种旋转机械故障的智能诊断系统，所述智能诊断系统包括：
待诊断信号获取模块，用于获取表征旋转机械故障的时域振动信号；
信号处理模块，用于对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；
故障模式识别模块，用于将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成；所述深度神经网络故障识别模型的建立子系统包括：
获取待识别故障信号模块，用于获取待识别故障信号的时域振动信号；
故障识别模型加载模块，用于加载训练好的深度神经网络故障识别模型；所述训练好的深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱特征的深度神经网络故障识别子模型；
可选的，深度神经网络故障识别模型训练模块，用于训练深度神经网络故障识别模型；所述的深度神经网络故障识别模型训练模块，首先需要判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就对深度神经网络故障识别模型进行训练；所述的对深度神经网络故障识别模型进行训练，其训练包括如下环节：
建立训练样本库模块，用于获取训练样本对，建立训练样本库，所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
训练样本处理与特征提取模块，用于对所述训练样本对的各个时域振动信号进行处理，获得训练样本频谱特征、小波包特征和包络谱特征；
故障识别子模型构建模块，用于构建基于频域特征的深度神经网络故障识别子模型，构建基于小波域特征的深度神经网络故障识别子模型，和构建基于包络谱特征的深度神经网络故障识别子模型；所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1；
基于频域特征的深度神经网络故障识别子模型训练模块，利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
基于小波域特征的深度神经网络故障识别子模型训练模块，利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
基于包络谱特征的深度神经网络故障识别子模型训练模块，利用所述训练样本包络谱特征对构建的基于包络谱特征的深度神经网络故障识别子模型进行训练，获得基于包络谱特征的深度神经网络故障识别子模型训练结果；
保存训练结果模块，用于保存各个故障识别子模型的训练结果；
信号处理与特征提取模块，用于对所述待识别信号进行信号处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
故障的频域识别模块，用于将待识别信号的频谱特征输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；
频域的相关系数计算模块，利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的频域识别结果的评估模块，根据计算得到的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；
故障的小波域识别模块，用于将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；
小波域的相关系数计算模块，利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的小波域识别结果的评估模块，根据计算得到的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；
故障的包络谱识别模块，用于将待识别信号的包络谱特征输入基于包络谱特征的深度神经网络故障识别子模型，计算得到包络谱的识别结果；
包络谱的相关系数计算模块，利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的包络谱识别结果的评估模块，根据计算得到的相关系数，重新评估基于包络谱特征的深度神经网络故障识别子模型的识别结果；
故障识别的融合处理模块，用于对重新评估后的三个故障识别子模型的输出进行融合处理，得到最终的故障识别结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的旋转机械故障的智能诊断方法及智能诊断系统，利用三个深度神经网络故障识别子模型从频域、小波域和包络谱角度分别进行故障识别，再结合相关系数评估故障识别子模型的识别结果，进而通过融合处理三个故障识别子模型的评估结果来实现对故障的诊断。本发明提供的旋转机械故障的智能诊断方法及智能诊断系统，从多个角度对故障信号进行识别，并结合相关系数进行综合判断，能够有效提高故障识别的准确性和可靠性，整个过程自动提取特征，自动实现对故障信号识别，具有广阔的工业应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的旋转机械故障的智能诊断方法的流程图；
图2为本发明实施例提供的旋转机械深度神经网络故障识别模型的建立方法的流程图；
图3为本发明实施例提供的对深度神经网络故障识别模型进行训练的流程图；
图4为本发明实施例提供的旋转机械故障的智能诊断系统的结构框图；
图5为本发明实施例提供的深度神经网络故障识别模型的建立子系统的结构框图；
图6为本发明实施例提供的深度神经网络故障识别模型训练模块的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种旋转机械故障的智能诊断方法及智能诊断系统，从多个角度对故障信号进行识别，并结合相关系数进行综合判断，能够有效提高故障识别的准确性和可靠性，整个过程自动提取特征，自动实现对故障信号识别，具有广阔的工业应用前景。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的旋转机械故障的智能诊断方法的流程图。如图1所示，一种旋转机械故障的智能诊断方法，所述智能诊断方法包括：
步骤101：获取表征旋转机械故障的时域振动信号；
步骤102：对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；所述的对时域振动信号进行处理，分别对时域振动信号进行快速傅里叶变换(FFT)、小波包变换和包络谱分析后再FFT处理；
步骤103：将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成。
图2为本发明实施例提供的旋转机械深度神经网络故障识别模型的建立方法的流程图。如图2所示，深度神经网络故障识别模型的建立方法包括：
步骤201：获取待识别故障信号，所述待识别故障信号为时域振动信号；
步骤202：加载训练好的深度神经网络故障识别模型；所述深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱特征的深度神经网络故障识别子模型；
步骤203：判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就执行步骤204，否则就执行步骤205；
步骤204：对深度神经网络故障识别模型进行训练；
步骤205：对待识别信号进行处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
步骤206：将待识别信号的频谱特征输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；所述的频域识别结果，记为其中表示频域识别结果的类别，表示频域识别结果的可信度，这两个值由基于频域特征的深度神经网络故障识别子模型的输出直接得到；
步骤207：利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；所述计算相关系数，将其计算结果记为向量 其中表示根据相关系数的值选取待识别信号的类别，表示对应的相关系数的值；所述的根据相关系数的值选取待识别信号的类别，选取的依据是选择最大相关系数所对应的训练样本的类别，赋予所述的相关系数，其计算公式为
式中Cov(X，Y)表示X与Y的协方差，Var[·]表示方差，Cc(Y，X)表示Y与X之间的相关系数。
步骤208：根据计算的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；所述的重新评估基于频域特征的深度神经网络故障识别子模型的识别结果，记为若识别结果与计算的相关系数相一致，即那么令则识别结果可信度根据来设定，其设定规则为
若则令但识别结果的可信度为
步骤209：将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；所述的小波域识别结果，记为 其中表示小波域识别结果的类别，表示小波域识别结果的可信度，这两个值由基于小波域特征的深度神经网络故障识别子模型的输出直接得到；
步骤210：利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；所述的计算相关系数，其结果记为向量 其中表示根据相关系数的值选取待识别信号的类别，表示为对应的相关系数的值；所述的根据相关系数的值选取待识别信号的类别，选取的依据是选择最大相关系数所对应的训练样本的类别，赋予
步骤211：根据计算的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；所述的重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果，记为若识别结果与计算的相关系数相一致，即那么令则识别结果可信度根据来设定，其设定规则为
若则令但识别结果的可信度为
步骤212：将待识别信号的包络谱特征输入基于包络谱特征的深度神经网络故障识别子模型，计算得到包络谱的识别结果；所述的包络谱的识别结果，记为其中表示包络谱的识别结果的类别，表示包络谱的识别结果的可信度，这两个值由基于包络谱特征的深度神经网络故障识别子模型的输出直接得到；
步骤213：利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；所述的计算相关系数，其结果记为向量其中表示根据相关系数的值选取待识别信号的类别，表示为对应的相关系数的值；所述的根据相关系数的值选取待识别信号的类别，选取的依据是选择最大相关系数所对应的训练样本的类别，赋予
步骤214：根据计算的相关系数，重新评估基于包络谱特征的深度神经网络故障识别子模型的识别结果；所述的重新评估基于包络谱特征的深度神经网络故障识别子模型的识别结果，若识别结果与计算的相关系数相一致，即那么令则识别结果可信度根据来设定，其设定规则为
若则令但识别结果的可信度为
步骤215：进行融合处理，计算得到最终故障识别结果；所述的融合处理是对计算得到的三个故障识别子模型输出和进行融合处理，得到最终的故障识别结果所述的融合处理的计算结果其计算依据可参见表1；所述的融合处理的计算结果，按照表1中的序号从小到大的顺序来计算和的值。
表1最终故障识别结果的计算依据
图3为本发明实施例提供的对深度神经网络故障识别模型进行训练的流程图。如图3所示，对深度神经网络故障识别模型进行训练的步骤包括：
步骤301：获取训练样本对，建立训练样本库，所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
步骤302：对所述训练样本对的各个时域振动信号进行处理，获得训练样本频谱特征、小波包特征和包络谱特征；
步骤303：构建基于频域特征的深度神经网络故障识别子模型；所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1；
步骤304：利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
步骤305：构建基于小波域特征的深度神经网络故障识别子模型；
步骤306：利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
步骤307：构建基于包络谱特征的深度神经网络故障识别子模型；
步骤308：利用所述训练样本包络谱特征对构建的基于包络谱特征的深度神经网络故障识别子模型进行训练，获得基于包络谱特征的深度神经网络故障识别子模型训练结果；
步骤309：保存各个故障识别子模型的训练结果。
图4为本发明实施例提供的旋转机械故障的智能诊断系统的结构框图。如图4所示一种旋转机械故障的智能诊断系统，所述智能诊断系统包括：
待诊断信号获取模块401，用于获取表征旋转机械故障的时域振动信号；
信号处理模块402，用于对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；
故障模式识别模块403，用于将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成。
图5为本发明实施例提供的深度神经网络故障识别模型的建立子系统的结构框图。如图5所示，所述深度神经网络故障识别模型的建立子系统包括：
获取待识别故障信号模块501，用于获取待识别故障信号的时域振动信号；
故障识别模型加载模块502，用于加载训练好的深度神经网络故障识别模型；所述深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱特征的深度神经网络故障识别子模型；
深度神经网络故障识别模型训练模块503，用于训练深度神经网络故障识别模型；所述的深度神经网络故障识别模型训练模块，首先需要判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就对深度神经网络故障识别模型进行训练；
信号处理与特征提取模块504，用于对所述待识别信号进行信号处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
故障的频域识别模块505，用于将待识别信号的频谱特征、输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；
频域的相关系数计算模块506，利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的频域识别结果的评估模块507，根据计算的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；
故障的小波域识别模块508，用于将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；
小波域的相关系数计算模块509，利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的小波域识别结果的评估模块510，根据计算的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；
故障的包络谱识别模块511，用于将待识别信号的包络谱特征输入基于包络谱特征的深度神经网络故障识别子模型，计算得到包络谱的识别结果；
包络谱的相关系数计算模块512，利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的包络谱识别结果的评估模块513，根据计算的相关系数，重新评估基于包络谱特征的深度神经网络故障识别子模型的识别结果；
故障识别的融合处理模块514，用于对计算得到的三个故障识别子模型输出进行融合处理，得到最终的故障识别结果。
图6为本发明实施例提供的深度神经网络故障识别模型训练模块的结构框图。图6所示对深度神经网络故障识别模型进行训练，其训练包括如下模块：
建立训练样本库模块601，用于获取训练样本对，建立训练样本库，所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
训练样本处理与特征提取模块602，用于对所述训练样本对的各个时域振动信号进行信号处理，获得训练样本频谱特征、小波包特征和包络谱特征；
故障识别子模型构建模块603，用于构建基于频域特征的深度神经网络故障识别子模型；构建基于小波域特征的深度神经网络故障识别子模型，和构建基于包络谱特征的深度神经网络故障识别子模型；所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1；
基于频域特征的深度神经网络故障识别子模型训练模块604，利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
基于小波域特征的深度神经网络故障识别子模型训练模块605，利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
基于包络谱特征的深度神经网络故障识别子模型训练模块606，利用所述训练样本包络谱特征对构建的基于包络谱特征的深度神经网络故障识别子模型进行训练，获得基于包络谱特征的深度神经网络故障识别子模型训练结果；
保存训练结果模块607，用于保存各个故障识别子模型的训练结果。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种旋转机械故障的智能诊断方法，所述智能诊断方法包括：
获取表征旋转机械故障的时域振动信号；
对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；
将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络(DNN)故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成；所述深度神经网络故障识别模型的建立方法具体包括：
获取待识别故障信号，所述待识别故障信号为时域振动信号；
加载训练好的深度神经网络故障识别模型；所述训练好的深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱的深度神经网络故障识别子模型；
判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就对深度神经网络故障识别模型进行训练；
对所述待识别信号进行处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
将待识别信号的频谱特征输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；
利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；
将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；
利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；
将待识别信号的包络谱特征输入基于包络谱的深度神经网络故障识别子模型，计算得到包络谱的识别结果；
利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
根据计算得到的相关系数，重新评估基于包络谱的深度神经网络故障识别子模型的识别结果；
对重新评估后的三个故障识别子模型的输出进行融合处理，得到最终的故障识别结果。
2.根据权利要求1所述的智能诊断方法，其特征在于，所述的对深度神经网络故障识别模型进行训练，其训练包括如下环节：
获取训练样本对，建立训练样本库；所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
对所述训练样本对的各个时域振动信号进行处理，获得训练样本频谱特征、小波包特征和包络谱特征；
构建基于频域特征的深度神经网络故障识别子模型，构建基于小波域特征的深度神经网络故障识别子模型，和构建基于包络谱的深度神经网络故障识别子模型；
利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
利用所述训练样本包络谱特征对构建的基于包络谱的深度神经网络故障识别子模型进行训练，获得基于包络谱的深度神经网络故障识别子模型训练结果；
保存各个故障识别子模型的训练结果。
3.根据权利要求1所述的智能诊断方法，其特征在于，所述的相关系数，其计算公式为
式中Cov(X，Y)表示X与Y的协方差，Var[·]表示方差，Cc(Y，X)表示Y与X之间的相关系数。
4.根据权利要求1所述的智能诊断方法，其特征在于，所述的对时域振动信号进行处理，分别对时域振动信号进行快速傅里叶变换(FFT)、小波包变换和包络谱分析后再FFT处理。
5.根据权利要求2所述的智能诊断方法，其特征在于，所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1。
6.一种旋转机械故障的智能诊断系统，所述智能诊断系统包括：
待诊断信号获取模块，用于获取表征旋转机械故障的时域振动信号；
信号处理模块，用于对所述时域振动信号进行处理，将时域信号变换到频域、小波域、包络谱，获得频谱特征、小波包特征和包络谱特征；
故障模式识别模块，用于将各个所述频谱特征、小波包特征和包络谱特征分别输入到深度神经网络故障识别模型进行故障模式识别，获得旋转机械故障信号的识别结果；其中，所述深度神经网络故障识别模型的输入分别为频谱特征、小波包特征和包络谱特征，所述深度神经网络故障识别模型的输出为故障信号的识别结果；所述深度神经网络故障识别模型是根据深度神经网络算法和相关系数建立而成；所述深度神经网络故障识别模型的建立子系统包括：
获取待识别故障信号模块，用于获取待识别故障信号的时域振动信号；
故障识别模型加载模块，用于加载训练好的深度神经网络故障识别模型；所述训练好的深度神经网络故障识别模型，包括三个故障识别子模型，分别是基于频域特征的深度神经网络故障识别子模型，基于小波域特征的深度神经网络故障识别子模型，和基于包络谱的深度神经网络故障识别子模型；
深度神经网络故障识别模型训练模块，用于训练深度神经网络故障识别模型；所述的深度神经网络故障识别模型训练模块，首先需要判断加载的训练好的深度神经网络故障识别模型是否需要训练，如果需要训练，就对深度神经网络故障识别模型进行训练；
信号处理与特征提取模块，用于对所述待识别信号进行信号处理，获得待识别信号的频谱特征、小波包特征和包络谱特征；
故障的频域识别模块，用于将待识别信号的频谱特征输入基于频域特征的深度神经网络故障识别子模型，计算得到频域识别结果；
频域的相关系数计算模块，利用频谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的频域识别结果的评估模块，根据计算得到的相关系数，重新评估基于频域特征的深度神经网络故障识别子模型的识别结果；
故障的小波域识别模块，用于将待识别信号的小波包特征输入基于小波域特征的深度神经网络故障识别子模型，计算得到小波域识别结果；
小波域的相关系数计算模块，利用小波包特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的小波域识别结果的评估模块，根据计算得到的相关系数，重新评估基于小波域特征的深度神经网络故障识别子模型的识别结果；
故障的包络谱识别模块，用于将待识别信号的包络谱特征输入基于包络谱的深度神经网络故障识别子模型，计算得到包络谱的识别结果；
包络谱的相关系数计算模块，利用包络谱特征，计算待识别信号与训练样本库中训练样本对的各个时域振动信号的相关系数；
故障的包络谱识别结果的评估模块，根据计算得到的相关系数，重新评估基于包络谱的深度神经网络故障识别子模型的识别结果；
故障识别的融合处理模块，用于对重新评估后的三个故障识别子模型的输出进行融合处理，得到最终的故障识别结果。
7.根据权利要求6所述的智能诊断系统，其特征在于，所述的对深度神经网络故障识别模型进行训练，其训练包括如下环节：
建立训练样本库模块，用于获取训练样本对，建立训练样本库，所述训练样本对为时域振动信号并配有故障类型标签，所述训练样本库由许多训练样本对组成；
训练样本处理与特征提取模块，用于对所述训练样本对的各个时域振动信号进行处理，获得训练样本频谱特征、小波包特征和包络谱特征；
故障识别子模型构建模块，用于构建基于频域特征的深度神经网络故障识别子模型，构建基于小波域特征的深度神经网络故障识别子模型，和构建基于包络谱的深度神经网络故障识别子模型；所述深度神经网络故障识别子模型包括输入层、隐含层和输出层，其中，所述隐含层的数量大于1；
基于频域特征的深度神经网络故障识别子模型训练模块，利用所述训练样本频谱特征对构建的基于频域特征的深度神经网络故障识别子模型进行训练，获得基于频域特征的深度神经网络故障识别子模型训练结果；
基于小波域特征的深度神经网络故障识别子模型训练模块，利用所述训练样本小波包特征对构建的基于小波域特征的深度神经网络故障识别子模型进行训练，获得基于小波域特征的深度神经网络故障识别子模型训练结果；
基于包络谱的深度神经网络故障识别子模型训练模块，利用所述训练样本包络谱特征对构建的基于包络谱的深度神经网络故障识别子模型进行训练，获得基于包络谱的深度神经网络故障识别子模型训练结果；
保存训练结果模块，用于保存各个故障识别子模型的训练结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601823.2A CN110441081B (zh) | 2019-07-08 | 2019-07-08 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601823.2A CN110441081B (zh) | 2019-07-08 | 2019-07-08 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110441081A true CN110441081A (zh) | 2019-11-12 |
| CN110441081B CN110441081B (zh) | 2021-07-09 |
Family
ID=68428859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910601823.2A Active CN110441081B (zh) | 2019-07-08 | 2019-07-08 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110441081B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060315A (zh) * | 2019-11-28 | 2020-04-24 | 南京航空航天大学 | 一种基于视觉的机械故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2846089A1 (fr) * | 2002-10-22 | 2004-04-23 | Bernard Durr | Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
| CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
| CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
| CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
-
2019
- 2019-07-08 CN CN201910601823.2A patent/CN110441081B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2846089A1 (fr) * | 2002-10-22 | 2004-04-23 | Bernard Durr | Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
| CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
| CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
| CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060315A (zh) * | 2019-11-28 | 2020-04-24 | 南京航空航天大学 | 一种基于视觉的机械故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110441081B (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| Kiss et al. | Data clustering-based anomaly detection in industrial control systems | |
| Liu et al. | Data anomaly detection for structural health monitoring using a combination network of GANomaly and CNN | |
| CN103698699A (zh) | 一种基于模型的异步电动机故障监测诊断方法 | |
| CN109297689A (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
| CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
| CN111724290A (zh) | 基于深度分层模糊算法的环保设备识别方法与系统 | |
| CN110118928A (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
| CN103455658A (zh) | 一种基于加权灰靶理论的容错电机健康状态测定方法 | |
| CN104217112A (zh) | 一种基于多类型信号的电力系统低频振荡分析方法 | |
| Perera et al. | Ship performance and navigation information under high-dimensional digital models | |
| De Lima et al. | On fault classification in rotating machines using fourier domain features and neural networks | |
| Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
| CN106441843A (zh) | 一种旋转机械故障波形识别方法 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN110441081A (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
| Feng et al. | Gas turbine blade fracturing fault diagnosis based on broadband casing vibration | |
| CN103853144A (zh) | 基于采油生产数据的现场传感器故障检测方法 | |
| Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
| CN117009828B (zh) | 基于故障匹配算法的水电设备故障诊断方法 | |
| Zarei et al. | Broken rotor bars detection via Park's vector approach based on ANFIS | |
| CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
| Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
| CN108548669A (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
| Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210623 Address after: 116093 18-4, Quanshui B5, Ganjingzi District, Dalian City, Liaoning Province Applicant after: DALIAN SHENGLILAI MONITORING TECHNOLOGY Co.,Ltd. Address before: No. 399 Bingshui Road, Xiqing District, Tianjin, Tianjin Applicant before: TIANJIN POLYTECHNIC University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Intelligent Diagnosis Method and System for Rotating Machinery Faults Effective date of registration: 20230719 Granted publication date: 20210709 Pledgee: Dalian Branch of Shanghai Pudong Development Bank Co.,Ltd. Pledgor: DALIAN SHENGLILAI MONITORING TECHNOLOGY Co.,Ltd. Registration number: Y2023210000179 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Yanli Inventor after: Zhang Zuoqian Inventor after: Gang Dali Inventor before: Yang Yanli |
|
| CB03 | Change of inventor or designer information |