CN111027641B - 一种旋转机械设备的故障诊断方法及装置 - Google Patents
一种旋转机械设备的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111027641B CN111027641B CN201911358295.9A CN201911358295A CN111027641B CN 111027641 B CN111027641 B CN 111027641B CN 201911358295 A CN201911358295 A CN 201911358295A CN 111027641 B CN111027641 B CN 111027641B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- signal
- sample
- diagnosis
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例提供了一种旋转机械设备的故障诊断方法及装置,该方法可以通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且所述卷积核的大小存在不同。应用本发明实施例提供的故障诊断方法能够降低旋转机械设备的故障诊断的复杂度。
Description
技术领域
本申请涉及故障诊断技术领域,特别是涉及一种旋转机械设备的故障诊断方法及装置。
背景技术
旋转机械设备故障诊断技术是一门交叉学科,需要现场管理、机械结构、计算机、信号处理等多方面的综合知识。如何有效地通过计算机实现故障程度的计算是从事设备诊断技术研究人员的重要研究内容。
在旋转机械设备故障诊断中,旋转机械设备故障的类型的诊断已经有诸多研究,而故障程度计算方法的研究难度较大,一方面需要研究者有非常丰富的现场管理、设备诊断的经验,另一方面,需要研究者在算法实现方面有清晰的逻辑和高度的提炼能力。以往的技术主要通过简单的判据来判断旋转机械设备的状态,传统的故障程度的计算一般仅仅依靠有效值、峰值、平均绝对值等单一参数来进行计算,用不同参数进行诊断所计算出的故障程度差别也较大,可见,采用现有技术对旋转机械设备的故障诊断方法,需要有较强的专业知识,同时故障诊断过程复杂度也较高。
发明内容
本发明实施例的目的在于提供一种旋转机械设备的故障诊断方法及装置,在保证准确率的基础上,能够降低故障诊断的复杂度。
具体技术方案如下:
第一方面,本发明实施例提供一种旋转机械设备的故障诊断方法,所述方法包括:
从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且所述卷积核的大小存在不同。
本发明的一个实施例中,每组振动信号的数量为大于周期采集信号数量,其中,所述周期采集信号数量为所述旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
本发明的一个实施例中,每组振动信号的数量为在底数为预设值的幂中大于所述周期采集信号数量中最小的值。
本发明的一个实施例中,通过如下方式训练得到所述故障诊断模型:
针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同;
获得每一样本诊断信号所属故障类型的标注信息;
以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型。
本发明的一个实施例中,所述以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型,包括:
将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型;
根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;
如果根据所述损失值确定所述卷积神经网络收敛,则将当前卷积神经网络作为故障诊断模型,如果根据所述损失值确定所述卷积神经网络未收敛,则采用随机梯度下降算法,调整所述当前卷积神经网络的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,返回执行所述将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型的步骤。
第二方面,本发明实施例提供一种旋转机械设备的故障诊断装置,所述装置包括:
信号采集模块,用于从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
故障类型确定模块,用于将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。
本发明的一个实施例中,每组振动信号的数量为大于周期采集信号数量,其中,所述周期采集信号数量为所述旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
本发明的一个实施例中,所述装置还包括故障预测模块,所述故障预测模块,用于训练得到所述故障诊断模型,
其中,所述故障预测模块,具体包括:
样本诊断信号获得子模块,用于针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同;
标注信息获得子模块,用于获得每一样本诊断信号所属故障类型的标注信息;
训练子模块,用于以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型。
本发明的一个实施例中,所述训练子模块,包括:
故障类型得到单元,用于将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型;
损失值计算单元,用于根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;如果根据所述损失值确定所述卷积神经网络收敛,将当前卷积神经网络作为故障诊断模型,如果根据所述损失值确定所述卷积神经网络未收敛,则触发继续训练单元;
所述继续训练单元,用于采用随机梯度下降算法调整所述当前卷积神经网络中的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,触发故障类型得到单元。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的旋转机械设备的故障诊断方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的旋转机械设备的故障诊断方法。
本发明实施例提供的一种旋转机械设备的故障诊断方法及装置,可以通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。相对于现有技术而言,应用本发明实施例提供的方案对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型,且由于训练故障诊断模型所使用的卷积神经网络首层中的卷积层包含不同的卷积核,卷积核的大小也存在不同,进而使得训练后的故障诊断模型能够保证故障诊断的准确率。可见,本发明实施例提供的方案能够在保证故障诊断的准确率的基础上,降低旋转机械设备的故障诊断的复杂度。当然,实施本申请的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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,下面将对实施例或现有技术描述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申请的一些实施例,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他的附图。
图1为本发明实施例提供的一种旋转机械设备的故障诊断方法的流程示意图;
图2为本发明实施例提供的第一种获得故障诊断模型过程的流程示意图;
图3为本发明实施例提供的第二种获得故障诊断模型过程的流程示意图;
图4为本发明实施例提供的一种旋转机械设备的故障诊断装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参加图1,图1为本发明实施例提供的一种旋转机械设备的故障诊断方法的流程图,所述方法包括:
S100,从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
其中,上述所采集的振动信号可以是旋转机械设备在故障状态时的信号,也可以是旋转机械设备在非故障状态时的信号。
本发明的一个实施例中,每组振动信号的数量大于周期采集信号数量,其中,上述周期采集信号数量为旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
上述周期采集信号数量由采样率和旋转机械设备的转速确定。
例如,采样率为每一分钟采集40000个点,旋转机械设备的转速为每分钟100转,则每一圈采集400个点,则也就是说,旋转机械设备中旋转机械的一个旋转周期约包含400个采样点,因此,本实施例中的周期采集信号数据为400,则每组振动信号的数量为大于400。
可见,本实施例的每组振动信号的数量大于周期采集信号数量,能够确定采集的振动信号至少是一个旋转周期所采集的振动信号,可以提高对旋转机械设备进行故障诊断的准确率。
本发明的一个实施例中,每组振动信号的数量为在底数为预设值的幂中大于所述周期采集信号数量中最小的值。
为了计算便捷,该预设值可以取2。
基于上述示示例,400介于28和29之间,因此,本实例中的每组振动信号的数量为512。
S200,将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且所述卷积核的大小存在不同。
该故障诊断模型的输入信息为待诊断信号,输出信息为待诊断信号所属的故障类型。
样本诊断信号所来源的旋转机械设备的故障类型是不同的,以确定训练获得的故障诊断模型能够适用于各种场景中对旋转机械设备可能存在的各种不同故障类型的诊断,进而扩大该故障诊断模型的适应性。
本实施例中的卷积神经网络首层为卷积层,该卷积层具有各种不同的卷积核,且卷积核的大小也存在不同,可见,该实施例的卷积层为多尺度卷积核,该多尺度卷积核可以更全面地提取出数据中包含的故障特征,使故障诊断模型在旋转机械设备在多工况和复杂环境下也能保持较高的精度。
上述故障诊断模型以样本诊断信号为输入信息,对卷积神经网络进行训练后得到的模型,具体实施方式将在后面实施例中详细描述,这里暂不详述。
由此可见,本发明实施例提供的一种旋转机械设备的故障诊断方法,可以通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。相对于现有技术而言,应用本发明实施例提供的方案对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型,且由于训练故障诊断模型所使用的卷积神经网络首层中的卷积层包含不同的卷积核,卷积核的大小也存在不同,进而使得训练后的故障诊断模型能够保证故障诊断的准确率。可见,本发明实施例提供的方案能够在保证故障诊断的准确率的基础上,降低旋转机械设备的故障诊断的复杂度。
本发明的一个实施例中,如图2所示,通过如下步骤S201~S203训练得到所述故障诊断模型:
S201,针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同。
旋转机械设备的数量为多个,每一旋转机械设备所存在的故障类型不同,且可以从每一旋转机械设备中采集多组振动信号,但是每一组振动信号均为连续且等时间间隔采集的振动信号。另外,上述故障类型也包括旋转机械设备在正常工作中的状态即无故障状态。
示例性的,设旋转机械设备为电动机,电动机组包含了轴承健康、外圈小故障、外圈中故障、外圈大故障、转子小故障、转子中故障、转子大故障、内圈小故障、内圈中故障、内圈大故障共10种故障类型。针对这10种故障类型,分别在每种故障类型的电动机中连续、且等时间间隔采集240000个连续振动信号,每一故障类型包含240000个连续振动信号,每次选取连续的512个振动信号按顺序组成一个向量,并将该向量作为一个样本故障诊断信号。其中,上述轴承健康是指轴承是合格的且能够正常工作的轴承,外圈小故障、外圈中故障和外圈大故障分别是指外圈由于长期工作导致外圈上被磨损有第一预设直径的小孔、第二预设直径的中孔和第三预设直径的大孔。转子小故障、转子中故障和转子大故障分别是指转子由于长期工作导致转子上被磨损有第一预设直径的小孔、第二预设直径的中孔和第三预设直径的大孔。内圈小故障、内圈中故障、内圈大故障分别是指内圈由于长期工作导致内圈上被磨损有第一预设直径的小孔、第二预设直径的中孔和第三预设直径的大孔。
S202,获得每一样本诊断信号所属故障类型的标注信息。
在从各种不同故障类型的旋转机械设备中采集到样本诊断信号后,并针对每一样本诊断信号,标记该样本诊断信号的标注该样本诊断信号所属故障类型的标注信息。
基于上述示例,在每次选取连续的512个振动信号按顺序组成一个向量后,并标记该样本故障诊断信号的故障类型,一个样本诊断信号与其所属的故障类型标注信息共同组成一个训练样本,下一个训练样本是在上一个训练样本偏移100个振动信号所获得的,这样的偏移相比于不重复的选取可以得到更多的训练样本,以便充分发挥卷积神经网络强大的拟合能力,即计算公式为(240000-512)/100,该计算公式向下取整得2394,也就是,对于每种故障类型,可以得到2394个训练样本。对于上述10种故障类型,可获得23940个训练样本。
S203,以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型。
本实施例的卷积神经网络的每层网络类型包括卷积层、池化层、全连接层。其中,首个卷积层包含不同卷积的卷积核,且卷积核的大小存在不同。
本发明的一个实施例中,卷积神经网络选用具有7层的卷积神经网络,该卷积神经网络的结构为卷积层、池化层、卷积层、池化层、卷积层、池化层和全连接层。所有的池化层均为最大池化层,步长为2。所有卷积层结构如下:首卷积层即第一层卷积层为多尺度卷积层,卷积核为3、5、7、16、32和64,共6种尺寸,步长均为2,每种尺寸的卷积核数量均为32,第一层卷积核共有192个卷积核,输入为512个神经元,输出为256*192;第二层和第三层卷积层参数相同,卷积核大小为16,步长为4,数量为256;全连接层即输出层,输入为2*256,输出与故障类型种类相同,为10。
可见,本实施例的多尺度卷积核可以更全面地提取出数据中包含的故障特征,使故障诊断模型在机械设备多工况和复杂环境下也能保持较高的精度。
基于上述示例,可以将训练样本划分成训练集和测试集,对于每一类故障类型的训练样本,随机选取2000个作为训练集,余下的394个作为测试集。
可见,本实施例以样本诊断信号作为输入信息,以标注信息作为训练基准,对多尺度卷积神经网络进行训练,得到故障诊断模型。应用本发明实施例训练好的故障诊断模型对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型。同时,应用本实施例训练后的故障诊断模型,在保证诊断精度的前提下,完全无需任何信号处理过程,在大数据的时代下更加省时省力,更具实用价值。
本发明的一个实施例中,如图3所示,实现S203的具体实现方式可以包括步骤S2031~S2034:
S2031,将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型。
本实例中构建的卷积神经网络需要训练的参数主要在卷积层和全连接层,这些参数的初始化均采用泽维尔xavier高斯初始化,对于同一层的参数,由0均值、方差为2/(n_in+n_out)的正态分布产生,其中,n_in和n_out分别为该层输入元素数量和输出元素数量。本实施例的这种初始化方法可以保证输入和输出的方差不变,使网络可以更快的进行收敛。
将训练集样本输入当前初始卷积神经网络,通过前向传播算法,最终在输出层得到输出结果,该输出结果就是输入的训练样本所属的故障类型。
S2032,根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;如果根据所述损失值确定所述卷积神经网络收敛,则执行S2033,如果根据所述损失值确定所述卷积神经网络未收敛,则执行S2034。
本实例中预设的损失函数可以选用交叉熵损失函数。通过之前定义的损失函数和反向传播算法计算每个待训练参数的梯度值即损失值。
利用S2031中输出的训练样本所属的故障类型与表征该训练样本所属故障类型的所述标注信息,可以得到训练样本所属的故障类型的准确率。
S2033,将当前卷积神经网络作为故障诊断模型。
S2034,采用随机梯度下降算法,调整所述当前卷积神经网络的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,返回执行S2031~S2032。
在得到损失值后,根据损失值确定当前卷积神经网络未收敛,则采用随机梯度下降算法来不断调整模型参数,最终在训练集样本的测试准确率上达到收敛。按照上述实施例所提供的方案,本实例在测试集样本上的诊断精度可以达99%以上。
另外,卷积神经网络训练完成后得到的故障诊断模型就可用来对旋转机械设备进行故障诊断,通过S200输出的待诊断信号所属的故障类型就可判定待诊断机械设备的故障状态。本实例中选取不同工况下的电动机作为待诊断机械设备,在另外3种不同工况下的电机设备的故障诊断准确率均在95%以上。
从应用实例可以看出,本发明实施例的确能够实现多工况下的高精度的故障诊断。此外本发明实施例并不局限于10种故障状态和4种不同工况,该实例仅仅用来检验该发明的可靠性。实际应用中,可根据相应的故障类型改变本发明实施例所基于的卷积神经网络模型。
可见,本实施例在对故障诊断模型进行训练时,将样本诊断信号作为输入信息,根据输入信息的故障类型、输入信息对应的标注信息和预设的损失函数,计算损失值;并根据损失值确定卷积神经网络是否收敛直至稳定,以获得收敛时的当前卷积神经网络作为故障诊断模型,可见,本实施例提供的方法由于采用了采用随机梯度下降算法调整当前卷积神经网络的模型参数,能够提高当前卷积神经网络的收敛率。
与上述旋转机械设备的故障诊断方法相对应,本发明实施例还提供了旋转机械设备的故障诊断装置。
如图4所示,本发明实施例还提供了一种旋转机械设备的故障诊断装置的结构示意图,所述装置可以包括:
信号采集模块301,用于从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
故障类型确定模块302,用于将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。
本发明的一个实施例中,每组振动信号的数量为大于周期采集信号数量,其中,所述周期采集信号数量为所述旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
本发明的一个实施例中,每组振动信号的数量为在底数为预设值的幂中大于所述周期采集信号数量中最小的值。
本发明的一个实施例中,所述装置还可以包括:故障预测模块,所述故障预测模块,用于训练得到所述故障诊断模型模型,
其中,所述故障预测模块,具体包括:
样本诊断信号获得子模块,用于针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同;
标注信息获得子模块,用于获得每一样本诊断信号所属故障类型的标注信息;
训练子模块,用于以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型。
本发明的一个实施例中,所述训练子模块,包括:
故障类型得到单元,用于将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型;
损失值计算单元,用于根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;如果根据所述损失值确定所述卷积神经网络收敛,将当前卷积神经网络作为故障诊断模型,如果根据所述损失值确定所述卷积神经网络未收敛,则触发继续训练单元;
所述继续训练单元,用于采用随机梯度下降算法调整所述当前卷积神经网络中的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,触发故障类型得到单元。
由此可见,本发明实施例提供的旋转机械设备的故障诊断装置能够通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。相对于现有技术而言,应用本发明实施例提供的方案对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型,且由于训练故障诊断模型所使用的卷积神经网络首层中的卷积层包含不同的卷积核,卷积核的大小也存在不同,进而使得训练后的故障诊断模型能够保证故障诊断的准确率。可见,本发明实施例提供的方案能够在保证故障诊断的准确率的基础上,降低旋转机械设备的故障诊断的复杂度。
本发明实施例提供的的一种电子设备,如图5所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。
由此可见,执行本实施例提供的电子设备能够通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。相对于现有技术而言,应用本发明实施例提供的方案对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型,且由于训练故障诊断模型所使用的卷积神经网络首层中的卷积层包含不同的卷积核,卷积核的大小也存在不同,进而使得训练后的故障诊断模型能够保证故障诊断的准确率。可见,本发明实施例提供的方案能够在保证故障诊断的准确率的基础上,降低旋转机械设备的故障诊断的复杂度。
上述的相关旋转机械设备的故障诊断方法的实施方式与前述方法实施例部分提供的旋转机械设备的故障诊断的测试方式相同,这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。
由此可见,执行本实施例提供的计算机可读存储介质中存储的应用程序时,能够通过从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号,并将待诊断信号输入至预设的故障诊断模型中,获得待诊断信号所属的故障类型;其中,故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定样本诊断信号所属的故障类型的模型,卷积神经网络首层中的卷积层包含不同的卷积核,且卷积核的大小存在不同。相对于现有技术而言,应用本发明实施例提供的方案对旋转机械设备进行故障诊断时,用户无需具备较强的专业知识,仅需要将采集到的待诊断信号直接输入至预先训练好的故障诊断模型中,便可直接获得待诊断信号所属的故障类型,且由于训练故障诊断模型所使用的卷积神经网络首层中的卷积层包含不同的卷积核,卷积核的大小也存在不同,进而使得训练后的故障诊断模型能够保证故障诊断的准确率。可见,本发明实施例提供的方案能够在保证故障诊断的准确率的基础上,降低旋转机械设备的故障诊断的复杂度。
上述的相关旋转机械设备的故障诊断方法的实施方式与前述方法实施例部分提供的旋转机械设备的故障诊断的测试方式相同,这里不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备、装置和计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (8)
1.一种旋转机械设备的故障诊断方法,其特征在于,所述方法包括:
从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且所述卷积核的大小存在不同;
通过如下方式训练得到所述故障诊断模型:
针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同;
获得每一样本诊断信号所属故障类型的标注信息;
以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述卷积神经网络进行训练,得到所述故障诊断模型。
2.如权利要求1所述的方法,其特征在于,每组振动信号的数量为大于周期采集信号数量,其中,所述周期采集信号数量为所述旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
3.如权利要求2所述的方法,其特征在于,每组振动信号的数量为在底数为预设值的幂中大于所述周期采集信号数量中最小的值。
4.如权利要求1所述的方法,其特征在于,所述以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述多尺度卷积神经网络进行训练,得到所述故障诊断模型,包括:
将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型;
根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;
如果根据所述损失值确定所述卷积神经网络收敛,则将当前卷积神经网络作为故障诊断模型,如果根据所述损失值确定所述卷积神经网络未收敛,则采用随机梯度下降算法,调整所述当前卷积神经网络的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,返回执行所述将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型的步骤。
5.一种旋转机械设备的故障诊断装置,其特征在于,所述装置包括:
信号采集模块,用于从旋转机械设备中连续、等时间间隔采集一组振动信号,作为待诊断信号;
故障类型确定模块,用于将所述待诊断信号输入至预设的故障诊断模型中,获得所述待诊断信号所属的故障类型;其中,所述故障诊断模型为预先采用样本诊断信号对预设的卷积神经网络进行训练得到的、用于确定所述样本诊断信号所属的故障类型的模型,其中,所述样本诊断信号为从多个不同故障类型的旋转机械设备中连续、等时间间隔采集的振动信号,所述卷积神经网络首层中的卷积层包含不同的卷积核,且所述卷积核的大小存在不同;
所述装置还包括故障预测模块,所述故障预测模块,用于训练得到所述故障诊断模型,
其中,所述故障预测模块,具体包括:
样本诊断信号获得子模块,用于针对每一旋转机械设备,从该旋转机械设备中连续、等时间间隔采集一组振动信号,作为样本诊断信号,其中,每一旋转机械设备存在的故障类型不同;
标注信息获得子模块,用于获得每一样本诊断信号所属故障类型的标注信息;
训练子模块,用于以所述样本诊断信号作为输入信息,以所述标注信息作为训练基准,对所述卷积神经网络进行训练,得到所述故障诊断模型。
6.如权利要求5所述的装置,其特征在于,每组振动信号的数量为大于周期采集信号数量,其中,所述周期采集信号数量为所述旋转机械设备旋转一个旋转周期所采集的振动信号的数量。
7.如权利要求5所述的装置,其特征在于,所述训练子模块,包括:
故障类型得到单元,用于将所述样本诊断信号作为输入信息输入到当前初始卷积神经网络中,得到所述样本诊断信号所属的故障类型;
损失值计算单元,用于根据所述故障类型、所述标注信息和预设的损失函数,计算损失值;如果根据所述损失值确定所述卷积神经网络收敛,将当前卷积神经网络作为故障诊断模型,如果根据所述损失值确定所述卷积神经网络未收敛,则触发继续训练单元;
所述继续训练单元,用于采用随机梯度下降算法调整所述当前卷积神经网络中的模型参数,并将调整模型参数后的当前卷积神经网络作为新的当前初始卷积神经网络,触发故障类型得到单元。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358295.9A CN111027641B (zh) | 2019-12-25 | 2019-12-25 | 一种旋转机械设备的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358295.9A CN111027641B (zh) | 2019-12-25 | 2019-12-25 | 一种旋转机械设备的故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027641A CN111027641A (zh) | 2020-04-17 |
CN111027641B true CN111027641B (zh) | 2024-02-13 |
Family
ID=70213261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358295.9A Active CN111027641B (zh) | 2019-12-25 | 2019-12-25 | 一种旋转机械设备的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729804B (zh) * | 2020-12-31 | 2022-11-29 | 北京昊鹏智能技术有限公司 | 旋转机械故障诊断方法和装置 |
CN113657442A (zh) * | 2021-07-08 | 2021-11-16 | 广州杰赛科技股份有限公司 | 电动汽车充电设备的故障诊断方法、装置及存储介质 |
CN114964476B (zh) * | 2022-05-27 | 2023-08-22 | 中国石油大学(北京) | 油气管道系统动设备的故障诊断方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188065B2 (en) * | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2019
- 2019-12-25 CN CN201911358295.9A patent/CN111027641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
曲建岭 ; 余路 ; 袁涛 ; 田沿平 ; 高峰 ; .基于一维卷积神经网络的滚动轴承自适应故障诊断算法.仪器仪表学报.2018,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111027641A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027641B (zh) | 一种旋转机械设备的故障诊断方法及装置 | |
WO2023035869A1 (zh) | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 | |
CN109902703B (zh) | 一种时间序列异常检测方法及装置 | |
JP7232228B2 (ja) | ソーラーパネルネットワークにおける故障の検出、診断及び位置確認のための方法及びシステム | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN103868694B (zh) | 一种嵌入式变转速轴承故障诊断装置 | |
CN104598632B (zh) | 热点事件检测方法和装置 | |
CN112307619A (zh) | 预警模型的构建方法、装备故障预警方法及装置 | |
CN108732964A (zh) | 电路结构优化装置和机器学习装置 | |
CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN112326213A (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
CN109857618B (zh) | 一种监控方法、装置及系统 | |
CN110689130A (zh) | 轴承故障诊断方法 | |
CN109150817A (zh) | 一种网页请求识别方法及装置 | |
CN110084208A (zh) | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 | |
CN109916626A (zh) | 滚动轴承复合故障确定的方法及终端设备 | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
CN109829245A (zh) | 轴承故障预警方法和装置 | |
CN113822193A (zh) | 一种基于窄带增强包络谱的滚动轴承故障诊断方法及系统 | |
CN110799807B (zh) | 一种正交编码器信号滤波方法、装置及系统 | |
US10678826B2 (en) | Interactive visualization for outlier identification | |
CN112161807A (zh) | 一种变速齿轮箱的故障诊断方法、装置及存储介质 | |
Li et al. | Multiresolution Bidirectional Long Short Term Memory Network-Based Motor Bearing Fault Diagnosis Method | |
Ma et al. | FEW-SHOT BEARING FAULT DIAGNOSIS IN TIME-FREQUENCY MAPS USING PROTOTYPICAL NETWORKS | |
WO2019168625A1 (en) | System and method for explanation of condition predictions in complex systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |