CN112199888A - 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 - Google Patents

一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 Download PDF

Info

Publication number
CN112199888A
CN112199888A CN202011069398.6A CN202011069398A CN112199888A CN 112199888 A CN112199888 A CN 112199888A CN 202011069398 A CN202011069398 A CN 202011069398A CN 112199888 A CN112199888 A CN 112199888A
Authority
CN
China
Prior art keywords
information
fault
signal
data
residual error
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
Application number
CN202011069398.6A
Other languages
English (en)
Other versions
CN112199888B (zh
Inventor
付骏宇
刘立斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Suzhou Rongsi Henghui Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Rongsi Henghui Intelligent Technology Co ltd filed Critical Suzhou Rongsi Henghui Intelligent Technology Co ltd
Priority to CN202011069398.6A priority Critical patent/CN112199888B/zh
Publication of CN112199888A publication Critical patent/CN112199888A/zh
Application granted granted Critical
Publication of CN112199888B publication Critical patent/CN112199888B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质，包括：采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；利用局部均值法分解故障信号，并提取故障信号特征向量；对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；判断所述偏差率是否大于预设阈值；若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；通过结果信息对故障类型进行判别，并按照预设方式进行显示。

Description

一种基于深度残差网络的旋转设备故障诊断方法、系统及可 读存储介质
技术领域
本发明涉及一种旋转设备故障诊断方法，尤其涉及一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质。
背景技术
随着我国综合实力的提升和科技水平的不断进步，现代工业对高质量、低成本产品和安全生产的需求越来越高，工业旋转设备的维护也快速从预防性维护转向为基于旋转设备状态的实时监测与智能故障诊断，旋转机械是旋转设备中最广泛普遍的类型之一，在工业应用中具有不可替代的地位，而基于旋转旋转设备的状态监测和故障维护可以有效减少运行机组突发性停机次数，甚至避免事故的发生，因此，旋转设备的故障诊断对于确保工业设备的安全高效的运行具有十分重要的意义。
现有的旋转设备故障诊断，仅仅是对旋转设备进行简单的振动信号的检测，并以此为依据对旋转设备状态进行评估，此种方式，监测的旋转设备故障诊断偏差较大，难以精确有效的确定旋转设备故障类型，此外在旋转设备运行过程中，其本身就具有一定的噪声，旋转设备本身的噪声也会相应的影响旋转设备故障的判断。
为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制，通过深度残差网络进行故障诊断，能够对来自不同频带区间内的振动数据进行自适应加权，同时通过残差网络训练后的特征值权重进行初始化，并采用随机梯度递减的方式进行训练，增强了深度残差网络对设备变工况条件下的振动数据的拟合能力，提高故障诊断精确性，如何对旋转设备故障诊断实现精准控制，是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质。
为达到上述目的，本发明采用的技术方案为：一种基于深度残差网络的旋转设备故障诊断方法，其特征在于，包括：
采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
利用局部均值法分解故障信号，并提取故障信号特征向量；
对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
判断所述偏差率是否大于预设阈值；
若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
通过结果信息对故障类型进行判别，并按照预设方式进行显示。
在本发明的一个较佳实施例中，获取设备实时状态信号，生成实时状态信息，
将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；
通过残差信息构建深度残差网络；
将残差信息与标准信息进行比较，得到偏差率，
判断所述偏差率是否大于所述预设阈值；
若大于，则提取残差信息中的故障冲击或震荡波形信息；
将故障冲击或震荡波形信息输入深度残差网络进行训练，
在深度残差网络内部采用逐元素最大值进行数据筛选；
筛选后的数据进行噪声削减，生成多组结果信息；
多组结果信息融合进行故障类型判别。
在本发明的一个较佳实施例中，筛选后的数据进行噪声削减，生成多组结果信息；还包括：
将多组结果信息提取特征值，
对相同频带区间内的结果信息进行归类，形成一个数据集；
同一数据集内的数据采用随机梯度下降法对特征值权重进行初始化，得到优化信息；
将优化信息输入故障模型进行故障诊断。
在本发明的一个较佳实施例中，利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
在本发明的一个较佳实施例中，采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。
在本发明的一个较佳实施例中，选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点mj，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点
Figure BDA0002712301920000031
即
Figure BDA0002712301920000032
将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数mx，通过局部均值函数mx计算得到新的信号g(t)；
g(t)＝x(t)-mx；
通过极值点计算对应的包络估计点mk，得到估计函数my，其中
Figure BDA0002712301920000041
通过估计函数计算得到处理后的信号pn(t)，
Figure BDA0002712301920000042
判断pn(t)是否为纯调频信号，若估计函数满足my＝1，则表示p(t)为纯调频信号，若不满足，则将pn(t)作为原始信号进行迭代计算直至my＝1。
本发明第二方面还提供了一种基于深度残差网络的旋转设备故障诊断系统，该系统包括：存储器、处理器，所述存储器中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被所述处理器执行时实现如下步骤：
采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
利用局部均值法分解故障信号，并提取故障信号特征向量；
对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
判断所述偏差率是否大于预设阈值；
若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
通过结果信息对故障类型进行判别，并按照预设方式进行显示。
在本发明的一个较佳实施例中，获取设备实时状态信号，生成实时状态信息，
将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；
通过残差信息构建深度残差网络；
将残差信息与标准信息进行比较，得到偏差率，
判断所述偏差率是否大于所述预设阈值；
若大于，则提取残差信息中的故障冲击或震荡波形信息；
将故障冲击或震荡波形信息输入深度残差网络进行训练，
在深度残差网络内部采用逐元素最大值进行数据筛选；
筛选后的数据进行噪声削减，生成多组结果信息；
多组结果信息融合进行故障类型判别。
在本发明的一个较佳实施例中，利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
本发明第三方面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中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被处理器执行时，实现上述任一项所述的基于深度残差网络的旋转设备故障诊断方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)本申请通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过振动数据进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
(2)通过深度残差网络进行故障诊断，能够对来自不同频带区间内的振动数据进行自适应加权，同时通过残差网络训练后的特征值权重进行初始化，并采用随机梯度递减的方式进行训练，增强了深度残差网络对设备变工况条件下的振动数据的拟合能力，提高故障诊断精确性。
(3)通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
(4)通过在机械设备不同位置安装振动传感器进行振动信号的监测，通过能够形成多组数据对比，提高多传感器下的故障诊断准确率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于深度残差网络的旋转设备故障诊断方法的流程图；
图2示出了获取故障类型判别方法流程图；
图3示出了获取筛选后的数据处理方法流程图；
图4示出了通过网络模型对数据处理方法流程图；
图5示出了一种基于深度残差网络的旋转设备故障诊断系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度残差网络的旋转设备故障诊断方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度残差网络的旋转设备故障诊断方法，其特征在于，包括：
S102，采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
S104，利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
S106，利用局部均值法分解故障信号，并提取故障信号特征向量；
S108，对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
S110，判断所述偏差率是否大于预设阈值；
S112，若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
S114，通过结果信息对故障类型进行判别，并按照预设方式进行显示。
需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
如图2所示，本发明公开了故障类型判别方法流程图；
在本发明的一个较佳实施例中，S202，获取设备实时状态信号，生成实时状态信息；
S204，将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息，通过残差信息构建深度残差网络；
S206，将残差信息与标准信息进行比较，得到偏差率，
S208，判断所述偏差率是否大于所述预设阈值；
S210，若大于，则提取残差信息中的故障冲击或震荡波形信息；
S212，将故障冲击或震荡波形信息输入深度残差网络进行训练，
S214，在深度残差网络内部采用逐元素最大值进行数据筛选；
S216，筛选后的数据进行噪声削减，生成多组结果信息，多组结果信息融合进行故障类型判别。
如图3所示，本发明公开了筛选后的数据处理方法流程图；
在本发明的一个较佳实施例中，筛选后的数据进行噪声削减，生成多组结果信息；还包括：
S302，对多组结果信息分别提取特征值，
S304，对相同频带区间内的结果信息进行归类，形成一个数据集；
S306，同一数据集内的数据采用随机梯度下降法对特征值权重进行初始化，得到优化信息；
S308，将优化信息输入故障模型进行故障诊断。
如图4所示，本发明公开了通过网络模型对数据处理方法流程图；
在本发明的一个较佳实施例中，利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
S402，获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
S404，对振动信号进行重叠区域分段截取，增加信号宽度；
S406，通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
S408，将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
需要说明的是，卷积神经网络通过采用误差反向传播算法进行参数训练，神经网络的激活函数为
Figure BDA0002712301920000091
其中y表示激活函数的输出，x表示激活函数的输入，由此可知y的取值范围区间为[0,1]。
需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：
将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；
选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，
将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。
在本发明的一个较佳实施例中，采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。
需要说明的是，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
在本发明的一个较佳实施例中，选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点mj，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点
Figure BDA0002712301920000101
即
Figure BDA0002712301920000102
将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数mx，通过局部均值函数mx计算得到新的信号g(t)；
g(t)＝x(t)-mx；
通过极值点计算对应的包络估计点mk，得到估计函数my，其中
Figure BDA0002712301920000103
通过估计函数计算得到处理后的信号pn(t)，
Figure BDA0002712301920000104
判断pn(t)是否为纯调频信号，若估计函数满足my＝1，则表示p(t)为纯调频信号，若不满足，则将pn(t)作为原始信号进行迭代计算直至my＝1。
需要说明的是，将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fmy，
将单分量信号估计函数乘以纯调频信号pn(t)，得到单分量信号F(t)；
迭代过程如下：
Figure BDA0002712301920000105
其中t1，t2，t3，tn表示不同采样时间；mx1，mx2，mx3，mxn表示不同采样时间对应的局部均值函数；n表示迭代次数。
如图5所示，本发明公开了基于深度残差网络的旋转设备故障诊断系统的框图；
本发明第二方面还提供了一种基于深度残差网络的旋转设备故障诊断系统，该系统包括：存储器、处理器，所述存储器中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被所述处理器执行时实现如下步骤：
采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
利用局部均值法分解故障信号，并提取故障信号特征向量；
对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
判断所述偏差率是否大于预设阈值；
若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
通过结果信息对故障类型进行判别，并按照预设方式进行显示。
需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
在本发明的一个较佳实施例中，获取设备实时状态信号，生成实时状态信息，
将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；
通过残差信息构建深度残差网络；
将残差信息与标准信息进行比较，得到偏差率，
将偏差率与预设偏差率阈值进行比较，
若大于，则提取残差信息中的故障冲击或震荡波形信息；
将故障冲击或震荡波形信息输入深度残差网络进行训练，
在深度残差网络内部采用逐元素最大值进行数据筛选；
筛选后的数据进行噪声削减，生成多组结果信息；
多组结果信息融合进行故障类型判别。
在本发明的一个较佳实施例中，利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
需要说明的是，卷积神经网络通过采用误差反向传播算法进行参数训练，神经网络的激活函数为
Figure BDA0002712301920000121
其中y表示激活函数的输出，x表示激活函数的输入，由此可知y的取值范围区间为[0,1]。
需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：
将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；
选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，
将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。
在本发明的一个较佳实施例中，采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。
需要说明的是，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
在本发明的一个较佳实施例中，选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点mj，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点
Figure BDA0002712301920000131
即
Figure BDA0002712301920000132
将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数mx，通过局部均值函数mx计算得到新的信号g(t)；
g(t)＝x(t)-mx；
通过极值点计算对应的包络估计点mk，得到估计函数my，其中
Figure BDA0002712301920000141
通过估计函数计算得到处理后的信号pn(t)，
Figure BDA0002712301920000142
判断pn(t)是否为纯调频信号，若估计函数满足my＝1，则表示p(t)为纯调频信号，若不满足，则将pn(t)作为原始信号进行迭代计算直至my＝1。
需要说明的是，将迭代计算过程中的所有估计函数相乘计算出单分量信号估计函数Fmy，
将单分量信号估计函数乘以纯调频信号pn(t)，得到单分量信号F(t)；
迭代过程如下：
Figure BDA0002712301920000143
其中t1，t2，t3，tn表示不同采样时间；mx1，mx2，mx3，mxn表示不同采样时间对应的局部均值函数；n表示迭代次数。
在本发明的一个较佳实施例中，筛选后的数据进行噪声削减，生成多组结果信息；还包括：
对多组结果信息分别提取特征值，
对相同频带区间内的结果信息进行归类，形成一个数据集；
同一数据集内的数据采用随机梯度下降法对特征值权重进行初始化，得到优化信息；
将优化信息输入故障模型进行故障诊断。
本发明第三方面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中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被处理器执行时，实现上述任一项所述的基于深度残差网络的旋转设备故障诊断方法的步骤。
本申请通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过振动数据进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
通过深度残差网络进行故障诊断，能够对来自不同频带区间内的振动数据进行自适应加权，同时通过残差网络训练后的特征值权重进行初始化，并采用随机梯度递减的方式进行训练，增强了深度残差网络对设备变工况条件下的振动数据的拟合能力，提高故障诊断精确性。
通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
通过在机械设备不同位置安装振动传感器进行振动信号的监测，通过能够形成多组数据对比，提高多传感器下的故障诊断准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度残差网络的旋转设备故障诊断方法，其特征在于，包括：
采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
利用局部均值法分解故障信号，并提取故障信号特征向量；
对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
判断所述偏差率是否大于预设阈值；
若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
通过结果信息对故障类型进行判别，并按照预设方式进行显示。
2.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于，获取设备实时状态信号，生成实时状态信息，
将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；
通过残差信息构建深度残差网络；
将残差信息与标准信息进行比较，得到偏差率，
判断所述偏差率是否大于所述预设阈值；
若大于，则提取残差信息中的故障冲击或震荡波形信息；
将故障冲击或震荡波形信息输入深度残差网络进行训练，
在深度残差网络内部采用逐元素最大值进行数据筛选；
筛选后的数据进行噪声削减，生成多组结果信息；
多组结果信息融合进行故障类型判别。
3.根据权利要求2所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：筛选后的数据进行噪声削减，生成多组结果信息；还包括：
对多组结果信息分别提取特征值；
对相同频带区间内的结果信息进行归类，形成一个数据集；
同一数据集内的数据采用随机梯度下降法对特征值权重进行初始化，得到优化信息；
将优化信息输入故障模型进行故障诊断。
4.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：
利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
5.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。
6.根据权利要求5所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：局部均值分解算法具体包括：
选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点mj，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点
Figure FDA0002712301910000021
即
Figure FDA0002712301910000022
将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数mx，通过局部均值函数mx计算得到新的信号g(t)；
g(t)＝x(t)-mx；
通过极值点计算对应的包络估计点mk，得到估计函数my，其中
Figure FDA0002712301910000031
通过估计函数计算得到处理后的信号pn(t)，
Figure FDA0002712301910000032
判断pn(t)是否为纯调频信号，若估计函数满足my＝1，则表示p(t)为纯调频信号，若不满足，则将pn(t)作为原始信号进行迭代计算直至my＝1。
7.一种基于深度残差网络的旋转设备故障诊断系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被所述处理器执行时实现如下步骤：
采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；
利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；
利用局部均值法分解故障信号，并提取故障信号特征向量；
对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；
判断所述偏差率是否大于预设阈值；
若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；
通过结果信息对故障类型进行判别，并按照预设方式进行显示。
8.根据权利要求7所述的一种基于深度残差网络的旋转设备故障诊断系统，其特征在于：
获取设备实时状态信号，生成实时状态信息，
将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；
通过残差信息构建深度残差网络；
将残差信息与标准信息进行比较，得到偏差率，
判断所述偏差率是否大于所述预设阈值；
若大于，则提取残差信息中的故障冲击或震荡波形信息；
将故障冲击或震荡波形信息输入深度残差网络进行训练，
在深度残差网络内部采用逐元素最大值进行数据筛选；
筛选后的数据进行噪声削减，生成多组结果信息；
多组结果信息融合进行故障类型判别。
9.根据权利要求7所述的一种基于深度残差网络的旋转设备故障诊断系统，其特征在于：
利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：
获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
所述故障模型为卷积神经网络模型。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括基于深度残差网络的旋转设备故障诊断方法程序，所述基于深度残差网络的旋转设备故障诊断方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于深度残差网络的旋转设备故障诊断方法的步骤。
CN202011069398.6A 2020-09-30 2020-09-30 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 Expired - Fee Related CN112199888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069398.6A CN112199888B (zh) 2020-09-30 2020-09-30 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069398.6A CN112199888B (zh) 2020-09-30 2020-09-30 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN112199888A true CN112199888A (zh) 2021-01-08
CN112199888B CN112199888B (zh) 2021-08-27

Family

ID=74013030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069398.6A Expired - Fee Related CN112199888B (zh) 2020-09-30 2020-09-30 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN112199888B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237201A (zh) * 2021-12-06 2022-03-25 南通大学 一种基于残差的远程智能监测和调控系统
CN114252810A (zh) * 2022-01-12 2022-03-29 中国电力科学研究院有限公司 变压器声振故障监测方法、系统、设备及可读存储介质
CN115293303A (zh) * 2022-10-10 2022-11-04 广东电网有限责任公司中山供电局 一种高压输电线网监测方法、系统、设备和介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390781A (zh) * 2014-11-26 2015-03-04 中国矿业大学 一种基于lmd和bp神经网络的齿轮故障诊断方法
CN106908241A (zh) * 2017-02-23 2017-06-30 北京工业大学 一种基于lmd与小波去噪相结合的轴承故障判别方法
CN109873610A (zh) * 2019-03-19 2019-06-11 福州大学 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN110046409A (zh) * 2019-03-29 2019-07-23 西安交通大学 一种基于ResNet的汽轮机部件健康状态评估方法
CN110196160A (zh) * 2019-05-29 2019-09-03 国电联合动力技术有限公司 一种基于残差网络的风电齿轮箱监测方法
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN110991633A (zh) * 2019-12-04 2020-04-10 电子科技大学 一种基于忆阻网络的残差神经网络模型及其应用方法
CN111579238A (zh) * 2020-05-14 2020-08-25 常州信息职业技术学院 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法
US20200279157A1 (en) * 2017-10-16 2020-09-03 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
US10769347B1 (en) * 2018-04-27 2020-09-08 Synopsys, Inc. Predicting no-defect-found physical failure analysis results using Bayesian inference and generalized linear models
CN111695209A (zh) * 2020-05-13 2020-09-22 东南大学 元深度学习驱动的旋转机械小样本健康评估方法
US20200302100A1 (en) * 2019-03-22 2020-09-24 Optimal Plus Ltd. Augmented reliability models for design and manufacturing

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390781A (zh) * 2014-11-26 2015-03-04 中国矿业大学 一种基于lmd和bp神经网络的齿轮故障诊断方法
CN106908241A (zh) * 2017-02-23 2017-06-30 北京工业大学 一种基于lmd与小波去噪相结合的轴承故障判别方法
US20200279157A1 (en) * 2017-10-16 2020-09-03 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
US10769347B1 (en) * 2018-04-27 2020-09-08 Synopsys, Inc. Predicting no-defect-found physical failure analysis results using Bayesian inference and generalized linear models
CN109873610A (zh) * 2019-03-19 2019-06-11 福州大学 基于iv特性和深度残差网络的光伏阵列故障诊断方法
US20200302100A1 (en) * 2019-03-22 2020-09-24 Optimal Plus Ltd. Augmented reliability models for design and manufacturing
CN110046409A (zh) * 2019-03-29 2019-07-23 西安交通大学 一种基于ResNet的汽轮机部件健康状态评估方法
CN110196160A (zh) * 2019-05-29 2019-09-03 国电联合动力技术有限公司 一种基于残差网络的风电齿轮箱监测方法
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN110991633A (zh) * 2019-12-04 2020-04-10 电子科技大学 一种基于忆阻网络的残差神经网络模型及其应用方法
CN111695209A (zh) * 2020-05-13 2020-09-22 东南大学 元深度学习驱动的旋转机械小样本健康评估方法
CN111579238A (zh) * 2020-05-14 2020-08-25 常州信息职业技术学院 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHANGJUN MA等: ""A Lighted Deep Convolutional Neural Network Based Fault Diagnosis of Rotating Machinery"", 《SENSORS》 *
周兴康等: ""基于深度一维残差卷积自编码网络的齿轮箱故障诊断"", 《机械工程学报》 *
赵明航: ""基于深度残差学习的风电齿轮箱故障诊断"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237201A (zh) * 2021-12-06 2022-03-25 南通大学 一种基于残差的远程智能监测和调控系统
CN114237201B (zh) * 2021-12-06 2023-05-02 南通大学 一种基于残差的远程智能监测和调控系统
CN114252810A (zh) * 2022-01-12 2022-03-29 中国电力科学研究院有限公司 变压器声振故障监测方法、系统、设备及可读存储介质
CN114252810B (zh) * 2022-01-12 2024-04-30 中国电力科学研究院有限公司 变压器声振故障监测方法、系统、设备及可读存储介质
CN115293303A (zh) * 2022-10-10 2022-11-04 广东电网有限责任公司中山供电局 一种高压输电线网监测方法、系统、设备和介质

Also Published As

Publication number Publication date
CN112199888B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN112199888B (zh) 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质
CN111189639B (zh) 一种基于瞬时频率优化vmd的轴承故障诊断方法
US6957172B2 (en) Complex signal decomposition and modeling
Jeong et al. Wavelet-based data reduction techniques for process fault detection
CN112200060A (zh) 一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质
CN112287780A (zh) 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质
CN110222765B (zh) 一种永磁同步电机健康状态监测方法及系统
CN110995153A (zh) 一种光伏电站的异常数据检测方法、装置及电子设备
CN112454008A (zh) 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质
CN111783696A (zh) 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法
CN117749409A (zh) 一种大规模网络安全事件分析系统
CN116108371A (zh) 基于级联异常生成网络的云服务异常诊断方法与系统
CN118094477A (zh) 基于多传感器信息融合的信号处理方法及系统
CN110830504A (zh) 一种网络入侵行为检测方法及系统
Xu et al. A Novel Empirical Variational Mode Decomposition for Early Fault Feature Extraction
WO2000070310A1 (fr) Dispositif d'identification de signal faisant intervenir un algorithme genetique et systeme d'identification en ligne
CN109635428A (zh) 一种基于机械状态信号分析的gis机械故障诊断方法
CN112232419A (zh) 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质
CN117634905A (zh) 一种电网业务数据特征提取方法
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN113032726B (zh) 基于核概率密度估计的加权上采样方法用于流化床结块故障监测方法
CN112104340B (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法
CN114357864A (zh) 一种基于模糊推理的调相机状态评估方法及评估系统
CN115700553A (zh) 一种异常检测方法及相关装置
CN115859201B (zh) 一种化工过程故障诊断方法及系统

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: 20210805

Address after: 030024 No. 79 West Main Street, Taiyuan, Shanxi, Yingze

Applicant after: Taiyuan University of Technology

Address before: Room 2102, 21 / F, building 2, 209 Zhuyuan Road, high tech Zone, Suzhou City, Jiangsu Province, 215011

Applicant before: Suzhou Rongsi Henghui Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210827

CF01 Termination of patent right due to non-payment of annual fee