CN112816200B - 一种基于深度学习的旋转机械轴心轨迹识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的旋转机械轴心轨迹识别方法，该方法的步骤为：首先，采集旋转机械故障下的轴心轨迹数据，得到轴心轨迹图以及与其对应的形状标签，形成故障样本库；其次，对样本库中的轴心轨迹图进行数据增强，然后基于深度神经网络构建轴心轨迹识别模型；再次，实时采集旋转机械运行时的轴心轨迹数据，基于构建得到的轴心轨迹识别模型进行对比诊断，在线确定轴心轨迹的形状，进而确定故障类型。本发明可以不依赖复杂描述的数学特征提取实现轴心轨迹自动识别，同时利用不同大小的卷积核提取轴心轨迹不同视野特征从而提高识别精度；另外故障样本库可以根据实时数据进行更新，持续优化识别模型，具有自我完善升级的功能。

Description

一种基于深度学习的旋转机械轴心轨迹识别方法

技术领域

本发明涉及旋转机械的故障诊断技术领域，更具体地讲，涉及一种基于深度学习的旋转机械轴心轨迹识别方法。

背景技术

旋转机械作为机械装备中重要的组成部分，其运动状态直接影响着整个装备的工作状况。旋转机械具有高度复杂性、工况随机性以及不可预知等特点，在工作过程中，难免会发生各种故障。一旦因为强烈振动而被迫停机，将引起停工停产、高额维修甚至机毁人亡的安全事故，甚至造成重大社会和经济影响。因此，旋转机械的状态监测和故障诊断对于评估设备寿命、发现潜在故障从而降低维修费用和提高运行管理水平等方面均有着非常重要的意义。

旋转机械在运动状态下，轴心位置与轴承座产生相对运动，轴心轨迹是在同一截面处两个相互垂直方向上测得的两组振动信号的合成。相对于二维幅频/相频曲线、趋势图、小波图、振动三维图等方式，轴心轨迹能够直观形象的表征轴心运动状况，蕴含着丰富的故障信息，是实现旋转机械故障诊断和早期预警的重要手段。

轴心轨迹一般呈现为几种典型的形式，如椭圆形、外8字型、内8字型和鸟巢型等，不同形式的轴心轨迹对应着不同的故障类型。目前，轴心轨迹的识别主要采用“特征提取+模式分类”方案，特征提取的结果直接影响到识别的准确性。现有主要的特征提取技术包括有基于形状不变矩、图形分块编码、傅里叶描述子以及几何特征等，但是均存在着数学描述复杂、准确率较低等问题。

发明内容

鉴于上述现有技术存在的不足，本发明的目的在于提供一种基于深度学习的旋转机械轴心轨迹识别方法，用于解决现有技术中对旋转机械轴心轨迹识别精度不高、过于依赖描述复杂的数学体征提取的问题。

为实现上述目的，本发明提供了一种基于深度学习的旋转机械轴心轨迹识别方法，该方法包括以下步骤：

（1）采集旋转机械在故障下的轴心轨迹数据，轴心轨迹数据至少包括轴心轨迹图和对应的形状标签，得到所述轴心轨迹图与形状标签后，形成故障样本库；

（2）对故障样本库中的轴心轨迹图进行数据增强，然后基于深度神经网络构建轴心轨迹识别模型；

（3）实时采集旋转机械运行时的轴心轨迹数据，形成实时的轴心轨迹图，基于构建得到的轴心轨迹识别模型进行对比诊断，在线确定轴心轨迹形状，进而确定故障类型。

步骤（1）中的轴心轨迹数据包括来自于安装在轴承水平方向的传感器和安装在轴承垂直方向的传感器。

步骤（2）中对故障样本库中的轴心轨迹图进行数据增强的操作，包括旋转、缩放、裁剪、翻转、仿射变换、加噪声等。

步骤（2）中，基于深度神经网络构建轴心轨迹识别模型的步骤可包括：将数据增强后的轴心轨迹图和形状标签作为深度神经网络计算模型的训练集，不断迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建轴心轨迹识别模型。

所述深度神经网络可包括：多路卷积子网络与分类识别网络。

进一步的，所述多路卷积子网络，对输入的轴心轨迹图采用不同大小的卷积核进行特征提取，以利于抽取轴心轨迹图像的局部特征和全局特征，可使用3*3、5*5、7*7大小的卷积核进行特征提取后，利用3*3卷积进行进一步特征提取，最后将各路卷积得到的特征进行通道拼接，形成更厚的特征图。

进一步的，所述分类识别网络，可基于LeNet网络，由卷积层、池化层、卷积层、池化层、全连接网络以及分类函数SoftMax组成。

步骤（3）中，所述在线确定轴心轨迹的形状的步骤可包括：根据实时采集旋转机械运行时的轴心轨迹数据，生成当前运行状态下的轴心轨迹图，然后输入至轴心轨迹识别模型进行计算，即可得到对应的轴心轨迹形状。

所述轴心轨迹识别方法还包括：对轴心轨迹识别模型进行优化，即将实时得到的轴心轨迹图和人工判别结果加入到故障样本库，重新训练轴心轨迹识别模型，从而持续优化神经网络权值与阈值。

本发明适用于轴心轨迹识别的转子、联轴器及其它旋转机械的故障诊断。

本发明的有益效果如下：

本发明提供的一种基于深度学习的旋转机械轴心轨迹识别方法，可以不依赖复杂描述的数学特征提取实现轴心轨迹自动识别，同时利用不同大小的卷积核提取轴心轨迹不同视野特征从而提高识别精度；另外，故障样本库可以根据实时数据进行更新，持续优化识别模型，具有自我完善升级的功能。

附图说明

图1是本发明的方法流程图。

图2是本发明的基于深度神经网络的轴心轨迹识别模型示意图。

具体实施方式

通过实施例和附图相结合的详细描述，可更容易地理解本发明构思的特征和实现本发明构思的方法。在下面的描述中，为了解释的目的，阐述了很多具体细节以提供对各种实施例的全面理解。

如图1所示，一种基于深度学习的旋转机械轴心轨迹识别方法，其步骤包括如下：

在操作S101，采集旋转机械在故障下的轴心轨迹数据，形成故障样本库；其中，轴心轨迹数据包括轴心轨迹图和与轴心轨迹图对应的形状标签。

在操作S103，对轴心轨迹图进行数据增强，基于深度神经网络构建轴心轨迹识别模型。

在操作S105，实时采集旋转机械运行时的轴心轨迹数据，基于轴心轨迹识别模型，在线确定轴心轨迹的形状。

在操作S107，将人工判别结果加入到故障样本库，对用于诊断的轴心轨迹识别模型进行持续优化。

如图2所示，基于深度神经网络的轴心轨迹识别模型可包括：多路卷积子网络与分类识别网络。轴心轨迹图经图像增强后，多路卷积子网络采用3*3、5*5、7*7不同大小的卷积核进行特征提取，再利用3*3卷积进行进一步特征提取，最后将各路卷积得到的特征进行通道拼接，形成更厚的特征图。分类识别网络基于LeNet网络，由卷积层、池化层、卷积层、池化层、全连接网络以及分类函数SoftMax组成，最终输出即为轴心轨迹对应的形状类别。

前述是对示例实施例的说明，并且不被解释为对示例实施例的限制。虽然已经描述了一些示例实施例，但是本领域的技术人员将容易理解，在实质不脱离示例实施例的新颖教导和优点的情况下，在示例实施例中可以进行很多修改。因此，所有这样的修改意图包括在如权利要求限定的示例实施例的范围内。本发明构思由所附权利要求限定，权利要求的等同物包括在所附权利要求中。

Claims (8)

1.一种基于深度学习的旋转机械轴心轨迹识别方法，其特征在于，包括如下步骤：

（1）采集旋转机械在故障下的轴心轨迹数据，轴心轨迹数据至少包括轴心轨迹图和对应的形状标签，得到所述轴心轨迹图与形状标签后，形成故障样本库；所述轴心轨迹数据包括来自于安装在轴承水平方向的传感器和/或安装在轴承垂直方向的传感器；

（2）对故障样本库中的轴心轨迹图进行数据增强，然后基于深度神经网络构建轴心轨迹识别模型；所述数据增强的操作至少包括旋转、缩放、裁剪、翻转、仿射变换和/或加噪声；

（3）实时采集旋转机械运行时的轴心轨迹数据，形成实时的轴心轨迹图，基于构建得到的轴心轨迹识别模型进行对比诊断，在线确定轴心轨迹形状，进而确定故障类型。

2.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于，步骤（2）中，基于深度神经网络构建轴心轨迹识别模型的步骤至少包括：将数据增强后的轴心轨迹图和形状标签作为深度神经网络计算模型的训练集，然后不断迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建轴心轨迹识别模型。

3.根据权利要求2所述旋转机械轴心轨迹识别方法，其特征在于：所述深度神经网络包括多路卷积子网络与分类识别网络。

4.根据权利要求3所述旋转机械轴心轨迹识别方法，其特征在于：所述多路卷积子网络，对输入轴心轨迹图采用不同大小的卷积核进行特征提取，以利于抽取轴心轨迹图像的局部特征和全局特征，最后将各路卷积得到的特征进行通道拼接，形成更厚的特征图。

5.根据权利要求3所述旋转机械轴心轨迹识别方法，其特征在于：所述分类识别网络基于LeNet网络，由卷积层、池化层、卷积层、池化层、全连接网络以及分类函数SoftMax组成。

6.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：步骤（3）中，所述在线确定轴心轨迹形状的步骤为：根据实时采集旋转机械运行时的轴心轨迹数据，生成当前运行状态下的轴心轨迹图，然后输入至轴心轨迹识别模型进行计算，即可得到对应的轴心轨迹形状。

7.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：所述轴心轨迹识别方法还包括：对轴心轨迹识别模型进行优化，即将实时得到的轴心轨迹图和人工判别结果加入到故障样本库，重新训练轴心轨迹识别模型，从而持续优化神经网络权值与阈值。

8.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：所述轴心轨迹识别方法适用于轴心轨迹识别的转子、联轴器及其它旋转机械的故障诊断。

Images