CN113537328B - 一种基于深度学习的旋转机械故障诊断方法和装置 - Google Patents
一种基于深度学习的旋转机械故障诊断方法和装置 Download PDFInfo
- Publication number
- CN113537328B CN113537328B CN202110766373.XA CN202110766373A CN113537328B CN 113537328 B CN113537328 B CN 113537328B CN 202110766373 A CN202110766373 A CN 202110766373A CN 113537328 B CN113537328 B CN 113537328B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- time
- fault diagnosis
- rotary machine
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012795 verification Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 20
- 238000007429 general method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 18
- 230000008859 change Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000010977 unit operation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (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)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于深度学习的旋转机械故障诊断方法和装置，对旋转机械的原始波形数据进行随机采集，得到原始振动数据；根据时域及频域信息对原始振动数据进行一次时、频域特征提取，进行检查并进行归一化处理；PCA降维及二次统计特征提取；建立一维卷积神经网络模型、支持向量机模型、决策树模型、朴素贝叶斯模型、二维卷积神经网络模型；将一台机组的数据划分为训练集和验证集，对模型进行训练和验证；若模型验证精度达到设定阈值，选择另一机组的数据对模型进行故障诊断测试。本发明在提取一次时频域特征的基础上，发展了二次统计特征提取和主成分分析的深度学习通用方法，泛化模型的故障识别能力，实现了跨机组智能故障通用识别。
Description
技术领域
本发明涉及故障诊断技术，特别是涉及一种基于深度学习的旋转机械故障诊断方法和装置。
背景技术
燃气轮机、蒸汽轮机、透平压缩机等大型旋转机械是电力、石油、化工和冶金等民生及国防工业的核心动力设备。旋转设备中的轴承、转轴等关键部件一旦发生故障，不仅会影响转子系统的正常运行，严重时还会造成人员伤亡和巨大经济损失。如果能有效的开展设备的状态监测与故障诊断，尽早及时发现设备运行中的隐藏故障并采取积极的措施，对保障系统的安全平稳运行具有重要的意义。
近年来，随着传感器技术、信息与通信技术及物联网等技术的快速发展，状态监测和诊断技术已被广泛应用于各类产品。在监测过程中，各种各样的传感器被安装在大规模装备群上、每台装备安装的测点多、数据采样的频率高、装备从开始服役到寿命终止的数据收集历时长，这不可避免地将我们带入了工业大数据时代。数据驱动的故障诊断方法越来越受到重视，数据驱动故障诊断方法的主要目的是希望从大量的监测数据中学习故障的表现形式，从而实现自主的识别机械的健康状况，有助于机械的安全可靠运行，从而节省了大量人工操作和维护成本。当前，针对数据驱动故障诊断方法的研究主要集中在特征提取和故障识别方法的研究两个方面。
特征提取能够去除不相关数据和冗余数据，降低计算复杂度从而节省计算时间，增加机器学习效率和效果，高质量的特征有助于提高模型整体的性能和准确性。常用的数据特征提取方法主要集中在时域、频域及时频域三个方面。时域特征提取方法是直接在收集到的信号（如声音、振动信号等）基础上进行的，一般是通过采用统计的方法进行特征参量的提取。信号的频谱是指信号在频域中的表示方式，能够提供信号中包含的频率信息，比时域波形更加直观。频域技术被认为在故障诊断方面更有效，因为它们具有良好的识别和隔离频率成分的能力。时频分析方法同时考虑了时域和频域的信息，清晰的描述了信号频率随时间历程的变化关系，常被用来处理非稳态信号。
机械设备中零部件的故障诊断的实质是识别分类问题，利用特征提取方法提出状态信息中的关键特征参数，再借助模式识别方法进行诊断。
大型旋转机械往往是非常复杂的，每台机组会由多个零件组成，各零件之间又相互联系、紧密耦合，致使故障原因与故障征兆之间表现为极其错综复杂的关系，即同一种故障征兆可能对应多种故障原因，同一种故障原因也会对应多种故障征兆。而且大型旋转机械往往还表现为一些不确定性，即使是同一型号的机组，其各零件的特性和联系特性也是不同的，其运行时间、运行状态也不是完全确定的。所以，当训练数据的条件和诊断目标数据的条件不同时，诊断是非常困难的。目前针对大型旋转机械故障诊断方法，都是只针对单一类型的旋转机械，没有考虑方法的普适性和通用性。这样，针对不同类型的旋转机械，需要开发不同的故障诊断算法，在应用方面具有很大的挑战性。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于深度学习的旋转机械故障诊断方法和装置，在特征提取和模型设计方面进行了创新，在针对原始多变量振动信号，提取一次时频域特征的基础上，发展了二次统计特征提取和主成分分析的深度学习通用方法，泛化模型的故障识别能力；并设计了一维卷积神经网络和二维卷积神经网络模型，用于跨机组智能故障通用识别。
为了达到上述目的，本发明所采用的具体技术方案如下：
一种基于深度学习的旋转机械故障诊断方法，具体包括以下步骤：
S1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；
S2，时、频域特征提取：根据时域及频域信息对原始振动数据进行一次时、频域特征提取；
S3，数据处理：对第一次提取的特征数据进行检查并进行归一化处理；
S4，PCA降维及二次统计特征提取：对归一化处理后的数据进行PCA降维处理，在一次时、频域特征的基础上进行二次统计特征提取，以便将不同时间节点的时、频域特征规范为统一的统计特征；
S5，模型建立：建立一维卷积神经网络模型、支持向量机模型、决策树模型、朴素贝叶斯模型，将一次时、频域特征和PCA主成分数据作为模型输入；建立二维卷积神经网络模型，将二次统计特征作为模型输入；
S6，模型训练：将一台机组的数据划分为训练集和验证集，对S5中的模型进行训练和验证；
S7，模型验证：若S6中的模型验证精度达到设定阈值，则执行下一步；
S8，跨机组故障诊断：选择另一机组的数据对S5中的模型进行故障诊断测试，并比较不同模型的诊断精度，选择符合需求的模型用于跨机组智能故障通用识别。
优选的，步骤S1提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；具体指的是
S1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集1024个样本点，得到原始振动数据。
优选的，步骤S2中的一次时、频域特征为GAP电压、有效值、通频值、峰值、0.5倍频、一倍频相位、一倍频幅值、二倍频相位、二倍频幅值、残余量。
优选的，步骤S3数据处理：对第一次提取的特征数据进行检查并进行归一化处理；具体指的是
S3，数据处理：对第一次提取的特征数据进行质量检查，查看特征数据中是否有缺失值，若存在缺失值则删除该数据；然后对数据进行归一化处理，将特征数据值缩放至0-1之间。
优选的，步骤S4中的统计特征包括均值、标准差、最小值、最大值、中位数、样本熵、协方差、平方和、偏度、峰度。
优选的，步骤S6模型训练：将一台机组的数据划分为训练集和验证集，对S5中的模型进行训练和验证；具体指的是
S6，模型训练：按照8:2的比例将一台机组的数据划分为训练集和验证集，分别对S5中的模型进行训练和验证。
优选的，步骤S7模型验证：若S6中的模型验证精度达到设定阈值，则执行下一步；具体指的是
S7，模型验证：若S6中的模型验证精度达到95%，则将该模型用于其他机组的故障诊断。
一种基于深度学习的旋转机械故障诊断装置，基于一种基于深度学习的旋转机械故障诊断方法，包括若干振动传感器、边缘计算监测诊断系统、智能监测应用，所述振动传感器安装在旋转机械上，采集所需的原始波形数据，所述边缘计算监测诊断系统配置有故障诊断模型，还用于实现数据传输和存储；所述智能监测应用包括数据清洗功能单元、参数监测功能单元、异常报警功能单元和故障诊断功能单元。
优选的，还包括云平台，所述云平台分别与边缘计算监测诊断系统、智能监测应用进行数据交互。
优选的，还包括用户端，从所述边缘计算监测诊断系统获取数据并显示。
本发明的有益效果在于：在特征提取和模型设计方面进行了创新，在针对原始多变量振动信号，提取一次时频域特征的基础上，发展了二次统计特征提取和主成分分析的深度学习通用方法，泛化模型的故障识别能力；并设计了一维卷积神经网络和二维卷积神经网络模型，用于跨机组智能故障通用识别。
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他的附图。
图1是本发明一种基于深度学习的旋转机械故障诊断方法的流程图；
图2a是一次时、频域特征作为IDCNN输入时，模型训练和验证的误差变化示意图，图2b是一次时、频域特征作为IDCNN输入时，模型训练和验证的正确率变化示意图；
图3a是1DCNN对S机组状态的预测分类混淆矩阵示意图，图3b是SVM对S机组状态的预测分类混淆矩阵示意图，图3c是决策树对S机组状态的预测分类混淆矩阵示意图，图3d是朴素贝叶斯对S机组状态的预测分类混淆矩阵示意图；
图4a是将PCA特征作为IDCNN输入，模型训练和验证的误差变化示意图，图4b是将PCA特征作为IDCNN输入，模型训练和验证的正确率变化示意图；
图5a是1DCNN对S机组运行状态预测分类结果混淆矩阵示意图，图5b是SVM对S机组运行状态预测分类结果混淆矩阵示意图，图5c是决策树对S机组运行状态预测分类结果混淆矩阵示意图，图5d是朴素贝叶斯对S机组运行状态预测分类结果混淆矩阵示意图；
图6是2DCNN模型训练曲线；
图7是2DCNN混淆矩阵；
图8是PCA-1DCNN组合深度学习模型；
图9是本发明一种基于深度学习的旋转机械故障诊断装置的原理框图。
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作出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提出了一种基于深度学习的旋转机械故障诊断方法，具体包括以下步骤：
S1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；
由于原始波形数据采样频率高，每小时采集到的数据可达到几百万条，为减少计算费用，提高效率，本发明在时间维度上对波形数据进行随机采集，每个时间戳下采集1024个样本点。
S2，时、频域特征提取：根据时域及频域信息对原始振动数据进行一次时、频域特征提取；每个时间节点下分别对所有测点提取10个特征，所提特征及详细说明如表1所示。
表1时、频域特征及说明
| 特征 | 说明 |
| GAP电压 | 传感器输出电压 |
| 有效值 | 时域的概念，各信号值平方的均方根 |
| 通频值 | 未经滤波的各频率下振动分量相互叠加的总和 |
| 峰值 | 测量信号中间值到最大值之间的电压变化 |
| 0.5倍频 | 信号中频率为0.5倍转频的部分对应的幅值 |
| 一倍频相位 | 信号中频率为转频的部分对应的相位 |
| 一倍频幅值 | 信号中频率为转频的部分对应的幅值 |
| 二倍频相位 | 信号中频率为2倍转频的部分对应的相位 |
| 二倍频幅值 | 信号中频率为2倍转频的部分对应的幅值 |
| 残余量 | 通频值经过FFT变换，分离去除1，2，0.5倍频成分后剩余的频率 |
S3，数据处理：对第一次提取的特征数据进行检查并进行归一化处理；具体的，对第一次提取的特征数据进行质量检查，查看特征数据中是否有缺失值，若存在缺失值则删除该数据；然后对数据进行归一化处理，将特征数据值缩放至0-1之间。
S4，PCA降维及二次统计特征提取：对归一化处理后的数据进行PCA降维处理，在一次时、频域特征的基础上进行二次统计特征提取，以便将不同时间节点的时、频域特征规范为统一的统计特征；
本实施例以两个机组的数据为例，对两组数据分别进行PCA降维处理，在一次时、频域特征的基础上进行二次统计特征提取。由于原始数据中变量的采样间隔不固定，这样就会导致每天得到的时、频域特征数量不同，为了使每天的样本数量达到均衡。本发明进一步进行了二次统计特征的提取，将每天数量不统一的时、频域特征规范为统一的20个统计特征，表2详细介绍了统计特征信息。
表2统计特征介绍
| 序号 | 特征 | 序号 | 特征 |
| 1 | 均值 | 11 | 离散差值绝对值的均值 |
| 2 | 标准差 | 12 | 离散差值的均值 |
| 3 | 最小值 | 13 | 离散差值绝对值之和 |
| 4 | 最大值 | 14 | 数组中小于均值的所有子序列的长度 |
| 5 | 中位数 | 15 | 数组中大于均值的所有子序列的长度 |
| 6 | 样本熵 | 16 | 向量中的波峰 |
| 7 | 协方差 | 17 | 最小值最大值之间的数据数量 |
| 8 | 平方和 | 18 | 滞后自相关系数 |
| 9 | 偏度 | 19 | 75%分位数 |
| 10 | 峰度 | 20 | 二阶导数中心近似值的平均值 |
S5，模型建立：建立一维卷积神经网络（1DCNN）模型、支持向量机模型、决策树模型、朴素贝叶斯模型，将一次时、频域特征和PCA主成分数据作为模型输入；建立二维卷积神经网络（2DCNN）模型，将二次统计特征当作二维图片格式作为模型输入；二维卷积神经网络模型用于处理二维图片数据。
S6，模型训练：按照8:2的比例将一台机组的数据划分为训练集和验证集，对S5中的模型进行训练和验证；
S7，模型验证：若S6中的模型验证精度达到设定阈值，在本实施例中可设定为95%，则执行下一步；
S8，跨机组故障诊断：选择另一机组的数据对S5中的模型进行故障诊断测试，并比较不同模型的诊断精度，选择符合需求的模型用于跨机组智能故障通用识别。
下面例子用于模型训练和测试数据分别来自不同旋转机组，用来验证本申请所提方法的跨机组故障诊断能力。
基于一次特征的故障诊断结果
根据所述的方法，选用H机组的数据进行训练和验证，若达到验证精度则选用S机组数据测试。分别对5类模型进行验证。图2a是一次时、频域特征作为IDCNN输入时，模型训练和验证的误差变化示意图，图2b是一次时、频域特征作为IDCNN输入时，模型训练和验证的正确率变化示意图，显示了一次时、频域特征作为IDCNN输入时，模型训练和验证损失和正确率变化情况。从图中可以看出，模型训练总共经过9个epoch就到达了较好的训练精度。在训练开始阶段，损失值下降幅度很大，说明学习率合适且进行梯度下降过程，在学习到一定阶段后，损失曲线趋于平稳，损失变化没有一开始那么明显。模型的正确率也随着迭代次数的增加而逐渐上升，最终趋于平稳接近于1。
图3a是1DCNN对S机组状态的预测分类混淆矩阵示意图，图3b是SVM对S机组状态的预测分类混淆矩阵示意图，图3c是决策树对S机组状态的预测分类混淆矩阵示意图，图3d是朴素贝叶斯对S机组状态的预测分类混淆矩阵示意图，混淆矩阵的横坐标表示预测数据的健康和故障分类样本数，纵坐标表示真实类别的健康和故障分类样本数。表 3总结了以一次时、频域特征作为模型输入时，不同模型的验证精度以及测试结果对比情况。可以看到，对于一次特征作为模型输入时，四个模型的验证精度都达到100%，在模型测试过程中，支持向量机和1DCNN分类诊断模型的准确率，精确率，召回率以及F1-score都超过90%，说明支持向量机和1DCNN对于跨机组故障诊断效果较好，而决策树和朴素贝叶斯分类效果较差。
表 3 基于一次特征的不同模型测试结果对比
Tab 1 Comparison of test results for different models based onprimary characteristics
| 方法 | 输入数据 | 验证准确率 | 准确率 | 精确率 | 召回率 | F1-score |
| 1DCNN | 时、频域特征 | 100% | 96% | 94% | 99% | 96% |
| SVM | 时、频域特征 | 100% | 97% | 93% | 100% | 97% |
| 决策树 | 时、频域特征 | 100% | 48% | 2% | 25% | 4% |
| 朴素贝叶斯 | 时、频域特征 | 100% | 50% | 0% | 0% | 0% |
基于二次特征的故障诊断结果
在一次时频特征的基础上对数据再进行PCA特征提取，提取后的特征作为分类模型的输入。图4a是将PCA特征作为IDCNN输入，模型训练和验证的误差变化示意图，图4b是将PCA特征作为IDCNN输入，模型训练和验证的正确率变化示意图，显示了将PCA特征作为IDCNN输入后，模型训练、验证损失和正确率变化情况。从图中可以看出，模型训练总共经过18个epoch就到达了较好的训练精度。在训练开始阶段，损失值下降幅度很大，说明学习率是合适的以至训练梯度逐步下降，到第5个epoch后，损失曲线开始趋于平稳。模型的正确率也随着迭代次数的增加而逐渐上升，直至第5个epoch后趋于平稳。
图5a是1DCNN对S机组运行状态预测分类结果混淆矩阵示意图，图5b是SVM对S机组运行状态预测分类结果混淆矩阵示意图，图5c是决策树对S机组运行状态预测分类结果混淆矩阵示意图，图5d是朴素贝叶斯对S机组运行状态预测分类结果混淆矩阵示意图。从图中可以看出，四个模型都有把真实故障样本误分类为健康样本，分别为29，2807，39925和70。显然，PCA-CNN的分类效果最佳，只有29次误分类，决策树分类效果最差，达39925次误分类。
为进一步验证提出模型的准确度和通用性，构建了2DCNN模型进行跨机组故障诊断，使用第二次统计特征作为模型输入。图6显示了2DCNN模型训练图，从图中可以看到，随着迭代次数的增加，模型训练误差和验证测误差逐渐降低，在第4个epoch之后趋于平稳；在第3个epoch之前，模型的训练精度和验证精度逐渐上升，之后慢慢趋于平稳。图7是2DCNN分类结果的混淆矩阵，可以看到2DCNN中有6个健康样本被错误的分到故障样本中，测试准确率较高达到98%。
表4总结了以二次特征作为模型输入，不同模型的验证和测试结果情况。从表中结果可以看到，二次特征作为输入，相比于一次特征作为输入时，模型分类结果的准确度均有所增加，说明二次特征与机器学习模型结合进行故障识别的有效性。在输入二次特征时，四个模型的验证精度都达到100%。针对模型测试，PCA-CNN和朴素贝叶斯模型的准确率、精确率、召回率以及F1-score都接近100%，但实际PCA-CNN模型错误分类样本数相对更少，因此有更好的分类效果。支持向量机和2DCNN的准确率，精确率，召回率以及F1-score都超过90%。因此，从模型准确度和计算效率考虑，本发明推荐发展的PCA-CNN方法来进行跨机组故障诊断。
表4 基于二次特征的不同模型测试结果对比
| 方法 | 输入数据 | 验证准确率 | 测试准确率 | 精确率 | 召回率 | F1-score |
| 1DCNN | 时、频域特征 | 100% | 100% | 100% | 100% | 100% |
| SVM | 时、频域特征 | 100% | 100% | 94% | 100% | 97% |
| 决策树 | 时、频域特征 | 100% | 52% | 5% | 97% | 9% |
| 朴素贝叶斯 | 时、频域特征 | 100% | 100% | 100% | 100% | 100% |
| 2DCNN | 统计特征 | 100% | 98% | 100% | 95% | 98% |
本发明针对从实际运行机组收集的高维高频数据，首先进行时、频域特征提取，对提取的多维时频特征数据进行了去离群值和归一化预处理，然后分别进行主成分分析（PCA）和时间域特征提取的二次数据分析。得到的低维不相关主成分和高维独立统计特征值，分别作为故障诊断模型的输入，发展了一维和二维卷积神经网络（CNN）模型。
本发明的优点在于：
1）通过对高频多变量原始数据的两次特征提取，消除模型对机组测点变量的依赖，泛化模型故障诊断能力；
2）利用深度学习模型在空间维度的自动特征选择强大功能，进一步提高识别模型的通用性和识别精度，实现模型跨机组故障诊断的能力；
3）第一次提取多维变量的时、频维度特征，降低高频数据的纵向维度，减少问题的复杂性和后续计算量；
4）第二次主成分降维分析要求一次特征的时间维度保持不变，在多维空间维度提取主要特征，降低高维数组的横向维度，进一步减少建模的复杂度；
5）发明了针对旋转机械二次特征提取和主成分分析结合的深度学习故障诊断通用方法（图8）。
如图9所示，本发明提出了一种基于深度学习的旋转机械故障诊断装置，基于一种基于深度学习的旋转机械故障诊断方法实现，包括若干振动传感器1、边缘计算监测诊断系统2、智能监测应用3，所述振动传感器安装在旋转机械上，采集所需的原始波形数据，所述边缘计算监测诊断系统配置有故障诊断模型，还用于实现数据传输和存储；所述智能监测应用包括数据清洗功能单元、参数监测功能单元、异常报警功能单元和故障诊断功能单元。
优选的，还包括云平台4，所述云平台分别与边缘计算监测诊断系统、智能监测应用进行数据交互。
优选的，还包括用户端5，从所述边缘计算监测诊断系统获取数据并显示。
本发明在特征提取和模型设计方面进行了创新，在针对原始多变量振动信号，提取一次时频域特征的基础上，发展了二次统计特征提取和主成分分析的深度学习通用方法，泛化模型的故障识别能力；并设计了一维卷积神经网络和二维卷积神经网络模型，用于跨机组智能故障通用识别。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，本领域技术人员完全可以在不偏离本发明技术思想的范围内，进行多样的变更以及修改。本发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求书范围来确定其技术性范围。
Claims (8)
1.一种基于深度学习的旋转机械故障诊断方法，其特征在于，具体包括以下步骤：
S1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；
S2，时、频域特征提取：根据时域及频域信息对原始振动数据进行一次时、频域特征提取；
S3，数据处理：对第一次提取的特征数据进行检查并进行归一化处理；
S4，PCA降维及二次统计特征提取：对归一化处理后的数据进行PCA降维处理，在一次时、频域特征的基础上进行二次统计特征提取，以便将不同时间节点的时、频域特征规范为统一的统计特征；
S5，模型建立：建立一维卷积神经网络模型、支持向量机模型、决策树模型、朴素贝叶斯模型，将一次时、频域特征和PCA主成分数据作为模型输入；建立二维卷积神经网络模型，将二次统计特征作为模型输入；
S6，模型训练：将一台机组的数据划分为训练集和验证集，对S5中的模型进行训练和验证；
S7，模型验证：若S6中的模型验证精度达到设定阈值，则执行下一步；
S8，跨机组故障诊断：选择另一机组的数据对S5中的模型进行故障诊断测试，并比较不同模型的诊断精度，选择符合需求的模型用于跨机组智能故障通用识别；
步骤S2中的一次时、频域特征为GAP电压、有效值、通频值、峰值、0.5倍频、一倍频相位、一倍频幅值、二倍频相位、二倍频幅值、残余量；
步骤S4中的统计特征包括均值、标准差、最小值、最大值、中位数、样本熵、协方差、平方和、偏度、峰度。
2.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤S1提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；具体指的是
S1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集1024个样本点，得到原始振动数据。
3.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤S3数据处理：对第一次提取的特征数据进行检查并进行归一化处理；具体指的是
S3，数据处理：对第一次提取的特征数据进行质量检查，查看特征数据中是否有缺失值，若存在缺失值则删除该数据；然后对数据进行归一化处理，将特征数据值缩放至0-1之间。
4.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤S6模型训练：将一台机组的数据划分为训练集和验证集，对S5中的模型进行训练和验证；具体指的是
S6，模型训练：按照8:2的比例将一台机组的数据划分为训练集和验证集，分别对S5中的模型进行训练和验证。
5.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤S7模型验证：若S6中的模型验证精度达到设定阈值，则执行下一步；具体指的是
S7，模型验证：若S6中的模型验证精度达到95%，则将该模型用于其他机组的故障诊断。
6.一种基于深度学习的旋转机械故障诊断装置，基于权利要求1-5任一项所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，包括若干振动传感器、边缘计算监测诊断系统、智能监测应用，所述振动传感器安装在旋转机械上，采集所需的原始波形数据，所述边缘计算监测诊断系统配置有故障诊断模型，还用于实现数据传输和存储；所述智能监测应用包括数据清洗功能单元、参数监测功能单元、异常报警功能单元和故障诊断功能单元。
7.根据权利要求6所述的一种基于深度学习的旋转机械故障诊断装置，其特征在于，还包括云平台，所述云平台分别与边缘计算监测诊断系统、智能监测应用进行数据交互。
8.根据权利要求7所述的一种基于深度学习的旋转机械故障诊断装置，其特征在于，还包括用户端，从所述边缘计算监测诊断系统获取数据并显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110766373.XA CN113537328B (zh) | 2021-07-07 | 2021-07-07 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110766373.XA CN113537328B (zh) | 2021-07-07 | 2021-07-07 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537328A CN113537328A (zh) | 2021-10-22 |
| CN113537328B true CN113537328B (zh) | 2023-10-31 |
Family
ID=78097997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110766373.XA Active CN113537328B (zh) | 2021-07-07 | 2021-07-07 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537328B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114386451B (zh) * | 2021-12-03 | 2024-05-03 | 中铁第一勘察设计院集团有限公司 | 基于传感器信息感知的接触网吊弦故障诊断报警方法 |
| CN114354184B (zh) * | 2021-12-28 | 2024-06-21 | 哈尔滨工业大学 | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 |
| CN115081483B (zh) * | 2022-07-01 | 2024-06-14 | 淮阴工学院 | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 |
| CN114994547B (zh) * | 2022-08-05 | 2022-11-18 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
| CN116451142A (zh) * | 2023-06-09 | 2023-07-18 | 山东云泷水务环境科技有限公司 | 一种基于机器学习算法的水质传感器故障检测方法 |
| CN118312734B (zh) * | 2024-06-11 | 2024-08-16 | 北京前景无忧电子科技股份有限公司 | 一种电力系统设备状态监测与故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
| CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
| KR20210067108A (ko) * | 2019-11-29 | 2021-06-08 | 한국생산기술연구원 | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 |
-
2021
- 2021-07-07 CN CN202110766373.XA patent/CN113537328B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
| KR20210067108A (ko) * | 2019-11-29 | 2021-06-08 | 한국생산기술연구원 | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 |
| CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于小波分析和变分模态分解的滚动轴承故障诊断研究;徐涛;《万方数据知识服务平台学位论文库》;第1-111页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537328A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537328B (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
| Li et al. | The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review | |
| CN110792563B (zh) | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 | |
| Marins et al. | Improved similarity-based modeling for the classification of rotating-machine failures | |
| Kwan et al. | A novel approach to fault diagnostics and prognostics | |
| Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
| Soylemezoglu et al. | Mahalanobis-Taguchi system as a multi-sensor based decision making prognostics tool for centrifugal pump failures | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
| CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| CN110399986B (zh) | 一种泵站机组故障诊断系统的生成方法 | |
| Guo et al. | Dynamic time warping using graph similarity guided symplectic geometry mode decomposition to detect bearing faults | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
| CN115331696A (zh) | 一种用于变压器异常诊断的多通道声纹信号盲源分离方法 | |
| Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models | |
| Farajzadeh-Zanjani et al. | A critical study on the importance of feature extraction and selection for diagnosing bearing defects | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| Nadir et al. | Diagnosis of defects by principal component analysis of a gas turbine | |
| CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 | |
| CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
| US20190294988A1 (en) | Plant abnormality prediction system and method | |
| CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 |
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 |