CN114279728A - 一种振动筛机体的故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种振动筛机体的故障诊断方法及系统，该方法包括获取与振动弹簧的位移方向一致的振动加速度数据；将振动加速度输入训练好的故障诊断模型进行故障诊断；其中，模型包括卷积层、全连接层、小波层、原型层和分类层，小波层对经卷积层和全连接层处理输出的特征进行激活处理以得到激活结果，原型层根据激活结果得到每个类别对应的原型；在训练时原型层根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，使损失函数最小完成训练。基于本发明的故障诊断方法，能够解决现有技术中故障样本受限时，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高的问题。

Description

一种振动筛机体的故障诊断方法及系统

技术领域

本发明属于设备状态监测与故障诊断领域，具体涉及一种振动筛机体的故障诊断方法及系统。

背景技术

振动筛是选煤厂等分选行业的关键设备，振动筛的正常运行，对于保证设备和生产安全、生产线的连续工作意义重大。振动筛一般包括动力部分(即电机部分)和箱体部分(即机体)，相较于动力部分，振动筛的机体更容易发生故障，振动筛机体的主要故障形式有箱体位置偏斜，弹簧刚度降低，下梁裂纹断裂等。

传统的振动筛机体监测，往往采用多组压力传感器、应变传感器和低频振动传感器来对箱体、横梁和支撑弹簧故障进行监测，判断振动筛机体的运行和故障状态；但这种方法成本高，安装困难，更重要的是多传感器信号采集的同步性很难得到保障，诊断效果不理想，而且传感器采集的振动信号伴随有强振动噪声，利用传统的提取特征方式提出的特征并不明显，使得诊断结果准确性不高。

针对传统的故障监测方法存在的问题，人们开始利用网络模型的智能诊断方式进行振动类设备的故障监测，然而智能诊断方式中的网络模型为保证诊断结果准确性，在训练时需要大量的训练数据，然而振动筛机体故障并不会经常发生，也没有足够的故障样本进行故障特征分析和分类识别实验，故用于振动筛机体故障智能诊断的样本较少，因此在故障样本受限的条件下，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高。

发明内容

本发明提供了一种振动筛机体的故障诊断方法及系统，用以解决现有技术中在故障样本受限的条件下，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高的问题。

为解决上述技术问题，本发明提供一种振动筛机体的故障诊断方法，包括：

1)利用加速度传感器采集振动筛机体的振动加速度，从中筛选出与振动弹簧的位移方向一致的振动加速度数据；

2)将筛选出的振动加速度输入训练好的故障诊断模型进行故障诊断，以得到故障诊断结果；其中，所述故障诊断模型包括卷积层、全连接层、小波层、原型层和分类层，卷积层用于对输入的振动加速度进行特征提取以获得初始特征，全连接层用于对初始特征进行特征融合以获得中间特征，小波层用于对中间特征进行激活以得到激活结果，原型层用于根据激活结果得到每个类别对应的原型，分类层用于进行故障分类以得到故障诊断结果；在训练故障诊断模型过程中，将训练数据集分为支持集和查询集，经过卷积层、全连接层、小波层处理后，由原型层根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，使损失函数最小完成训练。

上述技术方案的有益效果为：获取与振动弹簧的位移方向一致的振动筛机体的振动加速度，利用振动加速度和故障类型作为训练数据集训练故障诊断模型，在训练过程中，将训练数据集分为支持集和查询集后，利用支持集和查询集生成多次训练情节，通过原型层确定每个类别的原型，根据查询集到本类别原型距离最小为目标进行训练，即使在小样本下也可以实现对每个类别的准确训练，能够解决在样本受限时导致的诊断准确性不高的问题。另外，经卷积层和全连接层得到中间特征，小波层对中间特征进行激活后，原型层利用小波层的结果获得特征原型，在这种情况下，利用小波层处理中间特征能够使得神经网络收敛速度快、避免陷入局部最优。

进一步地，为了更好地增加神经网络的抗噪性，本发明提供了一种振动筛机体的故障诊断方法，还包括卷积层包括依次连接3个卷积块，各卷积块使用1维的卷积核，第一个卷积块的卷积核大小为64×1，卷积核数量为16，后两个卷积块的卷积核大小为3×1，卷积核数量为32。

进一步地，为了更好地获得特征提取结果，本发明提供了一种振动筛机体的故障诊断方法，还包括小波层使用Morlet小波作为激活函数，此激活函数中包含尺度因子和平移因子，将尺度因子和平移因子作为训练参数。

进一步地，为了提高模型的准确性，本发明提供了一种振动筛机体的故障诊断方法，还包括损失函数为：

式中x表示查询集中的样本，N_Q表示查询集中样本的数量，f_θ(x)表示查询集中各样本经过卷积层、全连接层和小波层后的结果，c_k表示查询集中各样本对应的本类别的特征原型，d(f_θ(x),c_k)表示f_θ(x)至c_k的距离，c_k′表示其他类别的特征原型，k’表示其他类别的编号，k’＝1,2,3,…,n。

进一步地，为了更好地获得损失函数，本发明提供了一种振动筛机体的故障诊断方法，还包括计算的距离为欧几里得距离。

进一步地，为了更好地训练模型，本发明提供了一种振动筛机体的故障诊断方法，还包括在训练时每次随机从训练数据集中随机选取至少一类样本生成一次训练情节。

进一步地，为了更好地提高诊断结果的准确性，本发明提供了一种振动筛机体的故障诊断方法，还包括加速度传感器设置在振动筛机体的靠近电机的一侧。

进一步地，为了更好地进行故障诊断，本发明提供了一种振动筛机体的故障诊断方法，还包括在步骤1)中，还采集角度信号，所述角度信号包括航向角、横滚角和俯仰角，若任一角度超过第一预警值，则进行报警处理，并将实时采集到与振动弹簧的位移方向一致的振动加速度数据输入到所述训练好的故障诊断模型中进行故障诊断。

进一步地，为了更好地进行故障诊断，本发明提供了一种振动筛机体的故障诊断方法，还包括若采集到的航向角、横滚角和俯仰角中任一角度超过第二预警值，则进行报警停机处理，第二预警值大于第一预警值。

本发明还提供了一种振动筛机体的故障诊断系统，包括存储器和处理器，所述处理器用于执行存储在所述存储器中的指令，以实现上述的振动筛机体的故障诊断方法。

附图说明

图1是本发明的小波-原型网络的训练流程图；

图2是本发明的原型网络的分类原理示意图；

图3是本发明的小波-原型网络的结构图；

图4是MPU6050六轴传感器安装示意图；

图5是小波-原型网络测试结果图；

图6是小波-原型网络的T-sne可视化分析图。

具体实施方式

本发明的基本构思为：获取与振动弹簧的位移方向一致的振动筛机体的振动加速度，利用振动加速度和故障类型作为训练数据集训练故障诊断模型，在训练过程中，将训练数据集分为支持集和查询集后，利用支持集和查询集生成多次训练情节，通过小波层进行激活后由原型层确定每个类别的原型，根据查询集到本类别原型距离最小为目标进行训练，即使在小样本下也可以实现对每个类别的准确训练，能够解决在样本受限时导致的诊断准确性不高的问题，且利用小波层处理中间特征能够使得神经网络收敛速度快、避免陷入局部最优。

为了使本发明的目的、技术方案及技术效果更加清楚明了，以下结合附图及具体实施例对本发明进行进一步详细说明。

振动筛机体的故障诊断方法实施例:

本实施例公开一种振动筛机体的故障诊断方法，本实施例的故障诊断方法通过故障诊断模型进行对振动筛机体的故障诊断。下面先对故障诊断模型进行详细介绍。图1是本发明的小波-原型网络的训练流程图，图2是本发明的原型网络的分类原理示意图，图3是本发明的小波-原型网络的结构图。图4是MPU6050六轴传感器安装示意图。

故障诊断模型采用小波-原型网络，小波-原型网络包括顺次连接的卷积层、全连接层、小波层、原型层和分类层的五部分。故障诊断模型的输入为振动信号，例如振动加速度信号，输出为故障类型。

1、卷积层：卷积层用于对输入的振动加速度进行特征提取以获得初始特征。

具体地，如图3所示，卷积层包括依次连接3个卷积块，每个卷积块均对输入数据进行卷积、激活、池化操作，各卷积块使用1维的卷积核，卷积块1的卷积核大小为64×1，卷积核数量为16，卷积块2和卷积块3的卷积核大小为3×1，卷积核数量为32。其中，64×1的卷积核能够很好地抑制噪声，增加神经网络的抗噪性。

2、全连接层：全连接层用于对初始特征进行特征融合以获得中间特征。

3、小波层：小波层用于对中间特征进行激活以得到激活结果。

具体地，为了增强神经网络的性能，将神经网络隐藏层节点的激活函数由小波基函数来代替，相应的输入层到隐含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因子a(简称尺度因子)和时间平移因子b(简称平移因子)所代替，从而得到小波层，小波层的输出为

其中Ψ_a,b为小波基函数，w_ij为输入与输出层之间的权重矩阵；a_j，b_j分别是尺度因子和平移因子，x_i表示全连接层的输出结果。为了更好地获得激活后的结果，小波层使用Morlet小波作为激活函数，即Ψx＝cos4xexp(-x22)。其中

将尺度因子和平移因子作为训练参数，均为可训练参数，参与到模型的训练中去。

4、原型层：原型层用于根据激活结果得到每个类别对应的原型。

在模型训练时原型层用于根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，其中，支持集和查询集由训练集划分得到，具体地，如图2所示，原型层将每个类别中的支持集的特征提取结果(即小波层处理后的结果)映射到一个空间当中，并且提取映射后的支持集的“均值”作为该类的特征原型(即原型)，计算每个类别中的查询集的特征提取结果到该类的特征原型的距离。

5、分类层：分类层用于进行故障分类以得到故障诊断结果。

在构建好上述介绍的故障诊断模型后，便可利用数据集训练故障诊断模型获得训练好的故障诊断模型。

训练时利用的数据集包括预先采集的振动信号和对应的故障类型，振动信号为振动加速度信号。振动加速度信号与振动筛的振动弹簧的位移方向一致。由于振动筛型号繁多，配置复杂，只针对某一种特定型号的振动筛采集到的信号不具备普遍性，因此在本实施例中，采集不同配置组合下的振动筛的弹簧故障的数据形成数据集，其中振动筛的多种运行状态下的数据包括：结构相同的振动筛，由于激振器的不同，载荷的差异等会有不同的型号，假定有3种不同型号的激振器、5种不同的载荷、2种不同型号的电机、因疲劳失效而损坏的弹簧组的位置分别为1,2,3,4(参见图4)以及4个弹簧组均无损坏的情况，一共在不同型号的振动筛上组合出150种运行状态。在振动筛上如图4的测点处采集振动数据，每种运行状态下有20个样本用于训练和测试，每个样本中的振动波形有2048个采样点组成。

如图1所示，训练故障诊断模型的过程包括训练阶段和测试阶段，将数据集分为训练数据集(即训练集)和测试数据集(测试集)，训练阶段利用训练集建立的故障诊断模型，测试阶段利用测试集验证模型的准确性。

在训练阶段中，如图1所示，将训练数据集分为支持集和查询集。具体地，为了更好地训练模型，在训练时每次随机从训练数据集中随机选取至少一类样本生成一次训练情节，在每个训练情节的各类别中，选取多个样本作为支持集，其余样本作为查询集。

例如小波-原型网络设定为k类n样本的学习方式，k为需要分的类的数量，n为每个类中样本的数量，每次训练均自动从训练集中随机选取k个类别生成一次训练情节，每个训练情节的每个类别中，选取n个样本作为支持集，其余样本作为查询集。其中，每个样本的振动波形例如可以包含2048个采样点。本实施例中，设置k为5，n为1,3,5,10分别进行测试，训练次数为150。

在训练时，小波-原型网络采用元学习的模式进行训练，将支持集和查询集送入卷积层进行特征提取，通过全连接层、小波层进行进一步特征的提取，其中通过训练小波层的尺度伸缩因子a和时间平移因子b，使神经网络收敛速度快、避免陷入局部最优、提升神经网络的泛化能力，同时又具备时频局部分析的特点。通过训练在原型层中使得每个类别中的查询集的特征提取结果到该类的特征原型的距离最近，到其他类的特征原型的距离较远，从而使损失函数最小，并在完成设定的训练次数时完成训练。

其中建立的损失函数为：

式中x表示查询集中的样本，N_Q表示查询集中样本的数量，f_θ(x)表示查询集中各样本经过卷积层、全连接层和小波层后的结果，c_k表示查询集中各样本对应的本类别的特征原型，d(f_θ(x),c_k)表示f_θ(x)至c_k的距离，c_k′表示其他类别的特征原型，k,表示其他类别的编号，k,＝1,2,3,…,n。在本实施例中，距离采用欧几里得距离，即d(z,z′)＝||z-z′||²。

为了提高模型的准确性，在训练模型时，使用动量梯度算法来更新所有可训练参数。

在测试阶段中，测试数据集分为支持集和查询集后，均送入训练好的故障诊断模型进行测试，测试时，分类层对测试数据到各个类别的原型数据的距离做softmax分类，经分类后得到的故障类型与测试集实际对应的标签进行对比，以验证训练好的模型的准确性。

图5是小波-原型网络测试结果图；图6是小波-原型网络的T-sne可视化分析图。基于图5可以看到，模型测试的准确率随学习样本个数的增加而增加，并且在每种健康状态下仅有1个样本用于训练时，就能取得80％以上的准确率，而每类仅需10个样本便可以使训练准确率到达94％，而传统卷积神经网络一般需要上千个样本才能达到相同的效果。如图6所示，使用T-sne算法对原型层进行的降维后进行可视化分析，可见原型层可以有效地将同一类别的样本聚集在一起，效果显著。

在训练好故障诊断模型后，利用训练好的故障诊断模型对待诊断的振动加速度进行故障诊断。本实施例的振动筛机体的故障诊断方法具体过程如下：

步骤一：利用加速度传感器采集待诊断振动筛机体的振动加速度，从中筛选出与振动弹簧的位移方向一致的振动加速度数据。

具体地，在步骤一中，振动筛机体包括振动弹簧和加速度传感器，加速度传感器采用的是六轴MEMS传感器，六轴MEMS传感器例如是MPU6050设计姿态传感器(即MPU6050六轴传感器)。MPU6050设计姿态传感器用于同步测量安装位置处的X、Y、Z三个方向上的振动加速度信号从而得到三轴向振动波形、以及同步获取航向角、横滚角、俯仰角等姿态信息从而得到绕三轴的欧拉角，用以判断运动形态。在这种情况下，采用MPU6050设计姿态传感器同时检测箱体振动和姿态角，相对于传统的监测方法，监测单元体积小，安装方便，其中，MPU6050设计姿态传感器采用姿态解算算法输出姿态信息。

在步骤一中，为了更好地提高诊断结果的准确性，加速度传感器设置在振动筛机体的靠近电机的一侧。如图4所示，测点在振动筛机体的靠近电机的一侧，在振动筛机体的测点处安装MPU6050六轴传感器。在振动筛达到额定转速后，通过MPU6050六轴传感器监测振动数据(即加速度信号)和姿态数据，振动数据从传感器的加速度输出通道得到，姿态数据从传感器的姿态角输出通道得到，所有通道数据是同步连续采集的。从振动数据中筛选出与振动弹簧的位移方向一致的Z方向上的振动加速度信号作为待诊断振动加速度。

步骤二：将筛选出的振动加速度输入训练好的故障诊断模型进行故障诊断，以得到故障诊断结果。

在步骤二中，故障诊断结果包括没有故障和有故障两大类故障类型，有故障包括振动筛横梁故障、减震弹簧故障等多种小类。

由于振动筛发生故障的概率比较小，因此采集的振动信号中有故障的较少，避免将所有实时的振动信号输入至模型中进行故障诊断，造成计算资源的浪费，在进行诊断之前，可以进行初步筛选，初步筛选包括两种方式，一是振动信号初步筛选，二是角度信号初步筛选，在振动信号初步筛选中判断设定时间间隔内的振动信号平均值是否超过振动预警值；在角度信号初步筛选中，判断角度信号(即姿态信息)是否超过对应的第一预警值；两种方式中任一种方式超过对应的预警值，则将发生报警时的振动信号送入模型进行故障自动识别。

在角度信号初步筛选中，角度信号包括航向角、横滚角、俯仰角，各角度设有对应的第一预警值，若任一角度超过对应的第一预警值，则进行报警处理。

为了更好地进行故障诊断，采集的角度信号为设定时间段内的角度信号，计算设定时间段内的角度信号的平均值，判断平均值是否超过预警值，以用于姿态角的监测报警。例如，设置计算机每5秒计算一次各轴倾斜角度对应的平均值，即

如果α_m，β_m，γ_m为各轴倾斜角度对应的平均值，α_i，β_i，γ_i为采集的各轴倾斜角度，如果α_m，β_m，γ_m超过第一预警值，则说明振动筛倾斜程度过高，进行报警处理。

在角度信号初步筛选中，若采集到的航向角、横滚角和俯仰角中任一角度超过第二预警值，则进行报警停机处理，然后重新检查振动筛箱体的安装情况。其中第二预警值大于第一预警值。

在本实施例中，通过角度信号初步筛选还能够及时确定振动筛箱体位置状态，判断箱体是否偏斜。

基于本实施例的振动筛机体的故障诊断方法，解析传感器数据，实时监测机体的振动和运行姿态两种主要运行参数；根据模型和运动倾角变化，判别振动筛实时和潜在的故障，通过少量的样本训练模型后，用训练好的模型进行故障识别，进而判断振动筛横梁、减震弹簧的工作状态是否异常，并对训练样本中没有遇到过的运行特征进行模式聚类；采用小样本学习的方式，避免了样本量不足时，神经网络分类准确率降低的问题，另外，利用小波-原型网络进行振动信号的分析及故障判断时，将传感器获得的原始振动波形直接传送至模型进行识别判断，无需单独的筛箱运行状态特征提取环节，实现了故障的“端到端”诊断，减少了对设备运维人员技术能力、经验和领域专业知识的依赖，另外小波层不同于普通的激活层，其中的尺度因子和平移因子均为可训练参数，可参与到神经网络的训练中，提升神经网络的泛化能力。基于本实施例的诊断方法在少量故障样本的情况下，并进行故障判断，使得振动筛在潜在故障发生前，被快速自动的识别出来，保证在最佳的时间点，进行设备维护，解决了现有振动筛等筛分设备监测诊断困难的问题，能够高效快速地识别出潜在故障，避免因故障停机造成的经济损失，本实施例的诊断方法并不局限于振动筛，该方法可适用于一切样本量不足时，旋转器械的故障诊断。

振动筛机体的故障诊断系统实施例：

本实施例提供一种振动筛机体的故障诊断系统。基于本实施例的振动筛机体的故障诊断系统能够解决现有技术中故障样本受限时，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高的问题。

在本实施例中，振动筛机体的故障诊断系统包括存储器和处理器，存储器用于存储振动筛机体的故障诊断的指令。处理器用于执行存储在存储器中的指令，以实现上述的振动筛机体的故障诊断方法。振动筛机体的故障诊断方法具体内容可以参照方法实施例中相应的介绍，此处不再赘述。

在本实施例中，处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。

在本实施例中，存储器可以为利用电能方式存储信息的各式存储器(例如RAM、ROM等)、利用磁能方式存储信息的各式存储器(例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等)、利用光学方式存储信息的各式存储器(例如CD、DVD等)。当然，存储器还可以为其他方式的存储器(例如量子存储器、石墨烯存储器等)。

Claims (10)

1.一种振动筛机体的故障诊断方法，其特征在于，包括：

1)利用加速度传感器采集振动筛机体的振动加速度，从中筛选出与振动弹簧的位移方向一致的振动加速度数据；

2)将筛选出的振动加速度输入训练好的故障诊断模型进行故障诊断，以得到故障诊断结果；其中，所述故障诊断模型包括卷积层、全连接层、小波层、原型层和分类层，卷积层用于对输入的振动加速度进行特征提取以获得初始特征，全连接层用于对初始特征进行特征融合以获得中间特征，小波层用于对中间特征进行激活以得到激活结果，原型层用于根据激活结果得到每个类别对应的原型，分类层用于进行故障分类以得到故障诊断结果；在训练故障诊断模型过程中，将训练数据集分为支持集和查询集，经过卷积层、全连接层、小波层处理后，由原型层根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，使损失函数最小完成训练。

2.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，卷积层包括依次连接3个卷积块，各卷积块使用1维的卷积核，第一个卷积块的卷积核大小为64×1，卷积核数量为16，后两个卷积块的卷积核大小为3×1，卷积核数量为32。

3.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，小波层使用Morlet小波作为激活函数，此激活函数中包含尺度因子和平移因子，将尺度因子和平移因子作为训练参数。

4.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，损失函数为：

式中x表示查询集中的样本，N_Q表示查询集中样本的数量，f_θ(x)表示查询集中各样本经过卷积层、全连接层和小波层后的结果，c_k表示查询集中各样本对应的本类别的特征原型，d(f_θ(x),c_k)表示f_θ(x)至c_k的距离，c_k′表示其他类别的特征原型，k’表示其他类别的编号，k’＝1,2,3,…,n。

5.根据权利要求1或4所述的振动筛机体的故障诊断方法，其特征在于，计算的距离为欧几里得距离。

6.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，在训练时每次随机从训练数据集中随机选取至少一类样本生成一次训练情节。

7.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，加速度传感器设置在振动筛机体的靠近电机的一侧。

8.根据权利要求1所述的振动筛机体的故障诊断方法，其特征在于，在步骤1)中，还采集角度信号，所述角度信号包括航向角、横滚角和俯仰角，若任一角度超过第一预警值，则进行报警处理，并将实时采集到与振动弹簧的位移方向一致的振动加速度数据输入到所述训练好的故障诊断模型中进行故障诊断。

9.根据权利要求8所述的振动筛机体的故障诊断方法，其特征在于，若采集到的航向角、横滚角和俯仰角中任一角度超过第二预警值，则进行报警停机处理，第二预警值大于第一预警值。

10.一种振动筛机体的故障诊断系统，其特征在于，包括：存储器和处理器，所述处理器用于执行存储在所述存储器中的指令，以实现权利要求1-9中任一项所述的振动筛机体的故障诊断方法。

Images