CN114841058A - 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质 - Google Patents

基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质 Download PDF

Info

Publication number
CN114841058A
CN114841058A CN202210396160.7A CN202210396160A CN114841058A CN 114841058 A CN114841058 A CN 114841058A CN 202210396160 A CN202210396160 A CN 202210396160A CN 114841058 A CN114841058 A CN 114841058A
Authority
CN
China
Prior art keywords
neural network
fault
mechanism model
mobile equipment
training
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.)
Pending
Application number
CN202210396160.7A
Other languages
English (en)
Inventor
马健
黄博
刘显卓
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.)
Guangdong Xindun Technology Co ltd
Original Assignee
Guangdong Xindun 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 Guangdong Xindun Technology Co ltd filed Critical Guangdong Xindun Technology Co ltd
Priority to CN202210396160.7A priority Critical patent/CN114841058A/zh
Publication of CN114841058A publication Critical patent/CN114841058A/zh
Pending legal-status Critical Current

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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质，神经网络训练方法包括通过动设备故障机理模型仿真生成模拟故障特征数据，对动设备的振动信号进行实测获得实测故障特征数据，使用模拟故障特征数据对第一神经网络进行预训练，根据实测故障特征数据使用第一神经网络对第二神经网络进行参数调整等步骤。本发明通过变动动设备故障机理模型的参数来获得规模大、广谱的模拟故障特征数据，丰富了对第一神经网络进行预训练所需的数据，提高了最后训练所得的神经网络的故障诊断的泛化能力和准确性，可以降低对实测故障特征数据的规模的要求，弥补训练泛化能力不足的问题。本发明广泛应用于人工智能技术领域。

Description

基于机理模型的神经网络训练方法、动设备故障诊断方法、装 置和存储介质
技术领域
本发明涉及人工智能技术领域，尤其是一种基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质。
背景技术
流程行业工厂内存在着大量的旋转机械等动设备，当旋转机械内部出现异常情况后，就会出现振动的加大，强烈的振动和冲击会使得设备和零部件出现损坏或异常故障。机械振动中包含有能够反映旋转机械设备的工作状况的信息，通过采集旋转机械的振动数据，以及对波形频谱等振动信息进行识别，可以判断动设备的故障类型、故障位置、故障严重程度以及预期寿命。以往对机械振动的分析主要是依靠经验或者传统数学工具完成，故障诊断的泛化能力不足。而且工业设备种类繁杂、机械故障类型繁多、故障位置不确定性强、振动信号波动大、分形复杂、特征提取与分类难度高、故障数据相对匮乏、监测传感器计算资源有限，也对故障模型训练与部署、故障诊断准确性提升、诊断系统的鲁棒性提出了技术挑战。
发明内容
针对目前的机械故障类型繁多，且动设备故障数据不易获得，难以识别动设备故障类型等至少一个技术问题，本发明的目的在于提供一种基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质。
一方面，本发明实施例包括一种基于机理模型的神经网络训练方法，包括：
建立动设备故障机理模型；
通过所述动设备故障机理模型，仿真生成模拟故障特征数据；
对动设备的振动信号进行实测，获得实测故障特征数据；
建立第一神经网络和第二神经网络；
使用所述模拟故障特征数据，对所述第一神经网络进行预训练；
根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整。
进一步地，所述建立动设备故障机理模型，包括：
建立动设备的多种类型故障的物理模型；
获取各所述物理模型各自对应的数学模型；
以各所述物理模型和各所述数学模型组成所述动设备故障机理模型。
进一步地，所述多种类型故障包括不平衡、不对中、轴弯曲、动静碰摩、机械松动、刚度减弱、轴承故障、齿轮故障。
进一步地，所述通过所述动设备故障机理模型，仿真生成模拟故障特征数据，包括：
将所述动设备故障机理模型输入仿真软件；
设置所述仿真软件对所述动设备故障机理模型的参数进行变动，分别在各参数下对所述动设备故障机理模型进行求解，获得所述模拟故障特征数据。
进一步地，所述基于机理模型的神经网络训练方法还包括：
确定所述实测故障特征数据与所述模拟故障特征数据的规模比例；
根据所述规模比例，设定所述动设备故障机理模型的参数的变动范围。
进一步地，所述根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整，包括：
将经过预训练的所述第一神经网络的网络参数迁移至所述第二神经网络；
使用所述实测故障特征数据，对所述第二神经网络进行训练。
进一步地，所述根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整，包括：
以经过预训练的所述第一神经网络作为所述第二神经网络；
使用所述实测故障特征数据，对所述第二神经网络进行训练。
另一方面，本发明实施例还包括一种动设备故障诊断方法，所述动设备故障诊断方法包括：
对动设备的振动信号进行实测，获得实测故障特征数据；
将所述实测故障特征数据输入至第二神经网络，获取所述第二神经网络的输出结果；所述第二神经网络经过实施例中的基于机理模型的神经网络训练方法训练；
根据所述第二神经网络的输出结果，确定动设备存在的故障类型。
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的基于机理模型的神经网络训练方法和/或动设备故障诊断方法。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的基于机理模型的神经网络训练方法和/或动设备故障诊断方法。
本发明的有益效果是：实施例中的基于机理模型的神经网络训练方法，通过变动动设备故障机理模型的参数来获得规模大、广谱的模拟故障特征数据，丰富了对第一神经网络进行预训练所需的数据，提高了最后训练所得的神经网络的故障诊断的泛化能力和准确性；通过迁移网络参数等技术手段获得第二神经网络，可以在预训练的基础上使用实测故障特征数据进行进一步训练，降低对实测故障特征数据的规模的要求，弥补了真实故障案例不足带来的训练泛化能力不足的问题，执行基于机理模型的神经网络训练方法所得到的第二神经网络，能够应用在动设备故障诊断方法中，对动设备存在的故障进行有效的识别。
附图说明
图1为实施例中的基于机理模型的神经网络训练方法的流程图；
图2为实施例中的基于机理模型的神经网络训练方法的原理图；
图3为实施例中动静碰摩类型的故障对应的物理模型示意图；
图4为实施例中使用Simulink建立的动静碰摩类型的故障对应的动设备故障机理模型示意图；
图5为实施例中建立的卷积神经网络的示意图；
图6为实施例中建立的循环神经网络的示意图；
图7为实施例中的动设备故障诊断方法的流程图。
具体实施方式
本实施例中，参照图1，基于机理模型的神经网络训练方法包括以下步骤：
S1.建立动设备故障机理模型；
S2.通过动设备故障机理模型，仿真生成模拟故障特征数据；
S3.对动设备的振动信号进行实测，获得实测故障特征数据；
S4.建立第一神经网络和第二神经网络；
S5.使用模拟故障特征数据，对第一神经网络进行预训练；
S6.根据实测故障特征数据，使用经过预训练的第一神经网络对第二神经网络进行参数调整。
步骤S1-S6的原理如图2所示。步骤S1中，所建立的动设备故障机理模型由多种不同类型故障各自对应的物理模型，以及每种物理模型各自对应的数学模型组成。例如，所要识别的故障可以是不平衡、不对中、轴弯曲、动静碰摩、机械松动、刚度减弱、轴承故障(包括内圈、外圈、滚动体和保持架等部分的故障)、齿轮故障(包括点蚀、胶合、断齿等)等类型，其中的每种类型的故障都有其对应的物理模型和数学模型。例如，对于动静碰摩这种类型的故障，其对应的物理模型如图3所示，根据该物理模型可以建立形如
Figure BDA0003599042450000041
的数学模型，即图3所示物理模型的动力学响应微分方程，其中M为系统等效质量，C为系统等效阻尼，K为系统等效刚度，F(t)为系统外部激励，x为时变函数。系统等效质量M、系统等效阻尼C、系统等效刚度K、系统外部激励F(t)等属于数学模型的参数，数学模型的解F(t)的具体形式与这些参数的取值有关，因此通过改变数学模型的参数，可以获得不同的解。本实施例中，动设备一般为多自由系统，因此这些参数以及解可以是矩阵形式。
参照图2，步骤S2中，通过动设备故障机理模型，仿真生成模拟故障特征数据。具体地，可以用Simulink等仿真软件运行动设备故障机理模型进行仿真，从而生成模拟故障特征数据。例如，对于图3所示的动静碰摩的物理模型，在Simulink中建立的动设备故障机理模型如图4所示。在Simulink中设定动静碰摩的数学模型中各参数的具体取值，分别对动静碰摩的数学模型中的时变函数x在这些具体取值下进行求解，获得多个解，即时变函数x的具体函数形式。对于其中一个属于数学模型的解的时变函数x，其相当于动静碰摩这一故障类型所产生的一种振动信号特征信息(例如时域波形或者频谱)，从而可以将其作为模拟故障特征数据，并且将其标记为动设备存在动静碰摩这一类型故障。
通过在Simulink中设定数学模型中的参数在一定范围内取多个值，并对设定了具体参数值之后的数学模型进行求解，可以获得多个模拟故障特征数据，从而以低成本获得大量高质量的训练样本。
本实施例中，通过步骤S2所获得的模拟故障特征数据的规模，即模拟故障特征数据的数据量可以是任意的，并且容易获得大量的模拟故障特征数据，而通过步骤S3获得的实测故障特征数据的规模则一般则较小，也就是模拟故障特征数据的规模一般大于实测故障特征数据的规模。本实施例中，可以先确定实测故障特征数据的规模s1，并设定步骤S2中所要获得的模拟故障特征数据的规模s2，以实测故障特征数据的规模与模拟故障特征数据的规模相除，计算得到实测故障特征数据与模拟故障特征数据的规模比例p＝s1/s2。根据计算得到的规模比例p％，设定动设备故障机理模型的参数的变动范围，具体地，可以设定动设备故障机理模型的参数的基准值，然后在基准值的±p％范围内按照一定的步长，调整数学模型中的各参数。在步长不变的情况下，p％越大，则在基准值的±p％范围内遍历得到的数学模型中的参数越多，步骤S2中能够获得更多的模拟故障特征数据，从而满足所设定的模拟故障特征数据的规模s2的要求。
步骤S3中，可以通过在动设备上安装传感器，对动设备的轴承和齿轮等动部件的振动信号进行实测，从而获得实测故障特征数据。实测故障特征数据的形式可以与模拟故障特征数据匹配，例如实测故障特征数据与模拟故障特征数据同为时域信号或者同为频域信号。在测定实测故障特征数据的同时，还检查动设备的故障状态，生成标记信息，以标记动部件不存在故障或者存在的故障类型，从而组成用于训练第二神经网络的训练数据。
步骤S4中，第一神经网络和第二神经网络可以均为图5所示的卷积神经网络(CNN)或者均为图6所示的循环神经网络(RNN)，也可以均为长期短期记忆网络(LSTM)。可以建立两个相互独立的卷积神经网络分别作为第一神经网络和第二神经网络，也可以只建立一个卷积神经网络，在不同的阶段分别作为第一神经网络和第二神经网络。
步骤S5中，以模拟故障特征数据作为第一神经网络的输入，以模拟故障特征数据对应的标签(模拟故障特征数据对应的动设备存在的故障类型的标记信息，例如动静碰摩)作为第一神经网络的期望输出，对第一神经网络进行训练。由于模拟故障特征数据的规模大，能够对第一神经网络进行充分的训练。
本实施例中，在步骤S4中建立了两个相互独立的卷积神经网络分别作为第一神经网络和第二神经网络的情况下，在执行步骤S6，也就是根据实测故障特征数据，使用经过预训练的第一神经网络对第二神经网络进行参数调整这一步骤时，具体可以执行以下步骤：
S601A.将经过预训练的第一神经网络的网络参数迁移至第二神经网络；
S602A.使用实测故障特征数据，对第二神经网络进行训练。
本实施例中，在步骤S4中只建立了一个卷积神经网络的情况下，在执行步骤S6，也就是根据实测故障特征数据，使用经过预训练的第一神经网络对第二神经网络进行参数调整这一步骤时，具体可以执行以下步骤：
S601B.以经过预训练的第一神经网络作为第二神经网络；
S602B.使用实测故障特征数据，对第二神经网络进行训练。
步骤S602A和S602B都是在经过预训练的第一神经网络的基础上，使用实测故障特征数据进行进一步的训练。步骤S602A和步骤S602B中，以实测故障特征数据作为第二神经网络的输入，以实测故障特征数据对应的标签(用于表示被测动设备不存在故障或者存在的故障类型的标记信息)作为第二神经网络的期望输出，对第二神经网络进行训练，从而实现在对第一神经网络进行预训练的基础上，对预训练所得到的神经网络参数进行微调。
本实施例中，通过执行步骤S1-S6，可以通过动设备故障机理模型生成模拟故障特征数据，用于对第一神经网络进行预训练，获得相应的神经网络参数，并且可以通过变动动设备故障机理模型的参数来获得规模较大、非常广谱的模拟故障特征数据，丰富了对第一神经网络进行预训练所需的数据，提高了最后训练所得的神经网络的故障诊断的泛化能力和准确性；通过迁移网络参数等技术手段获得第二神经网络，可以在预训练的基础上使用实测故障特征数据进行进一步训练，降低对实测故障特征数据的规模的要求，弥补了真实故障案例不足带来的训练泛化能力不足的问题，例如，可以通过动设备故障机理模型生成不同故障类型的模拟故障特征数据，即使在无法获得某种故障类型的实测故障数据的情况下，也能够训练得到具有这种类型故障识别能力的第二神经网络。
本实施例中，利用动设备故障机理模型变参数生成的振动波形频谱数据、动设备故障模拟采集的振动波形频谱数据以及工业现场真实故障动设备上采集的振动波形频谱数据，建立高准确度、高效的故障检测识别模型，以用于判断设备健康状态；研究基于深度学习的时域、频域和时频分析模型；设计基于卷积神经网络、循环神经网络和注意力机制的网络来捕获传感器数据间相互影响和动态演变规律；将多源跨域数据投影到低维向量中，经过融合函形成向量输出，综合不同异构数据之间的相关性信息来提高动设备故障诊断的准确度。
本实施例中，在执行步骤S1-S6，完成对第二神经网络的训练之后，可以执行动设备故障诊断方法。参照图7，动设备故障诊断方法包括以下步骤：
P1.对动设备的振动信号进行实测，获得实测故障特征数据；
P2.将实测故障特征数据输入至第二神经网络，获取第二神经网络的输出结果；
P3.根据第二神经网络的输出结果，确定动设备存在的故障类型。
在执行步骤S1-S6，完成对第二神经网络的训练之后，第二神经网络具有了从动设备的振动信号识别出动设备存在的故障类型的能力。具体地，第二神经网络可以捕获实测故障特征数据间相互影响和动态演变规律，将多源跨域数据投影到低维向量中，经过融合函形成向量输出，根据输出结果能够确定动设备存在的故障类型。
可以通过编写执行本实施例中的基于机理模型的神经网络训练方法和/或动设备故障诊断方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的基于机理模型的神经网络训练方法和/或动设备故障诊断方法，从而实现与实施例中的基于机理模型的神经网络训练方法和/或动设备故障诊断方法相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种基于机理模型的神经网络训练方法，其特征在于，所述基于机理模型的神经网络训练方法包括：
建立动设备故障机理模型；
通过所述动设备故障机理模型，仿真生成模拟故障特征数据；
对动设备的振动信号进行实测，获得实测故障特征数据；
建立第一神经网络和第二神经网络；
使用所述模拟故障特征数据，对所述第一神经网络进行预训练；
根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整。
2.根据权利要求1所述的基于机理模型的神经网络训练方法，其特征在于，所述建立动设备故障机理模型，包括：
建立动设备的多种类型故障的物理模型；
获取各所述物理模型各自对应的数学模型；
以各所述物理模型和各所述数学模型组成所述动设备故障机理模型。
3.根据权利要求2所述的基于机理模型的神经网络训练方法，其特征在于，所述多种类型故障包括不平衡、不对中、轴弯曲、动静碰摩、机械松动、刚度减弱、轴承故障、齿轮故障。
4.根据权利要求2所述的基于机理模型的神经网络训练方法，其特征在于，所述通过所述动设备故障机理模型，仿真生成模拟故障特征数据，包括：
将所述动设备故障机理模型输入仿真软件；
设置所述仿真软件对所述动设备故障机理模型的参数进行变动，分别在各参数下对所述动设备故障机理模型进行求解，获得所述模拟故障特征数据。
5.根据权利要求4所述的基于机理模型的神经网络训练方法，其特征在于，所述基于机理模型的神经网络训练方法还包括：
确定所述实测故障特征数据与所述模拟故障特征数据的规模比例；
根据所述规模比例，设定所述动设备故障机理模型的参数的变动范围。
6.根据权利要求1-5任一项所述的基于机理模型的神经网络训练方法，其特征在于，所述根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整，包括：
将经过预训练的所述第一神经网络的网络参数迁移至所述第二神经网络；
使用所述实测故障特征数据，对所述第二神经网络进行训练。
7.根据权利要求1-5任一项所述的基于机理模型的神经网络训练方法，其特征在于，所述根据所述实测故障特征数据，使用经过预训练的所述第一神经网络对所述第二神经网络进行参数调整，包括：
以经过预训练的所述第一神经网络作为所述第二神经网络；
使用所述实测故障特征数据，对所述第二神经网络进行训练。
8.一种动设备故障诊断方法，其特征在于，所述动设备故障诊断方法包括：
对动设备的振动信号进行实测，获得实测故障特征数据；
将所述实测故障特征数据输入至第二神经网络，获取所述第二神经网络的输出结果；所述第二神经网络经过如权利要求1-7任一项所述的基于机理模型的神经网络训练方法训练；
根据所述第二神经网络的输出结果，确定动设备存在的故障类型。
9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述的基于机理模型的神经网络训练方法和/或权利要求8所述的动设备故障诊断方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-7任一项所述的基于机理模型的神经网络训练方法和/或权利要求8所述的动设备故障诊断方法。
CN202210396160.7A 2022-04-15 2022-04-15 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质 Pending CN114841058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210396160.7A CN114841058A (zh) 2022-04-15 2022-04-15 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210396160.7A CN114841058A (zh) 2022-04-15 2022-04-15 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN114841058A true CN114841058A (zh) 2022-08-02

Family

ID=82566340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210396160.7A Pending CN114841058A (zh) 2022-04-15 2022-04-15 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114841058A (zh)

Similar Documents

Publication Publication Date Title
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
Kenett et al. The digital twin in Industry 4.0: A wide‐angle perspective
Wang et al. Online class imbalance learning and its applications in fault detection
RU2724716C1 (ru) Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя
JP6837848B2 (ja) 診断装置
JP2019204155A (ja) 異常検出器
DK3073450T3 (en) SYSTEM AND PROCEDURE FOR MONITORING A DRIVER'S DRIVING CONDUCT
CN108628253A (zh) 异常检测装置以及机器学习装置
CN106020116A (zh) 具有对机器人进行异常诊断的功能的机器人控制装置
EP3956645B1 (en) System, apparatus and method of determining condition of a bearing
US20230081892A1 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
Wang et al. Remaining useful life prediction considering joint dependency of degradation rate and variation on time-varying operating conditions
Dorst et al. Metrology for the factory of the future: towards a case study in condition monitoring
CN114216640A (zh) 用于检测工业设备故障状态的方法、设备和介质
JP5535954B2 (ja) 健全性評価装置及びその方法並びにプログラム
CN110546657B (zh) 用于评估组件的生命周期的方法和设备
CN114841058A (zh) 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质
Nikitin et al. Mechatronic modules diagnosis by use of fuzzy sets
US20210178615A1 (en) Abnormality diagnosis device and abnormality diagnosis method
CN113001546B (zh) 一种提高工业机器人运动速度安全性的方法及系统
US20230065800A1 (en) Method and test assembly for testing an autonomous behavior controller for a technical system
CN114838932A (zh) 一种rv减速器缓慢时变微弱故障诊断方法
JP7158117B2 (ja) 複雑なシステムにおける状態予測の説明のためのシステム及び方法
Kolar et al. Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research
CN113590458A (zh) 用于检查技术系统的方法和设备

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