CN114925724A - 一种机械设备故障诊断方法、装置及存储介质 - Google Patents
一种机械设备故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114925724A CN114925724A CN202210492062.3A CN202210492062A CN114925724A CN 114925724 A CN114925724 A CN 114925724A CN 202210492062 A CN202210492062 A CN 202210492062A CN 114925724 A CN114925724 A CN 114925724A
- Authority
- CN
- China
- Prior art keywords
- fault
- task
- neural network
- convolutional neural
- model
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 208000037408 Device failure Diseases 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种机械设备故障诊断方法、装置及存储介质，用于对齿轮箱中多个零部件同时出现、相互耦合的复合故障进行诊断，包含：步骤1：采集齿轮箱在不同工况下包含多种故障信息的振动信号；步骤2：对振动信号进行预处理；步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；步骤4：将处理好的数据样本输入到步骤3搭建的故障诊断模型中，对模型进行训练；步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的模型中，获取故障诊断结果。本发明提出的基于卷积神经网络故障诊断模型，能够保障故障特征完整性并实现多任务故障诊断，以更快和更准确地对故障类型及故障程度同时识别或者对包含多种故障模式的复合故障进行识别。
Description
技术领域
本发明属于机械设备故障诊断领域，具体涉及一种机械设备故障诊断方法、装置及存储介质。
背景技术
齿轮箱是旋转机械中用于连接和传递动力的关键部件，对机械设备运行的稳定性有着重要影响。齿轮箱往往长时间工作在高速、重载的环境下，其主要部件，如齿轮、轴承等很容易因疲劳磨损等而发生故障。齿轮箱一旦发生故障，将会严重影响整个机械设备的正常运行，进而威胁工业生产安全。
现有的智能故障诊断方法可以获得较好的诊断效果，但是这些方法大多只适用于单一零部件的故障类型识别或其他单一任务故障诊断。然而在工业现场，机械设备出现单一故障后通常不会马上停机检修，而是对故障跟踪评估，达到一定故障程度之后才会进行维修或更换。故障程度识别是视情维修的基础，在判断故障类型的同时进行故障程度识别十分必要。此外，当齿轮或轴承发生故障后，通常会引起与之接触的其他零部件发生故障，进而发展为复合故障。
综上，在工业生产中存在同时识别齿轮箱故障类型和故障程度或者对多种故障类型的需求。如果采用现有的单任务故障诊断方法，则不仅不能对多个诊断任务进行有效特征提取，还会导致诊断模型参数规模十分庞大，难以进行有效诊断。因此，对齿轮箱故障的多任务诊断方法的研究，对于实现机械设备视情维修、降低生产成本以及保障工业生产安全都具有意义。
发明内容
发明目的：本发明的目的是针对现有齿轮箱故障诊断方法大多只能进行单任务诊断的问题，提出了一种机械设备故障诊断方法、装置及存储介质，解决了齿轮箱故障多任务诊断问题，提高了诊断准确率。
本发明所述方法具体包括如下步骤：
步骤1：采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；
步骤2：对步骤1采集到的n组振动信号进行预处理，扩展数据维度以适应后续模型的输入需求等，并添加故障标签，生成数据样本；
步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；
步骤4：将步骤2生成的数据样本输入到步骤3搭建的卷积神经网络模型中，对模型进行训练；
步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的卷积神经网络模型中，进行故障状态识别，基于模型输出的故障标签，获取齿轮箱的故障诊断结果。
步骤1中基于最小化残差和分类选优的核心思想分析不同测点的振动信号，选取合适的振动敏感测点，能最大限度地反应齿轮箱的振动特性，同时降低测点之间的共线性干扰。
步骤2包括：采用滑动分割的方式进行数据增强，设定数据点总数为N，单个样本数据点个数为Ns，重叠部分数据点个数为No，则采用增强后所得到的数据量n的计算公式如下：
通过设置合适的重叠数据点个数No，数据样本可以得到很好的扩充。
步骤2中采用One-Hot编码方式添加故障标签，解决了分类器不好处理属性标签的问题。故障标签的表示形式为向量，不同数量的故障类别分别对应不同长度的标签向量，每个样本对应的故障标签向量中只有一位处于状态1，其余均为状态0，状态1表示“是”，状态0表示“否”，任意时候只有一位有效。
步骤2中采用滑动分割方式对一维振动信号进行数据增强，且根据不同的数据量对不同状态下的数据设置不同的滑动步长，以避免出现样本不平衡的问题。
步骤3中，所述卷积神经网络模型包括多通道输入、共享网络、M个任务分支以及复合损失函数；M为整数且M≥2；
将采集到敏感位置上不同工况下的多组振动信号采用多通道输入的方式同时导入卷积神经网络模型；共享网络能够从振动信号中初步提取各个任务之间的共享特征；M个任务分支进一步提取每个诊断任务的特有特征，分支的数目根据任务数量来调整；复合损失函数用于平衡不同任务之间的损失规模。
所述卷积神经网络模型通过执行如下步骤完成模型特征提取过程及相关计算：
步骤301：将经过步骤2预处理后的n组振动信号通过n个通道同时输入到步骤3搭建的卷积神经网络模型中进行训练，多通道输入的卷积结果为各个通道运算结果的叠加，如下所示：
式中，yi,j为多通道输入的卷积结果，c为特征序列的序号，W表示卷积核的尺寸，
为第i个卷积核中第j'个权值，
为第j'个被卷积的局部区域，
表示第i个卷积核的偏置；
步骤302：步骤301中的n组振动信号输入到卷积神经网络模型后，首先经过主干网络来学习多个任务的共享特征(主干网络指的是提取特征的网络，其作用就是提取数据中的信息，供后面的网络使用)；主干网络共包括两个以上卷积池化模块，每个卷积池化模块均包括卷积层、批量归一化层、ReLU激活函数和池化层，每个卷积池化模块中的池化层均采用最大池化；
步骤303：将步骤302中学习和提取到的共享特征输入到M个任务分支中，进行各个任务的特有特征的学习和提取，每个任务分支包括两个以上卷积池化模块，其中最后一个池化层采用全局平均池化，其余池化层均采用最大池化，全局平均池化的运算公式为：
其中，
表示第l层第i个通道全局平均池化的输出值，V表示池化区域的大小，
表示第i个通道的第t个特征值；
在M个任务分支的全连接层中添加Softmax激活函数(一般的卷积神经网络由卷积层、池化层、全连接层、Softmax层组成。这四者构成了常见的卷积神经网络。经过多轮的卷积层和池化层处理后，卷积神经网络一般会接1到2层全连接层来给出最后的分类结果)，用来估计属于不同类别的概率分布，表示如下：
其中，Z为全连接层的输出值，hj(Z)为Z属于第j个分类的概率值，Zj为Z的第j个元素，C为一常数；exp是运算符号；
由于Softmax函数中涉及到指数运算，如果Zj的值很大，数值可能会溢出。所以对Softmax函数进行改进，在分子和分母同乘以常数C，结果不变。公式如下：
通过选取合适的常数C，使Softmax函数得到优化。
步骤304：多任务卷积神经网络需要设置两个以上交叉熵损失函数Lf，f＝A,B,…(A,B,…代表任务分支A,任务分支B，……)，如下：
式中，yf为任务分支的期望输出，
为任务分支的实际输出。
在复合损失函数中引入权重系数λf,f＝A,B,…，来控制步骤303中M个任务分支在训练过程中的权重，复合损失函数L表示如下：
式中，f表示诊断任务，Lf表示诊断任务对应的交叉熵损失函数。
故障诊断模型采用多通道输入，可以同时输入传感器采集到的不同工况下的多组振动信号，相较于单通道输入，网络可以学习到更加全面的故障特征，提升模型的分类效果，抗噪性能也更好。
故障诊断模型包含M个任务分支，任务分支的数目根据实际诊断情况来调整，每个任务分支完成相应独立的故障诊断任务，进而实现多任务故障诊断。相较于单任务网络结构，以包含J种齿轮故障类型和H种轴承故障为例，输出层的输出类别由Ο＝J×Η变为O'＝J+H，网络参数规模减小的同时，降低了训练难度。
故障诊断模型包含共享网络和M个任务分支，任务分支之间通过共享网络连接和共享隐藏层中的所有神经元，在反向传播的过程中可以同时优化多个任务的网络参数，从而实现不同任务之间信息共享，提高故障诊断准确率和模型的泛化能力。
在复合交叉熵损失函数中引入了超参数，为不同的任务分支添加不同的权重系数，有利于平衡多个损失函数的损失规模，避免出现其中一个任务主导整个训练过程的情形。通过测试不同超参数下网络对样本数据的分类正确率来确定不同分支的权重系数。
将宽卷积核应用到网络的搭建中，其作用与短时傅里叶变换类似，首个卷积层采用宽卷积核，第一层的宽卷积核相当于短时傅里叶变换中的正弦函数，有助于充分获取振动信号中的低频特征，在一定程度上抵抗环境中高频噪声的干扰，并将网络维持在合适的深度。通过设置不同大小的卷积核，可以得到包含不同尺度信息的M个任务分支。
进一步的，步骤301中的多通道输入可以同时输入传感器采集到的不同工况的振动信号，保障了不同故障空间特征的完整性。
进一步的，步骤303中的每个任务分支可以完成相应的故障诊断任务，进而实现齿轮箱多任务故障诊断，且任务分支数目可根据实际诊断情况进行调整。
进一步的，步骤303中的M个任务分支能够连接步骤302中的共享网络隐藏层中所有的神经元，可以实现不同任务之间的信息共享，提高故障诊断准确率和模型的泛化能力。
进一步的，步骤304中的复合损失函数中为多个任务添加不同的权重系数，有利于平衡多个损失函数的损失规模，避免出现其中一个任务主导训练过程的情形。
本发明还提供了一种机械设备故障诊断装置，包括：
数据采集模块，用于采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行频谱分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；
数据处理模块，用于对采集到的n组振动信号进行预处理，并添加故障标签，生成数据样本；
卷积神经网络模型建立模块，用于搭建多通道输入和多任务分支的卷积神经网络模型；
训练模块，用于将数据样本输入到卷积神经网络模型中，对模型进行训练；
故障模式识别模块，用于将用于测试的齿轮箱振动信号输入到训练好的卷积神经网络模型中，基于模型输出的故障标签，进行故障模式识别，获取齿轮箱的故障诊断结果。
本发明还提供了一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现所述的方法。
本发明的有益效果是：
1.本发明实现了端到端的故障特征提取及分类，不需要人工特征提取以及丰富的专家知识便可以实现齿轮箱多任务故障诊断。
2.本发明同时输入齿轮箱不同工况的多组振动信号来进行故障诊断，最大限度地保障了故障特征的完整性，提高了诊断精度。
3.本发明的故障诊断模型中包含M个任务分支，可以同时进行多个故障诊断任务，且任务分支的个数可根据实际诊断情况进行调整。
4.本发明通过共享网络在多个诊断任务之间实现信息共享，提高了故障诊断精度以及模型的泛化能力。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明方法总体流程图。
图2为数据增强处理示意图。
图3为多通道输入和多任务分支的卷积神经网络模型结构图。
具体实施方式
本实施案例以同时包含齿轮故障和轴承故障的齿轮箱复合故障诊断为例，如图1所示，为基于多通道输入和多任务分支的卷积神经网络模型的齿轮箱复合故障诊断总体流程图。具体流程如下：
步骤1：基于信号采集装置和加速度传感器采集齿轮箱不同工况下的故障振动信号；
步骤2：对步骤1采集到的3组振动信号进行数据增强、分割、维度拓展等预处理操作，其中，将每个样本长度设置为2048，滑动分割的步长设置为1000。采用One-Hot编码的方式添加故障标签，生成数据样本；
步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；该模型主要由多通道输入、共享网络、M个任务分支以及复合损失函数四部分组成。共享网络和M个任务分支可以结合图3来理解。M个任务分支是主干网络后面的各个分支网络结构。在M个任务分支之前的、各个任务分支共有的网络部分称为共享网络，在深度学习反向传播的过程中实现M个任务分支之间的信息共享。
传感器采集到敏感位置上不同工况下的多组振动信号采用多通道输入的方式同时导入模型；共享网络能够初步从振动信号中提取各个任务之间的共享特征，M个任务分支进一步提取每个诊断任务的特有特征，分支的数目可以根据任务数量进行调整；复合损失函数用于平衡不同任务之间的损失规模。模型特征提取过程及计算方法如下：
步骤301：将经过步骤2预处理后的3组振动信号数据通过3个通道同时输入到网络中进行训练。对于多通道输入，卷积的结果为各个通道运算结果的叠加，如下：
式中，yi,j为多通道输入的卷积结果，c为特征序列的序号，W表示卷积核的尺寸，
为第i个卷积核中第j′个权值，
为第j′个被卷积的局部区域，
表示第i个卷积核的偏置。
步骤302：步骤301中的3组振动信号输入到网络后，首先经过主干网络进行多个任务共享特征的学习。主干网络共包括四个卷积池化模块，每个模块由卷积层、批量归一化层、ReLU激活函数以及池化层组成。模型搭建使用了宽卷积核，第一个卷积层的卷积核大小设置为32×1，之后每一层的卷积核大小设置为3×1。每个模块中的池化层均采用最大池化，下采样数为2。
步骤303：将步骤302中提取到的共享特征输入到两个任务分支中，进行各任务特有特征的提取，两个任务分支分别对应齿轮故障诊断和轴承故障诊断。每个任务分支包括两个卷积池化模块，每一层的卷积核大小均设置为3×1，其中最后一个池化层采用了全局平均池化，运算公式为：
式中，
表示第l层第i个通道全局平均池化的输出值，V表示池化区域的大小，
表示第i个通道的第t个特征值。
两个任务分支的全连接层中添加了Softmax激活函数，用于估计属于不同类别的概率分布，表示如下：
式中，Z为全连接层输出值，hj(Z)为Z属于第j个分类的概率值，Zj为Z的第j个元素，C为一常数。
步骤304：在损失函数中引入权重系数λG和λB来分别控制步骤303中齿轮故障诊断和轴承故障诊断两个任务分支在训练过程中的权重，模型的复合损失函数表示如下：
L＝λGLG+λBLB (4)
式中，L表示交叉熵损失函数。
步骤4：将步骤2生成的数据样本输入到步骤3搭建的卷积神经网络模型中，对模型进行训练。
实验平台配置如下：操作系统为64位Windows10，CPU为AMD R5 3600，GPU为NVIDIAGTX 2060，编程环境为Python3.7，深度学习框架为PyTorch。
训练过程中，将初始学习率设定为0.001，批量大小(batch size)设置为512。采用Droupout策略来抑制训练过程中可能出现的过拟合，丢弃概率设置为0.1。
步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的模型中，进行故障状态识别，基于模型输出的故障标签，获取齿轮箱的故障诊断结果。为了减少随机选取初始值造成的误差，进行了10次重复训练和测试，获得的诊断准确率如下表所示，其中“联合诊断”表示齿轮故障和轴承故障均诊断正确。
表1
综上所述，本发明可以有效用于齿轮箱复合故障诊断，在获得较高诊断准确率的同时，拥有较强的泛化能力。
本实施例还提供了一种机械设备故障诊断装置，包括：
数据采集模块，用于采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行频谱分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；
数据处理模块，用于对采集到的n组振动信号进行预处理，并添加故障标签，生成数据样本；
卷积神经网络模型建立模块，用于搭建多通道输入和多任务分支的卷积神经网络模型；
训练模块，用于将数据样本输入到卷积神经网络模型中，对模型进行训练；
故障模式识别模块，用于将用于测试的齿轮箱振动信号输入到训练好的卷积神经网络模型中，基于模型输出的故障标签，进行故障模式识别，获取齿轮箱的故障诊断结果。
本发明还提供了一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现所述的方法。
本发明提供了一种机械设备故障诊断方法、装置及存储介质，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种机械设备故障诊断方法，其特征在于，包括以下步骤：
步骤1：采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行频谱分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；
步骤2：对步骤1采集到的n组振动信号进行预处理，并添加故障标签，生成数据样本；
步骤3：搭建多通道输入和多任务分支的卷积神经网络模型；
步骤4：将步骤2生成的数据样本输入到步骤3搭建的卷积神经网络模型中，对模型进行训练；
步骤5：将用于测试的齿轮箱振动信号输入到步骤4训练好的卷积神经网络模型中，基于模型输出的故障标签，进行故障模式识别，获取齿轮箱的故障诊断结果。
2.根据权利要求1所述的方法，其特征在于，步骤2包括：采用滑动分割的方式进行数据增强，设定数据点总数为N，单个样本数据点个数为Ns，重叠部分数据点个数为No，则采用增强后所得到的数据量n的计算公式如下：
3.根据权利要求2所述的方法，其特征在于，步骤2中采用One-Hot编码方式添加故障标签，故障标签的表示形式为向量，不同数量的故障类别分别对应不同长度的标签向量，每个样本对应的故障标签向量中只有一位处于状态1，其余均为状态0，状态1表示：是，状态0表示：否，任意时候只有一位有效。
4.根据权利要求3所述的方法，其特征在于，步骤3中，所述卷积神经网络模型包括多通道输入、共享网络、M个任务分支以及复合损失函数；
将采集到敏感位置上不同工况下的多组振动信号采用多通道输入的方式同时导入卷积神经网络模型；共享网络能够从振动信号中初步提取各个任务之间的共享特征；M个任务分支进一步提取每个诊断任务的特有特征；复合损失函数用于平衡不同任务之间的损失规模。
5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络模型通过执行如下步骤完成模型特征提取过程及相关计算：
步骤301：将经过步骤2预处理后的n组振动信号通过n个通道同时输入到步骤3搭建的卷积神经网络模型中进行训练，多通道输入的卷积结果为各个通道运算结果的叠加，如下所示：
式中，yi,j为多通道输入的卷积结果，c为特征序列的序号，W表示卷积核的尺寸，
为第i个卷积核中第j'个权值，
为第j'个被卷积的局部区域，
表示第i个卷积核的偏置；
步骤302：步骤301中的n组振动信号输入到卷积神经网络模型后，首先经过主干网络来学习多个任务的共享特征；主干网络共包括两个以上卷积池化模块，每个卷积池化模块均包括卷积层、批量归一化层、ReLU激活函数和池化层，每个卷积池化模块中的池化层均采用最大池化；
步骤303：将步骤302中学习和提取到的共享特征输入到M个任务分支中，进行各个任务的特有特征的学习和提取，每个任务分支包括两个以上卷积池化模块，其中最后一个池化层采用全局平均池化，其余池化层均采用最大池化，全局平均池化的运算公式为：
其中，
表示第l层第i个通道全局平均池化的输出值，V表示池化区域的大小，
表示第i个通道的第t个特征值；
在M个任务分支的全连接层中添加Softmax激活函数，用来估计属于不同类别的概率分布，表示如下：
其中，Z为全连接层的输出值，hj(Z)为Z属于第j个分类的概率值，Zj为Z的第j个元素，C为一常数；
步骤304：设置两个以上交叉熵损失函数Lf。
6.根据权利要求5所述的方法，其特征在于，步骤303中，对Softmax函数进行改进，公式如下：
7.根据权利要求6所述的方法，其特征在于，步骤304中，交叉熵损失函数Lf如下：
式中，yf为任务分支的期望输出，
为任务分支的实际输出。
8.根据权利要求7所述的方法，其特征在于，步骤304中，在复合损失函数中引入权重系数λf，来控制步骤303中M个任务分支在训练过程中的权重，复合损失函数L表示如下：
式中，Lf表示诊断任务对应的交叉熵损失函数。
9.一种机械设备故障诊断装置，其特征在于，包括：
数据采集模块，用于采集齿轮箱不同位置上各个方向的振动信号，对采集到的振动信号进行频谱分析进而选取振动敏感位置，采集齿轮箱敏感位置在不同工况下的n组振动信号；
数据处理模块，用于对采集到的n组振动信号进行预处理，并添加故障标签，生成数据样本；
卷积神经网络模型建立模块，用于搭建多通道输入和多任务分支的卷积神经网络模型；
训练模块，用于将数据样本输入到卷积神经网络模型中，对模型进行训练；
故障模式识别模块，用于将用于测试的齿轮箱振动信号输入到训练好的卷积神经网络模型中，基于模型输出的故障标签，进行故障模式识别，获取齿轮箱的故障诊断结果。
10.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210492062.3A CN114925724A (zh) | 2022-05-07 | 2022-05-07 | 一种机械设备故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210492062.3A CN114925724A (zh) | 2022-05-07 | 2022-05-07 | 一种机械设备故障诊断方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114925724A true CN114925724A (zh) | 2022-08-19 |
Family
ID=82806625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210492062.3A Pending CN114925724A (zh) | 2022-05-07 | 2022-05-07 | 一种机械设备故障诊断方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925724A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520950A (zh) * | 2024-01-04 | 2024-02-06 | 贵州大学 | 基于注意力知识共享网络的多目标uav故障诊断方法 |
-
2022
- 2022-05-07 CN CN202210492062.3A patent/CN114925724A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520950A (zh) * | 2024-01-04 | 2024-02-06 | 贵州大学 | 基于注意力知识共享网络的多目标uav故障诊断方法 |
| CN117520950B (zh) * | 2024-01-04 | 2024-03-19 | 贵州大学 | 基于注意力知识共享网络的多目标uav故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wen et al. | A new reinforcement learning based learning rate scheduler for convolutional neural network in fault classification | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| Zhong et al. | Fine-tuning transfer learning based on DCGAN integrated with self-attention and spectral normalization for bearing fault diagnosis | |
| CN113822139B (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| Lu et al. | Unbalanced bearing fault diagnosis under various speeds based on spectrum alignment and deep transfer convolution neural network | |
| CN110647923A (zh) | 小样本下基于自我学习的变工况机械故障智能诊断方法 | |
| CN115127814A (zh) | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 | |
| Meng et al. | Research on fault diagnosis method of MS-CNN rolling bearing based on local central moment discrepancy | |
| CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
| Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
| Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
| CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
| CN117312941A (zh) | 一种样本不平衡情况下滚动轴承故障诊断方法及装置 | |
| Zheng et al. | A fault diagnosis method for planetary gear under multi-operating conditions based on adaptive extended bag-of-words model | |
| CN116630728A (zh) | 基于注意力残差孪生网络的加工精度预测方法 | |
| CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
| CN117992863B (zh) | 基于可解释平稳小波包卷积网络的旋转机械故障诊断方法 | |
| Wang et al. | A light intelligent diagnosis model based on improved Online Dictionary Learning sample-making and simplified convolutional neural network | |
| CN118706436A (zh) | 一种多尺度动态卷积神经网络的齿轮箱故障诊断方法 |
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 |