CN115114956A - 一种故障诊断方法及系统 - Google Patents

一种故障诊断方法及系统 Download PDF

Info

Publication number
CN115114956A
CN115114956A CN202210662363.6A CN202210662363A CN115114956A CN 115114956 A CN115114956 A CN 115114956A CN 202210662363 A CN202210662363 A CN 202210662363A CN 115114956 A CN115114956 A CN 115114956A
Authority
CN
China
Prior art keywords
neural network
fault
fault diagnosis
dimensional
convolution
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
CN202210662363.6A
Other languages
English (en)
Inventor
张彩霞
谢思映
赵永胜
刘志峰
张月泽
许静静
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202210662363.6A priority Critical patent/CN115114956A/zh
Publication of CN115114956A publication Critical patent/CN115114956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明涉及一种故障诊断方法及系统，其特征在于，包括：获取待测设备的振动信号；将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果，可以广泛应用于先进制造控制技术领域中。

Description

一种故障诊断方法及系统
技术领域
本发明涉及先进制造控制技术领域，特别是关于一种故障诊断方法及系统。
背景技术
工业生产过程中所用设备的精密度、复杂度以及智能度越来越高，如果不能对这些设备进行良好的管理，一旦发生故障，会产生停机甚至危害人身安全等一系列负面影响，因此，对设备进行故障诊断有极大的现实指导意义。
随着人工智能与工业物联网的不断发展，采用深度学习方法实现故障诊断已经成为现在的发展趋势。目前，最为流行的是基于信号分析的故障诊断方法，该方法采用某些变换(经验分解模型、短时傅立叶变换或小波分解等)将时间序列信号转变为频域信号，但是该种方法提取特征相对费时费力，虽然采用人工提取特征的方法在故障诊断领域应用中取得了不错的效果，但是其诊断的性能大部分取决于人工提取特征的效果，并没有充分发挥深度学习的自我学习这一独特优势。
除此之外，目前传统的故障诊断方法普遍存在网络结构比较复杂，导致增加计算机负担的缺点，且随着对故障种类的增加其诊断准确率会有明显的降低。
发明内容
针对上述问题，本发明的目的是提供一种能够避免人工参与提取特征且简单高效的故障诊断方法及系统。
为实现上述目的，本发明采取以下技术方案：
第一方面，提供一种故障诊断方法，包括：
获取待测设备的振动信号；
将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型的构建过程为：
采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型；
对采集的历史故障振动信号进行预处理；
将预处理后的历史故障振动信号进行下采样；
将下采样后的历史故障振动信号数据集划分为训练集和测试集；
采用训练集和测试集对构建的故障诊断模型进行训练和测试，得到训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。
进一步地，所述对采集的历史故障振动信号进行预处理，包括：
定义获取历史故障振动信号的函数，以将不同文件夹内不同故障类型的历史故障振动信号整合在一个数据集上；
根据历史故障振动信号的故障类型，定义历史故障振动信号的标签函数。
进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型包括第一卷积神经网络、第二卷积神经网络、特征融合模块、第一双向长短时记忆网络、第二双向长短时记忆网络、批量归一化层和全连接层；
所述第一卷积神经网络和第二卷积神经网络均用于提取下采样后的故障振动信号的局部空间特征；
所述特征融合模块用于将所述第一卷积神经网络和第二卷积神经网络提取的局部空间特征进行融合，获得不同尺度的空间特征；
所述第一双向长短时记忆网络和第二双向长短时记忆网络均用于根据融合后的空间特征，提取得到时序特征；
所述BN层用于对提取的时序特征进行批标准化；
所述全连接层用于根据批标准化结果，输出故障类型。
进一步地，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型还包括Dropout层，用于丢弃神经网络训练时的某些连接点防止过拟合。
进一步地，所述第一卷积神经网络设置有三个一维卷积层和一个一维最大池化层，所述第二卷积神经网络设置有六个一维卷积层和两个一维最大池化层；
所述第一卷积神经网络的一维卷积层采用相对较大的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
所述第一卷积神经网络的一维最大池化层用于对所述第一卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征；
所述第二卷积神经网络的一维卷积层采用相对较小的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
所述第二卷积神经网络的一维最大池化层用于对所述第二卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征。
进一步地，所述第一卷积神经网络和第二卷积神经网络的特征图边长计算公式为：
Figure BDA0003691367620000021
或
Figure BDA0003691367620000022
其中，Wout表示输出特征图边长；Win表示输入特征图边长；S表示卷积步长；K表示卷积核长，计算结果均向上取整。
第二方面，提供一种故障诊断系统，包括：
数据获取模块，用于获取待测设备的振动信号；
故障诊断分类模块，用于将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述故障诊断方法对应的步骤。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述故障诊断方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明以简单、高效为目标，可自动提取数据，避免人工参与提取特征的影响，本发明利用端到端的故障诊断模式，构建一种双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，以原始振动信号作为故障诊断模型的输入，通过双通道卷积神经网络作为特征提取器，以双向长短时记忆神经网络作为分类器，构建的模型具有时间和空间的特征表达的能力，不仅可以利用传感器采集的具有时间序列特点的信息，而且可以挖掘更深层次的信息，相较传统故障诊断模型的训练时间更短，效果更稳定。
2、本发明通过构建的故障诊断模型，能够摆脱传统故障诊断需要的人工提取特征的步骤，无需对信号进行处理，能够降低人为误差。
3、本发明通过对数据的下采样使样本量减小，从而能够降低计算设备的训练网络的负担，且不影响准确率，对四分类的故障诊断准确率可达100％，十分类的故障诊断准确率也可达到99.8％，对比传统故障诊断，采用本发明的故障诊断模型训练收敛速度更快更准确。
综上所述，本发明可以广泛应用于先进制造控制技术领域中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明一实施例提供的故障诊断模型的结构示意图；
图2是本发明一实施例提供的对待测设备四分类故障诊断的准确率示意图；
图3是本发明一实施例提供的对待测设备四分类故障诊断的损失值示意图；
图4是本发明一实施例提供的对待测设备四分类故障诊断的混淆矩阵示意图；
图5是本发明一实施例提供的对待测设备十分类故障诊断的准确率示意图；
图6是本发明一实施例提供的对待测设备十分类故障诊断的损失值示意图；
图7是本发明一实施例提供的对待测设备十分类故障诊断的混淆矩阵示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
针对传统故障诊断方法难以从故障振动信号中自适应提取有效特征、没有充分利用故障数据的时序特点的问题，本发明实施例提供的故障诊断方法及系统，将待测设备的原始振动信号作为故障诊断模型的输入，故障诊断模型采用两个不同核大小以及不同深度的卷积神经网络从原始振动信号中自动提取不同的信号特征，然后进行特征融合，根据学习到的特征，采用双向长短时记忆神经网络识别故障类型。本发明能够克服传统特征提取方法依赖专家经验以及信息利用不充分等问题，且可以对故障数据进行自动提取特征和诊断，无需对输入特征进行任何预处理和操作，对设备故障诊断更加简单高效。
实施例1
本实施例提供一种故障诊断方法，包括以下步骤：
1)采集待测设备的若干历史故障振动信号进行各种故障类型的分类处理，并构建一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，具体为：
1.1)采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型。
具体地，历史故障振动信号采用传感器采集。
具体地，故障类型可以根据具体设备具体要求进行具体分类，在此不多做赘述。
具体地，分类处理后的故障振动信号分别设置在对应的文件夹内。
1.2)对采集的历史故障振动信号进行预处理：
1.2.1)定义获取历史故障振动信号的函数，以将不同文件夹内不同故障类型的故障振动信号整合在一个数据集上，为输入到模型训练做准备。
具体地，确定各文件夹内历史故障振动信号的位置和个数，通过for循环函数获取每一文件夹的历史故障振动信号个数例如460800个，并将故障振动数据存储为225行、2048列的形状。
1.2.2)根据历史故障振动信号的故障类型，定义历史故障振动信号的标签函数。
具体地，设定历史故障振动信号的样本长度为2048，样本个数为225，并制作分类标签。
例如：故障类型为健康则分类标签为0，故障类型为内滚道故障则分类标签为1，故障类型为滚动元件故障则分类标签为2，故障类型为外滚道故障则分类标签为3。
1.3)对预处理后的历史故障振动信号进行下采样。
具体地，可以根据实际需求，对预处理后的历史故障振动信号进行2倍、4倍或8倍下采样。
例如：对样本长度为2048的历史故障振动信号进行4倍下采样，每隔4个点进行位置索引，将故障样本长度改为512，以降低运算负担。
1.4)将下采样后的历史故障振动信号数据集划分为训练集和测试集。
具体地，将下采样后的历史故障振动信号数据集按照4:1的比例划分。
1.5)构建一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型：
具体地，如图1所示，故障诊断模型包括第一卷积神经网络、第二卷积神经网络、特征融合模块、第一双向长短时记忆网络、第二双向长短时记忆网络、批量归一化(BN)层、Dropout(随机舍弃)层和全连接层，其中，第一卷积神经网络设置有三个一维卷积层和一个一维最大池化层，第二卷积神经网络设置有六个一维卷积层和两个一维最大池化层，采用两个通道不同核不同深度的卷积神经网络进行不同的特征提取。
第一卷积神经网络的一维卷积层采用相对较大的卷积核，用于提取下采样后的故障振动信号的全局空间特征，采用的卷积核越大，感受野也就越大，看到的信息越多，所获得的全局空间特征越好，所以第一卷积神经网络中的一维卷积层采用相对较大的卷积核。
第一卷积神经网络的一维最大池化层用于对第一卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征，可以有效缩小参数矩阵，从而减少计算数量，加快计算速度，在一定程度有防止过拟合的作用。
第二卷积神经网络的一维卷积层采用相对较小的卷积核，用于提取下采样后的故障振动信号的全局空间特征，采用较小的卷积核，则会使用更多的滤波器，就能有更多的激活函数，提取的全局空间特征更加复杂，使得卷积神经网络学习到更具区分性的映射函数。
第二卷积神经网络的一维最大池化层用于对第二卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征。
特征融合模块用于将第一卷积神经网络和第二卷积神经网络提取的局部空间特征进行融合，获得不同尺度的空间特征，以充分挖掘数据信息。
第一双向长短时记忆网络和第二双向长短时记忆网络均用于根据融合后的空间特征，提取得到时序特征，第一双向长短时记忆网络和第二双向长短时记忆网络的功能相同，多设置一层，是为了分类效果更好。
批量归一化层用于对提取的时序特征进行批标准化，使得数据符合0均值，1为标准差的分布。
Dropout层用于丢弃神经网络训练时的某些连接点，以防止训练完后的过拟合现象。
全连接层用于采用Softmax激活函数，根据批标准化结果，输出故障类型。
具体地，由于第一卷积神经网络和第二卷积神经网络没有利用采集到的数据具有时序特征的这一特点，因此设置有第一双向长短时记忆神经网络和第二双向长短时记忆网络，能够挖掘一维信号中的时间序列信息，实现更为准确的故障诊断。更具体地，第一双向长短时记忆神经网络和第二双向长短时记忆网络基于输入的融合后的特征对整个输入进行分类，将隐藏层分为正反两个独立的隐藏层，输出层同时具有过去和将来的信息，采用来自序列两端的信息估计输出，会使结果更准确。
具体地，由于设置有第一卷积神经网络和第二卷积神经网络两个CNN通道，需要两个通道融合后输入长短时记忆神经网络，因此要保证两个通道的输出特征图尺寸一致，可以采用全零填充(padding)，其中，特征图边长计算公式为：
采用padding＝‘SAME’：
Figure BDA0003691367620000071
采用padding＝‘VALID’：
Figure BDA0003691367620000072
其中，Wout表示输出特征图边长；Win表示输入特征图边长；S表示卷积步长；K表示卷积核长。计算结果均向上取整。
1.6)将训练集输入至构建的故障诊断模型进行训练，并基于Adam优化算法(一种优化算法)、MSE损失函数(一种损失函数)和accuracy(准确率)评价指标，确定故障诊断模型的权重、损失和准确率。由于故障诊断模型的训练为现有技术公开的方法，具体过程在此不多做赘述。
1.7)确定训练集训练分类结果是否准确，若准确则保存该故障诊断模型，并将测试集输入至该模型中进行故障分类；反之，则进入步骤1.6)继续训练直至训练分类结果准确，得到最终训练好的故障诊断模型。
具体地，可以根据准确率和预先设定的要求确定训练集训练分类结果是否准确。
2)获取待测设备的振动信号并输入至训练好的故障诊断模型，得到待测设备的故障分类结果。
下面通过具体实施例详细说明本发明的故障诊断方法，本实施例以美国凯西斯大学公开的滚动轴承故障诊断数据集进行验证分析，该数据集受到故障诊断领域的认可，对实验的实例验证有一定的权威性：
1)采集若干待测滚动轴承的历史故障振动信号进行各种故障类型的分类处理，并构建一维双通道卷积与双向长短时记忆神经网络相融合的四分类故障诊断模型：
1.1)通过传感器采集待测滚动轴承的若干历史故障振动信号，并对其进行各种故障类型的分类处理，得到四种不同的故障类型，包括健康、内滚道故障、滚动元件故障和外滚道故障。
1.2)对采集的历史故障振动信号进行预处理。
设定历史故障振动信号的文件夹位置，定义获取历史故障振动信号的函数(确定文件夹内文件的位置和个数，通过for循环函数获取每一文件夹的历史故障振动信号个数例如460800个，并将故障振动数据存储为225行、2048列的形状)，根据历史故障振动信号的故障类型，定义故障振动数据的标签函数，具体故障情况与分类标签对应关系如下表1所示：
表1：故障情况与分类标签对应关系
Figure BDA0003691367620000081
1.3)将预处理后的历史故障振动信号进行4倍下采样。
1.4)将4倍下采样后的历史故障振动信号数据集划分为训练集和测试集。
1.5)将训练集输入至构建的故障诊断模型进行训练，并基于Adam优化算法、MSE损失函数和accuracy评价指标，确定故障诊断模型的权重、损失和准确率。
1.6)确定训练集训练分类结果是否准确，若准确则保存该故障诊断模型，并将测试集输入至该模型中进行故障分类；反之，则继续训练直至训练分类结果准确，得到最终训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。
2)获取待测滚动轴承的振动信号并预处理后输入至训练好的故障诊断模型，得到待测设备的故障诊断分类结果。
如图2和3所示，为采用本发明的方法得到的故障诊断分类结果的准确率示意图和损失值示意图，可以看出，随着迭代的增加，准确率可达到100％。
如图4所示，为采用本发明的方法得到的故障诊断分类结果的混淆矩阵示意图，其中，评估模型对应各个类别的准确率，能够进一步分析本发明中故障诊断模型的测试结果。
在使用时，采用本发明中的故障诊断模型能够减轻计算设备的计算负担，每以迭代仅用时1～2s，这是传统故障诊断方法所不能达到的速度。
此外，本发明中的故障诊断模型同样适用于十分类故障诊断，其步骤与四分类大致相同，唯一不同的就是其故障类型分为10种。
如图5、图6和图7所示，分别为采用本发明的方法得到的故障诊断分类结果的准确率、损失值和混淆矩阵示意图，可以看出，准确率仍可达到99.8％，证明本发明的故障诊断模型性能良好。
实施例2
本实施例提供一种故障诊断系统，包括：
数据获取模块，用于获取待测设备的振动信号。
故障诊断分类模块，用于将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
在一个优选的实施例中，一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型的构建过程为：
采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型。
对采集的历史故障振动信号进行预处理。
将预处理后的历史故障振动信号进行下采样。
将下采样后的历史故障振动信号数据集划分为训练集和测试集。
采用训练集和测试集对构建的故障诊断模型进行训练和测试，得到训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。
实施例3
本实施例提供一种与本实施例1所提供的故障诊断方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的故障诊断方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例提供一种与本实施例1所提供的故障诊断方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的故障诊断方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种故障诊断方法，其特征在于，包括：
获取待测设备的振动信号；
将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
2.如权利要求1所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型的构建过程为：
采集待测设备的若干历史故障振动信号，并对若干历史故障振动信号进行分类处理，得到若干种不同的故障类型；
对采集的历史故障振动信号进行预处理；
将预处理后的历史故障振动信号进行下采样；
将下采样后的历史故障振动信号数据集划分为训练集和测试集；
采用训练集和测试集对构建的故障诊断模型进行训练和测试，得到训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型。
3.如权利要求2所述的一种故障诊断方法，其特征在于，所述对采集的历史故障振动信号进行预处理，包括：
定义获取历史故障振动信号的函数，以将不同文件夹内不同故障类型的历史故障振动信号整合在一个数据集上；
根据历史故障振动信号的故障类型，定义历史故障振动信号的标签函数。
4.如权利要求2所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型包括第一卷积神经网络、第二卷积神经网络、特征融合模块、第一双向长短时记忆网络、第二双向长短时记忆网络、批量归一化层和全连接层；
所述第一卷积神经网络和第二卷积神经网络均用于提取下采样后的故障振动信号的局部空间特征；
所述特征融合模块用于将所述第一卷积神经网络和第二卷积神经网络提取的局部空间特征进行融合，获得不同尺度的空间特征；
所述第一双向长短时记忆网络和第二双向长短时记忆网络均用于根据融合后的空间特征，提取得到时序特征；
所述BN层用于对提取的时序特征进行批标准化；
所述全连接层用于根据批标准化结果，输出故障类型。
5.如权利要求4所述的一种故障诊断方法，其特征在于，所述一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型还包括Dropout层，用于丢弃神经网络训练时的某些连接点防止过拟合。
6.如权利要求4所述的一种故障诊断方法，其特征在于，所述第一卷积神经网络设置有三个一维卷积层和一个一维最大池化层，所述第二卷积神经网络设置有六个一维卷积层和两个一维最大池化层；
所述第一卷积神经网络的一维卷积层采用相对较大的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
所述第一卷积神经网络的一维最大池化层用于对所述第一卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征；
所述第二卷积神经网络的一维卷积层采用相对较小的卷积核，用于提取下采样后的故障振动信号的全局空间特征；
所述第二卷积神经网络的一维最大池化层用于对所述第二卷积神经网络的一维卷积层提取的全局空间特征进行降维，提取对应的局部空间特征。
7.如权利要求4所述的一种故障诊断方法，其特征在于，所述第一卷积神经网络和第二卷积神经网络的特征图边长计算公式为：
Figure FDA0003691367610000021
或
Figure FDA0003691367610000022
其中，Wout表示输出特征图边长；Win表示输入特征图边长；S表示卷积步长；K表示卷积核长，计算结果均向上取整。
8.一种故障诊断系统，其特征在于，包括：
数据获取模块，用于获取待测设备的振动信号；
故障诊断分类模块，用于将待测设备的振动信号输入至训练好的一维双通道卷积与双向长短时记忆神经网络相融合的故障诊断模型，得到待测设备的故障诊断分类结果。
9.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的故障诊断方法对应的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的故障诊断方法对应的步骤。
CN202210662363.6A 2022-06-13 2022-06-13 一种故障诊断方法及系统 Pending CN115114956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210662363.6A CN115114956A (zh) 2022-06-13 2022-06-13 一种故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210662363.6A CN115114956A (zh) 2022-06-13 2022-06-13 一种故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN115114956A true CN115114956A (zh) 2022-09-27

Family

ID=83327578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210662363.6A Pending CN115114956A (zh) 2022-06-13 2022-06-13 一种故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115114956A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116067489A (zh) * 2023-03-07 2023-05-05 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116067489A (zh) * 2023-03-07 2023-05-05 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质
CN116067489B (zh) * 2023-03-07 2023-09-22 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Xu et al. Fault diagnosis of rolling bearings using an improved multi-scale convolutional neural network with feature attention mechanism
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Mokhtar et al. Tomato leaves diseases detection approach based on support vector machines
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
Liu et al. Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples
CN113191240B (zh) 轴承故障诊断的多任务深度神经网络方法及装置
Gao et al. Intelligent fault diagnosis for rolling bearings based on graph shift regularization with directed graphs
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Liang et al. A deep learning method for motor fault diagnosis based on a capsule network with gate-structure dilated convolutions
CN113486578B (zh) 一种工业过程中设备剩余寿命的预测方法
Parab et al. Red blood cell classification using image processing and CNN
CN112964469A (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
Li et al. Multiple manifolds analysis and its application to fault diagnosis
You et al. An efficient lightweight neural network using BiLSTM-SCN-CBAM with PCA-ICEEMDAN for diagnosing rolling bearing faults
CN113639999A (zh) 变转速下滚动轴承的故障诊断方法、系统、介质及设备
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115114956A (zh) 一种故障诊断方法及系统
Bondre et al. Review on leaf diseases detection using deep learning
Ge et al. A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs
Wang et al. A fault diagnosis method using improved prototypical network and weighting similarity-Manhattan distance with insufficient noisy data
Zhang et al. Multi-scale and multi-pooling sparse filtering: a simple and effective representation learning method for intelligent fault diagnosis
CN116721097A (zh) 轴承故障诊断方法、装置及电子设备
CN110765908A (zh) 基于深度学习的级联式癌细胞检测系统
Cui et al. Double-branch local context feature extraction network for hyperspectral image classification
Alam et al. Detecting Acute Lymphoblastic Leukemia Through Microscopic Blood Images Using CNN

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