CN115238785A - 基于图像融合和集成网络的旋转机械故障诊断方法和系统 - Google Patents
基于图像融合和集成网络的旋转机械故障诊断方法和系统 Download PDFInfo
- Publication number
- CN115238785A CN115238785A CN202210848010.5A CN202210848010A CN115238785A CN 115238785 A CN115238785 A CN 115238785A CN 202210848010 A CN202210848010 A CN 202210848010A CN 115238785 A CN115238785 A CN 115238785A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- fault diagnosis
- data
- frequency
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于图像融合和集成网络的旋转机械故障诊断方法和系统,涉及故障诊断技术领域,所述故障诊断系统包括:系统启动模块、数据采集模块、数据预处理模块、卷积神经网络训练模块和集成神经网络输出模块。所述故障诊断方法包括:步骤1、安装传感器,在所述旋转机械的旋转轴位置安装若干振动传感器,在所述旋转机械的驱动设备的供电电缆处安装电流传感器;步骤2、采集训练数据;步骤3、数据预处理;步骤4、构建和训练神经网络模型,获得若干所述神经网络模型;步骤5、构建集成网络模型;步骤6、运行所述集成网络模型,将实时数据经过数据预处理得到不同类型的所述融合时频图像输入到相应的所述神经网络模型,输出故障诊断结果。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于图像融合和集成网络的旋转机械故障诊断方法和系统。
背景技术
旋转机械广泛应用于航空、建筑、化工、运输、加工制造等国民经济及国防工业的各个领域,进行旋转机械故障检测诊断是保证工业安全、高效生产的一项基本任务。
传统智能故障诊断方法的性能过度依赖于故障信号的特征提取,需要信号处理技术、专家知识和人力。近年来,随着硬件算力和算法的发展,深度学习算法在机器健康监测和故障诊断领域中逐步广泛应用。深度学习体系结构具有自动学习输入数据的复杂特征的能力,有很大潜力克服传统智能故障诊断的缺点,但单纯采用深度学习方法缺少可解释性和可靠性,且在实际工业场景中,工作负载一直在变化,工作环境噪声不可避免,导致模型鲁棒性较差,对细微故障信号特征难以提取和判断,强噪声下传统的滤波操作也会影响深度学习模型特征提取,智能故障诊断方法的性能退化非常严重。
王秀礼等人在中国发明专利申请“一种基于深度学习的轴承故障的诊断方法”(申请号为:CN202010962681.5)中提供的诊断方法包括如下步骤:采集不同故障类型的轴承的振动信号,利用小波消噪对振动信号进行滤波得;对滤波后的信号进行S变换,得到第j故障类型的时频谱图,将不同故障类型的时频谱图组成样本数据集T,样本数据集T和不同故障类型j作为分类模型的输入,训练得到轴承故障识别模型;将振动信号的时频谱图输入轴承故障识别模型进行故障识别。该方法只是通过CNN深度学习模型对轴承的故障特征进行分类的学习,并不能克服强噪声下深度学习模型性能退化严重的问题。
陈凯等人在中国发明专利申请“基于CNN-Stacking的轴承故障诊断方法”(申请号为:CN201910530342.7)中公开的无人机轴承故障诊断方法,先采集轴承信号,再对轴承信号预处理,提取出时域信号和时频域信号;然后分别基于时域信号和时频域信号通过集成学习算法构建时域弱分类模和时频域弱分类模,最后通过时域弱分类模和时频域弱分类模级联融合后预测出待检测无人机轴承信号的隶属概率值,从而实现无人机轴承故障诊断。该方法只是通过时域弱分类模和时频域弱分类模级联融合后预测出待检测无人机轴承信号的隶属概率值,也不能克服强噪声下深度学习模型性能退化严重的问题。
因此,本领域的技术人员致力于开发一种新的旋转机械故障诊断方法和系统,克服现有技术中存在的在强噪声下深度学习模型性能退化严重的问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何克服现有技术中存在的故障特征的提取缺乏关联性、变负载强噪声工况下故障诊断深度学习模型鲁棒性低、性能退化的缺陷。
为实现上述目的,本发明提供了一种基于多传感器时频图像融合和集成网络的旋转机械故障诊断方法和系统,用于提高旋转机械故障诊断的准确度和稳定性,增强诊断模型的可靠性。
本发明提出的基于多传感器时频图像融合和集成网络的旋转机械故障诊断的方法,对旋转机械的振动信号和驱动旋转机械的动力设备电流信号进行测量和提取,对电流和振动信号进行带有dropout操作的一维卷积,并将卷积后的信号进行多种时频分析,将同时段多信号的时频图像融合为一张三通道时频谱,输入到卷积神经网络进行联合特征提取,对故障进行分类和预测。除此之外,利用多种不同的时频分析方法,训练相应的多个神经网络,将多个深度网络模型进行并行组合,组成集成网络,从而对故障类型进行投票判断或者对故障尺寸进行加权预测。
具体地,本发明提供的一种基于图像融合和集成网络的旋转机械故障诊断系统包括:
系统启动模块,所述系统启动模块负责启动所述旋转机械及用于采集所述旋转机械的振动信号和驱动设备的电流信号的传感器,将所述故障诊断系统的运行参数调整至预先设定的参数值,待所述故障诊断系统正常运行;
数据采集模块,所述数据采集模块记录所述传感器采集到的所述数值信息以及当前所述旋转机械的正常运转或者不同故障类型状态;在所述故障诊断系统的模型训练阶段,所述数据采集模块构建用于神经网络建模训练所需的数据集;在所述故障诊断系统的模型运行阶段,所述数据采集模块采集实时设备运行数据用于故障诊断;
数据预处理模块,所述数据预处理模块对于采集到的所述数值信息进行预处理,采用带有dropout操作的大尺度一维卷积核对原始的所述数值信息进行卷积操作,并将卷积后的所述数值信息进行不同方法的时频分析及后续的图像融合,得到若干不同类型的融合时频图像;
卷积神经网络训练模块,所述卷积神经网络训练模块用若干不同类型的所述融合时频图像构建和训练相应的神经网络模型,对所述神经网络模型的权值和偏差进行反复的调整训练;当所述神经网络模型的输出层的误差平方和小于指定的误差时训练完成,保存所述神经网络模型的所述权值和所述偏差;每种类型的所述融合时频图像对应一个训练完成的所述神经网络模型,即获得若干所述神经网络模型;
集成神经网络输出模块,所述集成神经网络输出模块将若干所述神经网络模型进行并行组合,实时数据经过所述数据预处理模块将对应类型的所述融合视频图像输入到相应的所述神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果。
进一步地,在所述数据预处理模块中对所述数值信息进行不同方法的所述时频分析之后得到三通道电流信号和三通道振动信号的时频图像,再对所述时频图像进行图像融合得到若干不同类型的所述融合时频图像。
进一步地,在所述集成神经网络输出模块中,所述故障诊断结果包括但不限于旋转机械故障定位、故障类型、故障尺寸。
进一步地,在所述系统启动模块中,所述传感器包括振动传感器和电流传感器;
其中,
所述振动传感器安装在所述旋转机械的旋转轴径向和轴向位置;
所述电流传感器安装在所述旋转机械的所述驱动设备的供电电缆处。
进一步地,所述故障诊断系统包括上位机,所述数据采集模块包括数据采集器,通过数据传输线将所述数据采集器与所述传感器连接,由所述数据采集器将采集的所述数值信息传输至所述上位机。
本发明还提供一种基于图像融合和集成网络的旋转机械故障诊断方法,所述方法包括以下步骤:
步骤1、安装传感器,在所述旋转机械的旋转轴位置安装若干振动传感器,在所述旋转机械的驱动设备的供电电缆处安装电流传感器;
步骤2、采集训练数据,数据采集器将所述传感器采集到的数值信息以及当前所述旋转机械的正常运转或者不同故障类型状态传输至上位机进行记录,得到标准数据样本;所述标准数据样本包括3通道振动信号数据和3通道电流信号数据;
步骤3、数据预处理,根据所述传感器的采样频率,设定时间窗进行时频分析,输出时间-频率等高线填充灰度时频谱,对所述电流传感器获取的所述3通道电流信号数据进行所述灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色图像,对所述振动传感器获取的所述3通道振动信号数据进行所述灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色时频谱;随着所述步骤2不断采集所述数值信息生成融合时频图像;
步骤4、构建和训练神经网络模型,以准确度高和结构简单为目标,构建所述神经网络模型的层次并选择参数,将全连接层作为输出层,采用softmax函数对故障类型和尺寸进行预测输出;将训练批量大小设置为与输出类型数相同的值,在测试时,使用总体的统计数据,而不是小批次,反向传播算法对所述神经网络模型的权值和偏差进行反复的调整训练,当所述神经网络模型的所述输出层的误差平方和小于指定的误差时训练完成,保存所述神经网络模型的所述权值和所述偏差;每种类型的所述融合时频图像对应一个训练完成的所述神经网络模型,即获得若干所述神经网络模型;
步骤5、构建集成网络模型,将若干所述神经网络模型进行并行组合,构建为所述集成网络模型,使用投票规则对分类问题进行输出,使用加权平均对故障尺寸类型数值预测问题进行输出,加权权重为单独网络准确率;
步骤6、运行所述集成网络模型,将实时数据经过所述步骤3的所述数据预处理得到不同类型的所述融合时频图像输入到相应的所述神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果,并将所述故障诊断结果发送至人机交互端并进行设备响应。
进一步地,在所述步骤1中,所述振动传感器包括3个,其中,2个所述振动传感器安装在所述旋转机械的旋转轴径向位置,1个所述振动传感器安装在所述旋转机械的旋转轴轴向位置,3个所述振动传感器的安装方向相互垂直。
进一步地,在所述步骤2中,所述标准数据样本还包括旋转机械状态、旋转机械故障类型、旋转机械故障尺寸。
进一步地,所述时间窗选取1秒到2秒的时间窗口。
进一步地,所述时频分析的方法包括但不限于连续小波变换、短时傅里叶变换、希尔伯特-黄变换、傅立叶压缩同步变换、Wigner-Ville分布。
本发明提供的一种基于图像融合和集成网络的旋转机械故障诊断系统和方法至少具有以下技术效果:
1、本发明提供的旋转机械故障诊断系统和方法具有流程化和自动化处理的特点,将驱动设备的电流信号和旋转机械的振动信号经过时频特征提取作为深度网络的输入数据,多传感器时频图像融合经过卷积神经网络实现自动特征提取,发掘故障特征的关联性,对细微故障信号类型判断有更高的理解性和准确度,赋予故障诊断模型更好的预测性能,提前发现隐藏故障,带有dropout操作的大尺度一维卷积预处理训练提高模型泛化性,使模型决策在工厂实际的噪声环境下具有强鲁棒性,集成学习方法并行组合神经网络提高模型的准确性和可靠性;
2、本发明提供的旋转机械故障诊断系统可以有效地取代单一特征提取方法或神经网络检测方法带来的自动化程度低、可靠性低、鲁棒性差等缺点,提升了故障诊断的精确性,加快了故障诊断速度,增强了故障诊断的可靠性,可对异常工况和潜在故障实现早发现、早确定,更适用于噪声强、工况复杂的实际工业现场。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例提供的数据采集模块和传感器安装位置示意图;
图2是本发明的一个较佳实施例提供的系统模块信息传输结构图;
图3是本发明的一个较佳实施例提供的故障诊断系统结构流程图;
图4为本发明的一个较佳实施例提供的时频图像构建方法示意图;
图5为本发明的一个较佳实施例提供的集成神经网络结构示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
本发明为克服现有技术中故障特征的提取缺乏关联性、变负载强噪声工况下故障诊断深度学习模型鲁棒性低、性能退化等缺陷,提供一种基于多传感器时频图像融合和集成网络的旋转机械故障诊断方法和系统,提高旋转机械故障诊断的准确度和稳定性,增强诊断模型的可靠性。具体来说,在本发明所提供的技术方案中,提出多传感器特征信号时频图像融合思想,卷积神经网络对融合时频图像进行自动特征提取,发掘故障特征的联系性,解决单信号产生的细微故障信号特征类型难以提取和判断问题,而且引入集成网络方法,对多种融合的时频图像的诊断结果进行融合判断,实现更准确更可靠的故障诊断结果。本发明的技术方案突出解决实际工业场景下故障信号特征难以准确提取和判断的问题,提出了准确可靠和更适用于工业场景的旋转机械故障诊断方法。
本发明提供的一种基于图像融合和集成网络的旋转机械故障诊断系统包括,如图2所示:
系统启动模块,系统启动模块负责启动旋转机械及用于采集旋转机械的振动信号和驱动设备的电流信号的传感器,将故障诊断系统的运行参数调整至预先设定的参数值,待故障诊断系统正常运行;
数据采集模块,数据采集模块记录传感器采集到的数值信息以及当前旋转机械的正常运转或者不同故障类型状态;在故障诊断系统的模型训练阶段,数据采集模块构建用于神经网络建模训练所需的数据集;在故障诊断系统的模型运行阶段,数据采集模块采集实时设备运行数据用于故障诊断;
数据预处理模块,数据预处理模块对于采集到的数值信息进行预处理,采用带有dropout操作的大尺度一维卷积核对原始的数值信息进行卷积操作,并将卷积后的数值信息进行不同方法的时频分析及后续的图像融合,得到若干不同类型的融合时频图像;
卷积神经网络训练模块,卷积神经网络训练模块用若干不同类型的融合时频图像构建和训练相应的神经网络模型,对神经网络模型的权值和偏差进行反复的调整训练;当神经网络模型的输出层的误差平方和小于指定的误差时训练完成,保存神经网络模型的权值和偏差;每种类型的融合时频图像对应一个训练完成的神经网络模型,即获得若干神经网络模型;
集成神经网络输出模块,集成神经网络输出模块将若干神经网络模型进行并行组合,实时数据经过数据预处理模块将对应类型的融合视频图像输入到相应的神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果。
其中,在数据预处理模块中对数值信息进行不同方法的时频分析之后得到三通道电流信号和三通道振动信号的时频图像,再对时频图像进行图像融合得到若干不同类型的融合时频图像。
其中,在集成神经网络输出模块中,故障诊断结果包括但不限于旋转机械故障定位、故障类型、故障尺寸。
其中,在系统启动模块中,传感器包括振动传感器和电流传感器;
其中,
振动传感器安装在旋转机械的旋转轴径向和轴向位置;
电流传感器安装在旋转机械的驱动设备的供电电缆处。
其中,故障诊断系统包括上位机,数据采集模块包括数据采集器,通过数据传输线将数据采集器与传感器连接,由数据采集器将采集的数值信息传输至上位机。
本发明还提供一种基于图像融合和集成网络的旋转机械故障诊断方法,方法包括以下步骤:
步骤1、安装传感器,如图1所示,在旋转机械的旋转轴位置安装若干振动传感器,在旋转机械的驱动设备的供电电缆处安装电流传感器;振动传感器包括3个,其中,2个振动传感器安装在旋转机械的旋转轴径向位置,1个振动传感器安装在旋转机械的旋转轴轴向位置,3个振动传感器的安装方向相互垂直。
步骤2、采集训练数据,数据采集器将传感器采集到的数值信息以及当前旋转机械的正常运转或者不同故障类型状态传输至上位机进行记录,得到标准数据样本;标准数据样本包括3通道振动信号数据、3通道电流信号数据、旋转机械状态、旋转机械故障类型、旋转机械故障尺寸。
步骤3、数据预处理,如图4所示,根据传感器的采样频率,设定时间窗进行时频分析,输出时间-频率等高线填充灰度时频谱,对电流信号和振动信号进行带有dropout操作的一维卷积,具体为对电流传感器获取的3通道电流信号数据进行灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色图像,对振动传感器获取的3通道振动信号数据进行灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色时频谱;随着步骤2不断采集数值信息生成融合时频图像;
其中,时间窗选取1秒到2秒的时间窗口。
其中,时频分析的方法包括但不限于连续小波变换、短时傅里叶变换、希尔伯特-黄变换、傅立叶压缩同步变换、Wigner-Ville分布。
步骤4、构建和训练神经网络模型,如图3所示,以准确度高和结构简单为目标,构建神经网络模型的层次并选择参数,将全连接层作为输出层,采用softmax函数对故障类型和尺寸进行预测输出;将训练批量大小设置为与输出类型数相同的值,在测试时,使用总体的统计数据,而不是小批次,反向传播算法对神经网络模型的权值和偏差进行反复的调整训练,使输出的向量与期望向量尽可能地接近,当神经网络模型的输出层的误差平方和小于指定的误差时训练完成,保存神经网络模型的权值和偏差;每种类型的融合时频图像对应一个训练完成的神经网络模型,即获得若干神经网络模型,具体有:基于连续小波变换融合时频图像训练完成的神经网络、基于短时傅立叶变换融合时频图像训练完成的神经网络、基于傅立叶压缩同步变换融合时频图像训练完成的神经网络,以及多种基于时频变换方法融合图像训练完成的神经网络等。
步骤5、构建集成网络模型,如图5所示,将若干神经网络模型进行并行组合,构建为集成网络模型,使用投票规则对分类问题进行输出,使用加权平均对故障尺寸类型数值预测问题进行输出,加权权重为单独网络准确率;
步骤6、运行集成网络模型,将实时数据经过步骤3的数据预处理得到不同类型的融合时频图像输入到相应的神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果,并将故障诊断结果发送至人机交互端并进行设备响应。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于图像融合和集成网络的旋转机械故障诊断系统,其特征在于,包括:
系统启动模块,所述系统启动模块负责启动所述旋转机械及用于采集所述旋转机械的振动信号和驱动设备的电流信号的传感器,将所述故障诊断系统的运行参数调整至预先设定的参数值,待所述故障诊断系统正常运行;
数据采集模块,所述数据采集模块记录所述传感器采集到的所述数值信息以及当前所述旋转机械的正常运转或者不同故障类型状态;在所述故障诊断系统的模型训练阶段,所述数据采集模块构建用于神经网络建模训练所需的数据集;在所述故障诊断系统的模型运行阶段,所述数据采集模块采集实时设备运行数据用于故障诊断;
数据预处理模块,所述数据预处理模块对于采集到的所述数值信息进行预处理,采用带有dropout操作的大尺度一维卷积核对原始的所述数值信息进行卷积操作,并将卷积后的所述数值信息进行不同方法的时频分析及后续的图像融合,得到若干不同类型的融合时频图像;
卷积神经网络训练模块,所述卷积神经网络训练模块用若干不同类型的所述融合时频图像构建和训练相应的神经网络模型,对所述神经网络模型的权值和偏差进行反复的调整训练;当所述神经网络模型的输出层的误差平方和小于指定的误差时训练完成,保存所述神经网络模型的所述权值和所述偏差;每种类型的所述融合时频图像对应一个训练完成的所述神经网络模型,即获得若干所述神经网络模型;
集成神经网络输出模块,所述集成神经网络输出模块将若干所述神经网络模型进行并行组合,实时数据经过所述数据预处理模块将对应类型的所述融合视频图像输入到相应的所述神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果。
2.如权利要求1所述的基于图像融合和集成网络的旋转机械故障诊断系统,其特征在于,在所述数据预处理模块中对所述数值信息进行不同方法的所述时频分析之后得到三通道电流信号和三通道振动信号的时频图像,再对所述时频图像进行图像融合得到若干不同类型的所述融合时频图像。
3.如权利要求1所述的基于图像融合和集成网络的旋转机械故障诊断系统,其特征在于,在所述集成神经网络输出模块中,所述故障诊断结果包括但不限于旋转机械故障定位、故障类型、故障尺寸。
4.如权利要求1所述的基于图像融合和集成网络的旋转机械故障诊断系统,其特征在于,在所述系统启动模块中,所述传感器包括振动传感器和电流传感器;
其中,
所述振动传感器安装在所述旋转机械的旋转轴径向和轴向位置;
所述电流传感器安装在所述旋转机械的所述驱动设备的供电电缆处。
5.如权利要求1所述的基于图像融合和集成网络的旋转机械故障诊断系统,其特征在于,所述故障诊断系统包括上位机,所述数据采集模块包括数据采集器,通过数据传输线将所述数据采集器与所述传感器连接,由所述数据采集器将采集的所述数值信息传输至所述上位机。
6.一种基于图像融合和集成网络的旋转机械故障诊断方法,其特征在于,所述方法包括以下步骤:
步骤1、安装传感器,在所述旋转机械的旋转轴位置安装若干振动传感器,在所述旋转机械的驱动设备的供电电缆处安装电流传感器;
步骤2、采集训练数据,数据采集器将所述传感器采集到的数值信息以及当前所述旋转机械的正常运转或者不同故障类型状态传输至上位机进行记录,得到标准数据样本;所述标准数据样本包括3通道振动信号数据和3通道电流信号数据;
步骤3、数据预处理,根据所述传感器的采样频率,设定时间窗进行时频分析,输出时间-频率等高线填充灰度时频谱,对所述电流传感器获取的所述3通道电流信号数据进行所述灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色图像,对所述振动传感器获取的所述3通道振动信号数据进行所述灰度时频谱输出,进行图像融合合成为一张RGB三通道彩色时频谱;随着所述步骤2不断采集所述数值信息生成融合时频图像;
步骤4、构建和训练神经网络模型,以准确度高和结构简单为目标,构建所述神经网络模型的层次并选择参数,将全连接层作为输出层,采用softmax函数对故障类型和尺寸进行预测输出;将训练批量大小设置为与输出类型数相同的值,在测试时,使用总体的统计数据,而不是小批次,反向传播算法对所述神经网络模型的权值和偏差进行反复的调整训练,当所述神经网络模型的所述输出层的误差平方和小于指定的误差时训练完成,保存所述神经网络模型的所述权值和所述偏差;每种类型的所述融合时频图像对应一个训练完成的所述神经网络模型,即获得若干所述神经网络模型;
步骤5、构建集成网络模型,将若干所述神经网络模型进行并行组合,构建为所述集成网络模型,使用投票规则对分类问题进行输出,使用加权平均对故障尺寸类型数值预测问题进行输出,加权权重为单独网络准确率;
步骤6、运行所述集成网络模型,将实时数据经过所述步骤3的所述数据预处理得到不同类型的所述融合时频图像输入到相应的所述神经网络模型中,应用集成学习方法对所有神经网络模型的输出结果进行融合,输出故障诊断结果,并将所述故障诊断结果发送至人机交互端并进行设备响应。
7.如权利要求6所述的基于图像融合和集成网络的旋转机械故障诊断方法,其特征在于,在所述步骤1中,所述振动传感器包括3个,其中,2个所述振动传感器安装在所述旋转机械的旋转轴径向位置,1个所述振动传感器安装在所述旋转机械的旋转轴轴向位置,3个所述振动传感器的安装方向相互垂直。
8.如权利要求6所述的基于图像融合和集成网络的旋转机械故障诊断方法,其特征在于,在所述步骤2中,所述标准数据样本还包括旋转机械状态、旋转机械故障类型、旋转机械故障尺寸。
9.如权利要求6所述的基于图像融合和集成网络的旋转机械故障诊断方法,其特征在于,所述时间窗选取1秒到2秒的时间窗口。
10.如权利要求6所述的基于图像融合和集成网络的旋转机械故障诊断方法,其特征在于,所述时频分析的方法包括但不限于连续小波变换、短时傅里叶变换、希尔伯特-黄变换、傅立叶压缩同步变换、Wigner-Ville分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848010.5A CN115238785A (zh) | 2022-07-19 | 2022-07-19 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848010.5A CN115238785A (zh) | 2022-07-19 | 2022-07-19 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238785A true CN115238785A (zh) | 2022-10-25 |
Family
ID=83672701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210848010.5A Pending CN115238785A (zh) | 2022-07-19 | 2022-07-19 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238785A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049725A (zh) * | 2023-03-29 | 2023-05-02 | 淄博热力有限公司 | 基于改进深度学习分类模型的旋转机械故障诊断方法 |
CN116539296A (zh) * | 2023-07-05 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 |
CN117783769A (zh) * | 2024-02-28 | 2024-03-29 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
-
2022
- 2022-07-19 CN CN202210848010.5A patent/CN115238785A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049725A (zh) * | 2023-03-29 | 2023-05-02 | 淄博热力有限公司 | 基于改进深度学习分类模型的旋转机械故障诊断方法 |
CN116049725B (zh) * | 2023-03-29 | 2023-12-29 | 淄博热力有限公司 | 基于改进深度学习分类模型的旋转机械故障诊断方法 |
CN116539296A (zh) * | 2023-07-05 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 |
CN117783769A (zh) * | 2024-02-28 | 2024-03-29 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
CN117783769B (zh) * | 2024-02-28 | 2024-05-10 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN111914883B (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 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN114993669B (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN113847950A (zh) | 基于云计算的智能船舶设备状态监测系统及信息交互方法 | |
CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN117909668B (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 |
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 |