CN116541768A - 故障诊断方法、装置、设备及计算机可读存储介质 - Google Patents

故障诊断方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116541768A
CN116541768A CN202310815027.5A CN202310815027A CN116541768A CN 116541768 A CN116541768 A CN 116541768A CN 202310815027 A CN202310815027 A CN 202310815027A CN 116541768 A CN116541768 A CN 116541768A
Authority
CN
China
Prior art keywords
signal
fault diagnosis
target
inputting
noise reduction
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
CN202310815027.5A
Other languages
English (en)
Inventor
刘正方
徐驰
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.)
Leewell Intelligence Shenzhen Co ltd
Original Assignee
Leewell Intelligence Shenzhen 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 Leewell Intelligence Shenzhen Co ltd filed Critical Leewell Intelligence Shenzhen Co ltd
Priority to CN202310815027.5A priority Critical patent/CN116541768A/zh
Publication of CN116541768A publication Critical patent/CN116541768A/zh
Pending legal-status Critical Current

Links

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及旋转设备技术领域，尤其涉及一种故障诊断方法、装置、设备及计算机可读存储介质，方法包括：获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；将振动信号输入随机共振系统进行降噪处理得到降噪信号，基于降噪信号和振动信号对随机共振系统进行参数调整得到目标系统，其中，随机共振系统包括串联的至少两个双稳态模块，随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；将振动信号输入目标系统进行降噪处理得到目标信号，将目标信号输入故障诊断网络模型得到旋转设备的故障诊断结果。本发明实现了提高诊断旋转设备的早期故障的准确度，提高了旋转设备的安全性。

Description

故障诊断方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及旋转设备技术领域，尤其涉及一种故障诊断方法、装置、设备及计算机可读存储介质。
背景技术
旋转设备的振动信号通常被作为旋转设备故障检测的重要依据，根据振动信号的幅值和频率等特征的变化，可以检测出旋转设备的故障。但是由于旋转设备的早期故障通常为局部损伤，振动信号的特征变化不明显，加上旋转设备运动过程中会受到环境振动噪声等干扰噪声的影响，旋转设备振动信号的特征被淹没在干扰噪声中，使得故障检测过程中难以检测到早期故障带来的特征变化，使得早期故障不能够及时被发现，延误旋转设备的维修时间，影响旋转设备在运行过程中的安全性。
发明内容
本发明的主要目的在于提供一种故障诊断方法、装置、设备及计算机可读存储介质，旨在提高诊断旋转设备的早期故障的准确度，从而提高旋转设备的安全性。
为实现上述目的，本发明提供一种故障诊断方法，所述故障诊断方法包括以下步骤：
获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
可选地，所述基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
基于所述降噪信号和所述振动信号确定调整参数，其中，所述调整参数包括所述降噪信号相对于所述振动信号的信噪比增益；
确定所述调整参数的取值最大时所述随机共振系统中串联的第一个双稳态模块的目标参数；
基于所述目标参数对所述随机共振系统进行参数调整得到目标系统。
可选地，所述基于所述目标参数对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
将所述随机共振系统中串联的第一个双稳态模块的结构参数调整至与所述目标参数一致得到目标系统。
可选地，所述将所述振动信号输入所述目标系统进行降噪处理得到目标信号的步骤，包括：
将所述振动信号输入所述目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，所述目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将输入信号输入所述目标系统中任一目标模块得到输出信号的步骤，包括：
将输入信号输入所述目标模块，通过所述目标模块的结构参数中的第一参数乘以所述输入信号得到第一信号，并通过所述目标模块的结构参数中的第二参数乘以所述输入信号的三次方得到第二信号；
使用所述第一信号减去所述第二信号得到第三信号，使用所述第三信号加上所述目标系统的随机噪声信号得到输出信号。
可选地，所述获取旋转设备的振动信号的步骤之后，还包括：
在检测到所述振动信号中存在频率超出预设频率范围内的采样点时，对所述振动信号进行滤波处理，并将滤波处理后的振动信号作为所述振动信号。
可选地，所述故障诊断网络模型包括至少两个级联的卷积块和全连接层，所述将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果的步骤，包括：
将所述目标信号输入级联的所述卷积块得到信号特征，其中，级联的第一个卷积块的输入数据为所述目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据；
将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果。
可选地，所述故障诊断网络模型还包括注意力机制层，所述将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果的步骤，包括：
将所述信号特征输入所述注意力机制层，通过所述注意力机制层对所述信号特征进行加权得到加权特征；
融合所述信号特征和所述加权特征得到融合特征，将所述融合特征输入所述全连接层得到所述旋转设备的故障诊断结果。
为实现上述目的，本发明还提供一种故障诊断装置，所述故障诊断装置包括：
获取模块，用于获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
调整模块，用于将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
诊断模块，用于将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
为实现上述目的，本发明还提供一种故障诊断设备，所述故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障诊断程序，所述故障诊断程序被所述处理器执行时实现如上所述的故障诊断方法的步骤。
此外，为实现上述目的，本发明还提出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故障诊断程序，所述故障诊断程序被处理器执行时实现如上所述的故障诊断方法的步骤。
本发明中，通过获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；将振动信号输入随机共振系统进行降噪处理得到降噪信号，基于降噪信号和振动信号对随机共振系统进行参数调整得到目标系统，其中，随机共振系统包括串联的至少两个双稳态模块，随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；将振动信号输入目标系统进行降噪处理得到目标信号，将目标信号输入故障诊断网络模型得到旋转设备的故障诊断结果。
本发明通过多个双稳态模块串联组成的随机共振系统对振动信号进行降噪处理，每一级双稳态模块处理后的振动信号中残留的噪声在下一级双稳态模块的处理中转化成信号能量，实现了提高振动信号的信噪比，使得训传设备本身的振动信号的信号特征突出，从而提高诊断旋转设备的早期故障的准确度，提高了旋转设备的安全性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明故障诊断方法第一实施例的流程示意图；
图3为本发明故障诊断装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例故障诊断设备，所述故障诊断设备可以是旋转设备，也可以是与旋转设备建立通信连接的智能设备，例如智能手机、个人计算机、服务器等设备，在此不做具体限制。
如图1所示，该故障诊断设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对故障诊断设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及故障诊断程序。操作系统是管理和控制设备硬件和软件资源的程序，支持故障诊断程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的故障诊断程序，并执行以下操作：
获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
进一步地，所述基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
基于所述降噪信号和所述振动信号确定调整参数，其中，所述调整参数包括所述降噪信号相对于所述振动信号的信噪比增益；
确定所述调整参数的取值最大时所述随机共振系统中串联的第一个双稳态模块的目标参数；
基于所述目标参数对所述随机共振系统进行参数调整得到目标系统。
进一步地，所述基于所述目标参数对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
将所述随机共振系统中串联的第一个双稳态模块的结构参数调整至与所述目标参数一致得到目标系统。
进一步地，所述将所述振动信号输入所述目标系统进行降噪处理得到目标信号的步骤，包括：
将所述振动信号输入所述目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，所述目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将输入信号输入所述目标系统中任一目标模块得到输出信号的步骤，包括：
将输入信号输入所述目标模块，通过所述目标模块的结构参数中的第一参数乘以所述输入信号得到第一信号，并通过所述目标模块的结构参数中的第二参数乘以所述输入信号的三次方得到第二信号；
使用所述第一信号减去所述第二信号得到第三信号，使用所述第三信号加上所述目标系统的随机噪声信号得到输出信号。
进一步地，所述获取旋转设备的振动信号的步骤之后，还包括：
在检测到所述振动信号中存在频率超出预设频率范围内的采样点时，对所述振动信号进行滤波处理，并将滤波处理后的振动信号作为所述振动信号。
进一步地，所述故障诊断网络模型包括至少两个级联的卷积块和全连接层，所述将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果的步骤，包括：
将所述目标信号输入级联的所述卷积块得到信号特征，其中，级联的第一个卷积块的输入数据为所述目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据；
将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果。
进一步地，所述故障诊断网络模型还包括注意力机制层，所述将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果的步骤，包括：
将所述信号特征输入所述注意力机制层，通过所述注意力机制层对所述信号特征进行加权得到加权特征；
融合所述信号特征和所述加权特征得到融合特征，将所述融合特征输入所述全连接层得到所述旋转设备的故障诊断结果。
基于上述的结构，提出故障诊断方法的各个实施例。
参照图2，图2为本发明故障诊断方法第一实施例的流程示意图。
本发明实施例提供了故障诊断方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。在本实施例中，故障诊断方法的执行主体可以是旋转设备，也可以是与旋转设备建立通信连接的智能设备，例如智能手机、个人计算机、服务器等设备，在本实施例中并不做限制，以下为便于描述，省略执行主体进行各实施例的阐述。在本实施例中，所述故障诊断方法包括：
步骤S10，获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
本实施例中，获取旋转设备的振动信号。在具体实施方式中，振动信号可以是振动设备整体振动产生的信号，也可以是旋转设备中旋转结构振动产生的信号，具体在此不进行限制。
本实施例中，通过神经网络模型基于振动信号进行故障诊断，获取训练完成的神经网络模型（以下称为故障诊断网络模型以示区分），本实施例对故障诊断网络模型的具体结构不进行限制。故障诊断网络模型的具体训练方法可以采用常规的神经网络训练方法，在此不进行赘述。
步骤S20，将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
本实施例中，基于随机共振的双稳态模型构建随机共振系统，具体地，以串联的方式连接至少两个双稳态模型（也即双稳态模块）得到随机共振系统。其中，串联的双稳态模块中的第一个双稳态模块的输入信号为振动信号，胡第一个双稳态模块之外的各个双稳态模块的输入信号为上一级双稳态模块的输出信号，也即，各个双稳态模块对输入信号进行处理后输出至下一级双稳态模块进行处理，每一级双稳态模块处理后的振动信号中残留的噪声在下一级双稳态模块的处理中转化成信号能量，实现了提高振动信号的信噪比，使得训传设备本身的振动信号的信号特征突出，从而提高诊断旋转设备的早期故障的准确度，提高了旋转设备的安全性。
本实施例中，将振动信号输入随机共振系统进行降噪处理，将处理得到的信号称为降噪信号以示区分。具体地，由于振动信号中的噪声信号随机性强，每次采集到的振动信号中的噪声信号的强度都可能不同，因此在随机共振系统处理振动信号的过程中，随机共振系统的参数需要基于噪声强度进行调整，以使系统的信息传输能力最佳，也即，使系统处理后的振动信号中信号能量最高。具体地，本实施例中，在得到降噪信号后，基于降噪信号和振动信号对随机共振系统进行参数调整，将参数调整后的系统称为目标系统，本实施例通过对随机共振系统进行参数调整，以使随机共振系统适应当前处理的振动信号的信号强度，使得系统处理后的振动信号中信号能量最高。
步骤S30，将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
本实施例中，得到目标系统后，将振动信号输入目标系统进行降噪处理得到，将处理得到的信号称为目标信号。目标信号相比于振动信号，信噪比高，信号特征明显，更利于旋转设备的故障诊断。
本实施例中，将目标信号输入故障诊断网络模型得到旋转设备的故障诊断结果。在具体实施方式中，故障诊断结果可以是表征旋转设备是否发生故障的结果；也可以是表征旋转设备具体发生什么类型故障的结果，例如不对中故障、不平衡故障和轴弯曲故障等故障，具体根据实际需求进行设置，在此不进行限制。
进一步地，在一可行实施方式中，所述步骤S10：获取旋转设备的振动信号的步骤之后，还包括：
步骤S40，在检测到所述振动信号中存在频率超出预设频率范围内的采样点时，对所述振动信号进行滤波处理，并将滤波处理后的振动信号作为所述振动信号。
由于旋转设备的振动信号通常维持在稳定的频率范围内，即使旋转设备发生故障，旋转设备产生的振动信号的频率也维持在一个稳定范围。因此，本实施方式中，在通过随机共振系统对振动信号进行特征增强之前，对振动信号进行滤波处理，以滤除预设频率范围之外的振动信号，降低振动信号中的噪声信号的干扰，从而使得训传设备本身的振动信号的信号特征突出。
本实施例中，通过获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；将振动信号输入随机共振系统进行降噪处理得到降噪信号，基于降噪信号和振动信号对随机共振系统进行参数调整得到目标系统，其中，随机共振系统包括串联的至少两个双稳态模块，随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；将振动信号输入目标系统进行降噪处理得到目标信号，将目标信号输入故障诊断网络模型得到旋转设备的故障诊断结果。
本实施例通过多个双稳态模块串联组成的随机共振系统对振动信号进行降噪处理，每一级双稳态模块处理后的振动信号中残留的噪声在下一级双稳态模块的处理中转化成信号能量，实现了提高振动信号的信噪比，使得训传设备本身的振动信号的信号特征突出，从而提高诊断旋转设备的早期故障的准确度，提高了旋转设备的安全性。
进一步地，基于上述第一实施例，提出本发明故障诊断方法第二实施例，在本实施例中，所述步骤S20：基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，包括：
步骤S201，基于所述降噪信号和所述振动信号确定调整参数，其中，所述调整参数包括所述降噪信号相对于所述振动信号的信噪比增益；
本实施例中，基于降噪信号和振动信号确定调整随机共振系统的指标，以下称为调整参数以示区分。其中，调整参数为表征降噪信号的信噪比的参数，在一可行实施方式中，调整参数至少包括降噪信号相对于振动信号的信噪比增益，调整参数还可以包括降噪信号的信噪比、降噪信号的与振动信号的互信息量、降噪信号的误码率以及降噪信号的信道容量等，具体可以根据实际需求进行设置。
具体地，本实施例中，信噪比增益（Signal to Noise Ratio Gain，SNRG）是由随机共振系统的输出信噪比和输入信噪比的比值计算出来，更能反映出随机共振系统对微弱周期信号的改善程度，其计算公式可以是：
其中，SNRout表示系统输出信噪比（也即降噪信号的信噪比），SNRin表示系统输入信噪比（也即震动信号的信噪比）。信噪比的具体计算方法在此不进行限制。
步骤S202，确定所述调整参数的取值最大时所述随机共振系统中串联的第一个双稳态模块的目标参数；
本实施例中，以调整参数取值最大为目标确定随机共振系统的参数，由于第一个双稳态模块处理的输入信号中噪声能量最高，因此基于第一双稳态模型的参数确定随机共振系统的参数，以提高随机共振系统的准确性。具体地，确定调整参数的取值最大时随机共振系统中串联的第一个双稳态模块的参数，以下称为目标参数以示区分。
步骤S203，基于所述目标参数对所述随机共振系统进行参数调整得到目标系统。
本实施例中，在确定目标参数后，基于目标参数对随机共振系统进行参数调整得到目标系统。在具体实施方式中，可以是按照目标参数对随机共振系统的每一个双稳态模块进行调整，也可以是按照目标参数对随机共振系统的其中一个双稳态模块进行调整，具体在此不进行限制。
进一步地，在一可行实施方式中，所述步骤S203：基于所述目标参数对所述随机共振系统进行参数调整得到目标系统，包括：
步骤S2031，将所述随机共振系统中串联的第一个双稳态模块的结构参数调整至与所述目标参数一致得到目标系统。
本实施方式中，将随机共振系统中串联的第一个双稳态模块的结构参数调整至与目标参数一致得到目标系统。由于第一个双稳态模块处理的输入信号中噪声能量最高，因此本实施方式对第一个双稳态模块的结构参数进行调整，使第一个双稳态模块的结构参数更适应振动信号，从而提高第一个双稳态模块处理后的信号的信噪比，使得训传设备本身的振动信号的信号特征突出，从而提高诊断旋转设备的早期故障的准确度，提高了旋转设备的安全性。
进一步地，在一可行实施方式中，所述步骤S30：所述将所述振动信号输入所述目标系统进行降噪处理得到目标信号，包括：
步骤S301，将所述振动信号输入所述目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，所述目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
本实施方式中，将振动信号输入目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号。
其中，将输入信号输入目标系统中任一目标模块得到输出信号的步骤包括：
将输入信号输入目标模块，通过目标模块的结构参数中的第一参数乘以输入信号得到第一信号，并通过目标模块的结构参数中的第二参数乘以输入信号的三次方得到第二信号；使用第一信号减去第二信号得到第三信号，使用第三信号减去目标系统的随机噪声信号得到输出信号。也即，双稳态模块的随机共振过程可以表示为：
其中，表示双稳态模块的输出信号，x（t）表示双稳态模块的输入信号，y（t）表示双稳态模块的随机噪声，通常是高斯白噪声，a为第一参数，b为第二参数。
进一步地，在一可行实施方式中，所述故障诊断网络模型包括至少两个级联的卷积块和全连接层，所述步骤S30：将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果，包括：
步骤S302，将所述目标信号输入级联的所述卷积块得到信号特征，其中，级联的第一个卷积块的输入数据为所述目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据；
本实施方式中，故障诊断网络模型包括至少两个级联的卷积块和全连接层，将目标信号输入级联的卷积块得到信号特征，具体地，信号特征可以是频率、幅值和峭度等特征，具体在此不进行限制。
本实施方式中，级联的第一个卷积块的输入数据为目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据，也即，级联的各个卷积块中，上一个卷积块提取的特征为下一个卷积块的输入数据。
进一步地，在一可行实施方式中，卷积块可以包括卷积层、激活函数层和池化层。
步骤S303，将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果。
将信号特征输入全连接层，通过全连接层的分类器基于信号特征进行故障诊断得到旋转设备的故障诊断结果。
进一步地，在一可行实施方式中，所述故障诊断网络模型还包括注意力机制层，所述步骤S303：将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果，包括：
步骤S3031，将所述信号特征输入所述注意力机制层，通过所述注意力机制层对所述信号特征进行加权得到加权特征；
本实施方式中，在故障诊断网络模型中引入注意力机制，以通过注意力机制关注信号特征之间的相关性，从而提高故障诊断网络模型的准确性。具体地，可以在卷积块和全连接层之间连接注意力机制层，本实施方式中可以是在最后一个卷积块和全连接层的中间加入注意力机制层。
具体地，本实施方式中，将信号特征输入注意力机制层，通过注意力机制层对信号特征进行加权，得到特征称为加权特征以示区分。
进一步地，在一可行实施方式中，可以是每一个卷积块后面都连接一个注意力机制层，每个卷积块提取的卷积特征输入注意力机制得到加权后的卷积特征，将加权后的卷积特征和卷积特征融合作为下一个卷积块（或者全连接层）的输入数据。
步骤S3032，融合所述信号特征和所述加权特征得到融合特征，将所述融合特征输入所述全连接层得到所述旋转设备的故障诊断结果。
融合信号特征和加权特征得到融合特征，将融合特征输入全连接层得到旋转设备的故障诊断结果。
本实施例中，通过基于降噪信号和振动信号确定调整参数，其中，调整参数包括降噪信号相对于振动信号的信噪比增益；确定调整参数的取值最大时随机共振系统中串联的第一个双稳态模块的目标参数；基于目标参数对随机共振系统进行参数调整得到目标系统。本实施例通过对随机共振系统进行参数调整，以使随机共振系统适应当前处理的振动信号的信号强度，使得系统处理后的振动信号中信号能量最高。
此外，本发明实施例还提出一种故障诊断装置，参照图3，所述故障诊断装置包括：
获取模块10，用于获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
调整模块20，用于将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
诊断模块30，用于将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
进一步地，所述调整模块20还用于：
基于所述降噪信号和所述振动信号确定调整参数，其中，所述调整参数包括所述降噪信号相对于所述振动信号的信噪比增益；
确定所述调整参数的取值最大时所述随机共振系统中串联的第一个双稳态模块的目标参数；
基于所述目标参数对所述随机共振系统进行参数调整得到目标系统。
进一步地，所述调整模块20还用于：
将所述随机共振系统中串联的第一个双稳态模块的结构参数调整至与所述目标参数一致得到目标系统。
进一步地，所述诊断模块30还用于：
将所述振动信号输入所述目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，所述目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将输入信号输入所述目标系统中任一目标模块得到输出信号的步骤，包括：
将输入信号输入所述目标模块，通过所述目标模块的结构参数中的第一参数乘以所述输入信号得到第一信号，并通过所述目标模块的结构参数中的第二参数乘以所述输入信号的三次方得到第二信号；
使用所述第一信号减去所述第二信号得到第三信号，使用所述第三信号加上所述目标系统的随机噪声信号得到输出信号。
进一步地，所述故障诊断装置还包括滤波模块，用于：
在检测到所述振动信号中存在频率超出预设频率范围内的采样点时，对所述振动信号进行滤波处理，并将滤波处理后的振动信号作为所述振动信号。
进一步地，所述故障诊断网络模型包括至少两个级联的卷积块和全连接层，所述诊断模块30还用于：
将所述目标信号输入级联的所述卷积块得到信号特征，其中，级联的第一个卷积块的输入数据为所述目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据；
将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果。
进一步地，所述故障诊断网络模型还包括注意力机制层，所述诊断模块30还用于：
将所述信号特征输入所述注意力机制层，通过所述注意力机制层对所述信号特征进行加权得到加权特征；
融合所述信号特征和所述加权特征得到融合特征，将所述融合特征输入所述全连接层得到所述旋转设备的故障诊断结果。
本发明故障诊断装置各实施例，均可参照本发明故障诊断方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有故障诊断程序，所述故障诊断程序被处理器执行时实现如下所述的故障诊断方法的步骤。
本发明故障诊断设备和计算机可读存储介质各实施例，均可参照本发明故障诊断方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：
获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
2.如权利要求1所述的故障诊断方法，其特征在于，所述基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
基于所述降噪信号和所述振动信号确定调整参数，其中，所述调整参数包括所述降噪信号相对于所述振动信号的信噪比增益；
确定所述调整参数的取值最大时所述随机共振系统中串联的第一个双稳态模块的目标参数；
基于所述目标参数对所述随机共振系统进行参数调整得到目标系统。
3.如权利要求2所述的故障诊断方法，其特征在于，所述基于所述目标参数对所述随机共振系统进行参数调整得到目标系统的步骤，包括：
将所述随机共振系统中串联的第一个双稳态模块的结构参数调整至与所述目标参数一致得到目标系统。
4.如权利要求3所述的故障诊断方法，其特征在于，所述将所述振动信号输入所述目标系统进行降噪处理得到目标信号的步骤，包括：
将所述振动信号输入所述目标系统中串联的双稳态模块进行降噪处理得到目标信号，其中，所述目标系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
将输入信号输入所述目标系统中任一目标模块得到输出信号的步骤，包括：
将输入信号输入所述目标模块，通过所述目标模块的结构参数中的第一参数乘以所述输入信号得到第一信号，并通过所述目标模块的结构参数中的第二参数乘以所述输入信号的三次方得到第二信号；
使用所述第一信号减去所述第二信号得到第三信号，使用所述第三信号加上所述目标系统的随机噪声信号得到输出信号。
5.如权利要求1所述的故障诊断方法，其特征在于，所述获取旋转设备的振动信号的步骤之后，还包括：
在检测到所述振动信号中存在频率超出预设频率范围内的采样点时，对所述振动信号进行滤波处理，并将滤波处理后的振动信号作为所述振动信号。
6.如权利要求1至5中任一项所述的故障诊断方法，其特征在于，所述故障诊断网络模型包括至少两个级联的卷积块和全连接层，所述将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果的步骤，包括：
将所述目标信号输入级联的所述卷积块得到信号特征，其中，级联的第一个卷积块的输入数据为所述目标信号，除第一个卷积块之外的各个卷积块的输入数据为上一级卷积块的输出数据；
将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果。
7.如权利要求6所述的故障诊断方法，其特征在于，所述故障诊断网络模型还包括注意力机制层，所述将所述信号特征输入所述全连接层得到所述旋转设备的故障诊断结果的步骤，包括：
将所述信号特征输入所述注意力机制层，通过所述注意力机制层对所述信号特征进行加权得到加权特征；
融合所述信号特征和所述加权特征得到融合特征，将所述融合特征输入所述全连接层得到所述旋转设备的故障诊断结果。
8.一种故障诊断装置，其特征在于，所述故障诊断装置包括：
获取模块，用于获取旋转设备的振动信号，并获取训练完成的故障诊断网络模型；
调整模块，用于将所述振动信号输入随机共振系统进行降噪处理得到降噪信号，基于所述降噪信号和所述振动信号对所述随机共振系统进行参数调整得到目标系统，其中，所述随机共振系统包括串联的至少两个双稳态模块，所述随机共振系统中各个双稳态模块的输入信号为上一级双稳态模块的输出信号；
诊断模块，用于将所述振动信号输入所述目标系统进行降噪处理得到目标信号，将所述目标信号输入所述故障诊断网络模型得到所述旋转设备的故障诊断结果。
9.一种故障诊断设备，其特征在于，所述故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障诊断程序，所述故障诊断程序被所述处理器执行时实现如权利要求1至7中任一项所述的故障诊断方法的步骤。
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故障诊断程序，所述故障诊断程序被处理器执行时实现如权利要求1至7中任一项所述的故障诊断方法的步骤。
CN202310815027.5A 2023-07-05 2023-07-05 故障诊断方法、装置、设备及计算机可读存储介质 Pending CN116541768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310815027.5A CN116541768A (zh) 2023-07-05 2023-07-05 故障诊断方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310815027.5A CN116541768A (zh) 2023-07-05 2023-07-05 故障诊断方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116541768A true CN116541768A (zh) 2023-08-04

Family

ID=87445634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310815027.5A Pending CN116541768A (zh) 2023-07-05 2023-07-05 故障诊断方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116541768A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860347A (zh) * 2010-06-02 2010-10-13 天津大学 一种基于信号分类的随机共振信号恢复方法
CN105913042A (zh) * 2016-04-28 2016-08-31 上海电力学院 一种基于优化级联双稳态的弱暂态零序电流特征提取方法
CN106127165A (zh) * 2016-06-30 2016-11-16 重庆邮电大学 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法
CN115017945A (zh) * 2022-05-24 2022-09-06 南京林业大学 基于增强型卷积神经网络的机械故障诊断方法和诊断系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860347A (zh) * 2010-06-02 2010-10-13 天津大学 一种基于信号分类的随机共振信号恢复方法
CN105913042A (zh) * 2016-04-28 2016-08-31 上海电力学院 一种基于优化级联双稳态的弱暂态零序电流特征提取方法
CN106127165A (zh) * 2016-06-30 2016-11-16 重庆邮电大学 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法
CN115017945A (zh) * 2022-05-24 2022-09-06 南京林业大学 基于增强型卷积神经网络的机械故障诊断方法和诊断系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
林建辉: "动车组检修技术与设备", 北京：中国铁道出版社, pages: 38 - 43 *
王术光 等: "基于AFSA 优化级联随机共振的轴承故障诊断方法", 航空发动机, vol. 46, no. 5, pages 7 - 8 *
郝研: "分形维数特性分析及故障诊断分形方法研究", 中国博士学位论文全文数据库 基础科学辑, no. 5, pages 002 - 40 *

Similar Documents

Publication Publication Date Title
CN109063920B (zh) 一种交易风险识别方法、装置、及计算机设备
CN108090567B (zh) 电力通信系统故障诊断方法及装置
JP2014142627A (ja) 音声識別方法および装置
US20170064076A1 (en) Nuisance call detection device and method
CN113115195B (zh) 主动降噪耳机自动生产测试方法及装置
CN115743101A (zh) 车辆轨迹预测方法、轨迹预测模型训练方法和装置
CN116541768A (zh) 故障诊断方法、装置、设备及计算机可读存储介质
CN112969130A (zh) 音频信号处理方法、装置和电子设备
CN110808058B (zh) 语音增强方法、装置、设备及可读存储介质
CN117330850A (zh) 用于智能移动终端的辐射检测方法、系统、设备及介质
CN110988673B (zh) 电机转子故障检测方法、装置及终端设备
CN117014507A (zh) 任务卸载模型的训练方法、任务的卸载方法及装置
CN113654637B (zh) 一种电机轴齿轮噪声评价方法、装置、设备及存储介质
CN114264365B (zh) 风噪检测方法、装置、终端设备及存储介质
CN115547352A (zh) 电子设备及其噪音的处理方法、装置及介质
CN111783030B (zh) 触觉体验的评估方法、装置和存储介质
CN114065458A (zh) 基于emd的时域直接疲劳分析方法、装置、终端和介质
CN110875043A (zh) 声纹识别方法、装置、移动终端及计算机可读存储介质
CN113763976A (zh) 音频信号的降噪方法、装置、可读介质和电子设备
CN113362850B (zh) 音频信号采集设备的检测方法、设备和存储介质
CN113496698B (zh) 训练数据的筛选方法、装置、设备和存储介质
CN114640926B (zh) 电流音检测方法、装置、设备及计算机可读存储介质
CN102158439B (zh) 一种相干检测方法及装置
CN113034123B (zh) 异常资源转移识别方法、装置、电子设备及可读存储介质
CN117479199A (zh) 一种用于5g通讯模组检测的信号测试装置及其使用方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230804

RJ01 Rejection of invention patent application after publication