CN116776191A - 多任务旋转机械设备的故障诊断方法及装置 - Google Patents
多任务旋转机械设备的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116776191A CN116776191A CN202310545758.2A CN202310545758A CN116776191A CN 116776191 A CN116776191 A CN 116776191A CN 202310545758 A CN202310545758 A CN 202310545758A CN 116776191 A CN116776191 A CN 116776191A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- vibration
- fault
- rotary
- task
- 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 148
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (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
本申请涉及故障诊断技术领域，特别涉及一种多任务旋转机械设备的故障诊断方法及装置，其中，方法包括：采集旋转机械设备的振动信号进行数据预处理，得到频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据，将多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。本申请实施例可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。
Description
技术领域
本申请涉及故障诊断技术领域，特别涉及一种多任务旋转机械设备的故障诊断方法及装置。
背景技术
随着工业的不断发展，针对工业生产关键设备的故障诊断逐渐受到重视。旋转机械设备是工业生产的重要一环，需确保旋转机械设备的安全运行。
相关技术中，依靠在线监测设备的普及，工业领域积累了大量的在线监测数据，可基于深度学习、知识图谱与自动化机器学习算法进行旋转机械故障诊断。
然而，相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断，亟待解决。
发明内容
本申请提供一种多任务旋转机械设备的故障诊断方法及装置，以解决相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
本申请第一方面实施例提供一种多任务旋转机械设备的故障诊断方法，应用于模型训练阶段，其中，所述方法包括以下步骤：采集至少一个旋转机械设备在运动过程中的至少一个振动信号；对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
可选地，在本申请的一个实施例中，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，包括：对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
可选地，在本申请的一个实施例中，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，还包括：在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；基于需诊断的故障种类，构造相应数量残差网络块的多任故障分类模块，以输出对每类故障的发生情况。
本申请第二方面实施例提供一种多任务旋转机械设备的故障诊断方法，应用于故障诊断阶段，其中，所述方法包括以下步骤：采集目标旋转机械设备的至少一个振动信号；将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
可选地，在本申请的一个实施例中，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
本申请第三方面实施例提供一种多任务旋转机械设备的故障诊断装置，应用于模型训练阶段，其中，所述装置包括：采集模块，用于采集至少一个旋转机械设备在运动过程中的至少一个振动信号；预处理模块，用于对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；训练模块，用于将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
可选地，在本申请的一个实施例中，所述训练模块进一步用于对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
可选地，在本申请的一个实施例中，所述训练模块还包括：分类单元，用于在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；输出单元，用于基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。
本申请第四方面实施例提供一种多任务旋转机械设备的故障诊断装置，应用于故障诊断阶段，其中，所述装置包括：获取模块，用于采集目标旋转机械设备的至少一个振动信号；诊断模块，用于将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
可选地，在本申请的一个实施例中，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
本申请第五方面实施例提供一种电子设备，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计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的多任务旋转机械设备的故障诊断方法。
本申请第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的多任务旋转机械设备的故障诊断方法。
本申请实施例可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种多任务旋转机械设备的故障诊断方法的流程图；
图2为本申请一个实施例的旋转机械设备振动信号的原始振动波形图；
图3为本申请一个实施例的旋转机械设备振动信号的频谱图；
图4为本申请一个实施例的旋转机械设备振动信号的包络谱；
图5为本申请一个实施例的旋转机械设备振动信号的连续小波变换图；
图6为本申请一个实施例的旋转机械设备振动信号的小波包分解图；
图7为本申请一个实施例的旋转机械设备振动信号的轴心轨迹图；
图8为本申请一个实施例的旋转机械设备振动信号的注意力机制网络示意图；
图9为根据本申请实施例提供的另一种多任务旋转机械设备的故障诊断方法的流程图；
图10为本申请一个实施例的旋转机械设备振动信号的多任务故障诊断模型示意图；
图11为根据本申请实施例提供的一种多任务旋转机械设备的故障诊断装置的结构示意图；
图12为根据本申请实施例提供的另一种多任务旋转机械设备的故障诊断装置的结构示意图；
图13为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的多任务旋转机械设备的故障诊断方法及装置。针对上述背景技术中提到的相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断的问题，本申请提供了一种多任务旋转机械设备的故障诊断方法，在该方法中，可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
具体而言，图1为本申请实施例所提供的一种多任务旋转机械设备的故障诊断方法的流程示意图。
如图1所示，该多任务旋转机械设备的故障诊断方法，应用于模型训练阶段，其中，方法包括以下步骤：
在步骤S101中，采集至少一个旋转机械设备在运动过程中的至少一个振动信号。
可以理解的是，本申请实施例中旋转机械设备在运动过程中的至少一个振动信号可为旋转机械设备某部位的位移、速度或加速度振动数据，可以根据所采集部位振动的频率高低决定所采集振动信号的形式。
本申请实施例可以采集至少一个旋转机械设备在运动过程中的至少一个振动信号，从而为下述步骤中的模型训练提供所需原始数据，建立了旋转机械设备故障诊断的数据基础。
在步骤S102中，对至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据。
可以理解的是，本申请实施例中每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图可以通过对振动信号进行数据处理进而进行绘制。
在实际执行过程中，如图2所示，为本申请一个实施例的旋转机械设备振动信号的原始振动波形图，可通过该图所提供的振动信号数据进行数据预处理。其中，如图3所示，为本申请一个实施例的旋转机械设备振动信号的频谱图，频谱图可以通过使用信号分析方法，提取振动时域指标和频域指标，进而对振动信号进行傅里叶变换，由此获取其频谱图。
图4为本申请一个实施例的旋转机械设备振动信号的包络谱，可使用包络分析，从而获取振动信号的包络谱。
图5-6分别为本申请一个实施例的旋转机械设备振动信号的连续小波变换图与本申请一个实施例的旋转机械设备振动信号的小波包分解图，可以使用小波包分解得到振动信号的小波包分解图。
图7为本申请一个实施例的旋转机械设备振动信号的轴心轨迹图，可通过综合两个传感器的振动信号，从而绘制得到转子的轴心轨迹图。
本申请实施例可以对至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据，从而为下述步骤中神经网络的训练提供多样化信息选择，从而丰富了所采集振动信号数据的运用形式，增强了神经网络构架数据基础的完善性。
在步骤S103中，将多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
可以理解的是，本申请实施例中故障标注内容可来自所采集振动信号的旋转机械设备的维护及检修记录，故障标注种类可由需诊断的旋转故障种类定义划分，各多类振动特征数据可存在与其对应的故障标注。其中，若存在新增故障种类，则可在已有多任务故障诊断模型基础上，通过增加残差网络块进行快速更新训练。
在实际执行过程中，可采集旋转机械设备的历史监测数据，获取其中的振动信号与其对应的故障内容，将振动信号进行数据处理后得到的多类振动特征数据作为模型训练的输入数据，将故障内容进行分类后得到标注结果作为模型训练的输出数据。
本申请实施例可将多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型，由此利用所采集到的旋转设备数据实现模型的构建与训练，提升模型针对旋转机械设备振动信号的数据处理能力，并增强模型在实际故障判断中的精确度。
可选地，在本申请的一个实施例中，训练基于卷积神经网络的旋转机械多任务故障诊断模型，包括：对于多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
可以理解的是，本申请实施例中多类振动特征数据的每种振动特征可以对应上述步骤中所得的每个振动信号的原始波形、频谱图、连续小波变换图、包络谱、小波包分解图及轴心轨迹图作为表现形式，并构造单独的残差卷积神经网络与其相对应，进而由单独的残差卷积神经网络对其多对应的振动特征进行特征提取，以获得对应的高阶表示特征图。
本申请实施例可对多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图，从而进一步发掘了振动信号的数据信息，提升了故障诊断的数据处理水平。
可选地，在本申请的一个实施例中，训练基于卷积神经网络的旋转机械多任务故障诊断模型，还包括：在获得每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。
可以理解的是，本申请实施例中注意力机制的残差网络块可根据信号和故障特征计算每个输入特征图的权重，以针对其中权重较大的特征图进行关注，并将所得加权后特征图输入至相等的残差网络块中，进行故障判定，从而输出振动信号所对应的故障发生情况。
在实际执行过程中，注意力机制网络如图8所示，为本申请一个实施例的旋转机械设备振动信号的注意力机制网络示意图，输入Feature Map特征图F后，分别进行最大值池化MaxPooling与平均池化Avg Pooling，进而输入全连接层FC layer中输出得到基于通道域的注意力ChannelAttention C。
本申请实施例可以在获得每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图，并基于需诊断的故障种类构造相应数量残差网络块，以输出对每类故障的发生情况，从而实现对所得振动信号数据的不同特征的针对性关注，由此提升了旋转机械故障诊断结果的准确性，以更加高效地实现机械故障诊断。
根据本申请实施例提出的多任务旋转机械设备的故障诊断方法，可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
上述实施例描述为模型训练阶段，下面对故障诊断阶段的实施例进行描述。
图9为本申请实施例所提供的另一种多任务旋转机械设备的故障诊断方法的流程示意图。
如图9所示，该多任务旋转机械设备的故障诊断方法，应用于故障诊断阶段，其中，方法包括以下步骤：
在步骤S901中，采集目标旋转机械设备的至少一个振动信号。
在实际执行过程中，可通过对实施旋转机械设备故障检测的对象安装振动传感器进行振动信号获取，所安装振动传感器可为振动速度传感器、振动加速度传感器或者振动位移传感器。
本申请实施例可以采集至少一个旋转机械设备在运动过程中的至少一个振动信号，从而为下述步骤中的模型训练提供所需原始数据，建立了旋转机械设备故障诊断的数据基础。
在步骤S902中，将目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出目标旋转机械设备的故障诊断结果，其中，旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
具体地，可将上述步骤所采集目标对象的振动信号数据输入至完成模型训练的旋转机械多任务故障诊断模型中进行故障诊断，将进行数据预处理后的振动信号，以原始波形、频谱图、连续小波变换图、包络谱、小波包分解图及轴心轨迹图的形式作为多类振动特征数据进行输入，得到最终诊断结果以故障的分类标注作为输出内容，最终获取故障诊断结果。
本申请实施例可以将目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出目标旋转机械设备的故障诊断结果，从而实现过程高效且结果耦合性高的诊断输出，使旋转机械设备的诊断更具实用性，以进一步保障旋转机械设备的安全作业。
可选地，在本申请的一个实施例中，故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
可以理解的是，在本申请实施例中故障种类的各故障可来自旋转机械设备的轴系、轴承、齿轮，如轴系故障可包含不平衡、不对中、碰摩等类型，轴承故障可包含内圈故障、外圈故障、滚动体故障等类型，齿轮故障可包含断齿、缺齿、齿面磨损等类型。
特别地，若故障诊断结果不属于轴系类故障、轴承类故障和齿轮类故障中任一种，则故障标注归类至其他种类。
本申请实施例的故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障，通过对故障种类进行具体划分，使所得结果能够体现旋转机械设备的具体故障位置与故障内容，提高了旋转机械设备故障诊断结果的针对性，进而使故障处理具备高效的信息基础。
根据本申请实施例提出的多任务旋转机械设备的故障诊断方法，可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
下面以一个具体实施例结合本申请实施例的模型训练阶段与故障诊断阶段对本申请实施例的工作内容进行详细阐述。
首先针对所采集的旋转机械设备振动信号进行数据处理，获得以原始振动信号、频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图为表现形式的多类振动特征数据，将其作为输入数据，同时将振动信号所对应故障内容归类至所述故障类型中进行故障标注，将其作为输出数据，从而训练所构建的多任务故障诊断模型。
其次，在需要故障诊断的旋转机械设备上部署训练完成的多任务故障诊断模型，实时获取设备的振动数据输入模型中进行故障诊断。
最终，根据模型输出结果，得到故障内容作为最终故障诊断结果。其中，如图10所示，为本申请一个实施例的旋转机械设备振动信号的多任务故障诊断模型示意图。先将所采集原始振动信号，包含振动速度传感器、振动加速度传感器和振动位移传感器所采集数据，通过信号分析的数据预处理过程后，得到频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图及原始波形，将其分别输入对应残差卷积神经网络进行特征提取，从而获得每种特征的高阶表示特征图，并导入注意力机制的残差网络块，计算每个输入特征图的权重，关注权重较大的特征图。最终输入至残差块中得到不同的故障类型判断结果，获取模型最终输出内容。
其次参照附图描述根据本申请实施例提出的多任务旋转机械设备的故障诊断装置。
图11是本申请实施例提供的一种多任务旋转机械设备的故障诊断装置的结构示意图。
如图11所示，该多任务旋转机械设备的故障诊断装置10应用于模型训练阶段，包括：采集模块110、预处理模块120和训练模块130。
其中，采集模块110，用于采集至少一个旋转机械设备在运动过程中的至少一个振动信号。
预处理模块120，用于对至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据。
训练模块130，用于将多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
可选地，在本申请的一个实施例中，训练模块130进一步用于对于多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
可选地，在本申请的一个实施例中，训练模块130还包括：分类单元和输出单元。
其中，分类单元，用于在获得每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图。
输出单元，用于基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。
需要说明的是，前述对多任务旋转机械设备的故障诊断方法实施例的解释说明也适用于该实施例的多任务旋转机械设备的故障诊断装置，此处不再赘述。
根据本申请实施例提出的多任务旋转机械设备的故障诊断装置，可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
上述实施例描述为模型训练阶段，下面对故障诊断阶段的实施例进行描述。
图12是本申请实施例提供的另一种多任务旋转机械设备的故障诊断装置的结构示意图。
如图12所示，该多任务旋转机械设备的故障诊断装置20应用于故障诊断阶段，包括：获取模块210和诊断模块220。
其中，获取模块210，用于采集目标旋转机械设备的至少一个振动信号。
诊断模块220，用于将目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出目标旋转机械设备的故障诊断结果，其中，旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
可选地，在本申请的一个实施例中，故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
需要说明的是，前述对多任务旋转机械设备的故障诊断方法实施例的解释说明也适用于该实施例的多任务旋转机械设备的故障诊断装置，此处不再赘述。
根据本申请实施例提出的多任务旋转机械设备的故障诊断装置，可以根据旋转机械故障类型进行神经网络训练，对预处理信号数据的多维特征进行融合后，实现多类故障诊断结果的同时输出，从而提高了故障诊断过程的针对性与全面性，使诊断结果更加准确可靠。由此，解决了相关技术中未能充分考虑数据输入模型时的故障特征及信号分析，旋转机械不同部件所对应的不同振动分析方法，以及不同部件故障起因或特征间的关联性，导致所得故障诊断结果精度较低且通用性差，无法实现高效精确且具有针对性的旋转机械设备故障诊断等问题。
图13为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器1301、处理器1302及存储在存储器1301上并可在处理器1302上运行的计算机程序。
处理器1302执行程序时实现上述实施例中提供的多任务旋转机械设备的故障诊断方法。
进一步地，电子设备还包括：
通信接口1303，用于存储器1301和处理器1302之间的通信。
存储器1301，用于存放可在处理器1302上运行的计算机程序。
存储器1301可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器1301、处理器1302和通信接口1303独立实现，则通信接口1303、存储器1301和处理器1302可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器1301、处理器1302及通信接口1303，集成在一块芯片上实现，则存储器1301、处理器1302及通信接口1303可以通过内部接口完成相互间的通信。
处理器1302可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的多任务旋转机械设备的故障诊断方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种多任务旋转机械设备的故障诊断方法，其特征在于，应用于模型训练阶段，其中，所述方法包括以下步骤：
采集至少一个旋转机械设备在运动过程中的至少一个振动信号；
对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；以及
将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
2.根据权利要求1所述的方法，其特征在于，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，包括：
对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
3.根据权利要求2所述的方法，其特征在于，所述训练基于卷积神经网络的旋转机械多任务故障诊断模型，还包括：
在获得所述每种振动特征的高阶表示特征图后，引入注意力机制的残差网络块，以根据信号和故障特征关注不同的特征图；
基于需诊断的故障种类，构造相应数量残差网络块，以输出对每类故障的发生情况。
4.一种多任务旋转机械设备的故障诊断方法，其特征在于，应用于故障诊断阶段，其中，所述方法包括以下步骤：
采集目标旋转机械设备的至少一个振动信号；
将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
5.根据权利要求4所述的方法，其特征在于，所述故障标注对应的故障种类包括轴系类故障、轴承类故障和齿轮类故障。
6.一种多任务旋转机械设备的故障诊断装置，其特征在于，应用于模型训练阶段，其中，所述装置包括：
采集模块，用于采集至少一个旋转机械设备在运动过程中的至少一个振动信号；
预处理模块，用于对所述至少一个振动信号进行数据预处理，得到每个振动信号的频谱图、连续小波变换图、包络谱、小波包分解图和轴心轨迹图，生成多类振动特征数据；以及
训练模块，用于将所述多类振动特征数据作为模型输入，并将与需诊断的旋转故障种类对应的故障标注作为输出，训练基于卷积神经网络的旋转机械多任务故障诊断模型。
7.根据权利要求6所述的装置，其特征在于，所述训练模块进一步用于对于所述多类振动特征数据的每种振动特征，构造单独的残差卷积神经网络对所述多类振动特征数据的每种振动特征进行特征提取，以得到每种振动特征的高阶表示特征图。
8.一种多任务旋转机械设备的故障诊断装置，其特征在于，应用于故障诊断阶段，其中，所述装置包括：
获取模块，用于采集目标旋转机械设备的至少一个振动信号；
诊断模块，用于将所述目标旋转机械设备的至少一个振动信号输入至训练后的旋转机械多任务故障诊断模型，输出所述目标旋转机械设备的故障诊断结果，其中，所述旋转机械多任务故障诊断模型由多类振动特征数据作为模型输入，且将与需诊断的旋转故障种类对应的故障标注作为输出训练得到。
9.一种电子设备，其特征在于，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计算机程序，所述处理器执行所述程序，以实现如权利要求1-3或者4-5任一项所述的多任务旋转机械设备的故障诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3或者4-5任一项所述的多任务旋转机械设备的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545758.2A CN116776191A (zh) | 2023-05-15 | 2023-05-15 | 多任务旋转机械设备的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545758.2A CN116776191A (zh) | 2023-05-15 | 2023-05-15 | 多任务旋转机械设备的故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116776191A true CN116776191A (zh) | 2023-09-19 |
Family
ID=88007110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310545758.2A Pending CN116776191A (zh) | 2023-05-15 | 2023-05-15 | 多任务旋转机械设备的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776191A (zh) |
-
2023
- 2023-05-15 CN CN202310545758.2A patent/CN116776191A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114357663B (zh) | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 | |
| CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
| US10802679B2 (en) | Methods and apparatus for configuring a data analyzer | |
| EP1147301B1 (en) | Method and device in vehicle control system, and system for error diagnostics in vehicle | |
| CN102539151B (zh) | 一种汽车变速器智能化在线质量检测方法 | |
| CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
| CN108303255A (zh) | 低速重载设备滚动轴承故障诊断方法、设备及介质 | |
| CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
| Zheng et al. | An improved empirical wavelet transform and refined composite multiscale dispersion entropy-based fault diagnosis method for rolling bearing | |
| Harris | A Kohonen SOM based, machine health monitoring system which enables diagnosis of faults not seen in the training set | |
| CN116383737A (zh) | 基于聚类对比学习的旋转机械故障诊断方法及系统 | |
| CN113592071B (zh) | 设备故障识别模型训练、识别方法、系统、装置及介质 | |
| CN116776191A (zh) | 多任务旋转机械设备的故障诊断方法及装置 | |
| CN115656700B (zh) | 检测方法、训练方法、电器、监控系统和存储介质 | |
| CN114942066B (zh) | 电主轴误差间接预测方法及装置 | |
| CN108520093B (zh) | 一种基于知识库的机械设备故障诊断方法和装置 | |
| WO2014105282A1 (en) | Methods and apparatus for defining a probe configuration using a probe configuration tool | |
| CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
| CN110569478B (zh) | 用于编码器信号分析的改进变分模态分解方法 | |
| CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 | |
| CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
| CN113075547A (zh) | 电机数据的采集方法及系统 | |
| Wu et al. | Automatic Diagnosis of Rolling Element Bearing Under Different Conditions Based on RVMD and Envelope Order Capture | |
| CN115616403B (zh) | 永磁同步电机轴承故障初期诊断方法、装置及存储介质 | |
| CN117740242A (zh) | 动力涡轮机动平衡测试系统 |
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 |