[发明专利]一种基于深度学习的旋转机械故障智能分类方法

说明书

本发明公开了一种基于深度学习的旋转机械故障智能分类方法，该方法通过对振动信号进行频域特征提取，对数据降维后利用深度神经网络进行分类，利用子信号测试训练的深度神经网络，根据测试结果修改样本标签，实现对不同故障信号的分类。本发明的方法将无监督训练与有监督训练相结合，整个过程自动完成，无需人工干预，自动提取特征并对故障信号分类。本发明的方法特别适合长数据故障信号的分类处理，具有广阔的工业应用前景。

技术领域

本发明涉及模式识别和故障检测领域，尤其涉及一种基于深度学习的旋转机械故障智能分类方法。

背景技术

旋转机械是工业上应用最广泛的机械，是指依靠旋转动作完成特定功能的机械，在石油、化工、电力、冶金等行业大量应用，一些甚至已成为核心设备。典型的旋转机械有汽轮机、燃气轮机、离心压缩机、风机、泵、水轮机、电动机、发电机和航空发动机等。由于现代化工程技术系统正朝大规模、复杂化方向发展，现代生产机械日益高速化、大型化、精密化、集中化和自动化，机械设备的可靠性、维修性、安全性日益受到重视。因此，采用先进的故障诊断技术，对设备运行状态进行跟踪，实时发现问题已成为生产正常进行的必要保障。

为了实时监测设备的运行状态，实现预知维修，需要采集海量数据来进行分析处理，致使机械状态监测领域迈入了“大数据”时代。根据旋转机械状态监测领域大数据的特点，利用机器学习和人工智能等学科最新研究成果，从监测的大数据中挖掘有用信息，进行旋转机械故障诊断和状态监测，准确高效地识别设备的运行状态，已成为旋转机械状态监测领域面临的新问题。

深度学习是神经网络领域的一个最新发展成果，是分析大数据的“利器”，已在语音识别、图像识别等领域取得了突破性进展。它将特征和分类器结合到一个框架中，用数据去学习特征，能够更好地表示数据的特征。目前利用深度学习来检测旋转机械故障受到了越来越多的关注。鉴于设备故障复杂性以及旋转机械设备的多样性，利用深度学习来诊断旋转机械的故障，开发适合工程应用的智能故障诊断系统，许多关键问题还有待解决。

发明内容

针对旋转机械故障的智能诊断问题，本发明公开了一种基于深度学习的旋转机械故障分类方法，该方法通过深度神经网络对测取的旋转机械振动信号进行学习，记忆旋转机械的不同故障模式，进而实现对旋转机械故障模式的识别与分类。

为了实现上述目的，本发明的具体方案如下：

步骤1、搜集具有不同故障模式的时域振动信号；

步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT)，将时域信号转换到频域；

步骤3、对经过FFT处理后的频域信号进行降维处理，提取特征信息；

步骤4、为步骤1的每个信号标注不同的标签，利用步骤3提取的特征信息，建立样本库；

步骤5、构建深度神经网络DNN；

步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练；

步骤7、根据步骤6的分类结果，对步骤4标注的样本标签进行调整，更新样本库；

步骤8、利用调整后的样本库，对步骤5构建的深度神经网络DNN进行有监督分类训练；

步骤9、将步骤1采集的振动信号切割成若干段子信号，对每一段子信号进行FFT变换，并提取特征信息，利用步骤7标注的样本标签，建立测试样本集；

步骤10、利用步骤9的测试样本集，对步骤8训练好的深度神经网络进行分类测试；

步骤11、若分类测试结果不满足要求，根据分类测试结果调整样本库中的样本标签，重复步骤8至步骤10，直至分类结果满足要求，进而实现对不同故障模式的分类。

有益效果