[发明专利]一种多工况旋转机械故障诊断方法

说明书

本发明涉及一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始振动数据矩阵；S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化振动数据矩阵；S3、将规范化振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。与现有技术相比，本发明通过卷积神经网络，提升了诊断模型对多变工况下对不变性特征的提取能力；通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性；两者结合共同提升了诊断模型对复杂工况条件下旋转机械故障诊断的准确率，为在线智能化故障诊断提供了有力支持。

技术领域

本发明涉及机械故障诊断技术领域，尤其是涉及一种多工况旋转机械故障诊断方法。

背景技术

随着科技的进步，机械设备与工业系统的复杂度日益增加。机械故障诊断技术为提高设备与系统的可靠性、可维护性和有效性开辟了一条新的途径。对工业生产而言，某些生产过程一旦发生故障，容易引起整个生产过程的瘫痪，造成巨大的经济损失，甚至威胁到工作人员的生命安全。由此，现代工业要求在故障发生之初迅速进行有效的处理，以维持设备及系统的正常运行，最大程度的减少损失、降低威胁。利用计算机监测设备及系统状态及时发现故障、定位故障，已成为重要生产过程必不可少的环节。

旋转机械广泛应用于重工业的多个领域，且大多数为各个生产领域的关键设备。其多在工况条件复杂甚至恶劣的条件下工作，因此故障发生相对频繁。在不同的工况条件下，旋转机械相同的故障类型往往表现出不同的时域特征与频域特征，其较强的非线性为人工诊断带来了很大困难。

过去几年，在大数据支持与计算机性能不断提升的条件下，深度学习在解决视觉识别、语音识别、自然语言处理等多种问题上表现十分出色。在众多深度学习模型中，卷积神经网络是应用最为广泛、最早深入研究的。卷积神经网络在复杂、强非线性的模式识别与分类任务中有明显的优势。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多工况旋转机械故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种多工况旋转机械故障诊断方法，包括：

S1、采集得到旋转机械的原始时域振动数据矩阵；

S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；

S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。

优选的，所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。

优选的，所述卷积神经网络包括输入层、卷积层、池化层和输出层。

优选的，所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。

优选的，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构对卷积层降采样获得，所述池化结构的滑移方向与采样长度的方向一致；所述输出层的节点个数等于待诊断旋转机械设备状态类型数；所述池化层和输出层间采用全连接。

优选的，所述卷积神经网络除输入层外的每一层均采用线性整流函数进行激活。

优选的，所述输出层分别采用softmax函数和argmax函数进行归一化处理和故障类别判定。

优选的，所述池化层采用最大池化获取。

优选的，所述卷积神经网络的损失函数采用结合L2正则项的交叉熵损失函数。

优选的，所述K近邻分类器的建立过程包括：