[发明专利]基于深度学习的时间序列数据智能故障诊断方法

权利要求书

1.一种基于深度学习的时间序列数据智能故障诊断方法，其特征在于，包括以下步骤：

1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；测点的个数为T；

所述健康状态为机电设备存在的N种健康状态，其中有一个正常状态和N-1种故障状态；

2)根据采集的N种健康状态数据构建一维时间序列原始故障数据集{φ}_原；

3)数据预处理，所述预处理包括归一化和数据截断；

4)构建二维特征图故障数据集；将所述数据预处理后得到的每一个故障样本中的每个通道的一维时间序列数据进行数据格式重构为二维特征图；

5)数据集划分；将二维特征图故障数据集中每一种健康状态类型中的样本划分为训练集、验证集和测试集；

6)构建深度学习故障诊断模型；

7)对深度学习故障诊断模型进行训练，获得深度学习故障诊断模型的特征提取层和降维减参层的模型参数；对训练后的深度学习故障诊断模型进行验证，直到验证集准确率达到设定的目标值或训练迭代次数时，模型训练结束，同时保存模型训练结束时的深度学习故障诊断模型中的各层参数值；

8)对输入的待诊断样本数据使用深度学习故障诊断模型进行故障诊断，输出最终的故障诊断结果。

2.根据权利要求1所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤2)中一维时间序列原始故障数据集{φ}_原的构建如下：一维时间序列原始故障数据集{φ}_原设置为包含有N个子集：{φ}_原＝{φ₁,φ₂,...,φ_i,...,φ_N}_原，对应N种健康状态，所述每个子集{φ_i}_原包含有T个一维时间序列原始数据段，每个原始数据段的长度为L，即包含L个数据点，从而组成一个N×T×L的多维张量数据集{φ}_原。

3.根据权利要求1所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤3)中数据预处理数据截断为将包含有L个数据点的一维时间序列原始数据段进行分段等分截断，使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段，若假设每个等长的小数据段的长度为k个数据点,则k×h＝L。

4.根据权利要求3所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤4)中数据重构方法为：首先，将故障样本中每个通道的长度为k的一维时间序列小数据段分量的一维向量格式重构为二维特征图的矩阵形式[x]_m×n，构建方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图；按照同样的方法，每个故障样本中T个通道即可得到T张尺寸为m×n的二维特征图；

其次，将故障样本{X_(k)}^(T)中的T个二维特征图按照从通道1、通道2、……、通道T的顺序依次叠加，构建一个故障样本的包含有T通道的二维特征图。

5.根据权利要求1所述的基于深度学习的时间序列数据智能故障诊断方法，其特征在于，所述步骤6)构建深度学习故障诊断模型采用卷积神经网络构建。