[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

说明书

本发明公开了一种基于深度学习的时间序列数据智能故障诊断方法，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；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；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；5)数据集划分；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，获得参数；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。本发明通过构建二维特征图和改进传统卷积神经网络模型结构，提高了故障的诊断速度和故障诊断的准确性。

技术领域

本发明涉及故障诊断技术，尤其涉及一种基于深度学习的时间序列数据智能故障诊断方法。

背景技术

随着智能时代的到来，越来越多的机电装备产品朝着智能化、自动化、多功能化和精密化方向发展，如今机电装备产品的应用环境复杂度逐渐增加，在复杂多变的工作环境下，机电装备的长时间连续运行易于发生各类故障，若故障无法及时的诊断和排除，一旦故障危害蔓延将可能带来重大损失，因此极有必要对机电装备提供有效的智能故障诊断方法；如今随着“互联网+”、物联网与先进智能传感器技术在机电装备上的广泛应用，反映机电装备产品运行健康状态的“大数据”被轻易获取和利用；例如，在航空发动机、电动机、发动机、滚动轴承、齿轮等机器或部件中可采集获取诸如振动加速度、噪声、转速、温度、电压或电流等一维时间序列监测数据，这些监测数据记录了机电装备运行过程的健康状态及变化特征，通过对这些一维时间序列数据进行特征提取和统计分析利用即可达到对机电装备进行故障诊断的目的。

现有针对机电装备的故障诊断和状态监测的方法仍是以传统的“事后维修”、“计划维修”和“定时维护”的方式为主，此类方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足技术人员智能故障诊断和在线状态监测的需求。

随着机器学习研究的不断兴起，基于人工智能的故障诊断算法逐渐成为故障诊断领域研究的热点。主流的算法有：BP神经网络(BPNN)、支持向量机(SVM)和K近邻法(KNN)。经过多年的应用验证，以上三种算法因其浅层的网络结构导致特征提取能力较差，已难以适应如今大数据样本环境下的应用。目前业内学者通常采用手工特征提取和浅层机器学习算法相结合的方法进行智能故障诊断。上述现有智能故障诊断方法中虽已应用并取得一定成效，但是仍然突显出三大不足：(1)必须掌握各种先进的信号处理技术用于特征提取，特征选择必须依赖于工程师凭经验和专业知识完成，存在较大的主观和盲目性；(2)特征提取主要用于解决特定故障问题，通用性差，且在海量数据样本环境下难以完成；(3)人工提取的故障特征不全面，对反映微小故障的特征易误删和被噪音掩盖。产生上述缺陷的主要原因是现有的智能故障诊断算法中使用的网络模型大多是浅层结构，其特征提取能力较弱。