[发明专利]一种复杂情况下机械设备故障诊断方法

说明书

本发明提供一种复杂情况下机械设备故障诊断方法，首先采集旋转机械或往复机械设备运转振动信号，并采用梅尔频率倒谱系数法进行特征提取，将梅尔频率倒谱系数法提取的特征数据分成训练数据和测试数据，并按类别设置分类标签，利用训练数据对深度置信网络模型进行训练，利用测试数据测试深度置信网络效果并给出诊断结果。本发明有效的突破了变工况、复合故障模式等复杂情况机械故障特征信息难以提取的技术瓶颈，实现了复杂情况下机械设备故障诊断，本方法具有针对性，重点解决各类复杂情况的难点问题，准确率高，智能化程度高，计算速度快。

技术领域

本发明属于机械工程技术领域，具体涉及机械设备故障诊断方法的研究。

背景技术

在工程实践中，机械设备运转的振动信号复杂程度各异，例如：空载、转速稳定及单故障模式下，以发动机为代表的往复机械的振动信号就要比以齿轮、轴承为代表的旋转机械振动信号复杂。而更加复杂的情况也普遍存在，主要是变速变负载的复杂工况以及多故障共同发生的复杂故障模式。这两种复杂情况下采集到的振动信号成分将更加复杂，故障诊断难度徒增，需要更强大的特征提取和信号分析方法来处理。

现有技术多是以一种方法解决各类复杂情况不同的问题，没有针对性，容易造成准确率不高或计算过程过于复杂。现有技术中，对机械设备故障诊断的研究以旋转机械为研究对象的居多，对结构更加复杂的往复机械研究较少；对单一转速和定工况的研究较多，对变速变负载情况的研究较少；对单故障模式研究较多，对复合故障模式研究较少。

复杂故障模式机械设备运转振动信号与定工况、单一故障模式相比要复杂的多，因此对于变工况、复合故障模式的机械诊断，其难点就在于故障特征信息的提取，特征信息提取的不准确必然导致故障诊断结果不理想，其次特征数据计算处理过程无比冗长复杂，最后得到的故障诊断方法在实际操作中根本没有办法得到具体的应用，由此，对于变工况复合故障模式的机械诊断尚缺乏针对性的解决方案。

发明内容

本发明的目的是要解决变工况、复合故障模式等复杂情况下故障特征信息提取及故障诊断的技术问题。

为解决上述技术问题，本发明提出一种复杂情况下机械设备故障诊断方法的技术方案，包含如下步骤：

步骤1、采集旋转机械或往复机械设备运转振动信号；

步骤2、采用梅尔频率倒谱系数进行故障特征提取；

S1先对采集到的设备运转振动信号进行预处理，主要包括端点检测、预加重、分帧和加窗等；

S2对预处理后的信号数据进行傅里叶变换得到对应的频谱；

S3利用Mel滤波器组处理每个频谱得到Mel频谱；

进一步的，对生成Mel频谱的步长分析至少需要采集设备运转一个周期信号长度信号长度所需的时间且Mel滤波器组数量M＝2ⁿ(n＝5、6、7、8)；

S4对Mel频谱进行倒谱分析，通过倒谱向量描述振动信号，每个向量就是对应每帧的MFCC特征向量；

步骤3、将提取MFCC特征后的数据分成训练数据和测试数据，并按类别设置分类标签；

步骤4、利用训练数据对深度置信网络模型进行训练

S1、设置深度置信网络初始参数；

进一步的，深度置信网络初始参数可如下设置：

1)隐藏层单元数