[发明专利]基于组合卷积神经网络的故障类型及损坏程度诊断方法

说明书

本发明提供一种基于组合卷积神经网络的故障类型及损坏程度诊断方法，包括以下步骤：S1.数据采集与预处理；S2.构建一维卷积神经网络；S3.训练模型；S4.调整超参数和网络构架；S5.准备进行故障类型和损坏程度诊断的数据集；S6.分别训练各个模型；S7.将多个卷积网络组合成一个构架；S8.完成故障类型识别和损坏程度诊断。本发明选择一维卷积神经网络对原始振动信号的特征进行端到端的提取；同时使用全局最大池化层替换全连接层，减少训练参数，加快训练速度，防止过拟合。使用不同严重程度的一维原始数据分别训练不同的模型，不仅能实现故障类型的识别还能达到故障损坏程度分类的目的，取得比单一模型更好的效果。

技术领域

本发明属于深度学习和旋转机械故障诊断领域，涉及一种基于卷积神经网络的机械故障类型及损坏程度诊断方法。

背景技术

当今，现代工业设备日益朝着大型化、高速化、精密化和自动化发展，已广泛应用于煤矿、石化、电力等工业，监控这些设备的健康状况变得非常复杂。大型机械系统一旦发生故障可能导致重大的安全事故，造成巨大的经济损失甚至人员伤亡。作为机械系统的重要部件之一，轴承在机械运行过程中发挥着连杆或齿轮轴的作用，损坏的轴承将对传动轴及传动齿轮造成严重影响，进而影响机械设备的性能、稳定性和使用寿命。通常轴承出现的故障位置包括内圈、外圈、滚动体，使用故障诊断方法可以及时识别这些故障，提高设备安全性能。然而，设备早期的微弱故障往往难以直接观察，如果不及时预防将导致事故，因此，针对大型机械设备的故障诊断在当今社会得到广泛关注。

传统的故障诊断方法可以划分为三类：①基于解析模型的方法，如参数估计法、等价空间法和状态估计法；②基于信号的处理方法，如相关分析、频谱分析、小波分析等；③基于知识的方法，如智能诊断、模糊推理、神经网络等。在这些方法之中，基于解析模型的方法依赖于专业知识，同时需要大量的计算；基于信号处理的方法对专业知识要求高，不能达到工业上实时监测的要求；第三类方法对技术人员的专业知识要求较低，且可以实现对工业轴承的工作状态进行实时在线监测。

随着机器学习的发展，研究者们又将通过信号分析获取的各种指标，作为训练样本(通常样本数较少)对机器学习的各种模型进行训练，达到故障模式识别精度较低。近年来，伴随着大数据时代的出现和深度学习技术的发展，智能化的故障诊断方法得到广泛应用。特别地，自2016年以来，深度学习在实践中取得革命性的进展，为处理和分析大型数据提供了有用的工具，数据驱动的机械故障诊断与健康监测技术越来越受到欢迎。

发明内容

本发明针对故障诊断问题，提供了一种基于深度学习的机械故障类型及损坏程度诊断方法。由于振动信号是一维序列，所以选择一维卷积神经网络对原始振动信号的特征进行端到端提取。以轴承故障为例进行说明，能够达到对工业轴承的工作状态进行实时在线监测的要求，且对技术人员和设备维护人员的专业知识要求较低。

针对上述问题,本发明采用基于卷积神经网络的机械故障类型及损坏程度诊断方法,包括以下步骤：

S1，数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号。将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练。

S2，构建一维卷积神经网络：一维卷积神经网络的第一层使用宽度为8的卷积核，卷积神经网络构架的核心是感受野，为了使所设计的一维卷积滤波器能够学习与位移无关的特征，网络中最后一个池化层的神经元对于输入信号的感受野应该大于机械系统转动一周的采样点数。此外，本发明在卷积层之后使用全局最大池化层代替全连接层。

S3，训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号到轴承故障类型或者故障损坏程度的多层映射关系。