[发明专利]基于改进CNN与关系模块的旋转部件故障诊断方法及其装置

说明书

本发明公开了基于改进CNN与关系模块的旋转部件故障诊断方法，构建故障诊断元数据集，并按故障类别划分为训练集和测试集；对原数据集样本进行快速傅里叶变换；使用多尺度卷积核、随机池化、空洞卷积三种策略建立由提取模块、融合模块和关系模块组成的卷积神经网络诊断模型；采用元学习方法使用训练集来训练该模型；使用测试集对训练好的模型进行小样本的多分类旋转部件故障诊断。本发明能够通过自适应训练出样本间距离的衡量标准，利用元学习的特点对只有一个标记样本的新故障能够实现其快速诊断，从而解决了传统方法依赖大数据量和长时间训练的问题，切实解决了小样本条件下的新故障跨域诊断的问题。

技术领域

本发明涉及机械设备故障诊断领域，具体涉及一种基于改进CNN与关系模块的旋转部件尤其是旋转机械部件的故障诊断方法及其故障诊断装置。

背景技术

由于现代工业的快速发展，旋转机械被广泛应用于航海、机械、化工等领域。如果关键设备发生故障，会造成难以预计的损失，因此，对于旋转机械的故障诊断具有非常大的意义。现有的深度学习方法广泛应用于旋转机械旋转部件故障诊断领域并取得了很好的效果，然而还面临以下两个问题，(1)大多数机械设备在正常的状态下运行，故障数据相对来说很难获取，但是训练深度学习模型需要大量的标记数据，其次，旋转机械经常在变工况条件运行，这将会导致样本之间的差异性，因此，使用少样本去重新训练模型具有一定的挑战性。(2)在机械运行的过程中新故障的产生是未知的，新故障的判断需要专家进行诊断识别，因此，故障的样本是有限的。当每次有新故障产生时，模型都需要大量数据进行训练这无疑是需要消耗人力和时间。基于此，有必要开展针对由新故障带来的多分类，小样本和跨域问题的机械设备故障诊断的研究。

发明内容

本发明的目的在于克服上述的不足，提供一种基于改进CNN和关系模块的旋转部件故障诊断方法，能够有效地提取故障信息的特征并进行更好的融合，采用关系模块可以对故障类型进行分类，摆脱了传统方法对于样本量大小过于依赖的问题，元学习方法的使用解决了新故障带来的多分类和跨域问题，该故障智能诊断方法具有较高的识别精度。

为了达到上述目的，本发明一种基于改进CNN和关系模块的旋转部件故障诊断方法，包括以下步骤：

步骤一，采集旋转部件在不同故障类型下的振动信号，对获取到的振动信号进行去均值处理，然后进行短时傅里叶变换，得到一维数据，构建故障数据集，并划分为训练集Tr和测试集Te，其中训练集和测试集的故障类别不同；所述去均值处理的表达式如下：

x(n)＝x-x_mean

式中，x(n)为每条去均值后的样本数据的时域信号；x为获取到的振动信号，x_mean为振动信号的均值；

短时傅里叶的计算表达式如下：

式中，x(n)为每个去均值后的样本数据的时域信号；n为每个时频谱图中像素点的个数；

步骤二，建立旋转部件故障诊断模型，所述旋转部件故障诊断模型包括基于多尺度卷积的提取模块、基于随机池化和空洞卷积的融合模块以及用于自适应学习度量的关系模块；其中所述多尺度卷积从左到右的结构具体数学表达式如下：

式中，三个分支的输出为和W₁,W₂和W₃为三个分支相关的权重，和为三个分支相关的偏置权重，f为整流线性激活函数即Relu函数，x_l+1为多尺度卷积输出的特征，Concatenate函数为连接函数，是pytorch下的一个内置函数；

空洞卷积感受野的计算表达式如下：k′＝k+(k-1)×d