[发明专利]一种旋转机械故障诊断方法、系统、装置及存储介质

权利要求书

1.一种旋转机械故障诊断方法，其特征在于，包括以下步骤：

获取旋转机械的原始振动加速度信号，通过截取预设长度的信号数据来构成样本，并归一化处理后进行标注，获得数据集，根据数据集获取训练集、验证集和测试集；

构建用于故障诊断的轻量化一维卷积神经网络，该卷积神经网络包括：大卷积核宽度的第一卷积层、k个操作算子可选择的中间层、全局平均池化层、全连接输出层；其中，大卷积核宽度的第一卷积层用于特征提取；k个中间层是待优化的结构，用于进一步的特征运算；全局平均池化层用于将每个通道的特征向量映射为单一值；

定义卷积神经网络待优化的超参数的搜索空间Θ；

利用树结构parzen估计器的自动化超参数优化方法对卷积神经网络进行训练；采用训练集训练使用不同超参数集的网络模型，采用验证集获得不同超参数集对应的评估值；根据评估值获得在迭代次数内最优的超参数集；

将使用最优超参数集的卷积神经网络在训练集中重新训练，得到训练后的故障诊断模型；将测试集输入训练后的故障诊断模型中，输出分类诊断结果。

2.根据权利要求1所述的一种旋转机械故障诊断方法，其特征在于，所述通过截取预设长度的信号数据来构成样本，包括：

从原始振动加速度信号中，截取所有故障类别中包含故障特征频率最少一个周期长度的数据段来构成样本。

3.根据权利要求1所述的一种旋转机械故障诊断方法，其特征在于，所述中间层中的第一中间层、第二中间层为待优化的结构。

4.根据权利要求3所述的一种旋转机械故障诊断方法，其特征在于，当中间层个数k＝2时，所述定义卷积神经网络待优化的超参数的搜索空间Θ，包括：

学习率：用于控制卷积神经网络优化时Adam优化器的学习率；

第一层通道数：即第一层卷积层的滤波器个数；

第一层卷积核大小；

第一层卷积核步长；

第一中间层的操作算子；

第二中间层的操作算子；

待优化超参数候选值的分布类型。

5.根据权利要求3所述的一种旋转机械故障诊断方法，其特征在于，所述第一中间层、第二中间层的候选操作集合表示为：{F_i},代表i个不同的操作算子；

操作算子包括{maxpool,avgpool,skip,conv_1,conv_3}，其中，maxpool代表宽度为3，步长为1的最大池化操作；avgpool代表宽度为3，步长为1的平均池化操作；

skip代表恒等映射；conv_1代表卷积核大小为1，步长为1，分组为输入通道数的一维分组卷积，分组卷积的目的是为了减少模型的参数量；conv_3代表卷积核大小为3，步长为1，分组为输入通道数的一维分组卷积；

从候选操作集合中可选择n个不同的操作算子进行组合，从而组成中间层的网络结构，其中n＝0时，即不选取任何操作算子特征图跳过该层直接进入下一层；n＝1时，中间层的输出为F(x)，F为选择的操作算子；n1时，输入的特征图被复制成n份，分别经过n个操作，将计算结果相加，得到该层的输出，即中间层的输出为其中F_j为被选中的操作算子。

6.根据权利要求1所述的一种旋转机械故障诊断方法，其特征在于，所述评估值的计算方式如下：

y＝acc_val-λ×t_val

式中，y表示超参数的评估值；acc_val为在验证集中的精度；t_val为验证集在设备上计算一轮的时间；λ是缩放系数，为了让λ×t_val和acc_val在一个数量级上。