[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

说明书

本发明公开了一种旋转机械故障诊断方法、系统、装置及存储介质，其中方法包括：获取数据集；构建用于故障诊断的轻量化一维卷积神经网络，网络框架包括4个部分：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叠加、全局平均池化层、全连接输出层；定义神经网络待优化的超参数的搜索空间；利用树结构parzen估计器(TPE)的自动化超参数优化方法对网络进行训练，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神经网络在训练集中重头训练，得到训练后的模型。本发明自动为故障诊断模型搜索超参数，节约人工劳动力，同时所得故障诊断模型的网络参数量小，运算速度快且准确率高，可广泛应用于旋转机械智能故障诊断领域。

技术领域

本发明涉及旋转机械智能故障诊断领域，尤其涉及一种旋转机械故障诊断方法、系统、装置及存储介质。

背景技术

现代机电设备在制造业和工业中发挥着重要作用。齿轮和轴承是旋转机械的关键部件，其故障将极大地影响机器的性能，造成严重的安全风险和经济损失。为了保证设备的连续稳定运行，需要能够及时诊断旋转机械故障的算法，从而减少经济损失。因此，开发旋转机械故障诊断算法具有重要意义。

基于深度学习的故障诊断方法可以自动提取数据特征，实现“端到端”的诊断，是一种主流的智能故障诊断方法。然而现有的故障诊断网络都注重于精度的提升而忽略了模型大小带来的计算时间的影响，在保证精度的情况下，应该尽可能的减小模型尺寸以缩短模型计算时间，从而实现更实时的故障诊断。另一问题在于对于不同的故障诊断任务，往往需要不同的网络结构模型，比如一个复杂的网络结构会对于简单的任务过拟合，而一个简单的网络结构无法完成复杂的诊断任务，一种解决的办法是为每一个特定的任务设计特定的网络结构并调节超参数。然而设计故障诊断的网络结构以及调节超参数需要专家知识，手工调节费时费力。因此，针对特定的任务手工设计出适合的轻量化网络较为困难。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种旋转机械故障诊断方法、系统、装置及存储介质。

本发明所采用的技术方案是：

一种旋转机械故障诊断方法，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(Tree-structured Parzen Estimators,TPE)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。

进一步地，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。

进一步地，所述中间层中的第一中间层、第二中间层为待优化的结构。

进一步地，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：