一種基於深度學習理論的旋轉機械設備故障診斷方法與流程
2023-11-08 08:40:46
本發明涉及旋轉機械設備故障診斷，特別是涉及一種基於深度學習理論的旋轉機械設備故障診斷方法。
背景技術：
隨著現代工業和科學技術的發展以及自動化程度的進一步提高，機械設備正朝著大型化、高速化、連續化、集中化、自動化方向發展。旋轉機械設備長期處於高速運行狀態(一般為每分鐘3000轉以上甚至高達幾萬轉)，由於各種因素的影響，難免會出現一些故障，而且這些故障往往會引起巨大的經濟損失甚至災難性後果，因此對旋轉機械設備故障診斷十分重要。振動檢測診斷法是當今旋轉機械設備故障診斷技術的最常用的診斷方法。振動信號包含了豐富的機械運行狀態信息，所以振動檢測診斷法可以對機械設備中的大部分故障類型進行準確的診斷。目前在工程應用中採用的振動分析方法主要有時域分析法和頻域分析法。時域分析法主要是在信號的時域提取故障的時域特徵然後根據時域特徵的變化對機械設備進行故障診斷的技術。頻域分析法是通過傅立葉變換把振動信號變換到頻域進行分析，提取信號頻域特徵然後根據頻域特徵的變化對機械設備進行故障診斷的技術。現有時域分析法算法簡單、快捷、能判斷機械設備是否有故障以及故障的嚴重程度，但由於時域故障部位和類型特徵模式複雜提取不易，所以判斷故障部位和故障類型困難。頻域分析法能判定是否有故障及故障部位和類型，所以精細診斷多採用頻域分析法，但頻域分析法無法判定故障的嚴重程度且對振動信號的非平穩性敏感，若對這些非平穩信號直接進行傅立葉分析將產生嚴重的頻率模糊現象，從而影響故障的判斷。另外，採用現有「基於信號處理的特徵提取+機器學習模型」方法進行特徵提取需要掌握大量的信號處理技術結合豐富的工程實踐經驗才能完成，並且沒有考慮特徵提取與智能診斷兩個環節之間的關係模型，訓練使用淺層模型表徵信號與健康狀況之間複雜的映射關係，導致面對機械大數據時，模型的監測診斷能力及泛化性能均有明顯不足，很難滿足大數據背景下機械故障診斷的實際需求。為克服這些缺陷文獻【「基於深度學習理論的機械裝備大數據健康監測方法」，機械工程學報2015年第51卷第21期】提出了一種「基於深度學習理論的機械裝備大數據健康監測方法」，該方法通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習機械設備故障更有用的特徵，從而最終提升診斷和預測的準確性。與人工規則構造特徵的方法相比，利用大數據來學習特徵，更能夠刻畫數據的豐富內在信息。但該方法只利用振動信號的頻域特徵，沒有克服振動非平穩性引起的頻率模糊現象，也沒有利用振動信號的時域信息和與故障相關性很強的被監測對象的溫度信息，所以對非勻轉速場景效果不理想，也無法判斷故障嚴重程度。另外，該方法也沒有給出對所構造的深度神經網絡進行自我學習、自我完善的方法。
技術實現要素：
針對現有方法的不足，本發明提供了一種基於深度學習理論的旋轉機械設備故障診斷方法。通過用等時間間隔採樣序列信號重構等角度間隔採樣時間序列信號消除非勻速旋轉造成的非平穩性，然後用等角度採樣時間序列信號的自相關序列、等角度採樣時間序列信號傅立葉變換和被診斷旋轉機械設備工作時的溫度作為深度神經網絡的輸入進行深度神經網絡的訓練和故障診斷，通過把新產生的數據及其對應的故障狀態加入訓練樣本集，然後利用新的樣本集再次對深度神經網絡的訓練實現深度神經網絡DNN的自我學習與自我完善。
該方法克服了現有方法的不足，不但能消除非勻速旋轉造成的非平穩性，通過利用時域信息和溫度信息使診斷結果更精準，而且能夠實現深度神經網絡模型的自我學習和自我完善。
本發明的目的是一種基於深度學習的理論旋轉機械設備故障診斷方法，用以解決上述現有技術的缺陷。
為了達到上述目的，本發明所提供的技術方案是：基於深度學習理論的旋轉機械設備故障診斷方法，它包括
1、構造深度神經網絡DNN，包括深度神經網絡DNN的類型、層數、各層節點數等；
2、獲取被診斷對象的溫度信號和振動信號的等角度間隔採樣時間序的自相關函數序列及其傅立葉變換；
3、根據預先確定的規則選取長度為的振動信號的等角度間隔採樣時間序列的自相關序列、溫度信號或長度為的振動信號時間序列的傅立葉變換、溫度信號並按照預先確定的排列順序把它們組合成一個向量作為深度神經網絡DNN的輸入向量；
4、如果深度神經網絡的輸入向量對應的實際機械設備故障狀態已知則加上對應的機械設備故障的類別標籤構造深度神經網絡DNN的有標籤訓練樣本，如果深度神經網絡的輸入向量對應的實際機械設備故障未知，則加上機械設備故障的類別標籤未知的標籤構造深度神經網絡DNN的無標籤訓練樣本；
5、利用步驟4構造的訓練樣本訓練深度神經網絡DNN；
6、通過與步驟1，2，3相同的方法構造待診斷機械設備的輸入向量並把構造的輸入向量輸入訓練後的深度神經網絡DNN進行故障診斷給出診斷結果，然後返回步驟4；
進一步的步驟1所述的深度神經網絡的類型包括：自動編碼器AutoEncoder、降噪自動編碼器 Denoising Autoencode、稀疏編碼Sparse coding、限制波爾茲曼機Restricted Boltzmann Machine (RBM)、深信度網絡Deep Belief Networks、卷積神經網絡Convolutional Neural Networks；
進一步的步驟2又包括以下步驟：
1）、獲取振動信號的等角度間隔採樣時間序列和溫度信號、
2）、對振動信號的等角度間隔採樣時間序列進行自相關得到其自相關函數序列；
3）、求振動信號的等角度間隔採樣時間序列或振動信號的等角度間隔採樣時間序列自相關函數的傅立葉變換；
進一步的步驟3所述預先確定的規則包括：只選取長度為的振動信號的等角度採樣時間序列的自相關函數序列，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列和溫度信號，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列和長度為的傅立葉變換，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列、溫度信號和長度為的傅立葉變換，選取長度為的等角度採樣時間序列的傅立葉變換、溫度信號；選取長度為的傅立葉變換；
進一步的步驟4所述的實際機械設備故障狀態包括：有無故障、故障位置、故障嚴重程度；
進一步的步驟5又包括下列步驟：
1）、用無標籤訓練樣本或有標籤訓練樣本通過無監督學習的方式逐層訓練深度神經網絡DNN的隱層；
2）、添加深度神經網絡DNN的輸出層，然後用有標籤訓練樣本，微調深度神經網絡DNN參數完成DNN的訓練；
採用上述技術方案，本發明的技術效果有：本發明的故障故障診斷方法通過用等時間間隔採樣序列信號重構等角度間隔採樣時間序列信號消除非勻速旋轉造成的非平穩性，通過採用深度學習算法實現故障診斷的自我學習和自我進化使診斷結果更為準確。
附圖說明
圖1是本發明的邏輯結構示意圖；
具體實施方式
下面結合附圖以某型風電機組的軸承故障診斷為例說明本發明的具體實施方式。
1、構造深度神經網絡DNN，包括深度神經網絡DNN的類型、層數、各層節點數；
進一步的步驟1所述的深度神經網絡的類型包括：自動編碼器AutoEncoder、去噪自動編碼機 Denoising Autoencode、稀疏編碼Sparse coding、限制波爾茲曼機Restricted Boltzmann Machine (RBM)、深信度網絡Deep Belief Networks、卷積神經網絡Convolutional Neural Networks；
根據機械故障振動信號的特點，本實施例選用具有7層去噪自動編碼機 Denoising Autoencode、每層節點數2097170個。
因為機械設備所處環境複雜，樣本數據易於受到幹擾，再加上複雜任務帶來的工況變化， 導致相同健康狀況下的樣本的性質會有所波動。降噪自動編碼器通過重構含有噪聲的樣本數據增強了DNN的魯棒性。其核心思想是：編碼網絡將含有一定統計特性的噪聲加入樣本數據，然後對樣本進行編碼，解碼網絡再根據噪聲統計特性從未受到幹擾的數據中估計出受幹擾樣本的原始形式，從而使降噪自動編碼器從含噪聲樣本中學習到更具魯棒性的特徵 ，降低噪自動編碼器對微小隨機擾動的敏感性。降噪自動編碼器的原理類似於人體的感官系統，比如人眼 看物體時，如果某一小部分被遮住了，人依然可以辨識出該物體。同理，降噪自動編碼器通過添加噪聲進行編碼重構，可有效減小機械工況變化與環境噪聲等隨機因素對提取的健康狀況信息的影響，提高特徵表達的魯棒性。
2、獲取被診斷對象的溫度信號和振動信號的等角度間隔採樣時間序的自相關函數序列及其傅立葉變換；
進一步的步驟2又包括以下步驟：
1）、獲取機械設備振動信號的等角度間隔採樣時間序列和溫度信號。
通過角度傳感器控制的採樣電路或先進行等時間間隔採樣然後再利用計算階次跟蹤技術得到等角度間隔採樣時間序列的方法得到振動信號的等角度間隔採樣時間序列，利用溫度傳感器檢測振動設備的溫度獲取溫度信號；本實施例首先採用振動傳感器和轉速傳感器檢測機械設備的振動和轉速，其次對振動傳感器輸出的振動信號和轉速傳感器輸出的轉速信號進行等時間間隔同步採樣，再次利用計算階次跟蹤技術得到振動信號的等角度間隔採樣時間序列；
2）、對振動信號的等角度間隔採樣時間序列進行自相關得到其自相關函數序列；
採用時域自相關算法或頻域自相關算法求取振動信號的等角度間隔採樣時間序列自相關函數序列；本實施例中採用時域自相關算法軟體計算振動信號的等角度間隔採樣時間序列自相關函數序列；
3）、求振動信號的等角度間隔採樣時間序列或振動信號的等角度間隔採樣時間序列自相關函數的傅立葉變換；
本實施例中採用FFT算法軟體求取振動信號的等角度間隔採樣時間序列的傅立葉變換或振動信號的等角度間隔採樣時間序列自相關函數的傅立葉變換；
3、根據預先確定的規則選取長度為的振動信號時間序列、溫度信號、機械設備的參數、長度為的振動信號時間序列的傅立葉變換並按照預先確定的排列順序把它們組合成一個向量作為深度神經網絡DNN的輸入向量；
所述預先確定的規則包括：只選取長度為的振動信號的等角度採樣時間序列的自相關函數序列，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列和溫度信號，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列和長度為的等角度採樣時間序列的傅立葉變換，選取長度為的振動信號的等角度採樣時間序列的自相關函數序列、溫度信號和長度為的等角度採樣時間序列的傅立葉變換，選取長度為的等角度採樣時間序列的傅立葉變換、溫度信號；選取長度為的等角度採樣時間序列的傅立葉變換；
本實施例中選取長度為m=1048576的振動信號的等角度採樣時間序列的自相關函數序列、1個溫度信號，按照1個溫度信號、1048576個振動信號的等角度採樣時間序列的自相關函數序列樣點順序組合成一個向量作為深度神經網絡DNN的輸入向量。
4、如果深度神經網絡的輸入向量對應的實際機械設備故障狀態已知則加上對應的機械設備故障的類別標籤構造深度神經網絡DNN的有標籤訓練樣本，如果深度神經網絡的輸入向量對應的實際機械設備故障未知，則加上機械設備故障的類別標籤未知的標籤構造深度神經網絡DNN的無標籤訓練樣本；
本實施例中，實際機械設備（軸承）的故障狀態分為正常、保持架故障、外圈故障、內圈故障、滾動體故障、和5種轉子故障，每種故障的故障嚴重程度又分為1到9九級共有82種故障狀態，每一種故障狀態給予4個輸出共有16個編碼。
5、利用步驟4構造的訓練樣本訓練深度神經網絡DNN；
1）、用無標籤訓練樣本或有標籤訓練樣本通過無監督學習的方式逐層訓練深度神經網絡DNN的隱層；
給定一個無標籤的機械健康狀況樣本集，對樣本按照分布加入隨機噪聲，使其變成含噪聲樣本，即式中，為二項隨機隱藏噪聲。也就是說對於每個輸入向量按照一定摧毀率隨機選擇向量的元素把該元素的值重置為零。每一個加入隨機噪聲的無標籤的機械健康狀況樣本組成含噪聲無標籤的機械健康狀況樣本集編碼網絡通過編碼函數將每一個訓練樣本變換為編碼矢量。式中，為編碼網絡的激活函數本實施例；為編碼網絡的參數集合，且。然後編碼矢量通過解碼函數反向變換為的一種重構表示。式中，為解碼網絡的激活函數；為解碼網絡的參數集合，且。自動編碼器通過最小化與的重構誤差，完成整個網絡的訓練。 DNN 訓練的算法核心是用無監督的方法將多個降噪自動編碼器層層堆疊形成 DNN隱層結構，首先使用樣本集訓練降噪自動編碼器第一層 DAE1 ，並將其編碼為式中，為 DAE1的參數。因為可以重構為輸入樣本 ，所以獲得了的主要信息。然後使用訓練 降噪自動編碼器第二層DAE2，並將輸入編碼為。重複這個過程 ，直到降噪自動編碼器第6層 DAE6訓練完畢，並將輸入編碼為。預訓練將多個 DAE相互連接起來 ，組成 DNN 隱層結構，實現故障信息的層層提取。
2）、添加深度神經網絡DNN的輸出層，然後用有標籤訓練樣本，微調深度神經網絡DNN參數完成DNN的訓練；
完成預訓練後，為了監測診斷機械的健康狀況，添加具有分類功能的輸出層 ，本實施例中用支持向量機SVM作為DNN的輸出層，使用 BP算法微調 DNN 參數。
DNN的輸出表示為式中，，為輸出層的參數 。設的健康狀況類型為，DNN通過最小化完成微調。
式中，A為DNN的參數集，且經過微調的DNN優化了對機械健康狀況信息的特徵表示，並具備了機械健康狀況的監測診 斷能力。
6、通過與步驟1，2，3相同的方法構造待診斷機械設備的輸入向量並把構造的輸入向量輸入訓練後的深度神經網絡DNN進行故障診斷給出診斷結果，然後返回步驟4；
深度神經網絡DNN訓練完成後就可用其進行機械設備的故障診斷了，診斷的流程與方法中的步驟1到步驟3的流程相同。診斷完成後給出診斷結果，必要時還可把診斷結果通過網際網路呈現給指定的相關人員，通過網絡呈現給指定的相關人員的方法和技術與現在普遍採用的方法和技術相同。輸出診斷結果後通過維修保養過程對被診斷對象進行實際拆裝實際驗證診斷的結果是否與實際一致，然後返回到步驟4採用新的實際產生的樣本再次對DNN進行訓練，這樣經過反覆的進行訓練、診斷、驗證、再訓練、再診斷、再驗證的循環往復的過程完成DNN的自我學習和自我訓練，使得DNN的診斷結果越來越準確，越來越符合實際。
最後應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的精神和範圍，其均應涵蓋在本發明的權利要求範圍當中。