基于神经网络的机械旋转部件故障诊断方法及装置

摘要

本发明涉及一种基于神经网络的机械旋转部件故障诊断方法及装置，属于故障诊断技术领域，解决了现有的机械旋转部件故障诊断方法获得的诊断结果精度较差问题。方法包括：获取机械旋转部件的历史振动信号，并为历史振动信号添加标签；构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构；将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到诊断结果。实现了机械旋转部件故障的诊断，提高了诊断精度。

说明书

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于神经网络的机械旋转部件故障诊断方法及装置。

背景技术

轴承、齿轮、轴等作为机械设备的重要组成部分，对机械设备起着支撑、传递转速等重要作用。在高速旋转状态下，机械旋转部件发生故障会导致重大事故，而且对于复杂机械，定位故障非常困难，使得故障维修效率低、维修成本高。

传统人工诊断方法难以实现对机械旋转部件故障的准确定位和故障程度识别。同时，基于现有的卷积神经网络深度学习故障诊断方法通常需要生成大量的模型参数，使得网络结构非常复杂，计算量巨大，使得诊断结果精度较差。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于神经网络的机械旋转部件故障诊断方法及装置，用以解决现有的机械旋转部件故障诊断方法获得的诊断结果精度较差问题。

一方面，本发明实施例提供了一种基于神经网络的机械旋转部件故障诊断方法，包括下述步骤：

获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；

构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；

将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。

进一步，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。

进一步，所述高维卷积神经网络模型包括：

第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；

第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；

第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；

第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；

输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。

进一步，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。

进一步，所述输出层为Capsule全连接层。

进一步，基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构，包括如下步骤：

将所述历史振动信号分为训练信号集和验证信号集；

将所述训练信号集输入所述高维卷积神经网络模型，得到训练好的高维卷积神经网络；

基于所述验证信号集对所述训练好的高维卷积神经网络进行验证，得到高维卷积神经网络的最优网络结构。

另一方面，本发明实施例提供了一种基于神经网络的机械旋转部件故障诊断装置，包括：

历史振动信号获取模块，用于获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；

模型训练模块，用于构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；

诊断结果获得模块，用于将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。

进一步，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。

进一步，所述高维卷积神经网络模型包括：

第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；

第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；

第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；

第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；

输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。

进一步，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度。

2、通过采集机械旋转部件的历史振动信号，并为历史振动信号添加标签，为后期进行高维卷积神经网络模型提供了技术支撑和依据。

3、高维卷积神经网络模型采用了高维神经元架构，精简了网络层数，且减少了网络参数，有效提高了故障诊断实时性和精度。

4、得到高维卷积神经网络的最优网络结构后，可将待诊断的振动信号输入，即可得到诊断结果。还可以将高维卷积神经网络的最优网络结构部署在LabVIEW、采集系统、FPGA测试系统上，以实现机械旋转部件故障的在线实时诊断，提高诊断结果的实时性。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为一个实施例中基于神经网络的机械旋转部件故障诊断方法原理图；

图2为一个实施例中基于神经网络的机械旋转部件故障诊断方法流程图；

图3为另一个实施例中基于神经网络的机械旋转部件故障诊断装置结构图；

附图标记：

100-历史振动信号获取模块，200-模型训练模块，300-诊断结果获得模块。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

传统人工诊断方法难以实现对机械旋转部件故障的准确定位和故障程度识别。同时，基于现有的卷积神经网络深度学习故障诊断方法通常需要生成大量的模型参数，使得网络结构非常复杂，计算量巨大，使得诊断结果精度较差。为此，如图1所示，本申请提出了一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度。

本发明的一个具体实施例，公开了一种基于神经网络的机械旋转部件故障诊断方法，如图2所示，包括下述步骤S1～S3。

步骤S1、获取机械旋转部件的历史振动信号，并为历史振动信号添加标签，其中，标签包括故障类型、故障位置或故障程度。具体来说，机械旋转部件的历史振动信号可根据采集发生故障的机械旋转部件相关位置处的数据得到，其中，历史振动信号可为采集的机械旋转部件故障位置的原始振动信号，也可以是对采集的原始振动信号处理得到的原始振动信号均值、均方根值、峭度或峰值，也可以是对采集的原始振动信号进行快速傅里叶变换、小波分解或经验模态分解后得到的幅频谱。标签包括故障类型、故障位置和故障程度三种，其中故障类型包括磨损、胶合和断裂；故障程度包括正常、轻微损坏和严重损坏。本申请中可以为历史振动信号添加故障类型、故障位置和故障程度三种标签中的任意一种或多种，具体情况依据由用户自己决定。

通过采集机械旋转部件的历史振动信号，并为历史振动信号添加标签，为后期进行高维卷积神经网络模型提供了技术支撑和依据。

步骤S2、构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构。考虑到传统的神经网络模型得到的故障诊断结果的精度较低，为此，本申请构建了高维卷积神经网络模型，并通过步骤S1获得的历史振动信号对高维卷积神经网络模型进行模型训练，最终得到最优网络结构。

优选地，高维卷积神经网络模型包括：

第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；

第二ReLU卷积网络，用于对第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；

第一高维神经元层，用于将第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；

第二高维神经元层，用于对第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；

输出层，用于根据第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。

具体来说，高维卷积神经网络模型包括五层，两个ReLU卷积网络、两个高维神经元层和一个输出层。其中，第一个ReLU卷积网络的卷积核为64，卷积核步长为8，通道数为16，用于实现对原始信号进行预处理，这里的预处理指滤波处理，得到预处理信号。第二个ReLU卷积网络的卷积核设为1，卷积核步长为1，通道数为32，主要是对第一个ReLU卷积网络输出的预处理信号进行卷积，以提取信号的精细化特征，得到卷积信号。详细地，两个ReLU卷积网络均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。

第一高维神经元层能够对第二个ReLU卷积网络每四个通道输出的卷积信号捆绑为一个矩阵，且该矩阵具有方向性和大小，捆绑得到的矩阵即为高维神经元信号。第二高维神经元层为卷积层，主要是对第一神经元层输出的高维神经元信号进行卷积，得到高维卷积神经元信号，该信号也具有方向性和大小。输出层为Capsule全连接层，能够提取第二高维神经元层的大小，以得到模长，该模长即为机械旋转部件对应的故障类型、故障位置或故障程度。

高维卷积神经网络模型采用了高维神经元架构，精简了网络层数，且减少了网络参数，有效提高了故障诊断实时性和精度。

优选地，基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构，包括如下步骤：

将历史振动信号分为训练信号集和验证信号集。具体来说，搭建好高维卷积神经网络模型后，可根据采集得到的历史振动信号对高维卷积神经网络模型进行训练。首先将历史振动信号分别训练信号集和验证信号集，其中，训练信号集占历史振动信号总数的70％，用于对高维卷积神经网络模型进行模型训练，以得到训练好的高维卷积神经网络，验证信号集占历史振动信号总数的30％，用于对训练好的高维卷积神经网络进行验证，以得到高维卷积神经网络的最优网络结构。

将训练信号集输入高维卷积神经网络模型，得到训练好的高维卷积神经网络。模型训练前，可先设置模型的初始卷积核个数、神经元个数、权重、迭代次数和学习率，然后将训练信号集输入高维卷积神经网络模型进行训练，并调整权重、卷积核个数和神经元个数，当训练信号集对应的损失函数小于设定阈值时，得到训练好的高维卷积神经网络。

基于验证信号集对训练好的高维卷积神经网络进行验证，得到高维卷积神经网络的最优网络结构。同理，将验证信号集输入训练好的高维卷积神经网络，得到故障诊断结果，并将故障诊断结果与标签进行比较，得到诊断精度，若诊断精度较高，则训练好的高维卷积神经网络即为高维卷积神经网络的最优网络结构，若诊断精度较低，重新调节权重、卷积核个数和神经元个数，以使诊断精度最佳，并将精度最佳时的网络最为高维卷积神经网络的最优网络结构。

步骤S3、将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。基于步骤S2得到高维卷积神经网络的最优网络结构后，可将待诊断的振动信号输入，即可得到诊断结果。还可以将高维卷积神经网络的最优网络结构部署在LabVIEW、采集系统、FPGA测试系统上，以实现机械旋转部件故障的在线实时诊断，提高诊断结果的实时性。

与现有技术相比，本实施例提供的一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度，具有较高的实用价值。

本发明的另一个具体实施例，公开了一种基于神经网络的机械旋转部件故障诊断装置，如图2所示。包括：历史振动信号获取模块100，用于获取机械旋转部件的历史振动信号，并为历史振动信号添加标签，其中，所述包括故障类型、故障位置或故障程度；模型训练模块200，用于构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构；诊断结果获得模块300，用于将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到诊断结果。

由于基于神经网络的机械旋转部件故障诊断装置的实现方法与基于神经网络的机械旋转部件故障诊断方法的实现原理相似，这里不再赘述。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。