一种基于深度学习的旋转机械故障智能分类方法

摘要

本发明公开了一种基于深度学习的旋转机械故障智能分类方法，该方法通过对振动信号进行频域特征提取，对数据降维后利用深度神经网络进行分类，利用子信号测试训练的深度神经网络，根据测试结果修改样本标签，实现对不同故障信号的分类。本发明的方法将无监督训练与有监督训练相结合，整个过程自动完成，无需人工干预，自动提取特征并对故障信号分类。本发明的方法特别适合长数据故障信号的分类处理，具有广阔的工业应用前景。

权利要求

1.一种基于深度学习的旋转机械故障智能分类方法，其特征在于：该方法包括如下步骤：步骤1、搜集具有不同故障模式的时域振动信号；

步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT)，将时域信号转换到频域；

步骤3、对经过FFT处理后的频域信号进行降维处理，提取特征信息；

所述的提取特征信息，其处理过程是：首先对频域信号划分成若干小片段，然后提取每一个片段内的极大值，或者对每一个片段内信号的幅值求和；

步骤4、为步骤1的每个信号标注不同的标签，利用步骤3提取的特征信息，建立样本库；

所述的为每个信号标注不同的标签，标签随机给定；

步骤5、构建深度神经网络DNN；

步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练；

所述的无监督分类训练，就是DNN的输出结果不与步骤4给定的样本标签进行比较，进而实现DNN对样本的自动聚类；

步骤7、根据步骤6的分类结果，对步骤4标注的样本标签进行调整，更新样本库；

步骤8、利用调整后的样本库，对步骤5构建的深度神经网络DNN进行有监督分类训练；

所述的有监督分类训练，就是DNN的输出结果需要步骤7调整后的样本标签一致；

步骤9、将步骤1采集的振动信号切割成子信号，对每一段子信号进行FFT变换，并提取特征信息，利用步骤7标注的样本标签，建立测试样本集；

所述的提取特征信息，与步骤3的方法相同；

步骤10、利用步骤9的测试样本集，对步骤8训练好的深度神经网络进行分类测试；

步骤11、若分类测试结果不满足要求，根据分类测试结果调整样本库中的样本标签，重复步骤8至步骤10，直至分类结果满足要求，进而实现对不同故障模式的分类。

2.根据权利要求1所述的一种基于深度学习的旋转机械故障智能分类方法，其特征在于，所述的步骤5中，所述的深度神经网络，其结构包括：输入层、隐含层、和输出层，隐含层的数量可以是一层或者多层；

所述的输入层，其神经元的个数可以根据从频域提取的特征信息的个数而自动调整；

所述的输出层，其神经元的个数根据训练样本集的标签种类数而定，随着训练样本集的调整，输出层神经元的个数也做相应调整。

说明书

一种基于深度学习的旋转机械故障智能分类方法

技术领域

[0001] 本发明涉及模式识别和故障检测领域，尤其涉及一种基于深度学习的旋转机械故障智能分类方法。

背景技术

[0002] 旋转机械是工业上应用最广泛的机械，是指依靠旋转动作完成特定功能的机械，在石油、化工、电力、冶金等行业大量应用，一些甚至已成为核心设备。典型的旋转机械有汽轮机、燃气轮机、离心压缩机、风机、泵、水轮机、电动机、发电机和航空发动机等。由于现代化工程技术系统正朝大规模、复杂化方向发展，现代生产机械日益高速化、大型化、精密化、集中化和自动化，机械设备的可靠性、维修性、安全性日益受到重视。因此，采用先进的故障诊断技术，对设备运行状态进行跟踪，实时发现问题已成为生产正常进行的必要保障。

[0003] 为了实时监测设备的运行状态，实现预知维修，需要采集海量数据来进行分析处理，致使机械状态监测领域迈入了“大数据”时代。根据旋转机械状态监测领域大数据的特点，利用机器学习和人工智能等学科最新研究成果，从监测的大数据中挖掘有用信息，进行旋转机械故障诊断和状态监测，准确高效地识别设备的运行状态，已成为旋转机械状态监测领域面临的新问题。

[0004] 深度学习是神经网络领域的一个最新发展成果，是分析大数据的“利器”，已在语音识别、图像识别等领域取得了突破性进展。它将特征和分类器结合到一个框架中，用数据去学习特征，能够更好地表示数据的特征。目前利用深度学习来检测旋转机械故障受到了越来越多的关注。鉴于设备故障复杂性以及旋转机械设备的多样性，利用深度学习来诊断旋转机械的故障，开发适合工程应用的智能故障诊断系统，许多关键问题还有待解决。

发明内容

[0005] 针对旋转机械故障的智能诊断问题，本发明公开了一种基于深度学习的旋转机械故障分类方法，该方法通过深度神经网络对测取的旋转机械振动信号进行学习，记忆旋转机械的不同故障模式，进而实现对旋转机械故障模式的识别与分类。

[0006] 为了实现上述目的，本发明的具体方案如下：

[0007] 步骤1、搜集具有不同故障模式的时域振动信号；

[0008] 步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT)，将时域信号转换到频域；

[0009] 步骤3、对经过FFT处理后的频域信号进行降维处理，提取特征信息；

[0010] 步骤4、为步骤1的每个信号标注不同的标签，利用步骤3提取的特征信息，建立样本库；

[0011] 步骤5、构建深度神经网络DNN；

[0012] 步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练；

[0013] 步骤7、根据步骤6的分类结果，对步骤4标注的样本标签进行调整，更新样本库；

[0014] 步骤8、利用调整后的样本库，对步骤5构建的深度神经网络DNN进行有监督分类训练；

[0015] 步骤9、将步骤1采集的振动信号切割成若干段子信号，对每一段子信号进行FFT变换，并提取特征信息，利用步骤7标注的样本标签，建立测试样本集；

[0016] 步骤10、利用步骤9的测试样本集，对步骤8训练好的深度神经网络进行分类测试；

[0017] 步骤11、若分类测试结果不满足要求，根据分类测试结果调整样本库中的样本标签，重复步骤8至步骤10，直至分类结果满足要求，进而实现对不同故障模式的分类。

[0018] 有益效果

[0019] 本发明的方法对振动信号进行频域特征提取，对数据实现降维表示，可有效缩短对深度神经网络的训练时间，利用子信号进行神经网络测试，保证了分类的准确性，特别适合对长数据故障信号的分类处理。本发明的方法将无监督训练与有监督训练相结合，样本初始标签随机给定，实现对故障信号的无监督训练，后续过程自动修改样本标签，无需人工干预，整个过程自动完成，自动提取特征，自动对故障信号进行分类，具有广阔的工业应用前景。

附图说明

[0020] 图1为本发明的一种基于深度学习的旋转机械故障诊断方法的流程图；

[0021] 图2实施例的CWRU部分轴承数据的频谱图；

[0022] 图3实施例的DNN自动分类结果。

具体实施方式

[0023] 下面结合附图对本发明做详细介绍，需要指出的是以下介绍是为了更好的理解本发明的过程，而不是对本发明起约束作用。

[0024] 本发明的具体步骤如下：

[0025] 步骤1、搜集具有不同故障模式的时域振动信号；

[0026] 步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT)，将时域信号转换到频域；

[0027] 步骤3、对经过FFT处理后的频域信号进行降维处理，提取特征信息；

[0028] 所述的提取特征信息，其处理过程是：首先对频域信号划分成若干小片段，然后提取每一个片段内的极大值，或者对每一个片段内信号的幅值求和；

[0029] 步骤4、为步骤1的每个信号标注不同的标签，利用步骤3提取的特征信息，建立样本库；

[0030] 所述的为每个信号标注不同的标签，标签随机给定；

[0031] 步骤5、构建深度神经网络DNN；

[0032] 所述的深度神经网络，其结构包括：输入层、隐含层、和输出层，隐含层的数量可以是一层或者多层；

[0033] 所述的输入层，其神经元的个数可以根据从频域提取的特征信息的个数而自动调整；

[0034] 所述的输出层，其神经元的个数根据训练样本集的标签种类数而定，随着训练样本集的调整，输出层神经元的个数也做相应调整；

[0035] 步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练；

[0036] 所述的无监督分类训练，就是DNN的输出结果不与步骤4给定的样本标签进行比较，进而实现DNN对样本的自动聚类；

[0037] 步骤7、根据步骤6的分类结果，对步骤4标注的样本标签进行调整，更新样本库；

[0038] 步骤8、利用调整后的样本库，对步骤5构建的深度神经网络DNN进行有监督分类训练；

[0039] 所述的有监督分类训练，就是DNN的输出结果需要步骤7调整后的样本标签一致；

[0040] 步骤9、将步骤1采集的振动信号切割成子信号，对每一段子信号进行FFT变换，并提取特征信息，利用步骤7标注的样本标签，建立测试样本集；

[0041] 所述的提取特征信息，与步骤3的方法相同；

[0042] 步骤10、利用步骤9的测试样本集，对步骤8训练好的深度神经网络进行分类测试；

[0043] 步骤11、若分类测试结果不满足要求，根据分类测试结果调整样本库中的样本标签，重复步骤8至步骤10，直至分类结果满足要求，进而实现对不同故障模式的分类。

[0044] 利用训练好的深度神经网路进行故障分类，并将错误分类的信号加入到样本集，实现对样本库的更新，提高深度神经网络对故障模式的分类识别能力。

[0045] 实施例

[0046] 本实施例对美国凯斯西储大学(CWRU)轴承数据中心的实测数据进行分析，详细阐述本发明的具体实施过程。CWRU提供数据的一个特点是长度很长，以12k轴承驱动端数据0.007英寸故障数据为例，共20个数据记录，每个数据记录包括基础加速度计数据、驱动端加速度计数据、和风扇端加速度计数据，部分数据长度如表1所示，这里只列出了部分数据记录的长度。如果对CWRU数据直接进行FFT变换，然后进行深度神经网络学习训练，耗时非常长。

[0047] 将CWRU轴承数据的每个数据记录截取65536个数据点作为训练数据，剩余的作为神经网络的测试数据。对长度为65536的数据进行FFT变换后，得到32768个系数，部分数据的频谱图2所示，其中第一至第四行分别是数据记录105、106、107和108的频谱图，第一列是基础加速度计数据频谱图、第二列是驱动端加速度计数据频谱图、第三列是风扇端加速度计数据频谱图。利用降维方法，抽取出1024个特征数据，建立训练样本库。

[0048] 表1.12k轴承驱动端数据的长度

[0049]

[0050] 采用六层网络结构，分别为输入层、4个隐含层和1个输出层。输入层神经元的个数为1024，4个隐含层的神经元个数分别为260、130、80和50，输出层神经元的个数根据训练样本集的标签种类数而定，随着训练样本集的调整，输出层神经元的个数也做相应调整。

[0051] 测试过程分别将数据切割成长度为4096和2048的子信号，进行FFT变换抽取特征信息后再输入训练过的DNN进行测试。

[0052] 利用本发明的方法对CWRU轴承数据中心提供的60个0.007英寸故障数据进行分类，分类结果如图3所示。由该图可知，本发明的方法自动将60个数据记录聚为10个类型，不同类型的数据在频谱上存在较大差异，这也表明本发明方法的有效性。

[0053] 上述虽然结合附图对本发明的实施步骤进行说明，但并非对本发明的限制。凡是在本发明方案的基础上所做的修改，都在本发明的保护范围内。