[发明专利]基于光纤传感振动信号的故障检测方法及装置

权利要求书

1.一种基于光纤传感振动信号的故障检测方法，其特征在于，所述方法包括：

获取N个光纤传感器在预设时间段内采集的振动信号数据；N为大于1的正整数；所述N个光纤传感器分别设置在不同设备的预设部位；

提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据；

将所述振动信号数据和所述振动信号特征数据匹配后分组得到训练集、验证集和测试集；

利用所述训练集对预设卷积神经网络模型进行训练，并利用所述验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述测试集输入到所述预设卷积神经网络模型获取到检测结果；

提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤，包括：

对标注设备工作状态后的振动信号数据分别进行傅里叶变换和正交小波变换，得到傅里叶变换特征和正交小波变换特征；

利用经验模态分解方法分别对傅里叶变换特征和正交小波变换特征进行分解，得到多个本质模态函数分量；

分别获取每个本质模态函数分量的谱包络特征得到傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征。

2.根据权利要求1所述的故障检测方法，其特征在于，利用所述训练集对预设卷积神经网络模型进行训练的步骤，包括：

对输入的所述训练集进行特征张量分解；

对滤波器进行张量分解。

3.根据权利要求2所述的故障检测方法，其特征在于，对输入的所述训练集进行特征张量分解的步骤，包括：

振动信号数据的傅里叶变换特征及其谱包络特征、正交小波变换特征及其谱包络特征和预设时间定义为三阶张量T；

采用塔克张量分解Tucker模型将所述三阶张量T分解一个核张量G和三个投影矩阵Ui乘积的形式；i分别取1、2、3；

计算所述三阶张量T和所述三个投影矩阵Ui的乘积得到矩阵T’；

将矩阵T’矩阵化后得到矩阵T”，该矩阵T”的行数为第一三阶张量T在时间阶上的分量维数，该矩阵T”的行数为其他两阶分量维数的乘积。

4.根据权利要求2所述的故障检测方法，其特征在于，对滤波器进行张量分解的步骤，包括：

将经典的卷积神经网络模型中的输入Input和滤波器中特征映射的行和列定义为三阶张量F；

采用块组件分解模型将所述三阶张量F分解为R个块r的一个核张量S^r和三个投影矩阵M_i^r乘积的形式；r表示第r个块，R表示块的总数量；

计算在每个块r下所述三阶张量F和所述三个投影矩阵M_i^r的乘积，并计算所述R个块r的乘积之和得到矩阵F’；

将矩阵F’矩阵化后得到矩阵F”，该矩阵F”的行数为三阶张量F在输入Input阶上的分量维数，该矩阵F”的行数为其他两阶分量维数的乘积。

5.根据权利要求1～4任一项所述的故障检测方法，其特征在于，提取振动信号数据的傅里叶变换特征及其谱包络特征和正交小波变换特征及其谱包络特征得到振动信号特征数据的步骤之前，所述方法还包括：

将每个光纤传感器对应的设备的工作状态标注到对应的振动信号数据。

6.根据权利要求5所述的故障检测方法，其特征在于，所述方法还包括利用所述振动信号数据和所述振动信号特征数据对设备工作状态进行预警的步骤，所述步骤包括：

将所述振动信号数据和所述振动信号特征数据匹配后按照预设方式分组得到预警训练集、预警验证集和预警测试集；

利用所述预警训练集对所述预设卷积神经网络模型进行训练，并利用所述预警验证集对所述预设卷积神经网络模型进行验证；

在验证完成后，将所述预警测试集输入到所述预设卷积神经网络模型得到预警结果。