[发明专利]基于深度学习的旋转机械故障诊断与状态监测系统及方法

权利要求书

1.一种基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于，包括壳体、扬声器、显示器、以及设置在壳体内的存储器、中央处理器CPU和数据采集装置，在壳体的上端部中间位置设有信号收发器，在信号收发器的右侧设有所述扬声器，在信号收发器的正下方设有所述显示器，在显示器的正下方左侧处设有USB接口，在USB接口的正下方处设有所述存储器，在存储器的正下方处设有中央处理器CPU，在中央处理器CPU的正下方处设置有图形处理器GPU，在图形处理器GPU的正下方处设有数据接口；

还包括集成深度学习装置、历史信号数据库、故障类别专家系统库；所述集成深度学习装置包含有深度学习模块、自适应集成策略模块；深度学习模块设置为包含有深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的深度学习模型程序；

所述数据采集装置将现场采集的数据输入到深度学习模块的故障识别深度模型中，已训练好的深度学习模型程序自动对数据进行学习，并且实时得到故障的分类结果；

所述历史信号数据库为包含有K台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集{φ}，每台旋转机械采集P个指标；不同的监测指标设置有不同个数的传感器测量点T；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，数据总集{φ}是一个K×(T₁+T₂+T₃+…+T_P)的高维张量矩阵数据集；所述故障类别专家系统库包括故障类别数据库、故障指标数据库、故障标记数据库和故障级别数据库；所述故障指标数据库设有与所述历史信号数据库的P个指标相对应的数据库，中央处理器CPU采用反向倒推类比方法，对历史信号数据库中的监测大数据总集按故障类别和次数进行数据切割并重新排序，将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合，按照反向时间序列的方式进行排序，构成历史信号数据库中所有的K台机器出现过故障A的数据组总集，建立K台机器全部的故障类别的反向时间序列数据段总集，并将故障类别总数据集存储到故障类别专家系统库中的故障类别数据库中；所述故障指标数据库设为存储所有机器的所有故障中各类指标数据，故障指标数据库中包含了所有K台柴油发电机自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记；

所述自适应集成策略模块设有集成策略生成器，所述集成策略生成器设置为将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库中的数据集进行学习，集成策略生成器自动优化设计组合策略；

所述故障标记数据库通过集成深度学习装置运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习，并且联合运用自适应集成策略模块中的集成策略生成器，将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中。

2.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于，所述历史信号数据库中，所述P个指标包括振动信号、噪声信号、转速信号和电力信号，所述电力信号包括电压信号和电流信号。

3.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于所述数据采集装置包括检测单元和传感器模块，检测单元包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元，传感器模块由与检测单元一一对应的检测传感器组成，通过检测单元的检测传感器对现场的旋转机械进行信号采集，每一台旋转机械采集P个指标，每个指标采集不同个数的测量点的信号。