[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

说明书

本发明提出一种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，包括壳体、扬声器、显示器、存储器、中央处理器CPU和数据采集装置，壳体内部设有集成深度学习装置、历史信号数据库、故障类别专家系统库和数据采集装置，在壳体的上端部中间位置设有信号收发器，右侧设有所述扬声器，在信号收发器的正下方设有显示器，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存储器，在存储器的正下方处设有CPU，在CPU的正下方处设置有图形处理器GPU，在GPU的正下方处设有数据接口，壳体内的所有部件通过导线连接在一起构成通路。本发明对旋转机械进行故障诊断和状态在线监测更准确方便。

技术领域

本发明属于旋转机械故障诊断及监测的技术领域，尤其涉及一种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。

背景技术

随着科学技术的快速发展，旋转机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展，旋转机械主要包含动力装置，如柴油机、汽轮机、发动机、电动机等，还包含旋转部件，如轴承、轴瓦、主轴等。随着旋转机械的工作环境多样化，尤其是在复杂多变的工作环境下长时间连续运行时，常因其工作负荷重，负载多变以及受盐碱腐蚀和高温等影响易于发生各类故障。若故障无法有效及时的诊断和排除，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。因此对旋转机械的故障诊断与状态在线监测对保障设备的安全稳定运行至关重要，因此，旋转机械的故障诊断与状态在线监测系统装置是十分重要的安全运行监测装备。

在本发明之前，目前市面上针对旋转机械的故障诊断和状态监测的产品或方法较为稀少，运用较多的仍是传统的“事后维修”、“计划维修”和“定时维护”的方式，这种方式方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足技术人员智能故障诊断和在线状态监测的需求。

发明内容

本发明所要解决的技术问题在于针对上述存在的问题，提供一种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，并以用在柴油发电机上为例进行说明，本发明能够自动的进行故障诊断，并实时对柴油发电机组的工作状态进行在线监测，使技术人员和设备维护人员更好的掌握设备当前的运行状况，使技术人员对旋转机械的故障诊断、运行状态的监测更加灵活方便。

本发明解决上述技术问题所采用的技术方案是：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、存储器、中央处理器CPU和数据采集装置，所述壳体设有腔体，在腔体内部设有集成深度学习装置、历史信号数据库、故障类别专家系统库和所述数据采集装置，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，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所述CPU，在CPU的正下方处设置有图形处理器GPU，在GPU的正下方处设有数据接口，在显示器的正下方右侧设有所述历史信号数据库，在历史信号数据库的正下方设有所述深度学习模块，在深度学习模块的正下方设有所述自适应集成策略模块，在自适应集成策略模块的正下方设有所述故障类别专家系统库，在故障类别专家系统库的正下方设有数据采集装置，壳体内的所有部件通过导线连接在一起构成通路。

按上述方案，所述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模型程序。

按上述方案，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等进行学习，集成策略生成器自动优化设计组合策略。