[发明专利]一种旋转机械的故障诊断方法及系统在审
申请号: | 201811104967.9 | 申请日: | 2018-09-21 |
公开(公告)号: | CN109489946A | 公开(公告)日: | 2019-03-19 |
发明(设计)人: | 吴军;梁朋飞;邓超;程一伟;黎国强 | 申请(专利权)人: | 华中科技大学 |
主分类号: | G01M13/00 | 分类号: | G01M13/00;G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 华中科技大学专利中心 42201 | 代理人: | 孔娜;曹葆青 |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 故障诊断 旋转机械 半监督 测试集 数据段 训练集 诊断 时频 小波 机械设备状态监测 图像 归一化处理 标记样本 测试指标 人工成本 输出故障 预先建立 诊断结果 振动信号 对抗 准确率 网络 采集 测试 衔接 | ||
1.一种旋转机械的故障诊断方法,其特征在于,该方法包括以下步骤:
(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段,并计算得到每个数据段对应的小波时频图像;
(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;
(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试,并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,且输出故障诊断结果。
2.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:计算得到每个数据段对应的小波时频图像时使用的小波基函数为Morlet小波,中心频率及带宽为3。
3.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:所述测试指标包括测试准确率及人工标注成本。
4.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:所述半监督生成对抗网络的建立包括以下步骤:
(a)基于卷积神经网络模型设计生成器及判别器的网络结构;
(b)对所述生成器及所述判别器进行训练以得到所述半监督生成对抗网络。
5.如权利要求4所述的旋转机械的故障诊断方法,其特征在于:所述生成器采用反卷积形式,卷积核的大小为5×5。
6.如权利要求4所述的旋转机械的故障诊断方法,其特征在于:所述判别器采用卷积形式,卷积核的大小为3×3。
7.如权利要求1-4任一项所述的旋转机械的故障诊断方法,其特征在于:所述半监督生成对抗网络的训练和测试主要包括以下步骤:
S1,采用所述训练集对预先建立的所述半监督生成对抗网络进行训练;
S2,采用所述测试集对训练后的所述半监督生成对抗网络进行测试,以得到测试过的半监督生成对抗网络模型及实际的测试指标值;
S3,判断实际的测试指标值是否达到预定的测试指标值,若达到,则输出所述半监督生成对抗网络模型;否则,重新确定所述训练集中标记样本的个数,或者重新设计所述半监督生成对抗网络。
8.如权利要求1-4任一项所述的旋转机械的故障诊断方法,其特征在于:所述训练集内的训练样本的数量大于所述测试集内的测试样本的数量;其中,所述标记样本的数量为所述训练集内的训练样本数量的0.4%、0.8%、2.5%或者4%。
9.一种旋转机械的故障诊断系统,其特征在于:所述故障诊断系统采用权利要求1-8任一项所述的旋转机械的故障诊断方法对旋转机械进行故障诊断。
10.如权利要求9所述的旋转机械的故障诊断系统,其特征在于:所述故障诊断系统包括采集单元、转换单元、训练单元及诊断单元,所述采集单元用于采集待诊断旋转机械的振动信号,并将所述振动信号传输给所述转换单元;所述转换单元用于将接收到的所述振动信号划分为前后衔接的多个数据段,并计算每个数据段对应的小波时频图像,同时还将得到的小波时频图像传输给所述训练单元;所述训练单元用于对接收到的所述小波时频图像进行处理以得到训练集和测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;所述训练单元还用于依序采用所述训练集及所述测试集对预先创建的半监督生成对抗网络进行训练及测试以得到训练好的半监督生成对抗网络;所述诊断单元用于采用所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,并输出故障诊断结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学,未经华中科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811104967.9/1.html,转载请声明来源钻瓜专利网。