[发明专利]一种旋转机械的故障诊断方法及系统

说明书

本发明属于机械设备状态监测与故障诊断相关技术领域，其公开了一种旋转机械的故障诊断方法及系统，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。本发明提高了诊断准确率，极大地降低了人工成本，稳定性较好。

技术领域

本发明属于机械设备状态监测与故障诊断相关技术领域，更具体地，涉及一种旋转机械的故障诊断方法及系统。

背景技术

旋转机械被广泛应用于汽车、飞机、风机等各种现代工业机械之中，是很多现代机械中必不可少的关键部件。由于旋转机械所处的外部环境、发生故障的原因、故障模式及其特征较为复杂和多样，因此，现有的旋转机械的故障诊断方法还难以满足实际需要。

随着大数据技术的快速发展，以卷积神经网络为代表的深度学习技术在旋转机械的故障诊断领域的应用受到广泛重视，这种方法首先对原始振动信号进行特征提取，然后再利用卷积神经网络的分类能力进行故障诊断，其故障诊断的准确率较高。但是，由于传统的神经网络属于监督训练范畴，为了准备卷积神经网络训练和测试时使用的数据集，必须由人工对提取到的海量特征手动添加标签。在故障诊断领域，添加数据标签常常必须由专业人士才能完成，这不仅增加了故障诊断的成本，还降低了故障诊断的效率，还可能由于人为失误造成准确率下降。相应地，本领域存在着发展一种准确率较好的旋转机械的故障诊断方法及系统的技术需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种旋转机械的故障诊断方法及系统，其基于现有旋转机械的故障诊断特点，研究及设计了一种旋转机械的故障诊断方法及系统。所述故障诊断方法将半监督生成对抗网络引入到旋转机械的故障诊断中，实现了小波变换和半监督生成对抗网络算法的结合。具体地，通过小波变换将振动信号转换成时频图像，既提取了故障特征，又能得到适应半监督生成对抗网络的数据格式，充分利用了小波变换优秀的特征提取能力和半监督生成对抗网络出色的模式识别能力及半监督特性，如此高效地实现了旋转机械的故障诊断，解决了卷积神经网络引起的人工标注成本过高的问题，为解决旋转机械的故障诊断问题提供了一种新的有效途径。

为实现上述目的，按照本发明的一个方面，提供了一种旋转机械的故障诊断方法，该故障诊断方法包括以下步骤：

(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。

进一步地，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。

进一步地，所述测试指标包括测试准确率及人工标注成本。

进一步地，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。

进一步地，所述生成器采用反卷积形式，卷积核的大小为5×5。

进一步地，所述判别器采用卷积形式，卷积核的大小为3×3。