[发明专利]基于深度学习的智能制造设备故障的诊断方法及装置

说明书

本发明涉及智能制造设备故障诊断技术领域，具体涉及基于深度学习的智能制造设备故障的诊断方法及装置，通过采集智能制造设备的原始振动数据，根据所述原始振动数据获取归一化处理后的振动频谱信号，并对归一化处理后的振动频谱信号进行深度学习，获取频谱信号特征，通过提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，作为粒子群支持向量机的输入进行分类，从而完成故障诊断，本发明摆脱对大量信号处理知识和诊断工程经验的依赖,节省时间,并满足一定的监测诊断精度。

技术领域

本发明涉及智能制造设备故障诊断技术领域，具体涉及基于深度学习的智能制造设备故障的诊断方法及装置。

背景技术

目前在智能制造设备故障诊断领域,常用的信号处理技术有时域统计分析、频域统计分析、傅里叶变换分析、功率谱分析、倒频谱分析和包络谱分析等；而对于非线性非平稳信号，常用的信号处理技术有短时傅里叶变换、小波变换、小波包变换和经验模式分解等。

这些处理方法往往需要对信号处理技术和诊断经验的依赖,人工提取故障特征繁琐复杂的过程提高了诊断的复杂性，需要更多时间，降低特征分类的准确率。

随着智能制造的发展，本领域迫切需要摆脱对大量信号处理知识和诊断工程经验的依赖，节省时间，并满足一定的监测诊断精度。

发明内容

为解决上述问题，本发明提供一种基于深度学习的智能制造设备故障的诊断方法及装置。

本发明提供的基于深度学习的智能制造设备故障的诊断方法，包括以下步骤：

步骤S1、采集智能制造设备的原始振动数据；

步骤S2、根据所述原始振动数据获取归一化处理后的振动频谱信号；

步骤S3、对归一化处理后的振动频谱信号进行深度学习，获取频谱信号特征；

步骤S4、提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，作为粒子群支持向量机的输入进行分类，从而完成故障诊断。

进一步，所述步骤S1具体包括：

利用加速度传感器分别测取智能制造设备的机械臂在各种状态下的原始振动数据X；

所述各种状态包括正常、磨损、断开、裂纹、偏心；所述原始振动数据X包括原始振动信号、原始振动时域信号与原始振动频域信号。

进一步，所述步骤S2具体包括：

以所述齿轮的原始振动数据X作为输入样本，对其进行快速傅里叶变换，得到样本频谱信号X₁；

通过线性归一化方法，对所述样本频谱信号X₁进行归一化处理得到振动频谱信号X₂，设所述样本频谱信号X₁的数据长度为n，则有

其中，为振动频谱信号X₂的第i个数据点，i＝1，2，...，n；x_i为振动频谱信号X₁的第i个数据点；x_min为振动频谱信号X₁中的最小值；x_max为振动频谱信号X₁中的最大值。

进一步，所述步骤S3具体包括：

将振动频谱信号X₂输入深度学习神经网络，对齿轮频谱特征进行深度学习。

进一步，所述深度学习神经网络具体通过以下步骤形成：

步骤S31、构建深度学习神经网络，所述深度学习神经网络包括神经元n个，隐层神经元m个，节点间的连接只存在层与层之间；