[发明专利]基于深度解耦卷积神经网络的复合故障诊断方法及装置

说明书

本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。

技术领域

本发明属于机械制造技术领域，涉及一种机械故障诊断技术，具体涉及一种基于深度解耦卷积神经网络的复合故障诊断方法。

背景技术

轴承和齿轮等旋转件是机械设备中一种必不可少的通用零部件，在现代工业设备中扮演着重要的角色。对旋转机械的故障诊断是预防性维修系统的重要组成部分，对延长机械设备的使用寿命、减少维护费用和增加设备运行的安全性具有重要意义。

基于人工智能的故障诊断方法，已经被广泛的应用于旋转机械的故障诊断并取得了较好的效果。一般旋转机械故障诊断可通过振动信号的采集、特征提取、分类来完成，而分类过程可由反向传播神经网络、支持向量机等机器学习算法来实现。卷积神经网络以其高效的特征提取能力和对输入的平移不变性受到广泛关注，尤其是在图像识别等领域得到迅速应用。近年来，学者们开始研究将传统的卷积神经网络一维化，并运用于一维序列数据的分类中。

对于旋转机械的复合故障，由于多种单一故障的耦合形式过于复杂，因此目前大多数智能诊断方法将其单列为一种故障模式进行识别。对于一个深度学习诊断模型，如果要针对某个系统中多种可能的零部件复合故障建模，将会使得模型复杂度提高、模型参数数量大幅增加，而且还会导致某些复合故障数据量不足等问题。目前，机械复合故障的解耦分析仍然是智能诊断面临的一个挑战，它对机械设备的智能维护也具有重要意义。

因而现有的技术还不能满足实际工业应用的需求，还需要改进和提高，开发一种复合故障的智能诊断算法成为迫切需要。

发明内容

为了解决现有技术所存在的问题，本发明设计一种基于深度解耦卷积神经网络的复合故障诊断方法及装置，通过深度卷积神经网络的特征学习能力深入挖掘复合故障中各零部件的单一故障特征，并结合解耦分类器多标签输出的特性，使得所构建的深度解耦网络模型在只有单一故障信号作训练集的情况下，也能够实现对复合故障的解耦与分类。通过本发明，可以提高故障诊断系统的对设备状态进行监控与预测的准确性、智能性和使用便利性。

本发明采用以下技术方案来实现：

一种基于深度解耦卷积神经网络的复合故障诊断方法，包括步骤：

步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号，按一定的样本点长度截取得到若干样本，采用重叠采样的方法来对数据集的样本进行增强，样本长度为8个周期，重叠率为0.5；将单一故障样本组成训练集，以及所有复合故障样本组成测试集，并分别设定类别标签；

步骤二：构建深度可辨别性特征提取模型，在keras框架下，通过多层顺序堆叠卷积层和池化层，搭建一维深度卷积神经网络模型；

步骤三：构建解耦分类器，在keras框架下，以步骤二提取的特征为输入，通过堆叠多个解耦分类层，构建具有多标签输出特性的解耦分类器；

步骤四：网络模型的训练，采用边界损失函数替换现有智能诊断算法的交叉熵损失函数，同时结合路由协同算法，在只使用单一故障数据的前提下，对网络模型进行训练，并采用网络搜索算法来选取相应超参数，最终获得最优的深度解耦卷积神经网络模型；