[发明专利]一种深度卷积神经网络的旋转机械健康评估方法

说明书

本发明公开了一种深度卷积神经网络的旋转机械健康评估方法，包括振动信号采集；网络训练集的构建；深度卷积网络的构建；深度卷积网络的训练；网络测试和健康指标的构建；健康指标评价。本发明结合深度学习强大特征提取能力的优势，训练标签设置考虑了分段线性退化。本发明将原始振动信号输入到深度卷积神经网络中，将深度卷积神经网络提取到的特征输入到深度神经网络中构建健康指标，利用多项式衰减学习效率高效训练神经网络。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。

技术领域

本发明涉及旋转机械健康评估技术，特别是一种深度卷积神经网络的旋转机械健康评估方法。

背景技术

由于先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法在轴承预测中得到了广泛的应用，因为它们能够利用状态监测数据来量化退化过程，而不是建立一个不容易获得的精确系统模型。

通常，数据驱动的预测方法通常由以下三个步骤组成：数据采集、健康指标构建和剩余寿命预测。健康指标试图通过从获取的数据中提取特征信息来识别和量化历史和正在进行的退化过程。因此，所构建的健康指标的质量在很大程度上直接影响着数据驱动的预测方法的有效性。从这个角度出发，构建有效反应机械设备退化的健康指标至关重要。工业现场中常见的旋转零部件，如轴承、齿轮、转子等，是旋转机械设备中的重要组成构件，它的健康状况直接影响旋转机械能否正常运转。这些关键部件损坏严重会导致生产停工，带来巨大经济损失，因此，对其健康状况准确评估对于设备安全可靠运行具有重要意义。

现有的健康指标构建方法主要存在以下问题：(1)基于人工特征提取构建健康指标的方法需要大量的经验知识，而且根据经验筛选的特征都是针对特定的任务而设计的；(2)深度学习方法构建健康指标是采用固定学习效率训练网络，效率较低；(3)健康指标构建没有考虑分段退化；(4)寿命预测中失效阈值难以确定，失效阈值常常也是根据经验获得的，具有一定的盲目性。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种深度卷积神经网络的旋转机械健康评估方法，该深度卷积神经网络的旋转机械健康评估方法能够提高所构建的健康指标的质量，有效评估旋转机械健康状况，进而提高旋转机械剩余寿命预测的准确性。

为解决上述技术问题，本发明采用的技术方案是：一种深度卷积神经网络的旋转机械健康评估方法，包括如下步骤：

步骤1，采集振动信号：对旋转机械的关键部件的振动信号进行采集；

步骤2，构建网络训练集：对步骤1采集的振动信号，构建网络训练集，将旋转机械关键部件的原始振动信号作为卷积神经网络的输入，将数据分为两部分，训练集和测试集M是训练样本的个数，T是测试样本的个数。x_i是第i个训练样本，y_i是第i个训练样本对应的标签。x'_j是第j个测试样本。x_i，x'_j都是原始的振动信号；

步骤3，构架深度卷积网络：本发明提出的网络包含9个层：2个卷积层，2个池化层，1个展开层，4个非线性转换层。模型的输入输出就是步骤(1)获取的数据；

步骤4，训练网络：整个模型的训练通过误差反向传递来来最小化损失函数来训练，本发明提出用多项式衰减学习效率来训练深度卷积神经网络；

步骤5，网络测试和构建健康指标：将测试集的数据输入到步骤(2)训练好的网络中，测试集对应的输出就是我们想要得到的评价滚动轴承退化过程的健康指标；

步骤6，评价构建的健康指标：本发明采用两个指标来评价构建的健康指标：单调性和趋势性。