[发明专利]一种基于深度学习的转速检测方法及系统

权利要求书

1.一种基于深度学习的转速检测方法，其特征在于，包括如下步骤：

步骤 S1，利用转速传感器和至少三个振动传感器分别采集旋转设备的转速数据和振动数据，将采集到的数据均按照通道的形式组织得到六通道数据用作训练数据集，其中，所述振动数据采用对应的转速数据作为标签；

步骤 S2，对所述训练数据集进行预处理；其中，对所述振动数据进行预处理，包括：对所述振动数据进行清洗和结构化处理、归一化处理、并对数据集进行随机分配；

步骤 S3，根据预处理后的振动数据分析得到所述旋转设备的振动特点，根据所述旋转设备的特点建立多个长短期记忆功能神经网络模型，并对每个长短期记忆功能神经网络模型进行模型训练和模型评估，并对评估后的多个神经网络模型进行融合，并得到融合后的预训练模型；其中模型融合的方法为加权平均，其中权值由前述模型的评估结果决定；根据分析得到的所述振动数据为一维多通道时间序列数据的特点，建立多个神经网络模型；

采用反向梯度下降算法对每个神经网络模型进行训练，判断梯度下降是否为 0，如果是则执行模型评估，否则继续迭代调整参数；

当判断梯度下降为 0 时，基于测试集数据采用平均绝对误差 MAE 方法，对各个模型执行模型评估；

公式中 i 为训练集中样本的索引号，n 为训练集中样本总数，pi 为模型预测值，ai为实际真实值；

步骤 S4，将新采集到的振动数据加载到融合后的预训练模型中进行模型推断，得到最终推断结果，作为该旋转设备在此振动数据采集时刻的转速信息；所述步骤 S4 的执行流程部署在数据中心或嵌入式边缘终端上，由数据中心或嵌入式边缘终端对接收到的振动数据加载到融合后的模型中，进行模型推断；通过模型部署方案实现模型推断，包括数据中心部署和嵌入式边缘终端部署；将从设备现场采集到的振动数据送到数据中心或者边缘计算设备中进行模型推断，并最终得到推断结果，即为转速信息。

2.一种基于深度学习的转速检测系统，其特征在于，用于执行权利要求1所述的基于深度学习的转速检测方法，包括：多个振动传感器、转速传感器、数据筛选模块、转速标注模块、数据预处理模块、多模型训练模块、多模型推断模块和转速预测结果融合模块，其中，

所述多个振动传感器安装于旋转设备的轴承侧，用于采集旋转设备的振动数据；所述转速传感器安装于旋转设备的轴承侧，用于采集旋转设备的转速数据；

所述数据筛选模块用于与每个所述振动传感器连接，用于对采集得到的振动数据集进行筛选；

所述转速标注模块与所述数据筛选模块和所述转速传感器连接，用于利用所述转速数据对筛选出的振动数据进行标记，得到带有转速数据作为标签的振动数据，用作训练数据集；所述转速预测结果融合模块与所述多模型推断模块部署在数据中心或嵌入式边缘终端上；

所述数据预处理模块与所述转速标注模块连接，用于对训练数据集进行预处理；所述数据预处理模块对所述振动数据进行清洗和结构化处理、归一化处理、FFT 变换并对数据集进行随机分配；

所述多模型训练模块与所述数据筛选模块和所述数据预处理模块连接，用于根据预处理后的振动数据分析得到所述旋转设备的振动特点，根据所述旋转设备的特点建立多个神经网络模型，并对每个所述神经网络模型进行模型训练和模型评估，并对评估后的多个神经网络模型进行融合，并得到融合后的预训练模型；所述多模型训练模块根据分析得到的所述振动数据为一维多通道时间序列数据的特点，建立多个神经网络模型；采用反向梯度下降算法对每个神经网络模型进行训练，判断梯度下降是否为 0，如果是则执行模型评估，否则继续迭代调整参数；当判断梯度下降为 0 时，基于测试集数据采用平均绝对误差 MAE方法，对各个模型执行模型评估；通过模型部署方案实现模型推断，包括数据中心部署和嵌入式边缘终端部署；将从设备现场采集到的振动数据送到数据中心或者边缘计算设备中进行模型推断，并最终得到推断结果，即为转速信息；

所述多模型推断模块与所述多模型训练模块连接，用于将新采集到的所述振动数据加载到融合后的预训练模型中进行模型推断；

所述转速预测结果融合模块与所述多模型推断模块连接，用于进行模型推断后得到最终推断结果，作为该旋转设备在此振动数据采集时刻的转速信息。

3.如权利要求 2 所述的基于深度学习的转速检测系统，其特征在于，多个振动传感器包括单轴振动传感器、双轴振动传感器和三轴振动传感器。

4.如权利要求 2 或 3 所述的基于深度学习的转速检测系统，其特征在于，根据振动传感器和神经网络模型的数量，采用以下模式之一：

（1）单传感器+单模型；（2）单传感器+多模型；（3）多传感器+单模型；（4）多传感器+多模型。