[发明专利]一种基于深度学习的转速检测方法及系统

说明书

本发明提出了一种基于深度学习的转速检测方法及系统，包括：利用转速传感器和振动传感器分别采集旋转设备的转速数据和振动数据，用作训练数据集；对训练数据集进行预处理；根据预处理后的振动数据分析得到旋转设备的振动特点，根据旋转设备的特点建立多个神经网络模型，并对每个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；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。本发明可提取到高精度的设备转速信息，不再需要通过转速传感器来获得旋转设备的转速信息，有效地降低了设备成本和施工难度。

技术领域

本发明涉及旋转机械设备技术领域，特别涉及一种基于深度学习的转速检测方法及系统。

背景技术

转速信息是进行旋转机械设备运行状态表征和故障诊断的重要信息，传统方法是通过在旋转机械设备上预置转速传感器，通过传感器计数的方式获取设备的转速信息。该传统方法不仅会增加设备成本，而且还面临施工和维护的难度。

如图1所示，在旋转机械设备的运行过程中由于会出现轴承缺陷、齿轮啮合、动不平衡等机械特性，设备会产生不同的振动频率成分。各个单独的振动信号合成后会形成一个复杂的时域波形。该时域波形中会包含有与转速密切相关的频率成分，其中与转速相等的频率点通常被称为1x工频。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于深度学习的转速检测方法及系统。

为了实现上述目的，本发明一方面的实施例提供一种基于深度学习的转速检测方法，包括如下步骤：

步骤S1，利用转速传感器和振动传感器分别采集旋转设备的转速数据和振动数据，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；

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；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；

步骤S4，将新采集到的所述振动数据加载到融合后的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。

进一步，在所述步骤S2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、FFT变换并对数据集进行随机分配。

进一步，所述步骤S3包括：

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。

进一步，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。

本发明另一方面的实施例提供一种基于深度学习的转速检测系统，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；