[发明专利]基于卷积神经网络的多测点传动机构故障诊断方法和系统

说明书

本发明提供一种基于卷积神经网络的多测点传动机构故障诊断方法和系统，解决现有故障诊断效率和准确率不适应传动机构发展的技术问题。方法包括：优化振动传感器布设位置，形成与振动传感器对应的并行振动数据；建立初始卷积神经网络的卷积层、池化层和全连接层，调整初始卷积神经网络并验证初始卷积神经网络的故障诊断精度，并调整初始卷积神经网络的拟合度，形成故障诊断模型。形成了对复杂传动机构众多测点数据的自动化分析过程，可以自动、准确地滤除噪声信息并分离出故障特征；对于大量待处理的数据，可以通过调整网络的规模适配处理大规模数据的目的，从而表征复杂映射关系。满足了复杂传动机构全生命周期内故障预警的效率和可靠性。

技术领域

本发明涉及故障诊断信号处理技术领域，具体涉及一种基于卷积神经网络的多测点传动机构故障诊断方法和系统。

背景技术

在多测点传动机构故障诊断领域，现有故障诊断技术通过监测传动机构当前的运行状态探测故障发生的位置和分析故障产生的原因，预防产生灾难性后果。目前常用的故障诊断技术流程为：首先，通过信号处理技术进行故障特征提取；继而，采用机器学习技术进行故障诊断。该技术存在四个问题：一、由于传动机构自身的复杂性，需要在不同位置设置多个测点并同时进行监测，而综合多个测点信息进行有效的故障诊断十分困难；二、需要操作者具有专业的信号处理背景知识，结合传动机构的内部结构人为分析并提取出故障特征导致效率低下不适于大量特征数据的处理；三、随着传动机构朝着高速、高精、高效方向发展，其内部结构越来越复杂，采集到的数据涵盖了不同物理源辐射出的大量信息，且夹杂着噪声信息，传统的信号处理技术很难准确有效的将故障特征分离出来提取准确的故障特征；四、随着设备测点的增多，采样频率的增大，从机构开始使用到寿命终止的数据收集历时长数据量庞大，传统的信号处理技术模型很难表征大数据情况下采集到的信息与设备故障状况之间复杂的映射关系，导致最终影响故障诊断精度。因此需要一种能够从多测点、大规模复杂数据中准确自适应的提取故障特征的故障诊断技术。现有技术中，卷积神经网络具有的网络结构对输入数据具有较好的适应性，可以同时进行特征提取和分类，这些特点具有解决上述数据分析缺陷的可能性。

发明内容

鉴于上述问题，本发明实施例提供一种基于卷积神经网络的多测点传动机构故障诊断方法和系统，解决现有多测点传动机构故障诊断效率和准确率不适应传动机构发展的技术问题。

本发明实施例的基于卷积神经网络的多测点传动机构故障诊断方法，包括：

优化振动传感器布设位置，形成与所述振动传感器对应的并行振动数据；

建立初始卷积神经网络的卷积层、池化层和全连接层，利用所述初始卷积神经网络处理所述并行振动数据；

在并行振动数据处理过程中调整所述初始卷积神经网络并验证所述初始卷积神经网络的故障诊断精度，并调整所述初始卷积神经网络的拟合度，形成故障诊断模型。

本发明一实施例中，所述优化振动传感器布设位置，形成与所述振动传感器对应的并行振动数据包括：

确定传动机构的关键测量位置；

在所述关键测量位置布设测点的振动传感器；

根据自由度对所述测点的振动传感器分组，对同一组别内的测点振动数据进行相关系数比较，并根据显著性差异检验法判定相关系数可靠性；

判断所述同一组别内各测点的相关系数是否超过修正阈值；

所述相关系数未超过所述修正阈值则确定所述同一组别内测点以及对应的振动数据；

所述相关系数超过所述修正阈值则在所述同一组别内对相关系数高的测点进行单一筛选；

确定与关键测量位置对应的各组别所述测点和振动数据，重复相关系数比较-单一筛选过程完成所述测点筛选。

本发明一实施例中，所述相关系数的修正阈值为80％。