[发明专利]一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法

说明书

本发明公开了一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法，包括：利用振动测试仪和振动传感器采集被测部件在不同故障状态下的振动信号，并将故障振动信号根据部分重叠的策略分割为若干个样本点；构建基于非局部均值嵌入的卷积块模型，并搭建深度神经网络框架模型；从收集的故障振动信号中选择部分样本作为训练样本训练深度神经网络模型的参数，并获得逐层的学习特征；将学习到的所有特征输入到Softmax中进行分类辨识，根据逐层提取的特征和模型参数对未知故障振动信号进行智能辨识。第五步，将测试集输入构建的神经网络模型中，测试模型的诊断效果和诊断准确率。本发明的故障准确率可达到99.85％，误差为0.21％，而且稳定性好。

技术领域

本发明涉及旋转机械振动信号的智能故障诊断技术，尤其是一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法。

背景技术

旋转机械设备及其关键零部件的工作状态可以通过振动信号反映出来。通常会采用多个振动传感器多点监控它们的工作状态，进一步准确高效地分析采集振动信号，判断信号中的故障状态信息，对机械设备的健康管理和设备维护都具有至关重要的作用。但是，如何智能准确高效地从海量测试信号中提取能够真实反映机械故障特征的有效信息，对于提高故障诊断效率和健康管理水平具有重要意义，也是机械故障诊断的重要研究内容。

采集的故障振动信号受机械设备复杂工作环境和毗连部件振动的影响，通常采集的原始故障振动信号是强噪声背景下的多分量、非平稳复杂振动信号，同时具有一定的变尺度特征。在采用传统的振动信号处理技术，比如谱分析、小波变换、时频分析等方法时，需要对机械设备的工作原理及工作条件和环境有深入了解，同时需要很强的专业知识和机械故障诊断的先验知识对信号进行多重处理，在处理大批量数据时效率低。并且，当输入数据发生变化时，所采用的方法也必须有一定的变化，适应性较差。因此，为了提高大数据背景下对复杂机械故障振动信号的处理能力和智能故障诊断能力，有必要探索新的基于振动信号特征提取的智能故障诊断方法。

在传统的旋转机械振动信号处理和故障诊断中，通常会采用傅里叶分析、谱分析或者时频分析等方法提取一些特征，或者采用振动信号的均值、标准差、峭度、偏度等统计特征作为智能故障诊断模型的输入，进一步辨识机械故障特征类型。但是，在采用这种二次处理后的特征作为辨识目标时，会丢失振动信号中的全局特征或者局部特征，而一些统计量只能反映振动信号的总体特征，而不能反映信号中的局部特征。因此，本发明将振动信号的原始时域信号作为输入和辨识目标，利用智能诊断模型直接从原始振动信号中提取故障特征并辨识出故障类别。

随着机器学习和深度学习技术的兴起，深度卷积神经网络模型已越来越多的吸引研究者的关注，并在图像处理、语音识别、自然语言处理、视频处理等方面有广泛的研究和应用。深度卷积神经网络可以通过一个卷积核与输入数据做卷积，遍历整个输入数据，提取对应的特征，并利用池化函数缩减学习权值和特征。而非局部均值算通过计算两个领域内的相似性权重值，滤除一定范围的内的噪声，提取非局部特征，在图像处理中有广泛的应用。因此，鉴于卷积神经网络模型和非局部均值算法在特征提取方面的良好性能。在本发明中，构建非局部均值嵌入的深度卷积神经网络模型，将原始故障振动信号作为输入，学习原始信号中的非局部故障特征并准确高效的辨识故障类别，准确率可达到99.85％，误差仅为0.21％。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法，将振动信号的原始时域信号作为输入和辨识目标，利用智能诊断模型直接从原始振动信号中提取故障特征并辨识出故障类别；并且，构建非局部均值嵌入的深度卷积神经网络模型，将原始故障振动信号作为输入，学习原始信号中的非局部故障特征并准确高效的辨识故障类别，使准确率达到99.85％、误差降为0.21％。

为解决上述技术问题，本发明采用以下技术方案。

一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法，包括以下步骤：