[发明专利]复合故障诊断方法、装置、电子设备和存储介质

说明书

本申请实施例提供一种复合故障诊断方法、装置、电子设备和存储介质，通过获取待检测旋转机械的多路工作状态信号，对多路工作状态信号进行预处理，得到特征信号数据集，根据BP‑MLL神经网络模型对所述特征信号数据集进行分析，确定待检测旋转机械的复合故障类型，实现了对旋转机械的复合故障诊断，提高了复合故障的诊断准确率。

技术领域

本申请实施例涉及机械故障诊断技术，尤其涉及一种复合故障诊断方法、装置、电子设备和存储介质。

背景技术

旋转机械作为各种机械设备中的动力传动装置，在机械设备中的发挥着重要的作用，旋转机械的故障定位是机械设备管理和维护工作的重点。复合故障是与单一故障相对的概念，由于旋转机械复杂的结构和工作环境，当前多结合神经网络的相关算法，进行复合故障定位。

现有技术中，通过采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本，对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集，利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数，在不对样本进行任何预处理的情况下，直接将训练集振动数据输入一维卷积神经网络中进行训练，通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

现有技术的方案虽然能够实现对复合故障的诊断，然而，现有技术中对复合故障仅通过给多个标签进行区分，而没有考虑到多个故障之间的关联关系，因此，在采用现有技术中的模型对旋转机械进行复合故障诊断时，存在准确率不高的问题。

发明内容

本申请提供一种复合故障诊断方法、装置、电子设备和存储介质，以解决现有技术中存在的诊断准确率不高的问题。

第一方面，本申请实施例提供一种复合故障诊断方法，包括：

获取待检测旋转机械的多路工作状态信号；

对所述多路工作状态信号进行预处理，得到特征信号数据集；

根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型。

可选地，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：

其中，i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，表示相关标签位置输出层神经元的输出值，表示不相关标签位置输出层神经元的输出值，Y_i表示与样本相关的标签集合，表示与样本无关的标签集合，|Y_i|表示与样本相关的标签集合的值，表示与样本无关的标签集合的值，f_distance表示距离函数。

可选地，所述BP-MLL改进算法用于通过误差函数：

调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，V_td表示第t个隐含层神经元与第d个输入层神经元之间的权重值，W_st表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。

可选地，所述根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型之前，所述方法还包括：

获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；