[发明专利]一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质

权利要求书

1.一种基于深度残差网络的旋转设备故障诊断方法，其特征在于，包括：采集设备状态信号，获取设备振动数据，提取数据特征信息，得到实时状态数据向量；

利用果蝇算法建立故障模型，将数据特征信息带入故障模型，获取故障信息；

利用局部均值法分解故障信号，并提取故障信号特征向量；

对提取的故障信号特征向量与实时状态数据向量进行比较，得到偏差率；

判断所述偏差率是否大于预设阈值；

若大于，则对故障信号不同时间节点的数据信息进行归一化处理，得到结果信息；

通过结果信息对故障类型进行判别，并按照预设方式进行显示；

获取设备实时状态信号，生成实时状态信息，将实时状态信息与预设信息作减法计算，得到残差信号，生成残差信息；

通过残差信息构建深度残差网络；

将残差信息与标准信息进行比较，得到偏差率，判断所述偏差率是否大于所述预设阈值；

若大于，则提取残差信息中的故障冲击或震荡波形信息；

将故障冲击或震荡波形信息输入深度残差网络进行训练，在深度残差网络内部采用逐元素最大值进行数据筛选；

筛选后的数据进行噪声削减，生成多组结果信息；

多组结果信息融合进行故障类型判别。

2.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：筛选后的数据进行噪声削减，生成多组结果信息；还包括：对多组结果信息分别提取特征值；

对相同频带区间内的结果信息进行归类，形成一个数据集；

同一数据集内的数据采用随机梯度下降法对特征值权重进行初始化，得到优化信息；

将优化信息输入故障模型进行故障诊断。

3.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：利用果蝇算法建立故障模型，将数据特征信息带入故障模型：具体包括：获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；

对振动信号进行重叠区域分段截取，增加信号宽度；

通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；

将结果信息进行频谱分析，得到故障信息；

所述故障模型为卷积神经网络模型。

4.根据权利要求1所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出。

5.根据权利要求4所述的一种基于深度残差网络的旋转设备故障诊断方法，其特征在于：局部均值分解算法具体包括：

选定一个原始信号x(t)，t表示采样时间，找出该信号全部极值点m_j，其中j表示序列号，j＝1、2、3……，计算得出相邻极值点间的局部均值点即

将全部的局部均值点用直线连接，再用滑动平均方法完成多次平滑处理，得局部均值函数m_x，通过局部均值函数m_x计算得到新的信号g(t)；

g(t)＝x(t)-m_x；

通过极值点计算对应的包络估计点m_k，得到估计函数m_y，其中

通过估计函数计算得到处理后的信号p_n(t)，

判断p_n(t)是否为纯调频信号，若估计函数满足m_y＝1，则表示p(t)为纯调频信号，若不满足，则将p_n(t)作为原始信号进行迭代计算直至m_y＝1。