[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

说明书

本发明涉及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，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。

技术领域

本发明涉及一种旋转设备故障诊断方法，尤其涉及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。

背景技术

随着我国综合实力的提升和科技水平的不断进步，现代工业对高质量、低成本产品和安全生产的需求越来越高，工业旋转设备的维护也快速从预防性维护转向为基于旋转设备状态的实时监测与智能故障诊断，旋转机械是旋转设备中最广泛普遍的类型之一，在工业应用中具有不可替代的地位，而基于旋转旋转设备的状态监测和故障维护可以有效减少运行机组突发性停机次数，甚至避免事故的发生，因此，旋转设备的故障诊断对于确保工业设备的安全高效的运行具有十分重要的意义。

现有的旋转设备故障诊断，仅仅是对旋转设备进行简单的振动信号的检测，并以此为依据对旋转设备状态进行评估，此种方式，监测的旋转设备故障诊断偏差较大，难以精确有效的确定旋转设备故障类型，此外在旋转设备运行过程中，其本身就具有一定的噪声，旋转设备本身的噪声也会相应的影响旋转设备故障的判断。

为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制，通过深度残差网络进行故障诊断，能够对来自不同频带区间内的振动数据进行自适应加权，同时通过残差网络训练后的特征值权重进行初始化，并采用随机梯度递减的方式进行训练，增强了深度残差网络对设备变工况条件下的振动数据的拟合能力，提高故障诊断精确性，如何对旋转设备故障诊断实现精准控制，是亟不可待要解决的问题。

发明内容

本发明克服了现有技术的不足，提供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。

为达到上述目的，本发明采用的技术方案为：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。

在本发明的一个较佳实施例中，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；