[发明专利]基于无线传感器网络多测量向量的机械装备故障诊断方法

说明书

本发明涉及一种基于无线传感器网络多测量向量的机械装备故障诊断方法，属于深度学习技术领域。该方法包括以下步骤：S1：多测量向量的压缩采集；S2：数据处理；S3：卷积神级网络模型训练；S4：识别故障类型。本发明突破了Nyquist采样定律的限制，降低数据采集的量，从而降低无线传感器网络的负载。相比传统人工提取特征进行诊断的方式更便捷、高效，减少了对人工和专业知识的需求。采用了多测量向量MMV的进行数据压缩采集，提高采集的压缩数据量只包含更多的故障源信息，比SMV模型的故障诊断的识别率更高。

技术领域

本发明属于深度学习技术领域，涉及基于无线传感器网络多测量向量的机械装备故障诊断方法。

背景技术

大型复杂的机械装备，比如：天燃气管道、桥梁、大型电机和机床等等，这些机械装备一旦发生故障且未得到能及时排除或维修，其故障可导致巨大经济损失和造成极其严重的后果。对这些机械装备健康状况进行有效评估与预测，以及进行及时故障诊断与识别是非常重要。

专利号为CN110991295公开了一种基于一维卷积神经网络的自适应故障诊断方法，将一维时序信号输入一维卷积神经网络，就能诊断结果，相比传统人工提取特征进行诊断的方式更便捷、高效，对诊断人员的专业知识经验需求更低。专利号为CN111582396A公开了一种基于改进卷积神经网络的故障诊断方法，该方法在特征提取层和全连接层之间还设置了一个新增卷积层,新增卷积层可以提取模型深层特征，有效增强模型的泛化能力，在一定程度上可以减少过拟合的风险并加快计算速度。但是这些方法并不适合大型机械装备的健康状况监控与故障诊断，因大型机械装备处于复杂环境，其数据获取比较困难。大型机械装备健康状况的监控都是采用无线传感器网络技术，但是在传统的Nyquist采样定律下，产生大量的数据需要传输，加重无线传感器网络的网络负载。专利号为CN110263767A公开了结合压缩数据采集和深度学习的智能转轴故障诊断方法，采用了非线性投影实现压缩采集，突破了Nyquist采样定律的限制，减少了包含所有故障信息的测量数据量，可以降低无线传感器网络的负载。该方法也不太合适大型机械装备，因为该方法压缩采集方式为单重测量矢量(Single Measurement Vector，SMV)，其数据量只包含部分的故障源信息，导致故障识别率不高。

发明内容

有鉴于此，本发明的目的在于提供一种基于无线传感器网络多测量向量(Multiple MeasurementVectors，MMV)的机械装备故障诊断方法。首先，在大型机械装备安装在不同的位置方向安装L个无线传感器节点，然后对L个无线传感器节点对故障源信号进行压缩测量，得到L个测量值，经过无线传感器网络传输到云端，得到L个测量值向量组成的测量值矩阵，对测量值矩阵进行归一化数据处理后将其送入卷积神经网络模型进行故障识别，得到故障识别结果。

为达到上述目的，本发明提供如下技术方案：

基于无线传感器网络多测量向量的机械装备故障诊断方法，该方法包括以下步骤：

S1：多测量向量的压缩采集；

S2：数据处理；

S3：卷积神级网络模型训练；

S4：识别故障类型。

可选的，所述S1具体为：

对大型机械装备在不同的位置方向安装L个无线传感器节点，L≥2，然后对L个无线传感器节点对故障源信号进行压缩测量，得到测量值由无线传感器网络进行传输；

多测量向量模型MMV的公式为：

Y＝ΦX＝ΦΨX＝AX (1)