[发明专利]一种基于信号下采样及一维卷积神经网络的故障诊断方法

说明书

本发明公开了一种基于信号下采样及一维卷积神经网络的故障诊断方法，包括以下步骤：(1)通过加速度传感器采集旋转机械故障源附近的振动信号；(2)将采集到的振动信号根据序列样本尺寸截断获得截断信号后，对数据进行标准化处理，使不同类别数据的振幅值统一到同一范围中；(3)针对标准化处理后的信号样本，根据基于稀疏‑低秩分解的信号下采样方法构造一维序列样本；(4)将步骤(3)中所得的一维序列样本输入所述改进的卷积神经网络进行训练，网络经过多次训练迭代后收敛后计算训练精度；(5)根据训练的预测准确率调整网络参数，直至准确率达到稳定后，确定一维卷积神经网络模型用以故障诊断。

技术领域

本发明涉及一种传动部件故障诊断方法，特别涉及一种基于信号下采样及改进的的一维卷积神经网络的故障诊断方法，属于故障诊断技术领域。

背景技术

随着工业发展进程中信息化、智能化的不断加深，传统工业也进入了大数据智能时代，随之而来的是海量数据持续、快速、多样化、高密度的产生，这也对传统故障诊断方法提出了新的挑战。传统故障诊断的人工先验知识与模式识别的模式早已不能满足现在的需求，取而代之的是智能方法特征提取与深度学习模型相结合的新模式。到2020年底，全球将有超百亿台设备实现数据共享，而这无疑将大大增强数据驱动的故障诊断方法的泛化能力。最近，深度学习已广泛应用于计算机视觉、自然语义识别、音频识别、生物信息学及故障诊断等等方向。深度学习能充分挖掘数据中的特征信息与样本结构分布之间的关联，基于深度学习的故障诊断逐渐成为众多科学领域中炙手可热的研究方向，其中，卷积神经网络是深度学习中一种最具代表性的模式识别网络。

旋转机械是现代化工业生产中的重要组成部分，具有种类繁多、结构复杂、工作环境恶劣等特点，这就导致针对旋转机械的故障诊断是必要的，也是极其困难的。常见的故障诊断系统包括两个关键步骤，分别是数据处理(特征提取)，以及故障识别。基本上，传统的故障诊断方法往往包含两个关键性环节：数据预处理即特征提取与降噪、故障模式识别。然而，在故障诊断技术发展前期，由于缺乏足够的判别方法，导致对于故障模式的识别存在一定困难。随着技术方法的不断发展，基于人工智能的机械设备故障诊断开始蓬勃发展，该类方法在特征提取与模式识别两大方面均存在着巨大优势，目前已被广泛应用于工业领域的实际应用之中。传统的智能诊断模型主要针对有监督学习领域，通过将数据导入层结构中，在每一层之中实现对输入特征的提取，并将得到的高层特征传递至下一层，最终实现基于特征的分类。该类模型主要包括：支持向量机(SVM)、K近邻算法(KNN)、决策树、朴素贝叶斯、遗传算法、人工神经网络(ANN)等。在实际应用中，传统的智能诊断模型受限于其运算能力和迭代方式的缺陷，往往无法解决复杂工况下的模式识别问题。

在过去几年中，相比传统的机器学习方法，深度学习已被广泛应用在故障诊断领域并取得了一定进展。卷积神经网络(CNN)是一种专门处理具有类似结构数据的神经网络，比如时间序列的数据和图像数据，本方法是一种基于信号下采样与一维卷积神经网络的故障诊断方法，提出的大数据量含噪原始信号下采样法能够高效的将数据转化为一维时间序列样本，不同故障状态低秩信息差异性较大，此外提出的改进的一维卷积神经网络更加适合处理时间序列信号，相比传统一维卷积神经网络运算速度更快，而且具有更高的预测准确率。

发明内容

本发明的目的在于提供了一种基于大数据量含噪信号下采样的方法，传感器采集得到的原始数据经过稀疏-低秩分解，将仅保留有效成分的低秩信息矩阵转置为一列数据段后通过随机抽样方法实现下采样，得到一维时间序列样本。藉由此下采样方法处理，原始信号中的主要特征得到突出，使得不同类型故障数据差异化较大，也为后续基于深度学习的模式识别工作提供了相匹配的数据样本。