[发明专利]一种旋转部件故障诊断模型构建方法及应用

说明书

本发明公开了一种旋转部件故障诊断模型构建方法及应用，包括：S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号，构成样本集；S2、采用样本集训练稀疏过滤模型，并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中，所得结果经过激活函数处理后得到各样本信号的学习特征；S3、分别将各样本信号的学习特征与对应的旋转部件的健康状况一一对应，构成训练样本集；S4、将训练样本集输入到机器学习模型进行训练，得到旋转部件故障诊断模型。本发明采用稀疏过滤模型对特征进行无监督学习，对先验知识和人工的依赖性较低，且在特征学习过程中仅需要调整一个超参数，特征学习的效果较好，故障诊断的准确性较高。

技术领域

本发明属于旋转设备故障诊断领域，更具体地，涉及一种旋转部件故障诊断模型构建方法及应用。

背景技术

在现代工业中，机器比以往任何时候都更加自动化，精确和高效，这会使他们的健康状况监测更加困难。在众多机械设备当中，旋转设备在众多领域占据着举足轻重的作用，一旦发生故障则会造成巨大损失。滚动轴承、齿轮等旋转部件作为旋转设备中广泛使用的关键通用零部件，其能否安全可靠运行，很大程度关乎整个旋转设备的安全使用。

传统上，智能故障诊断的框架包括三个主要步骤：1)信号采集；2)特征提取与选择；3)故障分类。传统的故障诊断方法都是人工选取信号的时域、频域等特征量来构建的特征向量，这些方法很大程度上依赖专业先验知识和和信号处理技术，具有很强的主观性，不仅十分费事费力，而且当物理对象变化时，原本设计的特征提取方法通常都不再适用，需要重新构建特征量。

随着人工智能技术的发展，无监督特征学习也得到了很大程度的发展。无监督特征学习是一组算法，用于研究如何使用未标记的原始数据很好地训练人工智能技术，从而自动学习分类所需的判别特征。因此，无监督学习不需要利用先验知识而对输入的数据进行自动学习，大大降低了对先验知识和人工的依赖。

当前，许多的无监督特征学习算法应用到旋转部件故障诊断中存在着一定的困难，因为在模型训练过程中需要调节的参数众多，在模型的建立与训练过程中，参数的设置直接关系到学习特征的好坏，从而影响特征学习的效果，进而影响到旋转部件故障诊断的准确性。针对不同的旋转部件，参数的设置往往不同，当旋转部件发生改变时，先前表现效果较好的参数也不再适用，仍需重新设置，不仅费时费力，而且通用性较差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种旋转部件故障诊断模型构建方法及应用，用以解决现有技术存在的旋转部件故障诊断的准确性及通用性较差的技术问题。

为了实现上述目的，第一方面，本发明提供了一种旋转部件故障诊断模型构建方法，包括以下步骤：

S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号，构成样本集；其中，n为正整数；

S2、采用样本集训练稀疏过滤模型，并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中，所得结果经过激活函数处理后得到各样本信号的学习特征；

S3、分别对各样本信号，将其学习特征与其对应的旋转部件的健康状况一一对应，构成训练样本集；

S4、将训练样本集输入到机器学习模型中进行训练，得到旋转部件故障诊断模型。

进一步优选地，上述旋转部件故障诊断模型构建方法还包括步骤S5；步骤S5在步骤S1之后且在步骤S2之前执行，包括：对样本集中的各样本信号分别进行小波包分解与重构后更新样本集。

进一步优选地，步骤S5包括以下步骤：