[发明专利]基于视觉特征融合的复杂旋转机械设备故障诊断方法

说明书

本发明公开了一种基于视觉特征融合的复杂旋转机械设备故障诊断方法，涉及旋转机械设备故障诊断技术领域，本发明首先通过原始振动信号获取虚拟振动信号，并通过两者构造表征航空发动机故障的振动图像，然后，采用深度学习以及迁移学习获取高层故障特征，最后，在连续的采样周期内，将多模态故障特征聚类以构成故障特征组，基于时空相关性构建多模态故障特征时空模型，提出采用一种有效的张量分解方法，实现在该模型下的故障诊断。该基于视觉特征融合的复杂旋转机械设备故障诊断方法，解决了现有的诊断方法故障诊断样本数据不够完备、故障特征表征提取困难和故障诊断能力较差的问题。

技术领域

本发明涉及旋转机械设备故障诊断技术领域，具体为一种基于视觉特征融合的复杂旋转机械设备故障诊断方法。

背景技术

航空发动机是一种高度复杂和精密的热力机械，作为飞机的心脏，不仅是飞机飞行的动力，也是促进航空事业发展的重要推动力，人类航空史上的每一次重要变革都与航空发动机的技术进步密不可分。

故障诊断技术是复杂旋转机械设备安全高效运行的有力保障，但该类技术的实施还面临诸多挑战：由于航空发动机测振传感器采集振动信号样本数少、噪声干扰及非平稳性等影响，造成现有故障诊断算法性能下降，同时现有的航空发动机振动信号的传统故障特征提取方法，特别是在早期微弱耦合故障发生时，特征提取困难，以及航空发动机在单一模态特征下的故障类型诊断较为困难。

因此，提出一种基于视觉特征融合的复杂旋转机械设备故障诊断方法来解决上述问题很有必要。

发明内容

（一）解决的技术问题

本发明的目的在于提供一种基于视觉特征融合的复杂旋转机械设备故障诊断方法，以解决上述背景技术中提出的现有的诊断方法故障诊断样本数据不够完备、故障特征表征提取困难和故障诊断能力较差的问题。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于视觉特征融合的复杂旋转机械设备故障诊断方法，具体包括以下步骤：

（1）通过传感器采集原始振动信号并通过全方位虚拟振动信号再生实现虚拟振动信号获取。

（2）对原始振动信号及生成的多路虚拟振动信号进行周期采样分析，得到信号一维频谱图像，根据信号频谱能量排序构建振动图像。

（3）将待检测目标领域的航空发动机振动图像与跨领域迁移学习到的局部特征送入CNN模型，并构建SDAE模型。

（4）对航空发动机振动图像部分损坏或丢失的输入数据进行重建，实现航空发动机故障振动图像的高层全局特征获取。

（5）基于自学习特征权重可视化和基于平均梯度的特征权重排序的方法，直观分析和比较不同旋转机械设备局部特征迁移学习对目标领域航空发动机故障诊断性能的影响情况。

（6）基于采样周期、多模态故障特征以及故障位置的时空相关性，构建基于时空相关的多模态特征航空发动机故障诊断模型，对多模态故障特征进行故障特征组聚类。

（7）结合多模态特征航空发动机故障诊断模型，通过张量分解算法对航空发动机故障进行诊断。

（三）有益效果

与现有技术相比，本发明提供了一种基于视觉特征融合的复杂旋转机械设备故障诊断方法，具备以下有益效果：

1、该基于视觉特征融合的复杂旋转机械设备故障诊断方法，对原始振动信号及生成的多路虚拟振动信号进行周期采样分析，快速、准确地构造表征航空发动机故障的振动图像，提高故障诊断样本数据的完备性。

2、该基于视觉特征融合的复杂旋转机械设备故障诊断方法，通过新型深度学习结构模型下的振动图像高层特征提取方法，获取高层故障特征，提高故障特征表征的准确性及鲁棒性。