[发明专利]一种振动筛机体的故障诊断方法及系统

说明书

本发明涉及一种振动筛机体的故障诊断方法及系统，该方法包括获取与振动弹簧的位移方向一致的振动加速度数据；将振动加速度输入训练好的故障诊断模型进行故障诊断；其中，模型包括卷积层、全连接层、小波层、原型层和分类层，小波层对经卷积层和全连接层处理输出的特征进行激活处理以得到激活结果，原型层根据激活结果得到每个类别对应的原型；在训练时原型层根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，使损失函数最小完成训练。基于本发明的故障诊断方法，能够解决现有技术中故障样本受限时，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高的问题。

技术领域

本发明属于设备状态监测与故障诊断领域，具体涉及一种振动筛机体的故障诊断方法及系统。

背景技术

振动筛是选煤厂等分选行业的关键设备，振动筛的正常运行，对于保证设备和生产安全、生产线的连续工作意义重大。振动筛一般包括动力部分(即电机部分)和箱体部分(即机体)，相较于动力部分，振动筛的机体更容易发生故障，振动筛机体的主要故障形式有箱体位置偏斜，弹簧刚度降低，下梁裂纹断裂等。

传统的振动筛机体监测，往往采用多组压力传感器、应变传感器和低频振动传感器来对箱体、横梁和支撑弹簧故障进行监测，判断振动筛机体的运行和故障状态；但这种方法成本高，安装困难，更重要的是多传感器信号采集的同步性很难得到保障，诊断效果不理想，而且传感器采集的振动信号伴随有强振动噪声，利用传统的提取特征方式提出的特征并不明显，使得诊断结果准确性不高。

针对传统的故障监测方法存在的问题，人们开始利用网络模型的智能诊断方式进行振动类设备的故障监测，然而智能诊断方式中的网络模型为保证诊断结果准确性，在训练时需要大量的训练数据，然而振动筛机体故障并不会经常发生，也没有足够的故障样本进行故障特征分析和分类识别实验，故用于振动筛机体故障智能诊断的样本较少，因此在故障样本受限的条件下，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高。

发明内容

本发明提供了一种振动筛机体的故障诊断方法及系统，用以解决现有技术中在故障样本受限的条件下，利用振动筛机体的智能诊断方法得到的诊断结果准确性不高的问题。

为解决上述技术问题，本发明提供一种振动筛机体的故障诊断方法，包括：

1)利用加速度传感器采集振动筛机体的振动加速度，从中筛选出与振动弹簧的位移方向一致的振动加速度数据；

2)将筛选出的振动加速度输入训练好的故障诊断模型进行故障诊断，以得到故障诊断结果；其中，所述故障诊断模型包括卷积层、全连接层、小波层、原型层和分类层，卷积层用于对输入的振动加速度进行特征提取以获得初始特征，全连接层用于对初始特征进行特征融合以获得中间特征，小波层用于对中间特征进行激活以得到激活结果，原型层用于根据激活结果得到每个类别对应的原型，分类层用于进行故障分类以得到故障诊断结果；在训练故障诊断模型过程中，将训练数据集分为支持集和查询集，经过卷积层、全连接层、小波层处理后，由原型层根据处理后的每个类别对应的支持集确定各类别对应的原型，根据各类别查询集中样本到本类别原型距离构建损失函数，使损失函数最小完成训练。

上述技术方案的有益效果为：获取与振动弹簧的位移方向一致的振动筛机体的振动加速度，利用振动加速度和故障类型作为训练数据集训练故障诊断模型，在训练过程中，将训练数据集分为支持集和查询集后，利用支持集和查询集生成多次训练情节，通过原型层确定每个类别的原型，根据查询集到本类别原型距离最小为目标进行训练，即使在小样本下也可以实现对每个类别的准确训练，能够解决在样本受限时导致的诊断准确性不高的问题。另外，经卷积层和全连接层得到中间特征，小波层对中间特征进行激活后，原型层利用小波层的结果获得特征原型，在这种情况下，利用小波层处理中间特征能够使得神经网络收敛速度快、避免陷入局部最优。