[发明专利]一种基于S变换与CNN网络的设备寿命预测方法

说明书

本发明公开了一种于S变换与CNN网络的设备寿命预测方法，属于振动信号处理技术领域，包括对装置运行时的振动信号进行实时采集，对采集的振动信号进行S转换，采用高斯窗函数进行转换，获取分析转换后的时频信号图，根据时频信号图判断扰动类型，通过s变化对不同信号扰动类型进行时频域特征提取，根据提取的时频域特征选择分类器进行训练分类，对信号扰动进行检测与判断，设置调节卷积神经网络模型的参数，使用故障诊断模型对时频信号图的数据进行分析计算和预测，根据分析计算结果得到装置的性能，本发明能根据预测结果判断装置的使用寿命，提高了训练模型的准确率，在学习新设备寿命预测上所消耗的时间减少也相对很多。

技术领域

本发明属于振动信号处理技术领域，具体地说，涉及一种基于S变换与CNN网络的设备寿命预测方法。

背景技术

目前，当今社会已经发展到工业4.0时代，人们生产生活方面各个领域应用的机械设备更加复杂，机械平台朝着更加大型化、集成化、智能化的先进技术方向发展，机械设备和机械零部件的结构日益复杂多样。机械平台智能化、集成化的结果，就是每一操作环节更加细致入微，各个流程的配合更加紧密，但是我们的机械设备在正常运行的过程中，其主要组成部件又不可避免发生磨损老化进而直接引起故障发生，机械设备运行过程突然发生故障而引发的意外事故不绝于耳，除了直接造成设备停机，会给国家和厂家造成财产损失，甚至威胁现场从业人员的生命安全。这当然对机械设备的稳定性和可靠性提出了更高的要求。如何调高设备的安全性、稳定性和可靠性，如何应对日益繁重的设备健康管理工作，解决好设备的全寿命周期维修保障工作，降低运行成本，是当前面临的重大问题。

在工业大数据时代，数据驱动的方法是剩余寿命预测的主流方法。数据驱动寿命预测方法主要分为基于统计数据驱动、机器学习和相似性的方法：基于统计数据驱动的方法一般假定退化模型已知，直接利用状态监测数据和环境数据对模型参数进行离线估计和在线更新，而实际工程中的退化模型是未知的。且不同类型设备的退化模型也不尽相同，退化模型的选择不当将严重影响剩余寿命的预测精度；而基于机器学习的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限于状态监测数据，可以是多种不同类型的数据传统基于机器学习的寿命预测方法主要包括数据获取、特征提取和寿命预测等步骤。

随着物联网时代的到来，各种高精度传感器将不断发明使用，今后将会获得更多监测数据，同时随着机械制造业的技术发展，机械设备也将会更加智能更加复杂，运过程中不确定因素也会增加，这就使得基于物理退化模型、统计学的方法难度增加，实际应用更加困难，

发明内容

要解决的问题

针对现有随着机械制造业的技术发展，机械设备也将会更加智能更加复杂，运过程中不确定因素也会增加，这就使得基于物理退化模型、统计学的方法难度增加，实际应用更加困难的问题，本发明提供一种基于S变换与CNN网络的设备寿命预测方法。

技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于S变换与CNN网络的设备寿命预测方法，采用以下步骤：

步骤1：对装置运行时的振动信号进行实时采集；

步骤2：对采集的振动信号进行S转换，采用高斯窗函数进行转换，获取分析转换后的时频信号图；

步骤3：根据时频信号图判断信号突降、突升、谐波以及震荡扰动类型，通过s变化对不同信号扰动类型进行时频域特征提取；

步骤4：根据提取的时频域特征选择分类器进行训练分类，对信号扰动进行检测与判断；

步骤5：设置调节卷积神经网络模型的参数，搭建故障诊断模型；

步骤6：使用故障诊断模型对时频信号图的数据进行分析计算和预测，根据分析计算结果得到装置的性能，根据预测结果判断装置的使用寿命。