[发明专利]一种基于深度学习理论的旋转机械设备故障诊断方法

摘要

本发明涉及一种基于深度学习理论的旋转机械设备故障诊断方法。其通过用等时间间隔采样序列信号重构等角度间隔采样时间序列信号消除非匀速旋转造成的非平稳性，然后用等角度采样时间序列信号的自相关序列及其傅里叶变换和被诊断旋转机械设备工作时的温度作为深度神经网络的输入进行深度神经网络的训练和故障诊断，通过把新产生的数据及其对应的故障状态加入训练样本集，然后利用新的样本集再次对深度神经网络的训练实现深度神经网络DNN的自我学习与自我完善。

主权项

1.一种基于深度学习理论的旋转机械设备故障诊断方法，其特征在于：所述故障诊断方法包括如下步骤：步骤1：构造深度神经网络DNN，其包括深度神经网络DNN的类型、层数、各层节点数；步骤2：获取被诊断对象的温度信号和振动信号的等角度间隔采样时间序的自相关函数序列及其傅里叶变换，具体包括以下步骤：1)获取振动信号的等角度间隔采样时间序列和温度信号；2)对振动信号的等角度间隔采样时间序列进行自相关得到其自相关函数序列；3)求振动信号的等角度间隔采样时间序列或振动信号的等角度间隔采样时间序列自相关函数的傅里叶变换；步骤3：根据预先确定的规则选取长度为m(m∈Z,m≠0)的振动信号的等角度间隔采样时间序列的自相关序列、温度信号或长度为n(n∈Z)的振动信号时间序列的傅里叶变换、温度信号并按照预先确定的排列顺序把它们组合成一个向量作为深度神经网络DNN的输入向量，所述预先确定的规则包括：只选取长度为m(m∈Z,m≠0)的振动信号的等角度采样时间序列的自相关函数序列，选取长度为m(m∈Z,m≠0)的振动信号的等角度采样时间序列的自相关函数序列和温度信号，选取长度为m(m∈Z,m≠0)的振动信号的等角度采样时间序列的自相关函数序列和长度为n(n∈Z)的傅里叶变换，选取长度为m(m∈Z,m≠0)的振动信号的等角度采样时间序列的自相关函数序列、温度信号和长度为n(n∈Z)的傅里叶变换，选取长度为n(n∈Z)的等角度采样时间序列的傅里叶变换、温度信号；选取长度为n(n∈Z)的傅里叶变换；步骤4：如果深度神经网络的输入向量对应的实际机械设备故障状态已知则加上对应的机械设备故障的类别标签构造深度神经网络DNN的有标签训练样本，如果深度神经网络的输入向量对应的实际机械设备故障未知，则加上机械设备故障的类别标签未知的标签构造深度神经网络DNN的无标签训练样本；步骤5：利用步骤4构造的训练样本训练深度神经网络DNN，具体包括下列步骤：1)用无标签训练样本或有标签训练样本通过无监督学习的方式逐层训练深度神经网络DNN的隐层；2)添加深度神经网络DNN的输出层，然后用有标签训练样本，微调深度神经网络DNN参数完成DNN的训练；步骤6：通过与步骤1，2，3相同的方法构造待诊断机械设备的输入向量并把构造的输入向量输入训练后的深度神经网络DNN进行故障诊断给出诊断结果，然后返回步骤4。