[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117708542A - 一种基于深度神经网络的设备故障诊断方法及系统 - Google Patents

一种基于深度神经网络的设备故障诊断方法及系统 Download PDF

Info

Publication number
CN117708542A
CN117708542A CN202311826125.5A CN202311826125A CN117708542A CN 117708542 A CN117708542 A CN 117708542A CN 202311826125 A CN202311826125 A CN 202311826125A CN 117708542 A CN117708542 A CN 117708542A
Authority
CN
China
Prior art keywords
fault diagnosis
model
signal
vibration
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311826125.5A
Other languages
English (en)
Inventor
宁国云
柳雨
夏腾
马艳龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zhongyun Kangchong Technology Co ltd
Original Assignee
Wuhan Zhongyun Kangchong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Zhongyun Kangchong Technology Co ltd filed Critical Wuhan Zhongyun Kangchong Technology Co ltd
Priority to CN202311826125.5A priority Critical patent/CN117708542A/zh
Publication of CN117708542A publication Critical patent/CN117708542A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于深度神经网络的设备故障诊断方法及系统，方法包括：获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。本发明提高了工业设备的故障诊断的精确度和效率。

Description

一种基于深度神经网络的设备故障诊断方法及系统
技术领域
本发明属于设备检测领域，更具体地，涉及一种基于深度神经网络的设备故障诊断方法及系统。
背景技术
工业设备的质量和运行状态监控是生产力的根本保障，设备的故障若不能及时被发现，将造成巨大的经济损失，甚至可能造成人员伤亡。而基于人工智能的诊断方法为工业设备的持续正常运行提供了良好的技术支撑，针对工业设备的故障预测，要精确到具体的故障类型，故障部位，故障的程度，腾云IEPlat智慧运维系统是以具体的设备故障作为预测目标，建立预测模型，预测分析该故障当前发生的概率，根据设备的多种故障的预测结果重构设备的健康状态，提出维修、维护和使用方面的意见。
目前，工业设备故障主要通过传统的机器学习分类方式，对原始数据进行特征的提取和选择，进行故障诊断。传统的机器学习方法需要对特征进行选择，提取什么样的特征需要依靠专家的经验，特征选择对于故障诊断的准确性有着较大的影响。然而基于深度学习的诊断方法中，缺乏故障信息丰富、健康信息标记充足的平衡数据集，对于非健康的样本数量往往极少，因此，深度学习的模型难以构建与验证，因此造成设备的故障诊断结果不准确且销量较低的问题。
发明内容
针对现有技术的缺陷，本发明的目的在于对工业设备中的设备数据样本进行故障划分，分为正样本和负样本之后再对模型进行训练，旨在解决目前的深度学习模型的非健康样本数量较少，训练得到的模型的诊断结果不佳的问题。
为实现上述目的，本发明提供了一种基于深度神经网络的设备故障诊断方法，包括：
获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
可选地，所述故障诊断模型的训练过程包括：
建立初始模型；
获取所述工业设备的设备数据样本，所述设备数据样本包括振动信号样本或电流信号样本；
根据所述设备数据样本的频谱特征得到所述训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本；
将所述正样本和负样本输入至所述初始模型中，得到所述设备数据样本对应的故障诊断结果；
基于所述故障诊断结果和诊断标签确定模型训练的损失值，基于所述损失值对所述初始模型进行迭代参数更新，直至模型收敛得到训练好的所述故障诊断模型。
可选地，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
对来自三轴加速度传感器设备的三轴方向的所述振动信号样本进行滤波处理，并按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，得到所述振动信号样本的频谱特征；以及获取所述电流信号的谐波数据；
在所述训练样本集不足的情况下，基于各种故障的特征排序以及含量生成样本数据，将所述样本数据添加至所述训练样本集中；
将所述训练样本集中符合故障的排序特征以及占比特征的频谱特征对应的振动信号样本作为正样本，将所述训练集中健康的振动信号样本作为负样本，以及将符合故障的谐波排序特征以及占比特征的谐波数据对应的电流信号样本作为正样本，将健康的电流信号样本作为负样本。
可选地，还包括：
在所述故障诊断模型的训练过程中，基于正则化技术dropout对所述故障诊断模型的神经元进行正常保留、随机丢弃以及汇总，以提高所述故障诊断模型的鲁棒和泛化能力。
可选地，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
相应地，所述故障诊断结果包括所述有载端和无载端的三轴信号对应的诊断结果，或，所述三相电流信号对应的诊断结果；
所述将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果之后，还包括：
基于阈值平均法确定所述三相电流信号对应的电流诊断结果，并上报所述电流诊断结果；
对所述三轴加速度传感器有载端的三轴信号和无载端的三轴信号分别进行耦合运算，得到有载端的耦合结果和无载端的耦合结果，将有载端的耦合结果和无载端的耦合结果基于阈值平均法确定振动诊断结果，并上报所述振动诊断结果；
在所述电流诊断结果或振动诊断结果对应多种故障的情况下，对所述多种故障进行权重分配，基于权重分配比例对所述多种故障的故障诊断结果进行耦合处理，对所述多种故障的耦合结果作为最终检测结果。
可选地，所述对所述检测信号进行信号处理，包括：
对所述振动信号进行低通滤波处理，并对低通滤波处理后的信号进行快速傅里叶变换，得到加速度频谱图，基于所述加速度频谱图确定所述振动信号的功率谱排序和占比；
或，
获取所述电流信号的电流谐波频率以及谐波幅值含量，根据所述电流谐波频率以及谐波幅值含量将电流信号转换为谐波排序和占比。
第二方面，本发明还提供一种基于深度神经网络的设备故障诊断系统，包括：
获取模块，用于获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
诊断模块，用于对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
第三方面，本发明提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第五方面，本发明提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供的基于深度神经网络的设备故障诊断方法，将经过信号处理后的检测信号输入到训练好的故障诊断模型中进行故障诊断，可选择对应的振动检测模型或电流检测模型对检测信号进行故障诊断，而由于故障诊断模型是经过样本划分并利用数量丰富的故障的正样本和健康的负样本进行训练得到的模型，在对检测信号进行检测时，可直接识别出检测信号是否存在故障情况，因此提高了工业设备的故障诊断的精确度和效率。
附图说明
图1是本发明实施例提供的基于深度神经网络的设备故障诊断方法的流程示意图；
图2是本发明实施例提供的基于深度神经网络的设备故障诊断方法的模型架构图；
图3是本发明实施例提供的基于深度神经网络的设备故障诊断系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本文中术语“和/或”，是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中符号“/”表示关联对象是或者的关系，例如A/B表示A或者B。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一响应消息和第二响应消息等是用于区别不同的响应消息，而不是用于描述响应消息的特定顺序。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本发明实施例的描述中，除非另有说明，“多个”的含义是指两个或者两个以上，例如，多个处理单元是指两个或者两个以上的处理单元等；多个元件是指两个或者两个以上的元件等。
接下来，对本发明实施例中提供的技术方案进行介绍。
参照图1，本发明提供一种基于深度神经网络的设备故障诊断方法，包括：
S101、获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
具体地，本实施例中获取待检测设备的检测信号通常涉及以下两种类型的信号：振动信号和电流信号。这些信号可以提供关于待检测设备的工作状态、性能或其他相关信息。
其中，振动信号是通过测量待检测设备的振动或震动来获取的，可以用于诊断设备的结构健康状况、运行状态以及可能存在的故障或异常。常见的振动传感器包括加速度计或振动传感器，可以测量设备在不同轴向上的振动加速度，并将其转换为电信号输出。通过分析振动信号的频率、振幅和波形等特征，可以对设备的工作状态进行评估和监测。
电流信号是通过测量待检测设备中的电流变化来获取的，可以用于评估设备的电力消耗、电路负载情况以及电器设备的工作状态。电流传感器通常通过感知电路中的电流变化，并将其转化为相应的电压信号输出。通过监测电流信号的大小、波形和频谱等特征，可以判断设备的能效、电路故障或其他相关信息。
S102、对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
具体地，信号处理的过程为：对所述振动信号进行低通滤波处理，得到低通滤波处理后的信号，对所述低通滤波处理后的信号进行快速傅里叶变换，得到所述加速度频谱图，提取关键频谱数组。针对电流信号，计算电流谐波的频率及其谐波幅值的含量。
然后将处理后的信号输入到训练好的故障诊断模型中，得到待检测设备的故障检测结果。故障诊断模型是基于深度学习建立的人工智能模型，利用工业设备中的设备数据样本划分为代表故障状况的正样本以及健康状况的负样本进行训练得到。
进一步地，可选地，所述对所述检测信号进行信号处理，包括：
对所述振动信号进行低通滤波处理，并对低通滤波处理后的信号进行快速傅里叶变换，得到加速度频谱图，基于所述加速度频谱图确定所述振动信号的功率谱排序和占比；
或，
获取所述电流信号的电流谐波频率以及谐波幅值含量，根据所述电流谐波频率以及谐波幅值含量将电流信号转换为谐波排序和占比。
具体地，对于振动信号的处理，低通滤波和快速傅里叶变换是振动信号处理中的常用方法。
需要说明的是，低通滤波是一种将高频信号成分滤除的方法，通常用于去除高频噪声或不需要的高频分量。在振动信号处理中，低通滤波可以有效地去除高频噪声，提取出振动信号的主要成分，从而得到更加稳定和可靠的数据。快速傅里叶变换(FFT)是一种将时域信号转换成频域信号的方法，可以将振动信号分解成不同频率的成分，从而得到振动信号的频谱图。通过对低通滤波后的信号进行FFT变换，可以得到振动信号的加速度频谱图，该频谱图能够清晰地展现各个频率下加速度的幅值信息，从而帮助工程师更好地分析和理解振动信号的特征和模式。
基于所述加速度频谱图，可以确定振动信号的功率谱排序和占比。功率谱是指在不同频率下信号的功率分布情况，可以反映信号的能量分布情况。通过对加速度频谱图进行功率谱计算，能够得到不同频率下的功率谱值，从而确定振动信号的功率谱排序和占比，进行后续的故障诊断、预测和优化等工作。
对于电流信号的处理，电流信号往往包含着丰富的信息，其中包括基波成分和各种谐波成分。谐波是指在电路中出现的周期性的非正弦波形，其频率是基波频率的整数倍。为了更好地理解电流信号的特征和模式，通常需要对电流信号进行谐波分析，即获取电流信号的电流谐波频率以及谐波幅值含量，并将其转换为谐波排序和占比。具体步骤如下：
获取电流信号的电流谐波频率，通过对电流信号进行快速傅里叶变换，可以得到电流信号的频谱图。在频谱图上，每个峰代表一个谐波成分，通过确定谐波峰的位置和频率，可以获取电流信号的电流谐波频率。
获取电流信号的谐波幅值含量，通过对电流信号进行FFT变换，并根据谐波频率的位置选取相应频率范围内的FFT振幅值，可以获取电流信号在不同谐波频率下的谐波幅值含量。
转换为谐波排序和占比，根据所获取的电流谐波频率以及谐波幅值含量，可以将电流信号转换为谐波排序和占比。具体方法是按照谐波频率从小到大进行排序，并计算每个谐波成分的占比，即谐波成分的幅值含量与总电流幅值的比值。通过谐波排序和占比，可以更好地了解电流信号的特征和模式，为后续设备的故障诊断、隐患预测和设备优化等工作提供帮助。
本发明提供的基于深度神经网络的设备故障诊断方法，将经过信号处理后的检测信号输入到训练好的故障诊断模型中进行故障诊断，可选择对应的振动检测模型或电流检测模型对检测信号进行故障诊断，而由于故障诊断模型是经过样本划分并利用数量丰富的故障的正样本和健康的负样本进行训练得到的模型，在对检测信号进行检测时，可直接识别出检测信号是否存在故障情况，因此提高了工业设备的故障诊断的精确度和效率。
可选地，所述故障诊断模型的训练过程包括：
建立初始模型；
获取所述工业设备的设备数据样本，所述设备数据样本包括振动信号样本或电流信号样本；
根据所述设备数据样本的频谱特征得到所述训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本；
将所述正样本和负样本输入至所述初始模型中，得到所述设备数据样本对应的故障诊断结果；
基于所述故障诊断结果和诊断标签确定模型训练的损失值，基于所述损失值对所述初始模型进行迭代参数更新，直至模型收敛得到训练好的所述故障诊断模型。
具体地，以下示出了故障诊断模型的训练过程，以振动检测模型为例：
首先建立初始模型，其模型框架可根据深度学习网络建立，然后收集工业设备中的振动信号或电流信号数据。数据应包括正常运行状态下和各种故障状况下的样本。本实施例中，按照工业习惯将各种模型可识别的故障分为电气设备故障，机械设备的结构性故障，轴承故障，润滑油脂，机组故障等，按照设备的大类进行分类，分为电机、减速机、风机、泵机等，工业设备中的各种故障如下表1所示：
表1：
进一步地根据设备的故障状况，将采集到的数据样本划分为正样本(故障样本)和负样本(正常样本)，可以通过人工标注或其他故障诊断手段来进行。本实施例中是根据振动信号的频谱特征以及谐波数据特征进行筛选划分，其依据即是把训练集中符合该故障的排序特征以及占比特征定义为正样本，健康的设备数据样本定义为负样本。
使用划分好的正样本和负样本，对已建立的初始模型进行训练。通过迭代优化模型参数，使模型能够更好地区分正常状态和故障状态。可以使用独立的测试数据集对训练好的模型进行评估。评估指标可以包括准确率、召回率、精确率等，以评估模型的性能和泛化能力。
训练过程中，根据每次模型输出的故障诊断结果和最终的诊断标签获取模型训练的损失值，根据损失值对模型进行调参处理，对模型不断进行迭代更新和参数调整，直至模型收敛即可得到训练好的故障诊断模型。
进一步地，训练样本集划分为正样本和负样本的过程为：
对来自三轴加速度传感器设备的三轴方向的所述振动信号样本进行滤波处理，并按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，得到所述振动信号样本的频谱特征；以及获取所述电流信号的谐波数据；
在所述训练样本集不足的情况下，基于各种故障的特征排序以及含量生成样本数据，将所述样本数据添加至所述训练样本集中；
将所述训练样本集中符合故障的排序特征以及占比特征的频谱特征对应的振动信号样本作为正样本，将所述训练集中健康的振动信号样本作为负样本，以及将符合故障的谐波排序特征以及占比特征的谐波数据对应的电流信号样本作为正样本，将健康的电流信号样本作为负样本。
具体地，一方面，对于振动信号样本进行正样本和负样本的划分：
采用三轴加速度传感器设备有载端和无载端的振动信号，振动信号进行滤波处理和特征值提取运算，按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，进行人工智能处理。
根据设备的转速设定采样数据长度和采样频率，并进行16位AD转换，分段取数进行FFT变换，取0-1.5理论主振频率段定义为主频(B)，计算该频率段的重心频率和功率谱，去掉主频频率段以后，再找到最大的幅值的频率，取该频率±0.9的理论主振频率为一个频谱段，计算该频谱段的重心频率和功率谱，再剩下的频谱段中再找下一个幅值最大频率，同样取该频率±0.9的理论主振频率为一个频谱段，计算该频谱段的重心频率和功率谱，依次取出5个频谱段的数据，其他频谱数据舍掉。分别计算5个频谱段的重心频率和理论主振频率的倍数(四舍五入取整)，紧挨着主频的频谱段定义为主次生频(S)，除主频及其次生频率以外的最高的频率定义为传递频(P)，紧挨着传递频的频谱段的定义为次生传动频(T)，剩下的一个有效频谱段定义为扰频(I)。分别计算5个频谱段的功率谱的占比，用百分数标示，分别计算除主频外4个频谱段中功率谱最大的频谱段的重心频率与主频的倍数关系，四舍五入定义次数。
分别计算X，Y，Z三轴的数据，每种故障类型的振动信号频谱特征表现出特有的功率谱的排序特征以及占比特征，把训练集中符合该故障的排序特征以及占比特征定义为正样本，健康的设备数据样本定义为负样本，利用划分为正负样本的训练集对初始的深度神经网络进行训练，得到一种故障的诊断模型，在实际检测诊断过程中依据功率谱的排序以及排序诊断故障。。
另一方面，对于电流信号样本进行正样本和负样本的划分：每种故障类型的电流信号表现出特有的谐波排序特征以及占比特征，训练集不够的情况下按照每种故障的特征排序和含量，生成对应的数据，训练算法模型。把训练集中符合该故障的排序特征以及占比特征定义为正样本，健康的设备数据样本定义为负样本，利用所述训练集对初始的深度神经网络进行训练，得到针对一种故障的模型。
具体做法包括：固定电流信号的采样长度和采样频率，并进行AD转换，去掉基波后取幅值最大的十次谐波，考虑到数据噪声的影响，二次谐波的含量取70％，分别计算三相电流，利用划分正负样本后的训练集对初始网络进行训练，得到针对一种故障模型，其他类型的故障以此类推，在实际检测诊断过程中依据十次谐波的比例以及排序诊断故障。
需要说明的是，电流信号中的谐波排序特征是指按照频率从低到高对谐波分量进行排序，并将排序结果作为特征。例如，第一个谐波分量可能是二次谐波，第二个是三次谐波，以此类推。谐波排序特征提供了关于谐波分量频率特征的信息。占比特征是指每个谐波分量在总谐波中的占比。具体来说，对于每个谐波分量，可以计算其振幅与所有谐波分量振幅之和的比例。
本发明提供的基于深度神经网络的设备故障诊断方法，对于振动信号和电流信号的样本训练集进行正负样本划分，可以帮助模型更好地学习信号的特征和模式，从而提高算法的分类或预测准确度。由于样本中包含足够数量和质量的正负样本，可以避免机器学习算法在面对新的信号时出现误判的情况，从而提高算法的可靠性和稳定性。并且通过正负样本的划分，可以使模型更好地理解不同类型的信号，从而提高模型的泛化能力，使其能够适应更广泛的实际应用场景。
可选地，还包括：
在所述故障诊断模型的训练过程中，基于正则化技术dropout对所述故障诊断模型的神经元进行正常保留、随机丢弃以及汇总，以提高所述故障诊断模型的鲁棒和泛化能力。
具体地，参照图2，图2是本实施例中的网络模型的具体结构；
为了防止过拟合，在训练深度神经网络中随机丢弃一部分神经元的输出来减少过拟合的风险。具体来说，每个神经元在每个训练步骤中都有一定的概率被丢弃(被设置为零)，图中，神经元包括：正常保留的神经元210、随机丢弃的神经元220以及最终汇总的神经元230，这样可以阻止网络依赖于任何一个特定的神经元，从而迫使模型学习更加鲁棒和泛化的特征。测试阶段，将dropout关闭，以获得模型对输入的确定性预测，而不是通过随机丢弃来引入不确定性。
可选地，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
相应地，所述故障诊断结果包括所述有载端和无载端的三轴信号对应的诊断结果，或，所述三相电流信号对应的诊断结果，其中，所述三轴信号包括X轴信号、Y轴信号以及Z轴信号；
所述将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果之后，还包括：
基于阈值平均法确定所述三相电流信号对应的电流诊断结果，并上报所述电流诊断结果；
对所述三轴加速度传感器有载端的三轴信号和无载端的三轴信号分别进行耦合运算，得到有载端的耦合结果和无载端的耦合结果，将有载端的耦合结果和无载端的耦合结果基于阈值平均法确定振动诊断结果，并上报所述振动诊断结果；
在所述电流诊断结果或振动诊断结果对应多种故障的情况下，对所述多种故障进行权重分配，基于权重分配比例对所述多种故障的故障诊断结果进行耦合处理，对所述多种故障的耦合结果作为最终检测结果。
具体地，电流算法模型中，针对电流采集了三相电流，每相电流单独按照各自的规则进行故障预测，每相的预测结果进行采用阈值平均法，任意一相小于下限上报最小的结果，某相高于上限且三相均高于下限报上限的结果，其他报平均值，每种算法设定阈值的上下限。
振动算法模型中，电机振动预测采取了三轴传感器具有三个振动信号，同时在电机的有载端和无载端都有可能安装了传感器，对于按照单个振动信号预测的输出结果，按照一定的耦合规则进行运算，耦合为一个结果，对于采用了多轴信号的预测输出不再进行耦合运算，具体做法为：电机振动预测采取了三轴传感器具有三个振动信号，同时在电机的有载端和无载端都有可能安装了传感器，对于按照单个振动信号预测的输出结果，按照耦合规则进行运算，耦合为一个结果，对于采用了多轴信号的预测输出不再进行耦合运算。
先对同一个传感器的三轴的三个预测结果按照下表方法进行耦合运算，耦合为该测点的结果，其中同或运算误差范围为5％，再对电机的有载端和无载端的结果采用阈值平均法，任意一个小于下限取最小的结果，任意一个高于上限且其他的均高于下限取上限的结果。
无论是振动模型还是电流模型，不同的模型分别对应不同的设备故障，按照习惯的故障分类方法，一个结果可能对应多个故障，对多个故障的结果进行耦合。预测模型的输出与预测对象之间给以权重分配，例如，当预测电机的负载时，预测目标是轴承内、外圈松动、开裂，以及剥落故障或者轴承滚动体损伤、剥落两种故障，将前一种故障的权重设置为60％，后一种的故障权重设置为40％，将两种结果耦合后作为最终的结果进行输出。
本发明提供的基于深度神经网络的设备故障诊断方法，面对着复杂工业中的高维、非线性、时变数据等影响，将数据进行故障权重设置，在模型输出诊断效果后，可根据权重分配比例对多种故障的故障诊断结果进行耦合处理，从而能够甄别出哪个维度的数据更重要，表现出了较好的故障诊断准确率。
综上所述，本发明在数据上做出了较大的创新，传统的故障诊断方法大多将未经处理的数据直接喂入机器学习或者深度学习模型当中，造成了数据的维度过大，模型并不能很好的甄别哪个维度的数据更重要，不仅训练的难度较大，而且最终的测试结果较差，将本发明内容和传统的机器学习相比，对比效果如下所示：
参照图3，本发明还提供一种基于深度神经网络的设备故障诊断系统，包括：
获取模块310，用于获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
诊断模块320，用于对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
本发明提供的基于深度神经网络的设备故障诊断系统，将经过信号处理后的检测信号输入到训练好的故障诊断模型中进行故障诊断，可选择对应的振动检测模型或电流检测模型对检测信号进行故障诊断，而由于故障诊断模型是经过样本划分并利用数量丰富的故障的正样本和健康的负样本进行训练得到的模型，在对检测信号进行检测时，可直接识别出检测信号是否存在故障情况，因此提高了工业设备的故障诊断的精确度和效率。
可选地，所述故障诊断模型的训练过程包括：
建立初始模型；
获取所述工业设备的设备数据样本，所述设备数据样本包括振动信号样本或电流信号样本；
根据所述设备数据样本的频谱特征得到所述训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本；
将所述正样本和负样本输入至所述初始模型中，得到所述设备数据样本对应的故障诊断结果；
基于所述故障诊断结果和诊断标签确定模型训练的损失值，基于所述损失值对所述初始模型进行迭代参数更新，直至模型收敛得到训练好的所述故障诊断模型。
可选地，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
对来自三轴加速度传感器设备的三轴方向的所述振动信号样本进行滤波处理，并按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，得到所述振动信号样本的频谱特征；以及获取所述电流信号的谐波数据；
在所述训练样本集不足的情况下，基于各种故障的特征排序以及含量生成样本数据，将所述样本数据添加至所述训练样本集中；
将所述训练样本集中符合故障的排序特征以及占比特征的频谱特征对应的振动信号样本作为正样本，将所述训练集中健康的振动信号样本作为负样本，以及将符合故障的谐波排序特征以及占比特征的谐波数据对应的电流信号样本作为正样本，将健康的电流信号样本作为负样本。
可选地，还包括正则化模块，所述正则化模块用于：
在所述故障诊断模型的训练过程中，基于正则化技术dropout对所述故障诊断模型的神经元进行正常保留、随机丢弃以及汇总，以提高所述故障诊断模型的鲁棒和泛化能力。
可选地，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
相应地，所述故障诊断结果包括所述有载端和无载端的三轴信号对应的诊断结果，或，所述三相电流信号对应的诊断结果；
所述将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果之后，还包括：
基于阈值平均法确定所述三相电流信号对应的电流诊断结果，并上报所述电流诊断结果；
对所述三轴加速度传感器有载端的三轴信号和无载端的三轴信号分别进行耦合运算，得到有载端的耦合结果和无载端的耦合结果，将有载端的耦合结果和无载端的耦合结果基于阈值平均法确定振动诊断结果，并上报所述振动诊断结果；
在所述电流诊断结果或振动诊断结果对应多种故障的情况下，对所述多种故障进行权重分配，基于权重分配比例对所述多种故障的故障诊断结果进行耦合处理，对所述多种故障的耦合结果作为最终检测结果。
可选地，所述对所述检测信号进行信号处理，包括：
对所述振动信号进行低通滤波处理，并对低通滤波处理后的信号进行快速傅里叶变换，得到加速度频谱图，基于所述加速度频谱图确定所述振动信号的功率谱排序和占比；
或，
获取所述电流信号的电流谐波频率以及谐波幅值含量，根据所述电流谐波频率以及谐波幅值含量将电流信号转换为谐波排序和占比。
可以理解的是，上述各个单元/模块的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
应当理解的是，上述装置用于执行上述实施例中的方法，装置中相应的程序模块，其实现原理和技术效果与上述方法中的描述类似，该装置的工作过程可参考上述方法中的对应过程，此处不再赘述。
基于上述实施例中的方法，本发明实施例提供了一种电子设备。该设备可以包括：至少一个用于存储程序的存储器和至少一个用于执行存储器存储的程序的处理器。其中，当存储器存储的程序被执行时，处理器用于执行上述实施例中所描述的方法。
基于上述实施例中的方法，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行上述实施例中的方法。
基于上述实施例中的方法，本发明实施例提供了一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述实施例中的方法。
可以理解的是，本发明实施例中的处理器可以是中央处理单元(centralprocessing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本发明实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器(programmable rom，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
可以理解的是，在本发明实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本发明的实施例的范围。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度神经网络的设备故障诊断方法，其特征在于，包括：
获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
2.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述故障诊断模型的训练过程包括：
建立初始模型；
获取所述工业设备的设备数据样本，所述设备数据样本包括振动信号样本或电流信号样本；
根据所述设备数据样本的频谱特征得到所述训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本；
将所述正样本和负样本输入至所述初始模型中，得到所述设备数据样本对应的故障诊断结果；
基于所述故障诊断结果和诊断标签确定模型训练的损失值，基于所述损失值对所述初始模型进行迭代参数更新，直至模型收敛得到训练好的所述故障诊断模型。
3.根据权利要求2所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
对来自三轴加速度传感器设备的三轴方向的所述振动信号样本进行滤波处理，并按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，得到所述振动信号样本的频谱特征；以及获取所述电流信号的谐波数据；
将所述训练样本集中符合故障的排序特征以及占比特征的频谱特征对应的振动信号样本作为正样本，将所述训练集中健康的振动信号样本作为负样本，以及将符合故障的谐波排序特征以及占比特征的谐波数据对应的电流信号样本作为正样本，将健康的电流信号样本作为负样本。
4.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，还包括：
在所述故障诊断模型的训练过程中，基于正则化技术dropout对所述故障诊断模型的神经元进行正常保留、随机丢弃以及汇总，以提高所述故障诊断模型的鲁棒和泛化能力。
5.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
相应地，所述故障诊断结果包括所述有载端和无载端的三轴信号对应的诊断结果，或，所述三相电流信号对应的诊断结果；
所述将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果之后，还包括：
基于阈值平均法确定所述三相电流信号对应的电流诊断结果，并上报所述电流诊断结果；
对所述三轴加速度传感器有载端的三轴信号和无载端的三轴信号分别进行耦合运算，得到有载端的耦合结果和无载端的耦合结果，将有载端的耦合结果和无载端的耦合结果基于阈值平均法确定振动诊断结果，并上报所述振动诊断结果；
在所述电流诊断结果或振动诊断结果对应多种故障的情况下，对所述多种故障进行权重分配，基于权重分配比例对所述多种故障的故障诊断结果进行耦合处理，对所述多种故障的耦合结果作为最终检测结果。
6.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述对所述检测信号进行信号处理，包括：
对所述振动信号进行低通滤波处理，并对低通滤波处理后的信号进行快速傅里叶变换，得到加速度频谱图，基于所述加速度频谱图确定所述振动信号的功率谱排序和占比；
或，
获取所述电流信号的电流谐波频率以及谐波幅值含量，根据所述电流谐波频率以及谐波幅值含量将电流信号转换为谐波排序和占比。
7.一种基于深度神经网络的设备故障诊断系统，其特征在于，包括：
获取模块，用于获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
诊断模块，用于对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
8.一种电子设备，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如权利要求1-6任一所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序在处理器上运行时，使得所述处理器执行如权利要求1-6任一所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在处理器上运行时，使得所述处理器执行如权利要求1-6任一所述的方法。
CN202311826125.5A 2023-12-26 2023-12-26 一种基于深度神经网络的设备故障诊断方法及系统 Pending CN117708542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311826125.5A CN117708542A (zh) 2023-12-26 2023-12-26 一种基于深度神经网络的设备故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311826125.5A CN117708542A (zh) 2023-12-26 2023-12-26 一种基于深度神经网络的设备故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN117708542A true CN117708542A (zh) 2024-03-15

Family

ID=90153294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311826125.5A Pending CN117708542A (zh) 2023-12-26 2023-12-26 一种基于深度神经网络的设备故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN117708542A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690313A (zh) * 2024-08-26 2024-09-24 大唐可再生能源试验研究院有限公司 基于人工智能的风电机组运维决策系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690313A (zh) * 2024-08-26 2024-09-24 大唐可再生能源试验研究院有限公司 基于人工智能的风电机组运维决策系统

Similar Documents

Publication Publication Date Title
Kuncan An intelligent approach for bearing fault diagnosis: combination of 1D-LBP and GRA
Islam et al. Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network
Zou et al. Bearing fault diagnosis method based on EEMD and LSTM
Liu et al. A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN112766342A (zh) 一种电气设备的异常检测方法
CN110333077B (zh) 一种基于近似支持向量的滚动轴承故障诊断方法
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN114184367B (zh) 旋转机械设备故障诊断方法、装置、设备及可读存储介质
CN114755017B (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN117708542A (zh) 一种基于深度神经网络的设备故障诊断方法及系统
Cao et al. Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
CN117370879A (zh) 一种风力机齿轮箱的实时在线故障诊断方法及系统
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
He et al. The diagnosis of satellite flywheel bearing cage fault based on two-step clustering of multiple acoustic parameters
Song et al. A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy
CN118244110B (zh) 一种工业机器人电机故障预警方法及系统
CN113627539A (zh) 滚动轴承复合故障诊断方法、系统、存储介质及计算设备
CN112182490B (zh) 一种电抗器状态诊断方法及系统
Nandi et al. Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach
CN113723496A (zh) 一种电抗器铁心松动故障诊断方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination