基于卷积神经网络的旋转机械故障征兆识别方法与流程

本发明属于旋转机械故障诊断技术相关领域，更具体地，涉及一种基于卷积神经网络的旋转机械故障征兆识别方法。

背景技术：

随着现代工业技术的迅速发展，大型的机械设备越来越多地应用在了工业生产之中，这些旋转机械的技术水平和复杂性都在不断提高运行工况也日益复杂多变。大型旋转机械如果发生故障将可能导致机组意外停机，从而提高运行和维护成本，还有可能造成巨大的经济损失和安全事故。旋转机械故障诊断的目的在于故障劣化前对其进行检测、识别和定位，对于确保大型旋转机械的安全可靠运行至关重要，并有助于制定合理的维修计划，降低设备维修费用。

现有的旋转机械诊断方法，大多是对振动信号进行特征提取，然后对特征进行判断。然而很多机械故障具有类似的振动的时频域表现形式，仅依靠振动信号的时频域信息很难准确判断故障类型，易造成误诊断，因此需要结合其他征兆进行综合判断。故障诊断专家系统可以根据多种故障征兆的发生情况，进行综合推理，进而实现旋转机械的故障诊断。然而其中一些重要的故障特征，如轴心轨迹、进动方向等，无法直接观测得到。对这些征兆的判断需要综合多个振动信号，在对其进行适当的处理后，根据专家经验进行判断，无法实现征兆的自动识别，因此无法利用专家系统实现旋转机械实时智能的故障诊断。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的旋转机械故障征兆识别方法，其基于卷积神经网络和振动信号的特点，针对旋转机械故障征兆识别方法进行了设计。所述基于卷积神经网络的旋转机械故障征兆识别方法采用时频域分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对其中的故障特征进行分析，进而得到所述旋转机械的故障征兆，有助于实现旋转机械实时智能的故障诊断。

为实现上述目的，本发明提供了一种基于卷积神经网络的旋转机械故障故障征兆识别方法，其包括以下步骤：

(1)采集旋转机械的轴心对的振动信号；

(2)对采集到的轴心对的振动信号进行傅里叶变换，获得振动信号的频域信息矩阵；

对采集到的轴心对的两个振动信号进行组合，获得振动信号的时域信息矩阵；

(3)按照预先训练过的卷积神经网络模型的输入形式，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵；

(4)将振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的振动综合信息矩阵进行诊断分析，得到旋转机械的故障征兆结果。

进一步的，由设置在所述旋转机械上的振动位移传感器形成对轴心对的振动信号进行采集。

进一步的，所述振动位移传感器沿所述旋转机械的轴向和径向分别设置。

进一步的，所述振动位移传感器以预定采样方式对所述旋转机械进行所述振动信号的采集。

所述预定采样方式为同步整周期采样，采样频率是所述旋转机械转速的2ⁿ倍，n为大于等于6的正整数；采样长度为2^k个旋转周期，k为大于等于3的正整数。

进一步的，步骤(2)中，获得振动信号的频域信息矩阵的具体步骤包括：

(a1)对x方向的振动信号进行傅里叶变换，得到频率为转速的8倍频以内的振动信息；

(b1)将转速的8倍频以内的振动信息拓展为长度为2ⁿ的一维数组，n为大于等于6的正整数；

(c1)将所述一维数组拓展为2^k×2ⁿ大小的矩阵，作为x方向振动信号的频域信息矩阵fx，k为大于等于3的正整数；

(d1)对y方向振动信号进行同样的处理得到y方向振动信号的频域信息矩阵fy，进而获得轴心对的频域信息矩阵

进一步的，步骤(b1)中，将转速的8倍频以内的振动信号拓展为长度为2ⁿ的一维数组，具体步骤为：

转速的8倍频以内的谱线数为2ⁿ/2^k*8，将数组中的每个元素2^k/8-1次得到拓展后的长度为2ⁿ的一维数组。

进一步的，步骤(2)中，获得振动信号的时域信息矩阵的步骤如下：

(a2)将x方向的振动信号按时序依次截取为2^k个长度为2ⁿ的行向量，分别记为x1,x2,x3,…,x2k；k为大于等于3的正整数，n为大于等于6的正整数；

(b2)将这些行向量组合为x方向的振动信号的时域信息矩阵

(c2)对y方向的振动信号进行同样的处理得到y方向的振动信号的时域信息信息矩阵py；

(d2)将x方向和y方向的振动信号的时域信息矩阵组合为该轴心对的振动信号的时域信息矩阵

进一步的，步骤(3)中，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵的具体步骤包括：

将频域信息矩阵f和时域信息矩阵p矩阵叠加为一个大小为2ⁿ×2^k×2×2的三维矩阵，即为振动综合信息矩阵，k为大于等于3的正整数，n为大于等于6的正整数。

进一步的，步骤(3)中，所述卷积神经网络模型的预先训练过程包括以下步骤：

(31)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动位移信号，以得到多组不同故障情况下的故障信号，并分析其故障征兆；

(32)对多组故障情况下所述轴心对故障信号进行频域信息和时域信息获取，得到轴心对的振动综合信息矩阵，作为卷积神经网络模型的输入；

(33)将频域信息和轴心对信息作为所述卷积神经网络的输入矩阵同时根据故障实验中每种故障征兆的发生情况，构造对应的输出矩阵；

(34)设置所述卷积神经网络模型的参数，将输入矩阵及输出矩阵输入所述卷积神经网络进行训练，得到用于所述旋转机械故障征兆识别的预先训练的卷积神经网络模型。

故障信号进行频域信息分析获取的步骤与上述步骤(2)和步骤(3)同理。

进一步的，所述故障征兆包括频谱征兆、轴心轨迹征兆、相位征兆、进动征兆。

进一步的，所述频谱征兆的发生情况包括1倍频大、2倍频大、3倍频大、频谱呈纵树形。所述轴心轨迹征兆的发生情况包括圆形、椭圆形、八字形、紊乱。所述相位征兆的发生情况包括稳定、不稳定。所述进动征兆的发生情况包括正进动、反近动、紊乱。

进一步的，所述卷积神经网络模型包括第一卷积层、第一下采样层、第二卷积层、第二下采样层、全连接神经网络及多个分类器，所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。分类器的个数和故障征兆的种类相同，每个分类器判断一种征兆的发生情况。

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，本发明提供的基于卷积神经网络的旋转机械故障征兆识别方法，其采用时频域分析方法对旋转机械的振动信号进行处理，并采用训练好的卷积神经网络模型对所述处理结果进行故障征兆分析，进而得到所述旋转机械的故障征兆，以辅助实现旋转机械故障的实时智能诊断。

附图说明

图1是本发明较佳实施方式提供的基于卷积神经网络的旋转机械故障征兆识别方法的流程图。

图2是图1中的基于卷积神经网络的旋转机械故障征兆识别方法涉及的卷积神经网络的结构示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：10-卷积神经网络，11-第一卷积层，12-第一池化层，13-第二卷积层，14-第二池化层，15-全连接神经网络。

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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1及图2，本发明较佳实施方式提供的基于卷积神经网络的旋转机械故障征兆识别方法，其包括以下步骤：

步骤一，采集旋转机械的振动信号。具体地，在所述旋转机械上设置振动位移传感器，形成轴心对，在所述旋转机械的运动过程中，所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。

所述振动位移传感器设置两个，沿所述旋转机械的轴的径向的水平和垂直方向分别设置，以检测所述旋转机械沿所述径向的振动。本实施方式中，所述振动位移传感器为电涡流位移传感器，其沿所述轴的径向的水平和垂直方向设置。

所述采样方式包括采样长度及采样频率。本实施方式中，采用同步整周期采样，用来减小转速变化对采样集的影响，n取值为8，k取值为4。则同步整周期采样的采样频率是所述旋转机械转速的256倍，每次采集16个周期的振动信号。

步骤二，对采集到的所述轴心对的振动信号进行傅里叶变换，获得信号的频域信息。具体地，对所述轴心对的振动信号进行傅里叶变换以得到频域信息的步骤如下：

(a)对x方向的振动信号进行傅里叶变换，得到频率为转速的8倍频以内的振动信息；

(b)将转速的8倍频以内的振动信息拓展为长度为256的一维数组：根据傅里叶变换原理，转速的8倍频以内的谱线数为256/16*8＝128，记为a＝[a1a2a3...a128]，为了构成长度为256的数组，将每个元素重复一次得到a′＝[a1a1a2a2...a128a128]，即为拓展后的一维数组a′。

(c)将所述一维数组拓展为16×256大小的矩阵，作为x方向振动信号的频域信息矩阵fx，

(d)对y方向振动信号进行同样的处理得到fy，进而获得轴心对振动信号的频域信息矩阵

对轴心对的两个位移传感器振动信号进行组合，获取轴心对振动信号的时域信息，具体步骤如下：

(a)将x方向位移传感器的振动信号按时序依次截取为16个长度为256的行向量，分别记为x1,x2,x3,…,x16；

(b)将这些行向量组合为x方向位移传感器的振动信号的时域信息矩阵

(c)采用同样的方式得到y方向位移传感器的振动信号的时域信息矩阵py；

(d)将x方向和y方向位移传感器的振动信号的时域信息矩阵组合为该轴心对的振动信号的时域信息矩阵

步骤三，按照预先训练过的卷积神经网络模型的输入形式，对所述频域信息矩阵和轴心对振动信号的时域信息矩阵进行预处理，得到振动综合信息矩阵。具体地，按照所述卷积神经网络模型的输入形式将频域信息矩阵和时域信息矩阵组合作为所述卷积神经网络的输入。本实施方式中，将f和p矩阵叠加为一个大小为256×32×2三维矩阵，即为振动综合信息矩阵，作为所述卷积神经网络的输入。

步骤四，将预处理后的所述振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的所述振动综合信息矩阵进行诊断分析，以得到所述旋转机械的故障征兆识别结果。

所述卷积神经网络模型10的训练过程包括以下步骤：

(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集轴心对的振动位移信号，以得到多组不同故障情况下的故障信号。

(2)对多组故障情况下轴心对振动位移信号进频域和时域分析，得到轴心对的振动综合信息矩阵，以得到所述卷积神经网络模型的输入。

(3)根据故障实验中每种故障征兆的发生情况，构造对应的输出矩阵。

(4)设置所述卷积神经网络模型的参数，将输入及输出矩阵输入所述卷积神经网络模型进行训练，以得到用于所述旋转机械故障征兆识别的卷积神经网络模型。

本实施方式中，采用转子故障模拟试验台的数据作为卷积神经网络模型的训练数据，对4种故障(转子不平衡、转子不对中、轴承座松动、动静碰摩)和1种正常情况进行多组升速试验，以获取大量的故障数据；所选用的卷积神经网络模型10包括有依次相连接的2个卷积层、2个池化层和4个全连接神经网络，两个所述卷积层分别为第一卷积层11及第二卷积层13；两个所述池化层分别为第一池化层12及第二池化层14；最后通过所述4个全连接神经网络15对四种故障征兆分别进行聚类训练，分别得到频谱征兆、轴心轨迹征兆、相位征兆、进动征兆的识别结果。

本发明提供的基于卷积神经网络的旋转机械故障征兆识别方法，其采用时、频域分析方法对旋转机械的振动信号进行处理，并采用训练好的卷积神经网络模型对所述处理结果进行故障征兆分析，进而得到所述旋转机械的故障征兆，以辅助实现旋转机械故障的实时智能诊断。

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。