用于故障诊断的深度学习分类模型及故障诊断方法与流程

1.本发明为设备检测领域，应用于设备检测过程中。本发明具体涉及用于故障诊断的深度学习分类模型及故障诊断方法。


背景技术：

2.随着计算机的发展，从硬件的性能处理到软件算法的逐渐成熟，现在深度学习算法已经被广泛应用到图像和语音领域，且效果显著已经成功被应用于语音识别、人脸识别和车牌识别等实际应用。而目前随着工业智能化改进，对于设备的状态监测和故障诊断显示的尤为重要。目前科研文章中主要对轴承故障(滚动体故障、保持架故障、内圈故障、外圈故障)研究最多，其平均准确度可以达到92.24％，已经可以被使用在工业中。然而只是对于轴承类故障分类研究居多，但对于现场工业设备故障诊断分类与故障识别不足，由于设备的机械结构不同，对应的部件不同，其运行过程中产生的故障原因不同。需要对设备运行过程中提供智能诊断决策，判断设备此时的运行状态，或预知设备即将劣化的趋势。智能设备诊断可以判断出设备发生的故障部位和原因，从而指引现场设备进行维护。
3.设备故障诊断分类与识别中，主要是特征提取和分类器模型的构建，一般基于深度学习算法和机器学习算法模型直接故障类数据集直接输入到神经网络模型进行进行特征提取和分类，模型迁移过来有一定的局限性，模型训练不能很好的收敛，并在训练过程中会存在拟合问题，所以需要对故障数据集进行充分的特征提取，才能保证模型性能逐步提高，所以提取了一直多维特征故障诊断特征提取的方法，通过了解数据集的特性，对数据集做预处理，利用机器学习、深度学习和传统的信号处理方式对数据特征做处理，将提取的多维度特征在进行训练，可以极大地提高模型分类性能。


技术实现要素：

4.本发明的目的是提供用于故障诊断的深度学习分类模型，其通过建立深度学习分类模型检测各类轴件设备的运行故障，提高检测精度，降低维护成本。
5.本发明另一方面提了故障诊断方法，其方法通过用于故障诊断的深度学习分类模型实现，可对多种轴类运行故障检测，提高检测精度，降低维护及监控成本。
6.本发明一方面，提供了用于故障诊断的深度学习分类模型，深度学习分类模型通过下述训练方法获得，训练方法包括：
7.步骤s101，采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
8.步骤s102，根据样本数据集的幅值信息获取样本数据集的一维特征；根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
9.步骤s103，通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊
断分类结果；故障诊断分类结果关联设备的运行参数信息；根据故障诊断分类结果获取深度学习分类模型的输出结果。
10.在本发明用于故障诊断的深度学习分类模型的一种实施方式中，步骤s101中的采集设备多种故障类型的样本数据集的步骤中包括：
11.步骤s1011，将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处；轴件通过轴承类连接件与刚性支撑件的连接；
12.步骤s1012，运行具有故障类型的故障设备，采集加速度传感器的输出图谱，采样点数设置为262144和采样频率设置为102.4khz；将故障类型和谱图信息对应，记录故障设备的功率、转速和轴承型号；
13.步骤s102中还包括：
14.归一化处理样本数据集，获取设定特征维度的样本数据集。
15.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，步骤s102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括：
16.通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征；根据故障幅值特征作为样本数据集的一维特征；
17.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括：
18.将样本数据集中的时间信息对应为时域信号；通过傅里叶变换将时域信号转换成频域信号；
19.通过lstm长短期记忆网络训练时域信号和频域信号，提取时间特征与故障幅值特征或，提取故障频率特征和速度值特征；根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征；
20.步骤s102中根据样本数据集中的时间信息、幅值信息和能量；获取样本数据集的三维特征的步骤包括：
21.通过mfcc梅尔倒谱系数方法处理的时间信息和幅值信息，提取时间特征、故障频率特征和故障能量特征信息；根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
22.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，用于故障诊断的深度学习分类模型包括：
23.一个设备故障数据集采集模块，其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
24.一个一维特征提取模块，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征；
25.一个二维特征提取模块，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；
26.一个三维特征提取模块，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
27.其中，一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输入端
同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集；
28.一个分类器，其数据输入端连接一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输出端，分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊断分类结果；故障诊断分类结果关联设备的运行参数信息；
29.一个故障分类结果模块，其配置为从分类器的数据输出端接收故障诊断分类结果；故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
30.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，用于故障诊断的深度学习分类模型包括：
31.一个设备故障数据集采集模块，其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
32.一个一维特征提取模块，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征；
33.一个二维特征提取模块，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；
34.一个三维特征提取模块，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
35.其中，一维特征提取模块、二维特征提取模块和三维特征提取模块依次串联；一维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集；一维特征提取模块的数据输出端连接二维特征提取模块的数据输入端；二维特征提取模块的数据输入端连接一维特征提取模块的数据输出端；二维特征提取模块的数据输出端连接三维特征提取模块的数据输入端；三维特征提取模块的数据输入端连接二维特征提取模块的数据输出端；
36.一个分类器，其数据输入端连接三维特征提取模块的数据输出端，分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊断分类结果；故障诊断分类结果关联设备的运行参数信息；
37.一个故障分类结果模块，其配置为从分类器的数据输出端接收故障诊断分类结果；故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
38.本发明的第二个方面，提供了故障诊断方法，故障诊断方法包括：
39.步骤s201,采集当前待检测设备运行的振动信号；
40.步骤s202，获取用于故障诊断的深度学习分类模型；用于故障诊断的深度学习分类模型通过下述训练方法获得，训练方法包括：
41.步骤s101，采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
42.步骤s102，根据样本数据集的幅值信息获取样本数据集的一维特征；根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
43.步骤s103，通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊
断分类结果；故障诊断分类结果关联设备的运行参数信息；根据故障诊断分类结果获取深度学习分类模型的输出结果；
44.步骤s203，将当前待检测设备运行振动信号输入到用于故障诊断的深度学习分类模型中获取输出结果；
45.步骤s204，根据输出结果获取当前待检测设备的故障信息。
46.在本发明故障诊断方法的一种实施方式中，步骤s101中的采集设备多种故障类型的样本数据集的步骤中包括：
47.步骤s1011，将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处；轴件通过轴承类连接件与刚性支撑件的连接；
48.步骤s1012，运行具有故障类型的故障设备，采集加速度传感器的输出图谱，采样点数设置为262144和采样频率设置为102.4khz；将故障类型和谱图信息对应，记录故障设备的功率、转速和轴承型号；
49.步骤s102中还包括：
50.归一化处理样本数据集，获取设定特征维度的样本数据集。
51.在本发明故障诊断方法的另一种实施方式中，步骤s102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括：
52.通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征；根据故障幅值特征作为样本数据集的一维特征；
53.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括：
54.将样本数据集中的时间信息对应为时域信号；通过傅里叶变换将时域信号转换成频域信号；
55.通过lstm长短期记忆网络训练时域信号和频域信号，提取时间特征与故障幅值特征或，提取故障频率特征和速度值特征；根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征；
56.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括：
57.通过mfcc梅尔倒谱系数方法处理的时间信息和幅值信息，提取时间特征、故障频率特征和故障能量特征信息；根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
58.在本发明故障诊断方法的另一种实施方式中，用于故障诊断的深度学习分类模型包括：
59.一个设备故障数据集采集模块，其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
60.一个一维特征提取模块，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征；
61.一个二维特征提取模块，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；
62.一个三维特征提取模块，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
63.其中，一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集；
64.一个分类器，其数据输入端连接一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输出端，分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊断分类结果；故障诊断分类结果关联设备的运行参数信息；
65.一个故障分类结果模块，其配置为从分类器的数据输出端接收故障诊断分类结果；故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
66.在本发明故障诊断方法的另一种实施方式中，用于故障诊断的深度学习分类模型包括：
67.一个设备故障数据集采集模块，其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息；故障信息中包括设备的运行参数信息；样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据；
68.一个一维特征提取模块，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征；
69.一个二维特征提取模块，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征；
70.一个三维特征提取模块，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征；
71.其中，一维特征提取模块、二维特征提取模块和三维特征提取模块依次串联；一维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集；一维特征提取模块的数据输出端连接二维特征提取模块的数据输入端；二维特征提取模块的数据输入端连接一维特征提取模块的数据输出端；二维特征提取模块的数据输出端连接三维特征提取模块的数据输入端；三维特征提取模块的数据输入端连接二维特征提取模块的数据输出端；
72.一个分类器，其数据输入端连接三维特征提取模块的数据输出端，分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征，获取故障诊断分类结果；故障诊断分类结果关联设备的运行参数信息；
73.一个故障分类结果模块，其配置为从分类器的数据输出端接收故障诊断分类结果；故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
74.下文将以明确易懂的方式，结合附图对用于故障诊断的深度学习分类模型及故障诊断方法的特性、技术特征、优点及其实现方式予以进一步说明。
附图说明
75.图1是用于说明在本发明一种实施方式中，用于故障诊断的深度学习分类模型训练方法的步骤示意图。
76.图2是用于说明在本发明一种实施方式中，采集设备多种故障类型的样本数据集的方法示意图。
77.图3是用于说明在本发明一种实施方式中，用于故障诊断的深度学习分类模型的组成示意图。
78.图4是用于说明在本发明另一种实施方式中，用于故障诊断的深度学习分类模型的组成示意图。
79.图5是用于说明在本发明一种实施方式中，故障诊断方法的流程示意图。
具体实施方式
80.为了对发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
81.在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。为使图面简洁，各图中只示意性地表示出了与本示例性实施例相关的部分，它们并不代表其作为产品的实际结构及真实比例。
82.本发明主要技术方案：对采集到诊断数据集进行分析，在一种实施方式中用于设备故障诊断的数据集都是通过振动传感器收集，信号是时域信号，信号是随着时间轴振动的幅值一直变化。根据数据集特性，首先直接采用小波变化或其他机器学习算法模型直接对一维的波形直接进行特征采集；其次对时域信号进行傅里叶变化转换成频域信号，再对频域信号进行一维的特征频率值进行特征采集。
83.由于考虑到振动信号与振动信号信号有些类似，可以通过对时间维度和幅值维度两个维度进行特征提取，引入长短时记忆网络处理时域二维特征信息，通过二维信息可以对振动信号进行时间维度的特征提取，充分收集故障特征，或者对频域信号进行故障频率和速度值的二维信号进行特征提取；除了二维特征提取方式，对于时域信号可以采用mfcc特征处理，得到三维特征信息，包含时间、频率和能量，充分提取到振动数据特征，可以将数据和特征一一对应起来，随后进行深度学习训练，分类性能会大大提高。
84.通过融合一维、二维、三维的特征提取方式，再进行融合可以深度提取到振动数据特征，输入到深度学习网络模型中可以进行大规模数据集训练，可以提高模型的收敛速度，减少训练过程中过拟合问题的发生、网络模型参数量和模型训练时间。
85.本发明一方面，提供了用于故障诊断的深度学习分类模型，深度学习分类模型通过下述训练方法获得，如图1所示，训练方法包括：
86.步骤s101，采集设备多种故障类型的样本数据集。
87.本步骤中，采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
88.步骤s102，获取多维特征。
89.本步骤中，根据样本数据集的幅值信息获取样本数据集的一维特征。根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
90.步骤s103，获取输出结果。
91.本步骤中，通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故
障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。根据故障诊断分类结果获取深度学习分类模型的输出结果。
92.在本发明用于故障诊断的深度学习分类模型的一种实施方式中，如图2所示，步骤s101中的采集设备多种故障类型的样本数据集的步骤中包括：
93.步骤s1011，设置加速度传感器。
94.本步骤中，将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处。轴件通过轴承类连接件与刚性支撑件的连接。加速传感器设置采样点数、采样频率
95.步骤s1012，利用加速度传感器采集振动信号。
96.本步骤中，运行具有故障类型的故障设备，采集加速度传感器的输出图谱，采样点数设置为262144和采样频率设置为102.4khz。将故障类型和谱图信息对应，记录故障设备的功率、转速和轴承型号。
97.步骤s102中还包括：
98.归一化处理样本数据集，获取设定特征维度的样本数据集。
99.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，步骤s102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括：
100.通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征。根据故障幅值特征作为样本数据集的一维特征。
101.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括：
102.将样本数据集中的时间信息对应为时域信号。通过傅里叶变换将时域信号转换成频域信号。
103.通过lstm长短期记忆网络训练时域信号和频域信号，提取时间特征与故障幅值特征或，提取故障频率特征和速度值特征。根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征。
104.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括：
105.通过mfcc梅尔倒谱系数方法处理的时间信息和幅值信息，提取时间特征、故障频率特征和故障能量特征信息。根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
106.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，如图3所示，用于故障诊断的深度学习分类模型包括：
107.一个设备故障数据集采集模块101，其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
108.一个一维特征提取模块201，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
109.一个二维特征提取模块301，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
110.一个三维特征提取模块401，其配置为根据样本数据集中的的时间信息和幅值信
息获取样本数据集的三维特征。
111.其中，一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。
112.一个分类器501，其数据输入端连接一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输出端，分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
113.一个故障分类结果模块601，其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
114.在本发明用于故障诊断的深度学习分类模型的另一种实施方式中，如图4所示，用于故障诊断的深度学习分类模型包括：
115.一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
116.一个一维特征提取模块201，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
117.一个二维特征提取模块301，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
118.一个三维特征提取模块401，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
119.其中，一维特征提取模块201、二维特征提取模块301和三维特征提取模块401依次串联。一维特征提取模块201的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。一维特征提取模块201的数据输出端连接二维特征提取模块301的数据输入端。二维特征提取模块301的数据输入端连接一维特征提取模块201的数据输出端。二维特征提取模块301的数据输出端连接三维特征提取模块401的数据输入端。三维特征提取模块401的数据输入端连接二维特征提取模块301的数据输出端。
120.一个分类器501，其数据输入端连接三维特征提取模块401的数据输出端，分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
121.一个故障分类结果模块601，其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
122.本发明的第二个方面，如图5所示，提供了故障诊断方法，故障诊断方法包括：
123.步骤s201,采集当前待检测设备运行振动信号。
124.步骤s202，获取用于故障诊断的深度学习分类模型。
125.本步骤中，获取用于故障诊断的深度学习分类模型。用于故障诊断的深度学习分类模型通过下述训练方法获得，训练方法包括：
126.步骤s101，采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信
息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
127.步骤s102，根据样本数据集的幅值信息获取样本数据集的一维特征。根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
128.步骤s103，通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。根据故障诊断分类结果获取深度学习分类模型的输出结果。
129.步骤s203，获取深度学习分类模型的输出结果。
130.本步骤中，将当前待检测设备运行振动信号输入到用于故障诊断的深度学习分类模型中获取输出结果。
131.步骤s204，获取当前待检测设备的故障信息。
132.本步骤中，根据输出结果获取当前待检测设备的故障信息。
133.在本发明故障诊断方法的一种实施方式中，步骤s101中的采集设备多种故障类型的样本数据集的步骤中包括：
134.步骤s1011，将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处。轴件通过轴承类连接件与刚性支撑件的连接。
135.步骤s1012，运行具有故障类型的故障设备，采集加速度传感器的输出图谱，采样点数设置为262144和采样频率设置为102.4khz。将故障类型和谱图信息对应，记录故障设备的功率、转速和轴承型号。
136.步骤s102中还包括：
137.归一化处理样本数据集，获取设定特征维度的样本数据集。
138.在本发明故障诊断方法的另一种实施方式中，步骤s102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括：
139.通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征。根据故障幅值特征作为样本数据集的一维特征。
140.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括：
141.将样本数据集中的时间信息对应为时域信号。通过傅里叶变换将时域信号转换成频域信号。
142.通过lstm长短期记忆网络训练时域信号和频域信号，提取时间特征与故障幅值特征或，提取故障频率特征和速度值特征。根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征。
143.步骤s102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括：
144.通过mfcc梅尔倒谱系数方法处理的时间信息和幅值信息，提取时间特征、故障频率特征和故障能量特征信息。根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
145.在本发明故障诊断方法的另一种实施方式中，用于故障诊断的深度学习分类模型
包括：
146.一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
147.一个一维特征提取模块201，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
148.一个二维特征提取模块301，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
149.一个三维特征提取模块401，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
150.其中，一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。
151.一个分类器501，其数据输入端连接一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输出端，分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
152.一个故障分类结果模块601，其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
153.在本发明故障诊断方法的另一种实施方式中，用于故障诊断的深度学习分类模型包括：
154.一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
155.一个一维特征提取模块201，其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
156.一个二维特征提取模块301，其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
157.一个三维特征提取模块401，其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
158.其中，一维特征提取模块201、二维特征提取模块301和三维特征提取模块401依次串联。一维特征提取模块201的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。一维特征提取模块201的数据输出端连接二维特征提取模块301的数据输入端。二维特征提取模块301的数据输入端连接一维特征提取模块201的数据输出端。二维特征提取模块301的数据输出端连接三维特征提取模块401的数据输入端。三维特征提取模块401的数据输入端连接二维特征提取模块301的数据输出端。
159.一个分类器501，其数据输入端连接三维特征提取模块401的数据输出端，分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征，获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
160.一个故障分类结果模块601，其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
161.本发明的有益效果和优点在于：首先对振动数据集进行预处理，通过多维度振动信号特征提取，可以对于相似振动信号可以进行多次特征提取，减少训练过程由于相似特征带来的干扰，减小模型训练的差异。
162.同时单一模型的特征提取方式不能充分提取振动信号特征，而多维特征提取可以深入挖掘振动信号的特征值，让故障诊断数据进行训练之前可以充分提取到特征和故障标签的关系，输入到分类器模型更适应于深度学习算法模型，逐步提升故障分类和识别的准确率。
163.且通过多维度特征提取，可以对数据集进行有效的分析，结合数据集的特性去进行特征提取，可以采集到深层的故障特征信息，将多维特征提取方式进行融合，使多维度特征信息可以和故障数据集标签对应起来。
164.根据深度学习下的故障诊断模型的一般流程是数据集预处理、特征提取、分类模型和分类结果，解决数据集不能充分训练或者训练过程中出现梯度问题和拟合问题，由于振动数据集收集的采样点数和采样频率不同。
165.首先数据集进行归一化处理，保证数据集的维度一致，其次重点对特征提取进行优化，故障诊断是根据现场设备运行采集的数据，其影响因素包含现场工况、设备老化和硬件产品等相关因素影响，所以对应故障数据的特征提取显得尤为重要，对于特征提取包含一维、二维和三维的特征提取方式，对于三种提取方式可以选择不同的权重范围进行优化训练，或者再融合传统的特征提取方式进行特征提取。
166.主要关键点包含多维特征提取之间连接的权重，以及输入到深度学习分类器模型的特征维度；多维特征提取之间的连接方式怎样有效避免振动信号特征量的信息的丢失。
167.图3、4表示出两种不同权重和连接的特征提取方式进行优化训练的模型结构。
168.在本发明的一种实施方式中。
169.1)首先采集不同设备故障类型的数据集，采用加速度传感器，进行速度值的测量，采样点数设置为262144和采样频率设置为102.4khz；采集设备运行的故障信息，将故障和谱图信息对应，记录设备的参数，如功率、转速和轴承型号等相关的设备参数；
170.2)首先对数据采集进行归一化处理、减少特征维度数；
171.3)再进行多维度特征提取，一维特征提取，主要提取波形的特征信息；二维特征提取，引入时间轴上的特征信息，主要是时间与振动幅值、频率和速度值等二维特征信息；三维特征提取方式是时间、频率和能量三维信息特征，通过网络模型进行连接，按照权重和偏值进行连接，充分提取振动故障信号数据集。
172.4)输入统一的深度学习分类器，属于输入分类模型中的特征维度，深度学习的层数和参数量统一，进行训练；通过输出的故障诊断分类结果，逐步优化多维特征提取的方式，提高模型的泛化能力。
173.应当理解，虽然本说明书是按照各个实施方式中描述的，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人
员可以理解的其他实施方式。
174.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。