一种基于深度学习的旋转机械故障诊断方法和装置与流程

技术特征：
1.一种基于深度学习的旋转机械故障诊断方法，其特征在于，具体包括以下步骤：s1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；s2，时、频域特征提取：根据时域及频域信息对原始振动数据进行一次时、频域特征提取；s3，数据处理：对第一次提取的特征数据进行检查并进行归一化处理；s4，pca降维及二次统计特征提取：对归一化处理后的数据进行pca降维处理，在一次时、频域特征的基础上进行二次统计特征提取，以便将不同时间节点的时、频域特征规范为统一的统计特征；s5，模型建立：建立一维卷积神经网络模型、支持向量机模型、决策树模型、朴素贝叶斯模型，将一次时、频域特征和pca主成分数据作为模型输入；建立二维卷积神经网络模型，将二次统计特征作为模型输入；s6，模型训练：将一台机组的数据划分为训练集和验证集，对s5中的模型进行训练和验证；s7，模型验证：若s6中的模型验证精度达到设定阈值，则执行下一步；s8，跨机组故障诊断：选择另一机组的数据对s5中的模型进行故障诊断测试，并比较不同模型的诊断精度，选择符合需求的模型用于跨机组智能故障通用识别。2.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤s1提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集设定数值的样本点，得到原始振动数据；具体指的是s1，提取原始振动数据：对旋转机械的原始波形数据进行随机采集，每个时间节点采集1024个样本点，得到原始振动数据。3.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤s2中的一次时、频域特征为gap电压、有效值、通频值、峰值、0.5倍频、一倍频相位、一倍频幅值、二倍频相位、二倍频幅值、残余量。4.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤s3数据处理：对第一次提取的特征数据进行检查并进行归一化处理；具体指的是s3，数据处理：对第一次提取的特征数据进行质量检查，查看特征数据中是否有缺失值，若存在缺失值则删除该行数据；然后对数据进行归一化处理，将特征数据值缩放至0
‑
1之间。5.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤s4中的统计特征包括均值、标准差、最小值、最大值、中位数、样本熵、协方差、平方和、偏度、峰度。6.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步骤s6模型训练：将一台机组的数据划分为训练集和验证集，对s5中的模型进行训练和验证；具体指的是s6，模型训练：按照8:2的比例将一台机组的数据划分为训练集和验证集，分别对s5中的模型进行训练和验证。7.根据权利要求1所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，步
骤s7模型验证：若s6中的模型验证精度达到设定阈值，则执行下一步；具体指的是s7，模型验证：若s6中的模型验证精度达到95％，则将该模型用于其他机组的故障诊断。8.一种基于深度学习的旋转机械故障诊断装置，基于权利要求1
‑
7任一项所述的一种基于深度学习的旋转机械故障诊断方法，其特征在于，包括若干振动传感器、边缘计算监测诊断系统、智能监测应用，所述振动传感器安装在旋转机械上，采集所需的原始波形数据，所述边缘计算监测诊断系统配置有故障诊断模型，还用于实现数据传输和存储；所述智能监测应用包括数据清洗功能单元、参数监测功能单元、异常报警功能单元和故障诊断功能单元。9.根据权利要求8所述的一种基于深度学习的旋转机械故障诊断装置，其特征在于，还包括云平台，所述云平台分别与边缘计算监测诊断系统、智能监测应用进行数据交互。10.根据权利要求8所述的一种基于深度学习的旋转机械故障诊断装置，其特征在于，还包括用户端，从所述边缘计算监测诊断系统获取数据并显示。

技术总结
本发明提供了一种基于深度学习的旋转机械故障诊断方法和装置，对旋转机械的原始波形数据进行随机采集，得到原始振动数据；根据时域及频域信息对原始振动数据进行一次时、频域特征提取，进行检查并进行归一化处理；PCA降维及二次统计特征提取；建立一维卷积神经网络模型、支持向量机模型、决策树模型、朴素贝叶斯模型、二维卷积神经网络模型；将一台机组的数据划分为训练集和验证集，对模型进行训练和验证；若模型验证精度达到设定阈值，选择另一机组的数据对模型进行故障诊断测试。本发明在提取一次时频域特征的基础上，发展了二次统计特征提取和主成分分析的深度学习通用方法，泛化模型的故障识别能力，实现了跨机组智能故障通用识别。用识别。用识别。


技术研发人员：姜孝谟 林琳
受保护的技术使用者：大连蓝雪智能科技有限公司
技术研发日：2021.07.07
技术公布日：2021/10/23