一种多振源系统的故障诊断系统及方法与流程

技术特征：
1.一种多振源系统的故障诊断方法，所述多振源系统包括多个独立振源，其特征在于，所述多振源系统还包括n个数据采集装置，所述数据采集装置的采样信号长度为m，包括以下步骤：a，获取分离信号数据集；搭建生成对抗神经网络模型；分离信号数据集的具体实现方式包括：s1，获取多振源系统的复合振动信号；s2，基于所述复合振动信号获取复合信号矩阵，对所述复合信号矩阵依次进行零均值化与白化处理，获取白化处理后的复合信号矩阵；s3，基于白化处理后的复合信号矩阵获取分离信号矩阵；s4，将所述分离信号矩阵切分为个一维数组，输出单通道的波形.wav文件，对于每一个独立振源，制作分离信号数据集；l为含振动特征的样本长度，根据独立振源的转速和所述信号采集装置的采样率确定；所述生成对抗神经网络模型包括生成网络g和判别网络d；所述生成网络g的网络结构包括：第一层为全连接dense层；第二层为reshape层，且其后接有一个批标准化单元，一个leakyrelu激活单元和一个tanh激活单元；第三层至第六层均为1-d转置卷积层，卷积核大小为25，步长为4，且每层后接有一个批标准化单元，一个leakyrelu激活单元和一个tanh激活单元；第七层为为1-d转置卷积层，卷积核大小为25，步长为4，且接有一个批标准化单元和leakyrelu激活单元；所述判别网络d的网络结构包括：第一层为至第五层均为1-d卷积层，卷积核大小为25，步长为4，且每层后接一个leakyrelu激活单元和一个phaseshuffle相位重置单元；第六层为reshape层；第七层为全连接dense层；b，对于每一个独立振源，基于所述分离信号数据集和所述生成对抗神经网络模型进行迭代训练；c，对于每一个独立振源，获取振动状态判别器。2.如权利要求1所述的多振源系统的故障诊断方法，其特征在于，步骤b的具体实现方式包括：s601，获取损失函数s601，获取损失函数s601，获取损失函数为真实样本和生成样本的线性插值，其计算公式为：x
r
为真实样本信号；k为线性插值的权重，取值范围为k∈[0，1]；x
f
为生成样本信号；p
r
为真实样本的概率分布；p
g
为生成样本的概率分布；d(x
r
)为以真实样本信号x
r
为输入且满足一阶lipschitz约束的判别网络函数，d(x
f
)为以生成样本信号x
f
为输入且满足一阶
lipschitz约束的判别网络函数；为以真实样本和生成样本的线性插值为输入且满足一阶lipschitz约束的判别网络函数；为判别网络函数d(x
r
)的期望；为判别网络函数d(x
f
)的期望；为函数的期望；λ为梯度惩罚项系数；s602，解码样本wav文件为张量数据，裁剪长度并归一化幅值，打乱顺序后进行采样打包；s603，对步骤s602获取的数据进行迭代训练。3.如权利要求2所述的多振源系统的故障诊断方法，其特征在于，获取所述损失函数的方法包括：s6011，获取wasserstein距离项w(p
r
，p
g
)，计算方法为：θ为生成网络参数；s6012，获取惩罚项gp的计算公式为：4.如权利要求3所述的用于多振源系统的故障诊断方法，其特征在于，步骤s603中，迭代训练的具体实现方式包括：s6031，设定收敛条件为最大迭代次数n，随机化初始化生成器网络参数θ，判别网络参数φ；s6032，进行次数为m的判别训网络训练：从所述分离信号数据集中采集一批真实样本x
r
，输入判别网络输出d(x
r
；φ)，再从n(0，1)分布中采样一批随机向量h，输入生成器输出x
f
＝g(h；θ)，随后计算损失函数，使用adam优化器，设置超参数α，β1，β2，进行参数φ优化并更新，使损失函数值最大化：s6033，进行生成器训练：采样n(0，1)分布输入生成器，计算损失函数，使用adam优化器，设置超参数α1，β1，β2，进行参数θ的优化并更新，使损失函数的值最小化：s6034，训练迭代直至达到最大迭代次数n。5.如权利要求1～4任一所述的用于多振源系统的故障诊断方法，其特征在于，基于步骤s1至步骤s3，周期性获取分离信号矩阵，输入至所述振动状态判别器，输出判别结果，当所述判别结果为负时，判别为故障，并进行报警。6.如权利要求5所述的用于多振源系统的故障诊断方法，其特征在于，步骤s1的具体实现方式包括：每个所述信号采集装置采集一个复合振动信号，组成n
×
m尺寸的复合信号矩阵x，n与m均为自然数。7.如权利要求5所述的用于多振源系统的故障诊断方法，其特征在于，步骤s2的具体实现方式包括：s201，对所述复合信号矩阵按行去中心化，基于公式获取去中心化处理后的复合信号矩阵x
d
；e
j
为除第j行元素为1，其余均为零的n行列向量；x
j
为复合信号矩阵x的第j行数据；为复合信号矩阵x第j行第i列数值；
s202，基于公式计算协方差矩阵c；s203，基于公式cv＝va进行特征分解；v＝[v1，v2，...，v
n
]是特征向量按列组成的矩阵；λ＝diag(ζ1，ζ2，...，ζ
n
)是特征值组成的对角矩阵；s204，进行白化处理，基于公式获取白化处理后的复合信号矩阵x
w
。8.如权利要求5所述的用于多振源系统的故障诊断方法，其特征在于，步骤s3的具体实现方式包括：s301，通过拟牛顿迭代运算，计算最优复合矩阵w；s302，基于公式s＝w
t
·
x获取分离信号矩阵s。9.如权利要求8所述的用于多振源系统的故障诊断方法，其特征在于，步骤s301的具体实现方式包括：s3011，初始化最优复合矩阵w的第i列，i的初始值为1，初始化为长度为m，向量元素和为1的随机列向量，得到迭代初始值设定迭代阈值为∈；s3012，进行第j次迭代运算，j的初始值为1，基于公式s3012，进行第j次迭代运算，j的初始值为1，基于公式获取第i个复合向量w
i
的第j次迭代值；a1＝1；s3013，标准化迭代数值，令s3014，计算若认为迭代收敛，进入步骤s3015，否则返回步骤s3012；s3015，将向量w
i
保存至最优复合矩阵w的第i列，对于i 1，返回步骤s3012，当i＝n时，迭代结束。10.一种多振源系统的故障诊断系统，包括多个独立振源，其特征在于，还包括振动信号采集装置和计算机设备；所述振动信号采集装置用于采集复合振动信号；所述计算机设备被配置或编程为用于执行权利要求1～9任一所述的方法。

技术总结
本发明公开了一种多振源系统的故障诊断系统及方法，涉及机械故障诊断技术领域。本发明针对多振源系统中的复合振动信号，使用盲源分离方法实现复合振动信号的分离，获取独立振源的振动信号，生成正常状态下分离信号数据集。使用该分离信号数据集训练对抗式生成网络，通过判别网络对的独立振源的振动信号进行辨识，判断该独立振源是否处于异常状态，从而实现无样本下故障源的定位和达到对故障的定位和异常预警功能。该方法适用性强，能够在缺少故障样本的情况下，充分利用不同独立振源的正常稳定状态工作振动信号训练模型，并在故障发生时进行及时的定位和异常预警。发生时进行及时的定位和异常预警。发生时进行及时的定位和异常预警。


技术研发人员：王田天 谢劲松 阳劲松 杨布尧 张小振
受保护的技术使用者：中南大学
技术研发日：2021.10.22
技术公布日：2022/3/4