基于卷积相图生成的机电设备健康状态识别方法及系统与流程

1.本发明涉及设备检测技术领域，特别是涉及一种基于卷积相图生成的机电设备健康状态识别方法及系统。


背景技术：

2.制造业是一个国家工业发展的基础，是关系到国计民生的重要产业。随着中国工业结构的转型升级，机电设备的制造不断整合与集成先进制造工艺技术、人工智能技术和物联网技术等技术，其智能化水平和先进程度取得了很大进步。
3.目前，提高机电设备状态识别能力，是支撑工业制造业转型的技术基础。机电设备状态识别正向着信息化、智能化和系统集成化方向发展。为了使高度集成化的机电设备安全有效运行，需要对其运行状态进行实时监控，并对健康状态及时感知。


技术实现要素：

4.本发明的目的是提供一种基于卷积相图生成的机电设备健康状态识别方法及系统，降低了状态识别的复杂度，提高了识别效率。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于卷积相图生成的机电设备健康状态识别方法，包括：
7.采集待检测机电设备的物理数据，并将所述物理数据转换为离散电信号；
8.利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图；
9.将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态；所述健康状态包括正常状态和故障状态。
10.可选地，所述利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图，具体包括：
11.初始化所述离散电信号的长度；
12.根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率；
13.以所述卷积窗对所述离散电信号进行卷积操作，生成卷积矩阵，所述卷积矩阵的尺寸大小为c
×
m，其中，m＝[(d-nρ)/(n-nρ)]，c表示卷积窗的单位长度，d表示当前离散电信号的长度，n表示卷积窗长度，ρ表示重复率；
[0014]
判断m是否等于c；
[0015]
若m不等于c，则调整d，返回步骤“根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率”；
[0016]
若m等于c，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图。
[0017]
可选地，所述机电设备健康状态识别模型为采用数据集训练好的深度学习模型，
所述数据集包括多个卷积相图样本和与各卷积相图样本对应的标签。
[0018]
可选地，所述将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态的同时，具体包括：
[0019]
将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的运行状态；所述运行状态包括加速运行状态、匀速运行状态、减速运行状态、颠簸状态和爬坡状态。
[0020]
可选地，所述物理数据包括振动信号、温度信号、电流信号、电压信号、电磁波信号或者湿度信号。
[0021]
本发明还公开了一种基于卷积相图生成的机电设备健康状态识别系统，包括：
[0022]
数据采集模块，用于采集待检测机电设备的物理数据，并将所述物理数据转换为离散电信号；
[0023]
卷积相图生成模块，用于利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图；
[0024]
健康状态识别模块，用于将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态；所述健康状态包括正常状态和故障状态。
[0025]
可选地，所述卷积相图生成模块，具体包括：
[0026]
离散电信号的长度初始化单元，用于初始化所述离散电信号的长度；
[0027]
重复率计算单元，用于根据当前离散电信号的长度和卷积窗的单位单位长度，计算相邻两个卷积窗内离散电信号的重复率；
[0028]
卷积矩阵生成单元，用于以所述卷积窗对所述离散电信号进行卷积操作，生成卷积矩阵，所述卷积矩阵的尺寸大小为c
×
m，其中，m＝[(d-nρ)/(n-nρ)]，c表示卷积窗的长度，d表示当前离散电信号的长度，n表示卷积窗长度，ρ表示重复率；
[0029]
判断单元，用于判断m是否等于c；
[0030]
第一判断结果执行单元，用于若m不等于c，则调整d，返回重复率计算单元；
[0031]
第二判断结果执行单元，用于若m等于c，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图。
[0032]
可选地，所述机电设备健康状态识别模型为采用数据集训练好的深度学习模型，所述数据集包括多个卷积相图样本和与各卷积相图样本对应的标签。
[0033]
可选地，所述将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态的同时，具体包括：
[0034]
将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的运行状态；所述运行状态包括加速运行状态、匀速运行状态、减速运行状态、颠簸状态和爬坡状态。
[0035]
可选地，所述物理数据包括振动信号、温度信号、电流信号、电压信号、电磁波信号或者湿度信号。
[0036]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0037]
本发明公开了一种基于卷积相图生成的机电设备健康状态识别方法及系统，通过
将物理数据转换为离散电信号，并利用卷积窗将离散电信号处理成由多个卷积矩阵堆叠的卷积相图，将卷积相图输入机电设备健康状态识别模型中，输出卷积相图对应的待检测机电设备的健康状态，降低了机电设备健康状态识别模型的识别复杂度，同时避免了信号解析带来的信号污染和信息损失现象，提高了机电设备健康状态识别效率。
附图说明
[0038]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明一种基于卷积相图生成的机电设备健康状态识别方法流程示意图；
[0040]
图2为本发明卷积密度计算示意；
[0041]
图3为本发明实施例正常轴承原始信号示意图；
[0042]
图4为本发明实施例正常轴承消噪后信号示意图；
[0043]
图5为本发明卷积相图样本示意图；
[0044]
图6为本发明降序排序后的卷积相图样本示意图；
[0045]
图7为本发明一种基于卷积相图生成的机电设备健康状态识别系统结构示意图；
[0046]
图8为本发明一种基于卷积相图生成的机电设备健康状态识别系统硬件集成逻辑架构。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
本发明的目的是提供一种基于卷积相图生成的机电设备健康状态识别方法及系统，降低了状态识别的复杂度，提高了识别效率。
[0049]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0050]
实施例1
[0051]
图1为本发明一种基于卷积相图生成的机电设备健康状态识别方法流程示意图，如图1所示，一种基于卷积相图生成的机电设备健康状态识别方法包括以下步骤：
[0052]
步骤101：采集待检测机电设备的物理数据，并将所述物理数据转换为离散电信号。
[0053]
其中，步骤101具体包括通过数据采集器采集待检测机电设备的物理数据，并通过数据处理器将采集的物理数据转换为离散电信号。
[0054]
数据采集器，其主要指获取机电设备状态物理参量的传感器，包括但不限于温度传感器、转速传感器、振动传感器、电流传感器、红外传感器，以及多功能复合传感器等。
[0055]
离散电信号通过数据传输器与数据存储器相连，数据传输器包括数据发射器和数
据接收器，数据传输器进行数据传输遵循相应通信传输协议，数据发射器按照既定格式对数据进行编码再发送，数据接收器将接收到的数据解码后转移到数据存储器。数据存储器将一部分存储地址分配给数据接收器传来的离散电信号进行存储。
[0056]
数据传输模块采用基于wifi环境的无线数据获取方法，或者基于有线环境的数据获取方法。基于wifi环境的无线数据获取方法，是将传感器、数据处理模块、无线发射模块集成于前端数据采集模块，通过传感器捕获物理数据，通过数据处理模块将物理数据转换为离散电信号，通过无线发射模块在wifi/zigbee/蓝牙/4g环境下实现数据的无线发送，在终端设置无线接收模块，以接受无线数据流，数据传输支持ieee802.11n/g/ac标准协议。基于有线环境的数据获取方法，是将传感器和数据处理模块集成于数据采集模块，通过传感器获取数据，在数据处理模块转换为离散电信号，通过数据线实现数据传输。
[0057]
数据存储器按照机电设备功能对存储地址进行初始化分区，用于存储各种结构化数据。并且根据增减、调用等控制命令，执行数据添加、删除、复制(或覆盖)和剪切(或转移)操作。
[0058]
例如，结构化数据包括振动数据和时间戳，结构化数据包括振动数据和时间戳以及转速数据。
[0059]
数据存储器，包含多个分区：数据采集区、相图存储区、模型存储区和结果存储区，基于数据存储器的一种数据存储方法包括：按照知识图谱方式进行数据存储，数据包括反映物理量的电信号，卷积生成的图像数据，以及各数据的多维属性标签，深度学习模型，以及结果数据立体交叉存取。
[0060]
数据接收器接收到新数据会激活数据存储器的数据采集区，数据控制器发出转移指令后，数据接收器的数据转移到数据存储器的数据采集区存储。
[0061]
数据采集器所获取物理数据应具备非线性与非平稳性的特点，物理数据包括但不限于振动加速度、温度、磁场强度、负荷力和位移。点击上位机信号采集，则物理数据自动保存信号在相应文件夹内。
[0062]
步骤102：利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图。
[0063]
数据控制器调用数据存储器的离散电信号，利用数据窗生成相空间的样本向量，即将一维时间域的时序信号按照固定尺寸数据窗截取成多组等长样本向量，将这些样本向量按照截取顺序堆叠为卷积相图(也可称之为相矩阵)，存储在数据存储器的相图保存区。该样本空间是结构化空间，包括样本数据和样本多维属性标签。
[0064]
其中，步骤102，具体包括：
[0065]
初始化所述离散电信号的长度，即确定连续采样数据段单元的最小长度d。
[0066]
确定卷积窗长度n，机电设备工作周期的采样点数为c，则应有c≤n《d。
[0067]
根据当前离散电信号的长度d和卷积窗的单位长度c，计算相邻两个卷积窗内离散电信号的重复率；
[0068]
以所述卷积窗对所述离散电信号进行卷积操作，生成卷积矩阵，所述卷积矩阵的尺寸大小为c
×
m，其中，m＝[(d-nρ)/(n-nρ)]，c表示卷积窗的单位长度，d表示当前离散电信号的长度，n表示卷积窗长度，卷积窗n包括一个以上单位长度卷积窗c，ρ表示重复率，即卷积密度，卷积密度ρ的取值范围为[0,0.5)；
[0069]
判断m是否为整数。
[0070]
若m不是整数，则判断调整ρ(通过调整d来调整ρ)是否使得c＝m。
[0071]
若调整ρ使得c＝m，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图。
[0072]
若调整ρ不能使得c＝m，则调整d，返回步骤“根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率”。
[0073]
若m为整数，判断m是否等于c。
[0074]
若m不等于c，则调整d，返回步骤“根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率”。
[0075]
若m等于c，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图。卷积相图如图5所示。
[0076]
以n为单位长度的一段卷积窗序列，令即向下取整得到卷积相图矩阵的单位向量长度m，故一个卷积窗可以形成m个n，因此卷积相图(相矩阵)m的尺寸为n
×
m。
[0077]
卷积密度ρ，为相邻样本的重复度，延迟长度为τ(一般令周期采样点数为τ)，卷积密度计算公式为ρ＝(n-τ)/n，如图2所示。
[0078]
当数据段(离散电信号)长度已知，卷积核长度c确定，卷积密度确定，那么计算一个数据段内可以生成卷积向量的个数m的取值范围由如下不等式确定：
[0079][0080]
数据段长度d与卷积覆盖数据段长度的差值，一定在[0,n)范围内。数据段单元内的卷积核个数推导过程：
[0081][0082]
步骤103：将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态；所述健康状态包括正常状态和故障状态。
[0083]
机电设备健康状态识别模型为监督学习的自定义卷积神经网络模型。
[0084]
确定自定义卷积神经网络模型结构，包括卷积层个数，池化层个数，全连接层个数，以及各层的衔接顺序和组合方式。
[0085]
通过训练图像数据，确定自定义卷积神经网络模型各层的参数，多次训练图像数据，通过识别率来对参数进行优化修改。
[0086]
若多次训练，识别率始终未达到90％以上，则增加训练样本数量。
[0087]
若识别率仍然未有提高，则调整自定义卷积神经网络模型的结构，直到识别率大于90％。
[0088]
通过交叉验证的方法确定识别效果，保存训练所得的机电设备健康状态识别模
型。
[0089]
其中，步骤103，具体还包括：
[0090]
将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的运行状态；所述运行状态包括加速运行状态、匀速运行状态、减速运行状态、颠簸状态和爬坡状态。
[0091]
所述机电设备健康状态识别模型为采用数据集训练好的深度学习模型，所述数据集包括多个卷积相图样本和与各卷积相图样本对应的标签。
[0092]
所述物理数据包括振动信号、温度信号、电流信号、电压信号、电磁波信号、负荷力、位移、或者湿度信号。
[0093]
振动信号比如轴承振动信息，正常轴承原始信号如图3所示，正常轴承消噪后信号如图4所示。
[0094]
将机电设备健康状态识别模型输出的健康状态和运行状态存储于数据存储器。
[0095]
数据采集结果、生成卷积相图结果、机电设备健康状态识别模型训练结果及分类识别结果通过结果显示器对外呈现。
[0096]
实施例2
[0097]
利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图，具体包括：
[0098]
初始化所述离散电信号的长度；
[0099]
根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率；
[0100]
以所述卷积窗对所述离散电信号进行卷积操作，生成卷积矩阵，所述卷积矩阵的尺寸大小为c
×
m，其中，m＝[(d-nρ)/(n-nρ)]，c表示卷积窗的长度，d表示当前离散电信号的长度，n表示卷积窗长度，卷积窗n包括一个以上单位长度卷积窗c，ρ表示重复率；
[0101]
判断m是否等于c；
[0102]
若m不等于c，则调整d，返回步骤“根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率”；
[0103]
若m等于c，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图；
[0104]
将卷积相图中每个单位向量的数据点从大到小进行排序(或从小到大升序排序，为减少计算量，适宜选取降序排序)，计算每两个相邻单位向量的皮尔逊积矩系数；
[0105]
若所述皮尔逊积矩系数大于50％，则增加相邻两个卷积窗起始位置偏移量(延迟时间τ)，返回步骤“根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率”。
[0106]
若所述皮尔逊积矩系数小于或者50％，则将当前卷积相图为最终输出的卷积相图。
[0107]
降序排序后的卷积相图如图6所示，将降序排序后的卷积相图输入机电设备健康状态识别模型中，输出降序排序后卷积相图对应的待检测机电设备的健康状态。
[0108]
已经降序(或升序)排列的样本，满足线性变化势，通过皮尔逊积矩相关系数可以判断两样本的相似程度，从而初步预测状态变化，同时可以观测卷积密度。样本密度防止卷
积密度过高导致矩阵样本的重复性强，从而使得样本差异性下降。
[0109]
传统方法需要精细的信号处理，需要对信号时频域特征进行过滤渗透以提取非常细微的有用特征作为判别基础，然后再把特征集作为输入导入到深度学习算法进行判别运算。而本发明只需要将数据段进行切割排列，形成相图矩阵而无需算法复杂度高的信号变换操作即可导入深度学习算法进行判别运算，故降低了状态识别的算法复杂度。
[0110]
信号时频变换主要涉及到多分辨率分解。传统的分解变换处理需要基于信号基实现，计算过程中会损失一部分信号能量，同时信号时频变换如经验模态分解，其理论基础不稳定，分解的信号并不能完全真实反映信号本身的特征，尽管大部分特征保留在内，一旦高阶能量作为残差项在计算中被剔除，则有将有效信号能量忽略的风险，以往信号分析均需补充虚拟信号来完成变换，这也让原始的物理信号不够纯净，而本发明方法无需考虑增加或者删除信号内容，原始信号直接作为特征导入深度学习算法模型进行辨识，避免了信号解析的运算带来的短板问题。
[0111]
本发明一种基于卷积相图生成的机电设备健康状态识别方法嵌入机电设备智能状态识别设备中，并实现设备状态自动识别的功能。本发明通过对大量的原始数据进行自动分析，可实现端到端的高效状态识别。尽管内部计算过程封闭且不可对外展示，但本发明方法借助强大的计算模型和硬件结构，比传统模式识别方法在计算复杂度和计算精度方面都有优势，且结果呈现界面友好。
[0112]
实施例3
[0113]
如图7所示，一种基于卷积相图生成的机电设备健康状态识别系统，包括：
[0114]
数据采集模块201，用于采集待检测机电设备的物理数据，并将所述物理数据转换为离散电信号；
[0115]
卷积相图生成模块202，用于利用卷积窗对所述离散电信号进行卷积操作生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆叠为一个卷积相图；
[0116]
健康状态识别模块203，用于将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态；所述健康状态包括正常状态和故障状态。
[0117]
本发明一种基于卷积相图生成的机电设备健康状态识别系统硬件集成逻辑架构如图8所示。
[0118]
所述卷积相图生成模块202，具体包括：
[0119]
离散电信号的长度初始化单元，用于初始化所述离散电信号的长度；
[0120]
重复率计算单元，用于根据当前离散电信号的长度和卷积窗的单位长度，计算相邻两个卷积窗内离散电信号的重复率；
[0121]
卷积矩阵生成单元，用于以所述卷积窗对所述离散电信号进行卷积操作，生成卷积矩阵，所述卷积矩阵的尺寸大小为c
×
m，其中，m＝[(d-nρ)/(n-nρ)]，c表示卷积窗的单位长度，d表示当前离散电信号的长度，n表示卷积窗长度，ρ表示重复率；
[0122]
判断单元，用于判断m是否等于c；
[0123]
第一判断结果执行单元，用于若m不等于c，则调整d，返回重复率计算单元；
[0124]
第二判断结果执行单元，用于若m等于c，则以长度为c的所述卷积窗对长度为d的所述离散电信号进行卷积操作，生成多个卷积矩阵，将多个所述卷积矩阵按照生成顺序堆
叠为一个卷积相图。
[0125]
所述机电设备健康状态识别模型为采用数据集训练好的深度学习模型，所述数据集包括多个卷积相图样本和与各卷积相图样本对应的标签。
[0126]
所述将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的健康状态的同时，具体包括：
[0127]
将所述卷积相图输入机电设备健康状态识别模型中，输出所述卷积相图对应的所述待检测机电设备的运行状态；所述运行状态包括加速运行状态、匀速运行状态、减速运行状态、颠簸状态和爬坡状态。
[0128]
所述物理数据包括振动信号、温度信号、电流信号、电压信号、电磁波信号或者湿度信号。
[0129]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0130]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。