一种基于时空中心网络的旋转机械故障诊断方法及系统
- 国知局
- 2024-09-05 14:44:04
本发明涉及机械健康监测,更具体的说是涉及一种基于时空中心网络的旋转机械故障诊断方法及系统。
背景技术:
1、随着工业机械设备朝着集成化、电气化和自动化的方向飞速发展,机械设备结构也越来越精细化和复杂化,导致其安全性面临了巨大的挑战。目前,作为机械设备的核心部件,旋转机械部件工作于复杂的工作环境中。旋转机械部件的运行安全至关重要,其故障会影响系统功能,甚至整个设备以及整个生产线都无法正常运转,轻则增加停机时间,重则引起大量经济损失甚至人员伤亡。
2、因此,如何对旋转机械故障进行智能准确的诊断,保证工业机械设备连续有效运行,是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供至少解决上述部分技术问题的一种基于时空中心网络的旋转机械故障诊断方法及系统,便于对旋转机械故障进行智能准确的诊断,有助于保证工业机械设备连续有效运行。
2、为实现上述目的,本发明采取的技术方案为:
3、第一方面,本发明实施例提供一种基于时空中心网络的旋转机械故障诊断方法,该方法包括:
4、基于时空中心网络构建旋转机械故障诊断模型;
5、获取旋转机械运行数据,并根据预设比例将数据划分为测试集和训练集;
6、利用划分的所述训练集对所述旋转机械故障诊断模型进行训练;
7、基于训练好的旋转机械故障诊断模型识别所述测试集的旋转机械故障类型,输出故障诊断结果。
8、可选的,所述时空中心网络包括:特征提取模块、分类模块和梯度优化模块,其中:
9、所述特征提取模块包括残差连接层和时序记忆层,所述残差连接层用于多尺度特征学习,获得旋转机械运行数据的空间特征;所述时序记忆层用于提取旋转机械运行数据的时序特征,将捕获的时空特征输入分类模块;
10、所述分类模块使用全连接层和softmax层将时空特征映射至(0,1)的概率区间内,选取概率最大的输出类别作为对应输入信号的故障诊断结果;
11、所述梯度优化模块包括交叉熵损失函数和中心损失函数,用于以驱动特征学习,提升不同类型故障之间的特征辨识度。
12、可选的,所述残差连接层包括多个残差单元,所述残差单元包括直接映射部分和残差部分,所述残差部分由两个批量归一化单元、两个整流线性单元和两个卷积层组成;其中:
13、所述批量归一化单元用于执行特征规范化操作,先将特征归一化为标准分布,再调整为理想分布;批量归一化单元的处理过程表示为:
14、
15、
16、
17、
18、其中,μ表示批量特征均值,σ表示批量特征方差,nbatch表示小批量大小,xn与yn分别是小批量中第n个观察值的输入与输出,ε是接近于0的保证数值稳定的常数,γ是缩放参数,β是偏置参数。
19、可选的,所述时序记忆层通过遗忘门、输入门和输出门的门结构来决定状态的更新和输入状态,对时序信息有选择性地记忆,提取旋转机械运行数据的时序特征。
20、可选的,所述梯度优化模块的中心损失函数为:
21、
22、其中,pi表示特征hi的类别标签,cpi表示pi的类中心。
23、第二方面,本发明实施例还提供一种基于时空中心网络的旋转机械故障诊断系统,应用上述的一种基于时空中心网络的旋转机械故障诊断方法,进行旋转机械故障诊断诊断,该系统包括:
24、模型构建模块,用于基于时空中心网络构建旋转机械故障诊断模型;
25、数据获取模块,用于获取旋转机械运行数据,并根据预设比例将数据划分为测试集和训练集;
26、模型训练模块,用于利用划分的所述训练集对所述旋转机械故障诊断模型进行训练;
27、故障诊断模块,用于基于训练好的旋转机械故障诊断模型识别所述测试集的旋转机械故障类型,输出故障诊断结果。
28、与现有技术相比,本发明至少具有如下有益效果:
29、1.本发明提供了一种基于时空中心网络的旋转机械故障诊断方法及系统,便于对旋转机械故障进行智能精准的诊断,有利于提高工作效率,有助于保证工业机械设备连续有效运行。
30、2.本发明在特征提取模块中通过结合残差连接层的多尺度空间特征提取能力和时序记忆层的时序特征提取能力,以全面挖掘旋转机械运行数据中的固有特征;在梯度优化模块中除了用交叉熵损失之外,还构造了中心损失,通过减小同类特征的类内距离并增大异类特征的类间距离,以进一步提升特征的区分度,从而采用分类模块准确识别旋转机械的故障类型,有助于实现实际工作环境下旋转机械的端到端精准故障诊断。
31、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
32、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
技术特征:1.一种基于时空中心网络的旋转机械故障诊断方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种基于时空中心网络的旋转机械故障诊断方法,其特征在于,所述时空中心网络包括:特征提取模块、分类模块和梯度优化模块,其中:
3.根据权利要求2所述的一种基于时空中心网络的旋转机械故障诊断方法,其特征在于,所述残差连接层包括多个残差单元,所述残差单元包括直接映射部分和残差部分,所述残差部分由两个批量归一化单元、两个整流线性单元和两个卷积层组成;其中:
4.根据权利要求2所述的一种基于时空中心网络的旋转机械故障诊断方法,其特征在于,所述时序记忆层通过遗忘门、输入门和输出门的门结构来决定状态的更新和输入状态,对时序信息有选择性地记忆,提取旋转机械运行数据的时序特征。
5.根据权利要求2所述的一种基于时空中心网络的旋转机械故障诊断方法,其特征在于,所述梯度优化模块的中心损失函数为:
6.一种基于时空中心网络的旋转机械故障诊断系统,其特征在于,应用如权利要求1-5任一项所述的一种基于时空中心网络的旋转机械故障诊断方法,进行旋转机械故障诊断诊断,该系统包括:
7.根据权利要求6所述的一种基于时空中心网络的旋转机械故障诊断系统,其特征在于,所述时空中心网络包括:特征提取模块、分类模块和梯度优化模块,其中:
技术总结本发明公开了一种基于时空中心网络的旋转机械故障诊断方法及系统,属于机械健康监测技术领域;该方法包括:基于时空中心网络构建旋转机械故障诊断模型;获取旋转机械运行数据,并根据预设比例将数据划分为测试集和训练集;利用划分的所述训练集对所述旋转机械故障诊断模型进行训练;基于训练好的旋转机械故障诊断模型识别所述测试集的旋转机械故障类型,输出故障诊断结果。本发明便于对旋转机械故障进行智能精准的诊断,有利于提高工作效率,有助于保证工业机械设备连续有效运行。技术研发人员:高天宇,杨京礼,王厂东受保护的技术使用者:哈尔滨工业大学技术研发日:技术公布日:2024/9/2本文地址:https://www.jishuxx.com/zhuanli/20240905/287901.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。