基于卷积神经网络和小波灰度图的旋转机械故障诊断方法与流程

本发明属于旋转机械故障诊断技术相关领域，更具体地，涉及一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法。

背景技术：

随着现代工业技术的迅速发展，大型的机械设备越来越多地应用在了工业生产之中。同时，设备本身技术水平和复杂度都大大提高，这导致设备故障对工业生产的影响显著增加。如果生产中某台设备出现故障又未能及时排除，不仅会造成设备损坏，甚至造成危及人身安全的重大事故。

早期的故障诊断可以及时的判断设备的异常状态，预防和消除事故，降低事故损失，同时有助于制定合理的维修计划，降低设备维修费用，提高经济效益。因此，旋转机械对故障诊断机制的需求更加迫切，大型旋转机械的状态监测和故障诊断也越来越受到工业生产部门的重视。现有的旋转机械诊断系统，大多是对振动信号进行特征提取，然后对特征进行判断，这种方式在特征提取时往往会漏掉一些故障特征，且易造成误诊断，故障诊断精度较低。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其基于卷积神经网络和小波灰度图的特点，针对旋转机械故障诊断方法进行了设计。所述基于卷积神经网络和小波灰度图的旋转机械故障诊断方法采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，提高了诊断效率，降低了维修费用。

为实现上述目的，本发明提供了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：

(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；

(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；

(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；

(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。

进一步的，所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴向或者径向设置；且两者以预定采样方式对所述旋转机械进行所述振动信号的采集。

进一步的，所述预定采样方式为同步整周期采样，其采样频率是所述旋转机械转速的2ⁿ倍，n为大于等于6的正整数。

进一步的，对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下：

(21)选择小波母函数Ψ(t)，并根据小波母函数Ψ(t)生成不同尺度a下的连续小波

(22)在不同的尺度a下，对振动信号f(t)进行小波变换，即振动信号f(t)与小波函数ψ_a,b(t)的卷积即可得到多尺度小波分解结果；

(23)将所述分解结果排列起来，横轴表示信号的时间，纵轴表示尺度；

(24)把排列内的每个点的小波系数由灰度值代替，以得到振动信号的小波灰度图。

进一步的，所述卷积神经网络的训练过程包括以下步骤：

(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动信号，以得到多组不同的故障信号；

(2)对多组所述故障信号进行多尺度小波分解，得到小波灰度图；

(3)对所述小波灰度图进行预处理，以得到所述卷积神经网络的输入图像，同时根据故障种类，构造对应的输出矩阵；

(4)设置所述卷积神经网络的参数，将输入图像及输出矩阵输入所述卷积神经网络进行训练，以得到用于所述旋转机械故障诊断的卷积神经网络。

进一步的，所述卷积神经网络包括第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接神经网络，所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，且提高了诊断效率。

附图说明

图1是本发明较佳实施方式提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法的流程图。

图2是图1中的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法涉及的卷积神经网络的结构示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：10-卷积神经网络，11-第一卷积层，12-第一下采样层，13-第二卷积层，14-第二下采样层，15-全连接神经网络。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1及图2，本发明较佳实施方式提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：

步骤一，采集旋转机械的振动信号。具体地，在所述旋转机械上设置振动位移传感器及振动速度传感器，在所述旋转机械的运动过程中，所述振动位移传感器及所述振动速度传感器以预定采样方式对所述旋转机械进行振动信号采集。

所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴的轴向或者所述轴的径向设置，以检测所述旋转机械沿所述径向的振动。本实施方式中，所述振动位移传感器为电涡流位移传感器，其沿所述轴的径向设置。

所述采样方式包括采样长度及采样频率。本实施方式中，采用同步整周期采样，用来减小转速变化对采样集的影响，同步整周期采样的采样频率是所述旋转机械转速的2ⁿ倍，其中n为大于等于6的正整数，每次采集8个周期的振动信号。

步骤二，对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图。具体地，对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下：

(a)选择小波母函数Ψ(t)，并根据小波母函数生成不同尺度a下的连续小波

(b)在不同的尺度a下，对振动信号f(t)进行小波变换，即振动信号f(t)与小波函数ψ_a,b(t)的卷积即可得到多尺度小波分解结果。本实施方式中，采用Morlet小波作为母小波，对信号做1到128尺度的小波变换，以得到分解结果。

(c)将所述分解结果排列起来，横轴表示信号的时间，纵轴表示尺度。

(d)把排列中的每个点的小波系数由灰度值代替，以得到振动信号的小波灰度图。具体地，将最大的小波系数对应的灰度代替为0，最小的小波系数对应的灰度代替为255，中间的小波系数对应的灰度按照线性插值计算。

步骤三，按照预先训练好的卷积神经网络10的输入形式，对所述小波灰度图进行预处理。具体地，按照所述卷积神经网络10的输入形式从所述小波灰度图中截取相应部分作为所述卷积神经网络10的输入。本实施方式中，截取所述小波灰度图的横轴方向上100到200，纵轴方向上10到110得到101×101的灰度矩阵，作为所述卷积神经网络10的输入矩阵。

步骤四，将预处理后的所述小波灰度图输入到所述卷积神经网络10，所述卷积神经网络10对接收到的所述小波灰度图进行诊断分析，以得到所述旋转机械的故障诊断结果。

所述卷积神经网络10的训练过程包括以下步骤：

(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动信号，以得到多组不同的故障信号。

(2)对多组所述故障信号进行多尺度小波分解，得到小波灰度图。

(3)对所述小波灰度图进行预处理，以得到所述卷积神经网络的输入图像，同时根据故障种类，构造对应的输出矩阵。

(4)设置所述卷积神经网络的参数，将输入图像及输出矩阵输入所述卷积神经网络进行训练，以得到用于所述旋转机械故障诊断的卷积神经网络10。

本实施方式中，采用转子故障模拟试验台的数据作为卷积神经网络的训练数据，对5种故障进行多组升速试验，以获取大量的故障数据；所选用的卷积神经网络10包括有依次相连接的2个卷积层、2个下采样层和1个全连接神经网络15，两个所述卷积层分别为第一卷积层11及第二卷积层13；两个所述下采样层分别为第一下采样层12及第二下采样层14；所述第一卷积层11选用6个6×6的卷积分别对所述小波灰度图进行运算，得到6个第一特征图，然后由2×2的所述第一下采样层12对所述第一特征图进行下采样；所述第二卷积层13选用12个5×5的卷积对所述第一下采样层12采集到的所述第一特征图进行运算，以使每个所述第一特征图得到对应的12个第二特征图，然后由2×2的所述第二下采样层14对所述第二特征图进行下采样；最后通过所述全连接神经网络15对所述第二特征图进行聚类训练；所述卷积神经网络的输出定义如下：如果图像对应第一种故障，输出为[1，0，0，0，0]的矩阵，第二种故障为[0，1，0，0，0]，以此类推；无故障输出为[0，0，0，0，0]。

本发明提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，且提高了诊断效率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。