一种基于神经网络的机械设备故障诊断方法与系统与流程

本发明涉及机械设备故障诊断技术领域，尤其涉及一种基于神经网络的机械设备故障诊断方法与系统。

背景技术

机械设备例如数控机床等在航空航天、交通运输、经济生产、冶金化工等各个工业和生产领域中有着非常广泛的应用。但是，机械设备一旦发生故障，不仅会带来经济损失，更可能危及人身安全，造成严重的危害和影响。如何保持其健康运转，以及设备出现故障后及时检测和修理，都是重要的问题。所以，对机械设备的故障诊断方法进行研究是一件非常有必要和意义的事。随着计算机技术在实时监测和诊断领域应用的不断深化，将基于知识库的专家系统技术应用于诊断领域已经成为诊断技术的一个重要方向。但是，传统的故障诊断专家系统是通过预先设定好的知识库和推理机对机械设备进行故障诊断。如此以来，如果机械设备出现了一组没有在知识库中构建过的故障数据，传统专家系统无法将其有效地识别出来，降低了故障诊断的精度。

技术实现要素：

本发明的目的在于通过一种基于神经网络的机械设备故障诊断方法与系统，来解决以上背景技术部分提到的问题。

为达此目的，本发明采用以下技术方案：

一种基于神经网络的机械设备故障诊断方法，该方法包括：

s101、故障诊断专家系统知识库获取机械设备故障属性；

s102、执行故障属性扩充，输出完整特征数据集；

s103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；

s104、采用深度神经网络分类器对步骤s103处理后的数据进行分类训练，获得故障诊断结果。

特别地，所述步骤s102包括：通过基于adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。

特别地，步骤s102具体包括：将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。

特别地，所述步骤s103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出。

特别地，所述步骤s104中深度神经网络分类器通过如下方式选择：同时使用基于adam算法的深度神经网络分类器和基于quasi-newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。

本发明还公开了一种基于神经网络的机械设备故障诊断系统，该系统包括若干上位机和服务器；所述上位机用于将收到的机械设备振动信号输出给服务器；所述服务器用于执行步骤s101至步骤s104：s101、故障诊断专家系统知识库获取机械设备故障属性；s102、执行故障属性扩充，输出完整特征数据集；s103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；s104、采用深度神经网络分类器对步骤s103处理后的数据进行分类训练，获得故障诊断结果；所述服务器还用于存储故障诊断结果，并将所述故障诊断结果发送给上位机。

特别地，所述步骤s102包括：通过基于adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。

特别地，步骤s102具体包括：将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。

特别地，所述步骤s103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出给上位机。

特别地，所述步骤s104中深度神经网络分类器通过如下方式选择：同时使用基于adam算法的深度神经网络分类器和基于quasi-newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。

本发明提出的基于神经网络的机械设备故障诊断方法与系统将专家系统知识库的知识转化为神经网络可训练的数据，在小样本中得到大样本的训练结果，提高了机械设备故障诊断的准确率。

附图说明

图1为本发明实施例提供的基于神经网络的机械设备故障诊断方法流程示意图；

图2为本发明实施例提供的基于adam算法的深度神经网络的部分神经元反向更新参数过程示意图；

图3为本发明实施例提供的属性扩充神经网络的效果示意图；

图4为本发明实施例提供的深度神经网络分类器的选择过程示意图；

图5为本发明实施例提供的基于神经网络的机械设备故障诊断系统示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容理解的更加透彻全面。需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

请参照图1所示，图1为本发明实施例提供的基于神经网络的机械设备故障诊断方法流程示意图。

本实施例中基于神经网络的机械设备故障诊断方法具体包括：

s101、故障诊断专家系统知识库获取机械设备故障属性。

s102、执行故障属性扩充，输出完整特征数据集。

s103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理。在本实施例中数据处理采用经验模态分解法(empiricalmodedecomposition，emd)，emd是将原信号x(t)分解为许多窄带分量的信号分解方法，每一分量被称为本征模态函数(intrinicmodefunetion，imf)。

算法首先需要找到原信号所有的极大值点和极小值点，并通过三次样条函数拟合信号的极大值包络线e+(t)和极小值包络线e_(t)。上下包络线的均值为原信号的均值包络将原信号序列m1(t)减去就得到一个去掉低频的新信号

重复上述过程，假定k次过后，得到新信号则原有一阶imf分量为

用原始信号减去c1(t)，得到一个去高频信号r1(t)＝x(t)-c1(t)，对r1(t)重复得到c1(t)过程，得到第二个imf分量c2(t)，如此反复进行，直到第n阶分解后残余量是单调函数时，emd分解过程停止。最后，原信号进过emd分解后得到分解方程：

s104、采用深度神经网络分类器对步骤s103处理后的数据进行分类训练，获得故障诊断结果。

如图1所示，深度神经网络输入层为经过数字信号处理的机械设备故障振动信号特征节点，输出为故障分类结果。基于adam算法的深度神经网络的部分神经元反向更新参数过程如图2所示，在神经元y1反向更新过程中，权重更新公式变为带有偏一阶据估计量momentum项和偏二阶据估计量rmsprop项。公式：中：mt＝β1mt-1+(1-β1)gt，vt＝β2vt-1+(1-β2)gt⊙gt，其中，wt是第t次更新后的权重，α为每次更新步长(默认为|：0.001)，mt为t次更新时有偏一阶矩估计，vt为有偏二阶矩估计。δ为用于数值稳定的小常数。β1和β2为矩估计的指数衰减速率，都是区间[0,1)内实数。gt是t次更新时损失函数梯度：m为训练样本个数，f(xⁱ；w)为激活函数，yⁱ是自变量xⁱ对应的标签因变量。

具体的，在本实施例中通过基于adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。其中，adam(adaptivemomentestimation，适应性矩估计)算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即alpha)更新所有的权重，学习率在训练过程中并不会改变。而adam算法通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。如图3所示，在数据预处理阶段，将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。

在本实施例中所述步骤s103中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出。

在本实施例中，如图4所示，所述步骤s104中深度神经网络分类器通过如下方式选择：同时使用基于adam算法的深度神经网络分类器和基于quasi-newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。其中，牛顿法是一种在实数域和复数域上近似求解方程的方法。方法使用函数f(x)的泰勒级数的前面几项来寻找方程f(x)＝0的根。牛顿法最大的特点就在于它的收敛速度很快。拟牛顿法(quasi-newtonmethods)是求解非线性优化问题最有效的方法之一。拟牛顿法的本质思想是改善牛顿法每次需要求解复杂的hessian矩阵的逆矩阵的缺陷，它使用正定矩阵来近似hessian矩阵的逆，从而简化了运算的复杂度。拟牛顿法和最速下降法一样只要求每一步迭代时知道目标函数的梯度。通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。这类方法大大优于最速下降法，尤其对于困难的问题。另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法更为有效。如今，优化软件中包含了大量的拟牛顿算法用来解决无约束，约束，和大规模的优化问题。如图5所示，本实施例还公开了一种基于神经网络的机械设备故障诊断系统，该系统包括若干上位机和服务器。在工作时，采集到的机械设备振动信号(机床数据)传入服务器，在服务器进行故障诊断方法应用和数据持久化，在上位机将诊断结果反馈给用户并将结果同步保存。

具体的，所述上位机用于将收到的机械设备振动信号输出给服务器；在本实施例中机械设备振动信号通过若干传感器进行采集，并在采集后通过数据采集设备输出给上位机，上位机通过tcp/udp协议将数据传入sqlserver数据库和服务器。在本实施例中所述上位机采用计算机，上位机中安装有相应的ui交互软件。在本实施例中所述机械设备可以为但不限于数控机床。

所述服务器用于执行步骤s101至步骤s104：s101、故障诊断专家系统知识库获取机械设备故障属性；s102、执行故障属性扩充，输出完整特征数据集；s103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理；s104、采用深度神经网络分类器对步骤s103处理后的数据进行分类训练，获得故障诊断结果；所述服务器还用于存储故障诊断结果，并将所述故障诊断结果发送给上位机，上位机将结果反馈给用户。

同样的，基于adam算法的深度神经网络的部分神经元反向更新参数过程如图2所示，图中x1到xi为数字信号处理后的数据特征向量，y1到ym表示该特征向量对应的故障类别标签。z1到zq为隐藏层节点，wt为adman算法中wt，在神经元y1反向更新过程中，权重更新公式变为带有偏一阶据估计量momentum项和偏二阶据估计量rmsprop项。权重公式如下：该公式中：mt＝β1mt-1+(1-β1)gt，vt＝β2vt-1+(1-β2)gt⊙gt，其中，wt是第t次更新后的权重，α为每次更新步长(默认为|：0.001)，mt为t次更新时有偏一阶矩估计，vt为有偏二阶矩估计。δ为用于数值稳定的小常数。β1和β2为矩估计的指数衰减速率，都是区间[0,1)内实数。gt是t次更新时损失函数梯度：m为训练样本个数，f(xⁱ；w)为激活函数，yⁱ是自变量xⁱ对应的标签因变量。

在本实施例中通过基于adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。如图3所示，图中说明：xi1到xil是从专家系统知识库中得到的不完整数据，是符合知识库某一故障类特征要求的高斯分布随机数，xi到xn是经过属性扩充神经网络扩充后的完整特征向量，其数据格式与图2中xi到xn相同；在数据预处理阶段，将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点，按照完整数据特征节点的存放格式保存，在无数据位置进行补零操作，通过属性扩充神经网络将补零部分扩充为完整数据集。

在本实施例中，如图4所示，所述步骤s104中深度神经网络分类器通过如下方式选择：同时使用基于adam算法的深度神经网络分类器和基于quasi-newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练，将得到的结果进行比较，根据比较结果，选择分类准确率高的深度神经网络分类器。

本发明的技术方案将专家系统知识库的知识转化为神经网络可训练的数据，在小样本中得到大样本的训练结果，将数据持久化技术应用到故障诊断领域，提高了机械设备故障诊断的准确率。针对在小样本中得到大样本的训练结果，说明如下：通过上文提到的故障属性扩充神经网络，可以将专家系统知识库中定性知识转换成与原始数据格式相同的完整量化数据。该过程实现了样本的扩充，扩充后的样本与原始小样本数据一同放入最终分类网络中进行训练。此时训练的数据不再只有小样本数据，还有大量由属性扩充神经网络生成的完整扩充数据。由于有效数据增加，可以使得训练结果更加准确。针对数据持久化，说明如下：数据持久化就是将内存中的数据模型转换为存储模型,以及将存储模型转换为内存中的数据模型的统称。技术方案中(图5所示)服务器端除进行模型运算外，对于传入数据使用数据库进行保存，同时将训练好的模型也进行存储，在pc端断开连接后能保证数据和模型不会丢失，从而实现数据持久化。

本领域普通技术人员可以理解实现上述实施例中的全部部分是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。