[发明专利]一种基于多任务特征共享神经网络的智能故障诊断方法

说明书

本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：（1）分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；（2）构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；（3）采用多任务联合训练，同时训练分类和预测模型；（4）将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。

技术领域

本发明属于机械故障诊断领域，具体涉及一种基于多任务特征共享神经网络的智能故障诊断方法。

背景技术

随着科学技术的快速发展以及《中国制造2025》、《新一代人工智能发展规划》等国家战略的部署，我国机械制造业正逐步进入数字化的智能制造时代。各行各业的机械设备系统不断朝着复杂化、数字化和智能化的方向发展。然而，长期运行于高负荷、高转速和高作业率状态下的机械设备，极易出现疲劳失效，进而导致设备停机，甚至导致重大安全事故和巨大的经济损失。因此，智能故障诊断与预测性维护技术已经成为了工业界和学术界研究的热点话题。

近年来，基于深度学习和数据驱动的智能诊断方法在工业实际中得到了较为广泛地应用。然而，一般的智能故障诊断方法仍存在以下局限性：1)将不同退化程度的同类型故障视作多种不同的故障模式，利用分类的方法来识别退化程度。而在实际工业环境中，评价设备退化程度的参量多为连续变化的物理量，以分类的方法来进行设备退化评估不符合工业实际情况；2)当工况(如转速和载荷)发生变化时，诊断算法的泛化能力较差。传统方法一般通过扩大数据集的样本量来提高模型的泛化能力，但要收集所有工况下各个故障类型的数据，不仅经济代价大，而且费时费力，实施的可行性差；3)现有方法多限于诊断特定任务，如设备故障分类或性能退化预测，算法的可拓展性和可迁移性较差，难以满足实际工业环境中愈发多样和灵活的诊断需求。

发明内容

针对上述问题，本发明提出一种基于卷积神经网络和长短时记忆网络的多任务特征共享神经网络(Multi-Task Feature Sharing Neural Network,MFSNN)。该网络具有多任务特征共享的特点，采用多任务联合训练，可同时实现多任务智能诊断。

本发明的目的至少通过如下技术方案之一实现：

一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，其特征在于，包括步骤：

(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；

(2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；

(3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；

(4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。

进一步地，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。

进一步地，步骤(2)中构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从振动加速度信号中提取深层特征，具体构建步骤为：