[发明专利]一种机械设备健康度预测方法、系统以及设备

说明书

本发明公开了一种机械设备健康度预测方法、系统以及设备，本发明包括以下步骤：通过高频采样获取机械设备的振动信号，基于振动信号求解得到振动信号特征；将振动信号特征输入到PLSR‑DNN健康度预测模型的PLSR线性映射层中，PLSR线性映射层输出振动信号特征的线性组合；将振动信号特征的线性组合输入到PLSR‑DNN健康度预测模型的DNN非线性映射层中，DNN非线性映射层输出机械设备的健康度预测结果。本发明通过采用PLSR‑DNN健康度预测模型对机械设备的振动信号特征进行处理从而输出机械设备的健康度，简便易行，便于实现，PLSR‑DNN健康度预测模型能充分利用输入的振动信号特征的所有信息，预测准确率高。

技术领域

本发明涉及机械设备检测技术领域，尤其涉及一种机械设备健康度预测方法、系统以及设备。

背景技术

“工业4.0”改革加速了传感器技术、无线通信技术以及计算系统发展，大量的监测数据涌入工业制造领域，同时也为机械健康监测系统研究带来了前所未有的挑战。计量检定系统存在多种机械设备，对于机械设备的健康度预测评估将有利于提升计量流水线运行快速性，保障流程安全性，促进检定准确性。

传统的机械健康检测技术需要了解机械设备的失效机理，建立精确的损伤模型并根据模型计算进行人为决策。然而，现代工业系统结构十分复杂，难以针对每个工业环节建立有效的模型，使得对机械设备的健康度检测过于复杂且准确率低。

综上所述，现有技术中对机械设备的健康度进行检测时，存在着检测手段过于复杂且准确率低的技术问题。

发明内容

本发明提供了一种机械设备健康度预测方法、系统以及设备，解决现有技术中对机械设备的健康度进行检测时，存在着检测手段过于复杂且准确率低的技术问题。

本发明提供的一种机械设备健康度预测方法、适用于预先建立的PLSR-DNN健康度预测模型，PLSR-DNN健康度预测模型包括PLSR线性映射层以及DNN非线性映射层，方法包括以下步骤：

通过高频采样获取机械设备的振动信号，基于振动信号求解得到振动信号特征；

将振动信号特征输入到PLSR-DNN健康度预测模型的PLSR线性映射层中，PLSR线性映射层输出振动信号特征的线性组合；

将振动信号特征的线性组合输入到PLSR-DNN健康度预测模型的DNN非线性映射层中，DNN非线性映射层输出机械设备的健康度预测结果。

优选的，机械设备的振动信号特征包括：振动信号幅值的均值、振动信号幅值的标准差以及振动信号的频域特征。

优选的，振动信号的频域特征求解步骤如下：

使用傅里叶变换将振动信号转换为幅频形式，提取振动信号的特征频率对应幅值A*作为振动信号的频域特征。

优选的，在将振动信号特征输入到PLSR线性映射层之前，对振动信号特征进行标准化处理。

优选的，PLSR线性映射层中以机械设备的健康度作为线性回归目标。

优选的，DNN非线性映射层为包含有第一隐含层以及第二隐含层的深度神经网络。

优选的，深度神经网络中，输入层与第一隐含层之间采用relu激活函数，第一隐含层与第二隐含层之间采用relu激活函数，第二隐含层与输出层之间采用线性输出。

优选的，在深度神经网络中通过正则化方法减小过拟合进而减小网络误差。

一种机械设备健康度预测系统，所述系统包括振动信号特征获取模块以及PLSR-DNN健康度预测模型模块；所述PLSR-DNN健康度预测模型模块包括PLSR线性映射层模块以及DNN非线性映射层模块；