[发明专利]多尺度一维卷积神经网络的风机基座螺栓松动诊断方法

说明书

本发明涉及多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，属于机械状态诊断技术领域。首先，以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入，摆脱对信号处理和专业知识的依赖，并最大程度保留原始信号特征；然后，通过交替的多尺度卷积层和池化层对时域信号特征进行学习；最后，在特征输出层后添加Softmax多分类器，利用反向传播逐层微调结构参数建立特征空间到健康状态空间的映射，输出风机基座螺栓松动程度诊断结果。本方法将松动程度特征自动学习与松动程度诊断融为一体，实现了风机基座螺栓松动程度智能诊断。通过在稳定转速和变转速下对风机基座螺栓松动程度诊断实验，证明了所提方法的可行性和有效性。

技术领域

本发明属于机械状态诊断技术领域，涉及多尺度一维卷积神经网络的风机基座螺栓松动诊断方法。

背景技术

风机是工程中应用最广泛的通风装置，连接螺栓是保证风机基座稳定的重要部件。工程现场中，风机运行环境恶劣，其因受粉尘等侵扰，在长时间运行中易出现不平衡和润滑不良等问题，导致振动加剧，容易造成风机基座连接螺栓松动，进而更加剧振动，形成恶性循环，影响风机正常工作和通风安全，甚至造成安全事故，特别是悬挂类风机更容易造成脱落等恶劣后果。因此，对风机基座螺栓松动诊断尤为重要。目前已有的风机基座螺栓松动程度诊断方法如韩坤林等利用LLTSA算法对人工提取24维振动混合域特征参数进行特征约简，结合最近邻分类器(KNNC)实现风机基座螺栓松动程度诊断；陈仁祥等结合敏感特征与流行学习约简构造风机基础连接螺栓松动程度低维特征集，通过加权最近邻分类器(WKNNC)实现风机基座螺栓松动程度诊断。这些方法取得了一定的效果，但均依靠人工提取信号特征，其人工提取特征过程需要依靠大量信号处理技术和专家知识与经验，且难以通过提取的浅层特征对原始信号特征进行全面准确刻画。特别针对不同风机，存在的不同的运行转速，因而采集的振动信号因受转速影响而存在明显差异，依靠现有方法无法有效地实现此种情况下风机基座螺栓松动程度诊断。因此，如何减小转速影响，从信号中有效提取出螺栓松动程度状态特征面临挑战，这也意味着对于算法强大特征提取能力的需求。

发明内容

有鉴于此，本发明的目的在于提供多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，所用材料与原型材料具有非常相似的物理、力学性质，因而能更好的模拟围岩及破碎带的力学性能，且原材料无毒副作用不会对人体造成伤害，原材料易得，价格低廉。

为达到上述目的，本发明提供如下技术方案：

多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，该方法包括以下步骤：

步骤1：获取风机基座螺栓不同松动程度振动时域信号，划分训练样本和测试样本；

步骤2：构建多尺度一维卷积神经网络模型，并对模型参数初始化；

步骤3：以批量方式输入训练样本，逐层向前传播获取精细化样本特征，在输出层获取实际松动程度状态类别，计算期望输出与实际输出的误差；

步骤4：将误差反向传播，逐层微调网络参数；

步骤5：重复3、4步骤，直到将训练样本全部训练完毕且满足网络精度要求或者达到迭代次数，得到可用于风机基座螺栓松动程度智能诊断的模型；

步骤6：输入测试样本，获取诊断结果。

可选的，所述步骤2中多尺度一维卷积神经网络模型由两层交替的多尺度卷积层和池化层、两层全连接层构成；

1)多尺度卷积层包含n个并行的卷积层，每个卷积层使用不同尺度的一维卷积核对输入信号进行不同尺度的卷积，实现不同精细度信号特征的提取；然后对各卷积层所提取特征进行拼接，输出到下一层；多尺度一维卷积定义如下：