[发明专利]一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置

权利要求书

1.一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，其特征在于，包括以下步骤：

基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号；

针对所述机电装备的振动信号，在STFT时频分析的基础上引入信息熵，利用信息熵的极值点预估信号初始中心频率，并基于所述信号初始中心频率对所述机电装备的振动信号采用改进的变分模态分解IVMD实现振动信号分解，获取多个IVMD分解分量；

逐个对每个IVMD分解分量选取不同的MO数值进行频谱幅值调制，获得每个IVMD分解分量不同MO数值下的改进信号；设定基于机电装备故障特征频率幅值能量最大的准则对每个IVMD分解分量进行最优改进信号筛选，获得各IVMD分解分量的最优MO值下的最优改进分量，并对各IVMD分解分量的最优MO值下的最优改进分量进行Hilbert变换，获得各IVMD分解分量最优MO值下最优改进分量的Hilbert平方包络谱；

以各IVMD分解分量最优MO值下最优改进分量的Hilbert平方包络谱输入改进的堆栈降噪稀疏自动编码机深度学习模型，输出机电装备故障诊断的状态类型标号，实现机电装备故障诊断和健康状态评估。

2.根据权利要求1所述的融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，其特征在于，基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号的方法包括：

基于机电装备的具体机械结构，首先进行有限元模态分析，选取整个机电装备中振动位移最大点做为最优的振动传感器布置位置；

将高精度振动传感器采用螺钉紧固方式安装在最优的振动传感器布置位置上，采用24位高精度数采卡实时测量机电装备的振动信号。

3.根据权利要求1所述的融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，其特征在于，针对所述机电装备的振动信号，在STFT时频分析的基础上引入信息熵，利用信息熵的极值点预估信号初始中心频率的方法包括：

所述机电装备的振动信号具有N个数据点x＝{x₁,x₂,...,x_N}，针对该振动信号进行短时傅里叶变换：

其中，STFT(t,f)为短时傅里叶变换结果，x(τ)为振动信号序列，w()为所采用的窗函数，t为时间，τ为变量，f为频率；

计算获得每个时间点频率幅值的能量：

其中，E(t_i,f_i)为在t_i时间f_i频率的能量，STFT(t_i,f_i)为在t_i时间f_i频率的短时傅里叶结果；

进行时间序列频率幅值信息熵计算，具体计算公式为：

其中，E(t_i,f_i)为在t_i时间f_i频率的能量，M为不同数据点的序号，EN^M(t_i,f_i)为时间序列频率幅值信息熵；变量M的取值为从1到N，则对于一系列的M数值，即可获得相对应的EN^M(t_i,f_i)熵序列，提取EN^M(t_i,f_i)熵序列中的最大极值点，所获得的一系列熵极值点所对应的一系列频率即为预估的信号分量初始中心频率。