[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

说明书

本发明公开了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，方法包括：基于机电装备具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，测量机电装备的振动信号；针对多个传感器获得的多个振动信号，采用IVMD实现振动信号分解；针对获得的每个IVMD分解分量，进行频谱幅值调制，以机电装备故障特征频率附近能量最大值为原则，确定各分量最优MO值，并获得最优MO值下改进信号的Hilbert平方包络谱；以各分量最优MO值下的Hilbert平方包络谱作为输入，构建改进的堆栈降噪稀疏自动编码机深度学习模型，实现机电装备故障诊断和健康状态评估。本发明能够准确实现机电装备故障诊断，为机电装备健康管理和智慧运维提供基础。

技术领域

本发明涉及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，属于机电装备故障诊断技术领域。

背景技术

机电装备是保障制造业蓬勃发展的重中之重，机电装备可靠性愈发重要。但是机电装备一般工作环境恶劣，故障时有发生，必将影响机电装备的使用效率及运行状态。因此，进行机电装备故障诊断和健康管理尤为重要。

基于振动信号分析是目前机电装备故障诊断的主要手段，但是机电装备运行状态中的振动信号往往比较复杂，并包含有一定噪声干扰，影响振动信号的分析处理效果。目前，常用的故障诊断流程包含信号预处理-故障特征提取-故障类型识别，整个故障诊断算法的信号处理流程需要大量的人为参与和经验，故障特征提取的过程缺乏自动化和自主学习性。故障类型识别常用浅层神经网络实现，例如BP神经网络、概率神经网络等，但是浅层神经网络数据学习能力有限。

浅层神经网络向深度学习的发展促进了故障诊断技术发展，深度学习能够充分发挥数据学习能力，能够从数据中学习故障特征，并完成分类识别，具有较好的技术潜力。但是从传感器获得的振动数据比较复杂，故障信息微弱，并存在干扰噪声等，具有应用的局限性。

发明内容

本发明的目的在于克服现有技术中的不足，提供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，能够准确实现机电装备故障诊断。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了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，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。

进一步的，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；