[发明专利]基于多源信号和深度学习的设备故障诊断方法

说明书

本发明涉及一种基于多源信号和深度学习的设备故障诊断方法，采用多源信号进行设备故障诊断，充分且有效利用设备的多个状态监控数据，为故障诊断提供更多重要的故障信息，使诊断在多工况等复杂环境下依旧保持令人满意的鲁棒性和准确性；本发明基于深度学习构建深度神经网络模型，无需人为处理原始数据和提取特征，借鉴残差网络的思想，在卷积神经网络模型的基础上加入跳跃连接来扩展网络深度，每层网络只学习特征表示的残差，不仅加速模型收敛过程、提高模型的训练效率，而且能够提高模型的拟合能力和诊断性能；引入全局平均池化替代部分全连接层，通过减少网络结构参数，在降低分类器过拟合风险的同时加速网络的训练过程，为有效提高诊断性能和泛化能力。

技术领域

本发明涉及一种设备故障诊断技术，特别涉及一种基于多源信号和深度学习的设备故障诊断方法。

背景技术

设备或零件失效对于系统运行影响重大，可能造成巨大的经济损失，甚至严重危及人身安全等。及时对故障设备进行诊断恢复，对于生产安全和生产效益有极其重要的意义。现代工业系统规模大、组成成分数量多、结构复杂、部件耦合性高，导致系统故障诊断的难度大。因此，研究准确、快速、稳定的故障诊断方法是当前研究的重点。

从信号源选取方面来看，目前滚动轴承故障诊断领域中多数研究使用单一信号作为分析对象进行特征学习，例如振动信号和电流信号。但是数据收集过程中极有可能混杂噪声等不确定性因素，而且不同故障类型对不同源信号的敏感程度不一样。在多工况运行等复杂环境中，单一信号可能会受环境影响和冲击比较大，在此基础上建立的故障诊断模型可能鲁棒性比较差，甚至不能确保足够的诊断精度及泛化性能。因此，针对多源信号输入的故障诊断方法研究具有重要的现实意义。

从算法选取方面来看，传统故障诊断方法主要分为基于模型的方法和基于数据驱动的方法。基于模型的方法通常建立在大量先验知识和专家经验的基础上，对设备系统进行精确建模。基于数据驱动的方法从数据中挖掘故障信息，对于先验知识的依赖大大减少,根据特征约减和选择、距离度量、随机森林等机器学习算法对故障特征进行预处理、分类和识别。但是随着系统日渐大型化、复杂化，一方面，系统整体具有高度不确定性和非线性特征，无法完全依靠传统方法建立精确的物理模型进行管理监控；另一方面，现代状态监控数据呈现出海量、不确定性、价值密度低等“大数据”特性，传统数据驱动方法难以从这些数据有效提取故障信息，学习状态数据与故障类型之间的映射关系，无法适应新时期的故障诊断需求。

与传统基于模型的方法相比，深度学习具有复杂的非线性特性和优秀的学习能力，通过多元化结构从输入数据提取高级抽象特征，不需要大量的先验信息或精确的物理解析模型，能够在大数据的基础上提供端到端的诊断方法。当前卷积神经网络、长短期记忆网络、深度置信网络、堆叠式自动编码机等深度网络备受青睐，其中卷积神经网络由于共享卷积核、局部感知的特点，在处理高维数据时更加有优势。网络层数对于模型性能具有决定性影响，理论上网络越深，其拟合能力越强，学习表示特征的能力越优秀，但实际上，模型性能会随着网络层数增加呈现出上升、饱和后下降的“退化”现象。针对这个问题，深度残差网络通过引入跳跃连接结构，解决了网络梯度消失问题，极大推动了深度学习的发展，逐渐有学者借鉴残差学习思想，构建各个研究领域中优秀的深度网络模型。因此，基于深度学习尤其是残差网络来实现高精度和强泛化能力的故障诊断算法的研究具有重要意义。

发明内容

针对单一信号故障诊断鲁棒性不足问题，提出了一种基于多源信号和深度学习的设备故障诊断方法，利用多源传感器信号提供更加多设备状态信息，使其在复杂环境下仍旧满足诊断性能要求。针对当前设备系统复杂化、大型化的发展趋势、以及状态监控数据海量高维的特点，使用深度学习建立判别式模型，在卷积神经网络的基础上引入残差学习的思想，提高故障诊断模型的训练效率和诊断性能。

本发明的技术方案为：一种基于多源信号和深度学习的设备故障诊断方法，具体包括如下步骤：

1)多源传感器信号的采集与选取：从多种监测设备状态的传感器信号中选择表征设备各种故障状态以及健康状态的数据，其中状态数据要求能被连续测量和记录；