[发明专利]一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法及装置

说明书

本发明提供一种基于2D‑CNN和t‑SNE的机械设备快速故障诊断方法及装置，包括：采样步骤S1，采集的机械设备的运行数据经数据预处理后的数据集分为训练集和测试集；训练步骤S2，训练集输入至初始2D‑CNN模型经样本训练后得到标准2D‑CNN模型，测试集输入至标准2D‑CNN模型经特征提取后得到测试集特征数据；可视化步骤S3，测试集特征数据采用t‑SNE处理得到测试集特征图像；诊断步骤S4，采集机械设备的实时运行数据，经数据预处理后作为待测数据，待测数据进行特征提取得到待测特征数据，经t‑SNE处理后得到待测数据特征图像，通过待测数据特征图像和测试集特征图像的比对处理得到机械设备的诊断结果。本发明能够对机械设备进行实时在线监测，解决故障诊断不及时问题。

技术领域

本发明涉及故障诊断技术领域，具体的，涉及一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法及装置。

背景技术

旋转机械设备广泛应用于航空业等多个领域，并在其中发挥着不可或缺的作用。滚动轴承是旋转机械中的核心部件，旋转机械的总体性能受到其安全性和可靠性的直接影响。滚动轴承由于在复杂且不稳定的载荷条件下，经过一段时间内的长期连续地高速运行，通常都会出现热疲劳、机械性磨损以及冲击交变载荷等问题。这些问题一旦得不到解决，将会带来巨大的生命与财产损失。在线监测技术通过监测滚动轴承的健康表征量，如振动信号、油液、温度等能够及时掌握机械内部故障发生与演变情况，将降低故障带来的危害，减少维修成本的同时有效避免灾难性事故的发生。因此，对滚动轴承状态进行在线监测是十分必要的。

传统基于信号处理的故障在线监测方法存在以下问题：首先，高噪声背景下振动信号提特困难；其次，需要专门的信号处理知识和专家经验进行判断。这都制约着基于信号处理的故障在线监测方法的发展。而机器学习的提出为故障在线监测领域的研究提供了一种新思路，成为了当前研究的前沿与热点。基于卷积神经网络(CNN)的故障诊断方法更是当前支撑滚动轴承在线监测的关键技术，虽然其拥有很高的诊断准确率，但缺陷也同样明显。首先，从滚动轴承的振动信号中提取的高维特征可能导致特征冗余和后续计算的资源浪费；其次，模型训练数据需求量大，训练及测试时间较长，导致滚动轴承的在线监测存在一定延迟，可能因为无法及时发现故障而造成不必要的损失；最后，虽然CNN能够实现端对端的故障诊断，即输入数据得到诊断结果，类似于“黑箱”，但是其训练以及测试过程很难被监控，数据处理过程可解释性差。这将降低模型的在线监测效率。

综上所述，针对滚动轴承故障在线监测问题，基于CNN的滚动轴承在线监测方法虽然一定程度上可以达到很好的故障诊断精度，但却也产生了一些新的问题，比如特征冗余、训练数据需求量大、训练测试时间长导致在线监测延迟，数据处理过程可解释性差，这些都将降低模型的诊断效率，制约模型的诊断精度。因此，如何快速有效地处理冗余特征，加快模型在线监测速度，监控模型在线监测的全过程，实现更准确、高效的故障诊断，这是当前研究的重点与难点。

发明内容

针对上述技术问题，本发明提供一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法及装置，能够有效提取信号特征，利用数据可视化的方式，及时反馈监测结果，提高机械设备(例如滚动轴承)在线监测与故障诊断效率。本发明能够对机械设备的健康状况进行实时在线监测，解决故障诊断不及时问题，提高机械设备故障诊断的效率。

本发明提供了一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法，包括以下步骤：采样步骤S1，将采集的机械设备的运行数据经数据预处理后的数据集分为训练集和测试集；训练步骤S2，将训练集输入至初始2D-CNN模型经样本训练后得到标准2D-CNN模型，将测试集输入至标准2D-CNN模型经特征提取后得到测试集特征数据；可视化步骤S3，将测试集特征数据采用t-SNE处理得到测试集特征图像；以及诊断步骤S4，采集机械设备的实时运行数据，经数据预处理后作为待测数据，将待测数据输入至标准2D-CNN模型中进行特征提取得到待测特征数据，将待测特征数据经t-SNE处理后得到待测数据特征图像，通过待测数据特征图像和测试集特征图像的比对处理得到机械设备的诊断结果。