[发明专利]基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置

说明书

本发明公开了一种基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置，涉及机械设备故障诊断技术领域。包括：获取机械设备数据；将机械设备数据转换为二维图像；将二维图像输入到训练好的多尺度2D膨胀卷积神经网络；基于二维图像以及训练好的多尺度2D膨胀卷积神经网络，得到机械设备故障诊断结果。本发明通过将膨胀卷积引入到网络中，灵活的实现了多尺度特征提取，减少信息量的冗余，减少计算量，同时减少模型的参数量；将级联结构引入到网络中，通过将低分辨率信息和高分辨率信息结合以提高在样本数量不足时故障诊断准确率，同时在样本有噪声情况下提高模型准确率。

技术领域

本发明涉及机械设备故障诊断技术领域，特别是指一种基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置。

背景技术

当今社会己经发展到工业4.0时代，在人们生产生活等方面的各个领域应用的工业设备更加复杂，由于工业设备系统运行工况繁杂多变、运行环境相对恶劣，更增加了系统性能退化失效的速率和发生故障的概率，对于关键设备系统，一旦发生由失效引起的事故，将导致重大的经济损失甚至是人员伤亡，在工业生产中，对设备的故障预测非常重要，准确地分析和预测出设备安全隐患，并提供有效的措施，可及时控制和防止设备在生产中对生产力的损失。故障诊断技术作为一种融合多种技术的综合性学科，为实现工业系统安全可靠运行提供了有效的技术支持。其主要目的在于探索研究如何对出现的各类故障进行检测、定位和识别。具体内容包括定位故障发生的部位、大小以及时间，识别故障类型等。

现如今，仍有诸多学者致力于对该领域的探索研究，该领域一直是国内外研究热点之一。经典的故障诊断技术有专家系统、模型分解、信号处理等方法，单这些方法有通用性不强、建模复杂、鲁棒性不强、表征能力差等缺点，其应用范围受到了极大的限制。随着机械设备日益复杂化、智能化，加之大数据发展时代的大背景下，具有通用性、端到端、强大表征能力的智能化故障诊断方法成为研究的热点和难点。人工智能中的深度学习技术日趋成熟，并且具备通用性、端到端的特点，其强大的特征提取能力可以解决故障诊断中由于设备结构复杂、信号微弱等因素导致的精度与准确率不高的问题。

CNN(Convolutional Neural Networks，卷积神经网络)是一种前馈神经网络，是深度学习领域具有代表性的网络结构之一；其实质是一种层次模型，由若干卷积层、池化层、非线性激活函数层以及全连接层组成，作为最有效的深度学习之一，卷积神经网络已应用于故障诊断。由于原始信号是一维的振动信号，通常使用1D-CNN做机械设备故障。但是，1D卷积没有考虑原始信号周期之间的关系。并且对故障原始信号要求高，因此2D-CNN被用于故障诊断中，2D-CNN不需要对原始振动信号做处理，直接将原始1D振动信号转为可以被2D卷积识别的2D信号，并考虑了周期之间的关系，然后通过CNN来对转换后的信号做特征提取，最后经过全连接层输出分类的结果。但是随着分类的要求越来越高，想要得到一个精度高的模型需要很深的网络层数和大量的数据来训练，且但随着网络层数加深会出现过拟合、梯度消失等现象，准确率不再随着网络层数加深而上升，同时网络层数加深会耗费大量计算成本且参数量大不利于实际工业部署，实际生产过程中采集到的信号会有噪声干扰，当训练样本数量下降时，现有方法面对这些情况时准确率不高，鲁棒性差。

发明内容

本发明针对现有技术对设备的故障预测准确率不高，鲁棒性差的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

一方面，本发明提供了一种基于多尺度2D膨胀卷积网络的设备故障诊断方法，该方法由电子设备实现，该方法包括：

S1、获取机械设备数据。

S2、将机械设备数据转换为二维图像。

S3、将二维图像输入到训练好的多尺度2D膨胀卷积神经网络。

S4、基于二维图像以及训练好的多尺度2D膨胀卷积神经网络，得到机械设备故障诊断结果。