[发明专利]一种基于监督学习的机械设备智能故障检测方法及系统

权利要求书

1.一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法包括：

将基于时间序列的原始数据信号转换为梅尔频谱图数据；

将所述梅尔频谱图数据输入至构建的基于监督学习的机械设备智能故障诊断模型中检测基于时间序列的机械振动数据集中的异常状态，所述模型包括堆叠的二维卷积神经网络CNN、一维卷积神经网络CNN、残差长短时记忆网络LSTM以及长短时记忆网络LSTM。

2.根据权利要求1所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述二维卷积神经网络CNN的输出连接一维卷积神经网络CNN的输入，所述一维卷积神经网络CNN的输出连接残差长短时记忆网络LSTM的输入，所述残差长短时记忆网络LSTM的输出连接长短时记忆网络LSTM的输入。

3.根据权利要求2所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述长短时记忆网络LSTM的输出连接全连接层，所述全连接层连接分类输出层。

4.根据权利要求3所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法还包括：

组合的卷积神经网络用于基于梅尔频谱图数据进行正常和异常信号特征的提取，所述二维卷积神经网络CNN用于通过多重卷积滤波器保持梅尔频谱图像的空间信息，并提取和学习相邻低频图像的特征，接着将提取的特征通过池化层进行特征收集和增强，并用作一维卷积神经网络的输入。

5.根据权利要求3所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法还包括：

通过卷积神经网络提取的特征被用作剩余LSTM层的输入，通过残差LSTM和LSTM的联合实现基于时间序列的机械振动数据集中异常状态的检测。

6.根据权利要求3所述的一种基于监督学习的机械设备智能故障检测方法，其特征在于，所述方法还包括：

所述分类输出层使用softmax激活函数将其转换为对应于类别的0到1之间的概率分布，实现通过将正常和异常数据分为两个或多个类别来检测异常。

7.一种基于监督学习的机械设备智能故障检测系统，其特征在于，所述系统包括：

数据预处理模块，用于将基于时间序列的原始数据信号转换为梅尔频谱图数据；

异常检测模块，用于将所述梅尔频谱图数据输入至构建的基于监督学习的机械设备智能故障诊断模型中检测基于时间序列的机械振动数据集中的异常状态，所述模型包括堆叠的二维卷积神经网络CNN、一维卷积神经网络CNN、残差长短时记忆网络LSTM以及长短时记忆网络LSTM。

8.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种基于监督学习的机械设备智能故障检测系统执行如权利要求1-6任一项所述的方法。