[发明专利]一种用于籽棉分选喷阀的故障诊断方法

权利要求书

1.一种用于籽棉分选喷阀的故障诊断方法，其特征在于，在目标机器正常运行过程中，利用振动传感器采集喷阀阵列附近机壳上不同位置的无故障振动信号，利用傅里叶变换实时计算在多个不同位置采集到的振动数据主要成分，记录这些主要成分的周期；通过分解和重构，获得校正以及去噪后的信号；利用故障喷阀依次替换喷阀阵列中的每个喷阀，再次在相同位置采集故障振动信号，经过与喷阀阵列正常运行时相同的处理步骤后获得校正以及去噪后的信号，将去噪后的信号按其各主成分周期打断后排列，形成输入张量；将无故障振动信号和故障振动信号作为训练数据对特征提取和分类网络进行训练，对各张量应用因果深度可分离卷积提取特征，利用训练后的分类网络进行分类，得出喷阀阵列的具体故障情况，具体包括以下步骤：

步骤1、在目标机器正常运行过程中，采集一段喷阀阵列附近机壳上不同位置的振动信号，计算其均值和方差，并对各信号进行傅里叶变换，按能量从高到低确定3个主要分量的周期T_a,a＝1,2,3；

步骤2、重新采集与步骤1中相同位置的固定长度的振动信号Ω₁,Ω₂,…Ω_n，并进行校正与降噪；

步骤3、将降噪后的各个序列分别按周期T₁,T₂,T₃切分后扩展维度，形成3个3维张量X₁,X₂,X₃，下式中用X_a表示：

式中，a表示主要分量的周期编号，i_a,j_a,k_a分别为周期、时间、序列的索引，m_a为按照第a周期切分的序列长度，在大小不足的维度上补0填充，使得各个张量形状一致，M是为X_a的行数，T是步骤1中3个主要分量的周期的最大值；

步骤4、将所述的张量X₁,X₂,X₃作为特征提取网络的输入，特征提取网络包含一个或多个因果深度可分离卷积层，特征提取网络输出的特征作为分类网络的输入，分类网络输出发生故障的概率向量P，定义如下：

P＝[p_y]_Y×1

式中，y为喷阀编号，Y为喷阀总数；

步骤5、求得故障喷阀编号y_err，公式如下：

式中，th为设定的阈值，y_err为0表示没有喷阀发生故障；

步骤6、将一故障喷阀依次替换各喷阀后启动机器，重复步骤2并同时记录故障喷阀所替换的位置，直至每个喷阀都被替换过，得到故障振动信号数据；

步骤7、喷阀阵列无故障的情况下再次重复步骤2执行Y次，得到无故障振动信号数据；

步骤8、采用步骤6和步骤7中数据作为训练数据对特征提取和分类网络进行训练；

步骤9、在目标机器上应用步骤8中已训练的网络进行故障检测。

2.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述振动信号的采集位置不少于两个。

3.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述步骤2中校正与降噪过程如下：

首先，计算对振动信号Ω进行校正得到校正后的信号Ω_norm，公式如下：

式中，μ_Ω为原信号的均值，σ_Ω为原信号的标准差；

其次，对Ω_norm信号进行降噪，采用完全噪声辅助聚合经验模态分解获得信号的各内涵模态分量，并由连续均方误差准则判断含噪分量，对其进行卡尔曼滤波后重构得到去噪的信号Ω′。

4.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述步骤4中因果深度可分离卷积为因果卷积升维后与深度可分离卷积组合得到，首先，将k×k×3的矩阵作为拓展的因果卷积核，k为卷积核大小，单次卷积所得结果在位置与卷积核末尾元素对齐；其次，将输入张量的第3维度中各通道与卷积核第3维度中各通道一一对应，仅在各通道内进行扩张卷积，输出仍为3维张量。