一种基于2维CNN的旋转机电设备故障信号分类方法技术

本发明专利技术公开了一种基于2维CNN（卷积神经网络）的旋转机电设备故障信号分类方法，属于深度学习与数据处理领域。该方法通过研究振动在机械设备中的传播，在单台设备上安装多个工业级MEMS振动传感器，监测设备的多个振动方向的振动信号，利用采集的原始振动信号，采用滑窗的机制选取信号构成神经网络的矩阵，输入到一个卷积神经网络模型中，实现对故障信号的分类。本发明专利技术结合振动信号的特点，选取了特定的信号采集方法与改进的深度学习模型，使得深度学习模型得以简化，信号的分类准确度提高，为神经网络在边缘设备的实现提供了便利条件。神经网络在边缘设备的实现提供了便利条件。神经网络在边缘设备的实现提供了便利条件。

【技术实现步骤摘要】
一种基于2维CNN的旋转机电设备故障信号分类方法


[0001]本专利技术涉及深度学习与数据处理领域，尤其涉及一种基于2维CNN的旋转机电设备故障信号分类方法。

技术介绍

[0002]卷积神经网络作为深度学习领域一个重要代表，具有自学习能力，能够对数据进行深层次的抽象表达，可以有效的训练出层数较深的网络，在图像处理、语音识别及自然语言处理等领域取得一系列成就。很多研究人员和工程技术人员受到深度学习在图像处理中应用的启发，将卷积神经网络应用于旋转机电设备的振动信号分类中，对旋转机电设备的健康状况进行分类，实现旋转机电设备的预测性维护。如申请公布号为CN 108334936 B和CN 109406118 A的专利。对现有的对故障信号的分类方法进行研究，发现现有的方法往往停留在理论研究阶段，见于学术论文中，并没有应用于实际的工业生产中，分析其原因，主要具有以下几个不足之处。
[0003]1. 对于数据处理的方法生硬的借鉴了图像分类的方法，没有对数据的特点进行分析，没有充分利用数据，模型的选取没有结合旋转机电设备物理结构的特点。
[0004]2.有些深度学习模型是对时域信号进行特征提取后再进行分类，这样增加了计算的复杂程度，使得模型的实时性较差，不能应用于实时性场合。
[0005]3. 卷积神经网络层数较多，模型复杂、参数较多，导致模型的训练复杂，体积庞大，不便于应用于工业现场的嵌入式设备。

技术实现思路

[0006]本专利技术针对以上的问题，提出了一种基于2维CNN的旋转机电设备故障信号处理方法。该方法通过研究振动在机械设备中的传播，结合振动信号在机械设备中传播的特点，在单台设备安装多个传感器，并检测多个方向的振动信号。利用采集的原始振动信号，直接构建神经网络的图像，输入到一个改进的简化的卷积神经网络模型，实现对故障信号的分类。
[0007]为了实现上述目标，本专利技术采用如下的技术方案：步骤1：使用工业级的基于MEMS技术的振动传感器，采集旋转机电设备的多维振动的模拟信号。
[0008]步骤2：对传感器输出的模拟电压信号进行硬件滤波处理。
[0009]步骤3：对硬件滤波处理后的模拟电压信号输入带AD转换的嵌入式处理器。
[0010]步骤4：处理器对采集的数字信号进行存储、人为的标记故障类型。
[0011]步骤5：对采集的数据进行归一化处理，并整理成卷积神经网络的输入信号。
[0012]步骤6：构建2维CNN模型，再采用已经标记的数据进行模型的训练。
[0013]步骤7：将2维CNN模型整合到嵌入式处理器中。
[0014]步骤8：带有神经网络模型的嵌入式处理器对数据采集处理，并进行2维CNN运算，判断设备的故障类型。
[0015]优选地，步骤1中振动传感器所采集的振动信号为振动加速度信号，多维振动信号所指的是旋转机电设备沿旋转轴的方向上采集的不同位置的振动加速度信号，本专利技术中优选的数据采集位置为3，也可根据旋转机电设备的复杂程度进行增加。传感器的频率响应、量程和灵敏度依据旋转设备的振动情况具体确定。
[0016]优选地，步骤2中硬件滤波参数将根据后面AD转换的频率来设计，主要滤去高频噪声，保留采样频率以下的信号。
[0017]优选地，步骤3中AD转换的频率即模拟信号转化为数字信号的采样频率，这里根据旋转机电设备的故障信号频谱特征，选择信号的采样频率为旋转机电设备旋转频率的8倍。
[0018]优选地，步骤5中采集的数据共有3路，将采集的数据进行归一化处理后将数据采用滑窗的机制选取成3*90的矩阵，窗口每次向前滑动的数据点数为45。
[0019]优选地，步骤6中卷积神经网络是一种简化与改进的卷积神经网络，神经网络由输入层，卷积层，池化层，两个全连接层和输出层组成。该模型的训练过程是在电脑端完成。
[0020]所述的卷积神经网络中卷积层中的卷积核为长方形卷积核，在本专利技术的优选实例中卷积核的大小为30*2。
[0021]有益效果：采用了本专利技术专利中的技术方案的一种基于2维CNN的旋转机电设备故障信号处理方法具有如下有益效果。
[0022]1.深入了解振动发生与传播的原理，在单台设备多个位置安装振动传感器，捕捉振动在机械设备上的传播情况，提高振动信号对故障的描述能力，使信号更可靠，信号的变化对故障更明显，提高信号的分类的准确度。
[0023]2.通过对卷积神经网络模型的改进，用卷积神经网络层代替特征提取，使信号处理过程简化，通过改进原始信号向图像转化的方法，又使卷积神经网络模型的分类能力提高，简化了卷积神经网络模型，使神经网络的参数减少，训练变得更容易，也是神经网络在边缘设备实现提供了便利条件。
[0024]附图说明：图1是按照本专利技术的优选实例的传感器安装方法；图2是按照本专利技术的优选实例的传感器信号转化为卷积神经网络输入图像的方法；图3是按照专利技术中的优选实例的卷积神经网络结构；图4是按照专利技术中的优选实例的长方形卷积核；图5是按照专利技术中的优选实例的整体流程图。
[0025]具体实施方式：本专利技术是通过上述的技术方案来实现故障信号的分类，该方法具有一个完整的信号处理流程。为了使本
的人员更好的理解本专利技术提出的基于2维CNN的旋转机电设备故障信号类方法，下面将结合说明书附图以及本专利技术的优选实例，对专利技术中提到的方法进行具体实施方式的描述。
[0026]步骤1：使用工业级的基于MEMS技术的振动传感器所采集的振动信号为振动加速度信号，传感器的频率响应、量程和灵敏度依据旋转设备的振动情况具体确定采集旋转机电设备的多维振动的模拟信号。
[0027]所述的振动传感器多维振动信号所指的是旋转机电设备沿旋转轴的方向上采集
的不同位置的振动加速度信号，本专利技术中优选的数据采集位置为3，也可根据旋转机电设备的复杂程度进行增加。
[0028]参见图1，传感器的安装以1个单轴旋转设备为例，可以是电机或者其他类型的旋转设备，旋转设备与机架通常由滚动轴承或滑动轴承相连接。轴承往往是故障发生的关键位置。对这类设备进行故障的诊断时，故障信号的分析需要从传感器的安装开始。当1个故障点发生故障时，会产生振动，振动的情况会随时间的变化而变化，因此，振动传感器需要采集这些随时间变化的振动信号，此外，某1点的振动也会在空间沿着机械设备进行传播，在旋转设备的旋转轴线方向安装工业级的MEMS传感器，用来采集沿空间传播的振动信号。图1中安装了3个振动传感器。
[0029]步骤2：对传感器输出的模拟电压信号进行硬件滤波处理。
[0030]优选地，步骤2中硬件滤波参数将根据后面AD转换的频率来设计，主要滤去高频噪声，保留采样频率以下的信号。
[0031]步骤3：对硬件滤波处理后的模拟电压信号输入带AD转换的嵌入式处理器。
[0032]优选地，步骤3中AD转换的频率即模拟信号转化为数字信号的采样频率，这里根据旋转机电设备的故障信号频谱特征，选择信号的采样频率为旋转机电设备旋转频率的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于2维CNN的旋转机电设备故障信号分类方法，其特征在于：所述的方法包括以下步骤：步骤1：使用工业级的基于MEMS技术的振动传感器，采集旋转机电设备的多维振动的模拟信号；步骤2：对传感器输出的模拟电压信号进行硬件滤波处理；步骤3：对硬件滤波处理后的模拟电压信号输入带AD转换的嵌入式处理器；步骤4：处理器对采集的数字信号进行存储、人为的标记故障类型；步骤5：对采集的数据进行归一化处理，并整理成卷积神经网络的输入信号；步骤6：构建2维CNN模型，再采用已经标记的数据进行模型的训练；步骤7：将2维CNN模型整合到嵌入式处理器中；步骤8：带有神经网络模型的嵌入式处理器对数据采集处理，并进行2维CNN运算，判断设备的故障类型。2.根据权利要求1所述的基于2维CNN的旋转机电设备故障信号分类方法，其特征在于：步骤1中振动传感器所采集的振动信号为振动加速度信号，多维振动信号所指的是旋转机电设备沿旋转轴的方向上采集的不同位置的振动加速度信号，本发明中优选的数据采集位置为3，也可根据旋转机电设备的复杂程度进行增...

【专利技术属性】
技术研发人员：王佳兴，王大志，高随随，
申请(专利权)人：东北大学，
类型：发明
国别省市：