基于深度残差变分自编码器的故障诊断方法和诊断系统技术方案

本发明专利技术公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统，所述诊断方法包括如下步骤：S10：获取机械设备在不同故障下的振动加速度信号X；S20：将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；S30：通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；S40：将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；S50：将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。障的类型。障的类型。

【技术实现步骤摘要】
基于深度残差变分自编码器的故障诊断方法和诊断系统


[0001]本专利技术涉及机械设备故障诊断
，尤其涉及一种基于深度残差变分自编码器的故障诊断方法和诊断系统。

技术介绍

[0002]随着现代机械设备的飞速发展，旋转机械部件(如轴承、齿轮、转子)被广泛用于风力发电机、汽轮机、航空发动机等复杂机械系统的工业生产中。由于旋转机械部件长期处于高速旋转中，其关键部件很容易出现老化损坏等问题。旋转机械设备一旦产生故障，必然会对工厂的正常生产造成极大的影响，甚至引起人员伤亡。因此，开展旋转机械设备故障诊断的研究非常有价值。
[0003]在旋转机械故障诊断中，由于现代机械设备处于复杂工况中，工作环境中存在着大量干扰噪声，如果直接采用含噪原始振动信号进行故障诊断，容易造成故障诊断的偏差或者不准确。此外，传统的旋转机械故障诊断模型存在训练时间长、抗干扰能力弱与降噪能力不足等问题。

技术实现思路

[0004]本方案针对上文提出的问题和需求，提出一种基于深度残差变分自编码器的故障诊断方法和诊断系统，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。
[0005]本专利技术的一个目的在于提出一种基于深度残差变分自编码器的故障诊断方法，包括如下步骤：
[0006]S10：获取机械设备在不同故障下的振动加速度信号X；
[0007]S20：将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；<br/>[0008]S30：通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；
[0009]S40：将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；
[0010]S50：将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。
[0011]在本专利技术的一个示例中，步骤S20包括：对采集的加速度信号X进行3层小波包分解，获得一系列小波包节点信号，进一步对各小波包节点信号进行重构，并将重构后的小波包节点信号作为数据样本集，最后按一定的比例将数据样本集随机划分为训练集和测试集。
[0012]在本专利技术的一个示例中，所述小波包分解过程中，采用的小波函数为db1小波，其表达式为：
[0013][0014]式中，t为时间变量，j＝1,2,
…
,J，J为最大分解层数，i＝1,2,
…
,2
j
，p
ij
(t)为第j层小波包分解后获得的第i个小波包节点信号，h与g为正交共轭滤波器系数。
[0015]在本专利技术的一个示例中，所述小波包节点信号重构过程中，采用的重构方法的表达式为：
[0016][0017]式中，t为时间变量，s
ij
(t)为第j层小波包分解后获得的第i个小波包节点重构信号，h
*
和g
*
分别为h与g的对偶算子。
[0018]在本专利技术的一个示例中，步骤S30中构建的深度残差变分自编码器网络模型包括两部分：残差自编码模块和变分自编码器模块，
[0019]所述残差自编码模块由一个卷积层与两个残差子模块串接组成；其中，一个残差子模块由一个批量归一化层，两个卷积层，一个激活函数层组成，且一个批量归一化层、一个卷积层和一个激活函数层依次串接，另一个卷积层与激活函数层相串接；
[0020]所述的变分自编码器模块由一个编码模块、一个采样模块和一个解码模块串接组成；其中，编码模块是由一个输入层和一个隐含层串接组成，解码模块是由一个隐含层和一个输出层串接组成。
[0021]在本专利技术的一个示例中，步骤S30中构建的深度残差变分自编码器网络模型包括：
[0022]S301：采用残差自编码模块进行一次信号降噪和一次特征提取；
[0023]S302：采用变分自编码器模块进行二次信号降噪和二次特征提。
[0024]在本专利技术的一个示例中，在步骤S30中，所述残差自编码模块的损失函数为平均绝对误差，其具体表达式如下：
[0025][0026]式中，N为输入信号的数据点数，y
i
为残差自编码模块的第i个输入，为残差自编码模块的第i个输出；
[0027]所述变分自编码器模块的损失函数为交叉熵与KL散度之和，即J
VAE
＝J1+J2，其中交叉熵和KL散度的具体表达式如下：
[0028]交叉熵：
[0029]式中，N为输入信号的数据点数，y
i
为变分自编码器模块的第i个输入，为变分自编码器模块的第i个输出，w
i
为第i个样本的权值参数，λ为正则化系数，为正则化项；
[0030]KL散度：
[0031]式中，N为输入信号的数据点数，μ与σ分别是均值与方差。
[0032]本专利技术的另一个目的在于提出一种基于深度残差变分自编码器的故障诊断系统，包括：
[0033]信号获取模块，配置为获取机械设备在不同故障下的振动加速度信号X；
[0034]信号划分模块，配置为将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；
[0035]模型建立模块，配置为通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；
[0036]训练模块，配置为将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；
[0037]故障识别模块，配置为将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。
[0038]在本专利技术的一个示例中，所述信号划分模块包括：
[0039]小波包分解单元，配置为对采集的加速度信号X进行3层小波包分解，获得一系列小波包节点信号；
[0040]小波重构单元，配置为对各小波包节点信号进行重构，并将重构后的小波包节点信号作为数据样本集；
[0041]数据划分单元，配置为按一定的比例将数据样本集随机划分为训练集和测试集。
[0042]在本专利技术的一个示例中，所述模型建立模块包括：残差自编码模块和变分自编码器模块，
[0043]所述残差自编码模块由一个卷积层与两个残差子模块串接组成；其中，一个残差子模块由一个批量归一化层，两个卷积层，一个激活函数层组成，且一个批量归一化层、一个卷积层和一个激活函数层依次串接，另一个卷积层与激活函数层相串接；
[0044]所述的变分自编码器模块由一个编码模块、一个采样模块和一个解码模块串接组成；其中，编码模块是由一个输入层和一个隐含层串接组成，解码模块是由一个隐含层和一个输出层串接组成。
[0045]下文中将结合附图对实施本专利技术的最优实施例进行更加详尽的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度残差变分自编码器的故障诊断方法，其特征在于，包括如下步骤：S10：获取机械设备在不同故障下的振动加速度信号X；S20：将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；S30：通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；S40：将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；S50：将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。2.根据权利要求1所述的基于深度残差变分自编码器的故障诊断方法，其特征在于，步骤S20包括：对采集的加速度信号X进行3层小波包分解，获得一系列小波包节点信号，进一步对各小波包节点信号进行重构，并将重构后的小波包节点信号作为数据样本集，最后按一定的比例将数据样本集随机划分为训练集和测试集。3.根据权利要求2所述的基于深度残差变分自编码器的故障诊断方法，其特征在于，所述小波包分解的过程中，采用的小波函数为db1小波，其表达式为：式中，t为时间变量，j＝1,2,
…
,J，J为最大分解层数，i＝1,2,
…
,2
j
，为第j层小波包分解后获得的第i个小波包节点信号，h与g为正交共轭滤波器系数。4.根据权利要求2所述的基于深度残差变分自编码器的故障诊断方法，其特征在于，所述小波包节点信号重构的过程中，采用的重构方法的表达式为：式中，t为时间变量，为第j层小波包分解后获得的第i个小波包节点重构信号，h
*
和g
*
分别为h与g的对偶算子。5.根据权利要求1所述的基于深度残差变分自编码器的故障诊断方法，其特征在于，步骤S30中构建的深度残差变分自编码器网络模型包括两部分：残差自编码模块和变分自编码器模块，所述残差自编码模块由一个卷积层与两个残差子模块串接组成；其中，一个残差子模块由一个批量归一化层，两个卷积层，一个激活函数层组成，且一个批量归一化层、一个卷积层和一个激活函数层依次串接，另一个卷积层与激活函数层相串接；所述的变分自编码器模块由一个编码模块、一个采样模块和一个解码模块串接组成；其中，编码模块是由一个输入层和一个隐含层串接组成，解码模块是由一个隐含层和一个输出层串接组成。6.根据权利要求1所述的基于深度残差变分自编码器的故障诊断方法，其特征在于，步骤S30中构建的深度残差变分自编码器网络模型包括：S301：采用残差自编码模块进行一次信号降噪和一次特征提取；S30...

【专利技术属性】
技术研发人员：鄢小安，卢彦宇，谢超，叶茂友，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：