基于深度学习的空气压缩机故障检测方法技术

本发明专利技术提供一种基于深度学习的空气压缩机故障检测方法，可以有效对空气压缩机出现的故障类型进行检测，相较于当前的方法对故障类型的分类更加准确。本发明专利技术包括以下步骤：S1，获取训练数据集，即在空气压缩机中不同的地方采用传感器来检测不同的输入信号，将检测到的不同地方上的传感器输入信号进行处理和拼接，最终将信号序列转化为一维张量，并且获得的一维向量构成最终的训练数据集；S2，构建基于深度学习的故障检测模型，该故障检测模型输入的是S1中已经转化为一维张量的信号序列；S3，利用S1得到的训练数据集，在S2中建立的故障检测模型中进行模型的训练；S4，使用训练好的模型对空气压缩机的故障类型进行检测，输出检测的故障类别。障类别。障类别。

【技术实现步骤摘要】
基于深度学习的空气压缩机故障检测方法


[0001]本专利技术涉及一种基于深度学习的空气压缩机故障检测方法。

技术介绍

[0002]空气压缩机是一种用来压缩空气的设备，故障模式众多，因而对其故障类型的诊断一直是国内外故障诊断学者研究的热点。早期针对空气压缩机的故障诊断主要是依靠专家的现场经验，这种方法的诊断结果具有较高的人为限定性。随着传感器与计算机技术的飞速发展，将空气压缩机的振动、压力、电机电流等信号与深度学习算法相结合的故障诊断方法出现，在实验室研究中取得了不错的诊断效果。
[0003]目前，已有的设备故障案例字典，在设备故障发生后，故障的快速定位、诊断结果可信度也不高。动力设备故障诊断方式较单一，在故障的诊断过程中，往往依赖于专业技术人员的维修经验，诊断过程中易受主观因素的影响。近年来，随着深度学习技术的兴起，依靠强大的学习性能，深度学习模型可以从原始信号中直接提取特征，并通过训练实现数据分类，能够快速准确的检测出故障类型，对后期的的维护修复具有重要的意义。

技术实现思路

[0004]针对现有技术的不足，本专利技术的目的在于提供一种基于深度学习的空气压缩机故障检测方法，可以有效对空气压缩机出现的故障类型进行检测，相较于当前的方法对故障类型的分类更加准确。
[0005]本专利技术的目的可以通过以下技术方案实现：基于深度学习的空气压缩机故障检测方法，其特征在于：包括以下步骤：
[0006]S1，获取训练数据集，即在空气压缩机中不同的地方采用传感器来检测不同的输入信号，将检测到的不同地方上的传感器输入信号进行处理和拼接，最终将信号序列转化为一维张量，并且获得的一维向量构成最终的训练数据集；
[0007]S2，构建基于深度学习的故障检测模型，该故障检测模型输入的是S1中已经转化为一维张量的信号序列，输出的为检测的故障类型；
[0008]S3，利用S1得到的训练数据集，在S2中建立的故障检测模型中进行模型的训练；
[0009]S4，使用训练好的模型对空气压缩机的故障类型进行检测，输出检测的故障类别。
[0010]本专利技术S2中，所述的故障检测模型包括主干网络、语义信息指导模块和多尺度融合模块；主干网络由残差通道注意力模块和卷积注意力信息交互模块这两个模块构成；同时在主干网络旁边增加一条支路，支路中加入语义信息指导模块；多尺度融合模块作为故障检测模型的输出部分。
[0011]本专利技术S2中，构建主干网络包括以下步骤：
[0012]所述的残差通道注意力模块是一个残差结构的模块，由一个通道注意力模块和卷积构成；残差通道注意力模块的计算过程如下：
[0013]M
i
＝σ(LN((f1×3(X
i
)))，X
i+1
＝X
i
+SE(LN(f1×3(M
i
)))，
[0014]其中X
i
是上一层的输出，X
i+1
是当前层的输出，f1×
m
(.)表示卷积核大小为1
×
m的过参数化卷积操作，LN(.)表示归一化层，σ(.)表示激活函数，SE(.)表示经过通道注意力模块；
[0015]所述的卷积注意力信息交互模块包括一个轻量化注意力模块和瓶颈结构；卷积注意力信息交互模块的整体计算过程如下：
[0016]TR＝Edg(f1×1(X))，CO＝Bottle(TR)，Y＝Avg1×3(Avg1×3(Cat(TR,CO)))，
[0017]其中X表示输入，Y表示输出，f1×1(.)表示卷积核大小为1
×
1的卷积操作，Edg(.)表示经过轻量化注意力模块，Bottle(.)表示经过瓶颈结构，Avg1×
m
(.)表示池化核大小为1
×
m的平均池化操作，Cat(.)表示基于通道维度上的拼接操作。
[0018]本专利技术S2中，构建语义信息指导模块包括以下步骤：
[0019]语义信息指导模块用于不同层之间特征信息的交互，该模块的输入分别是不同层的提取特征；首先使用一个1
×
3的卷积来提取相邻近的特征层中的信息作为查询向量，接着在本层中分别使用1
×
1的卷积进行信息过滤作为键和值；将相邻层中提取到的查询向量与当前层提取到的键进行相乘后经过激活函数(Softmax)得到指导权重，接着与当前层得到的值进行乘积运算后，再与相邻层提取到的信息融合，最后便可以得到不同层之间交互后的输出特征；语义信息指导模块SIG的计算过程如下：
[0020]Q＝LN(f1×3(X1))，K＝LN(f1×1(X2))，V＝LN(f1×1(X2))，
[0021]Y＝Cat(σ((Q+P
h
+P
w
)
·
K)
·
V,(Q+P
h
+P
w
))，
[0022]其中X2表示当前层的特征信息；X1表示相邻层的特征信息；Q、K、V分别表示查询向量、键和值；Cat(.)表示基于通道维度上的拼接操作；f1×
m
(.)表示卷积核大小为1
×
m的卷积操作；LN(.)表示归一化层；σ(.)表示激活函数；P
w
和P
h
分别是两个基于不同方向上的先验参数，代表空间位置在高和宽维度上的先验，是两个可以学习的向量；Y表示最终的输出。
[0023]本专利技术S2中，构建多尺度融合模块包括以下步骤：
[0024]多尺度融合模块用于对支路的特征进行融合，接受两条支路的输入，左边支路是对主干网络的特征处理机制，右边支路是辅助支路的特征处理机制；在右边分支中分别使用1
×
3的深度可分离卷积来处理浅层特征中的信息，其中1
×
1的卷积方便特征通道数的调整；对不同支路的特征分别采用不同的方式进行处理，利用辅助支路中提取到的信息指导主干网络的分类，接着将他们相加融合，最后使用一层1
×
3的深度可分离卷积对融合后的特征进行过滤，可以有效的减少语义信息的损失，在检测过程中保持相对丰富的特征表示；构建多尺度融合模块的计算过程如下：
[0025]H1＝σ(LN(f1×1(σ(LN(f1×3(X1))))))，L1＝σ(LN(f3×3(X2)))，L2＝σ(LN(f1×1(σ(LN(f1×3(Up(X2)))))))，Y＝σ(LN(f1×3((L1·
H1)+(L2·
H2))))，
[0026]其中X1和X2表示不同支路的特征，LN(.)表示归一化层，σ(.)表示激活函数，f1×
k
(.)表示卷积核大小为1
×
k的深度可分离卷积，表示卷积核大小为1
×
k的空洞卷积，Cat(.)表示基于通道维度上的拼接操作；Y表示最终的输出。
[0027]本专利技术S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的空气压缩机故障检测方法，其特征在于：包括以下步骤：S1，获取训练数据集，即在空气压缩机中不同的地方采用传感器来检测不同的输入信号，将检测到的不同地方上的传感器输入信号进行处理和拼接，最终将信号序列转化为一维张量，并且获得的一维向量构成最终的训练数据集；S2，构建基于深度学习的故障检测模型，该故障检测模型输入的是S1中已经转化为一维张量的信号序列，输出的为检测的故障类型；S3，利用S1得到的训练数据集，在S2中建立的故障检测模型中进行模型的训练；S4，使用训练好的模型对空气压缩机的故障类型进行检测，输出检测的故障类别。2.根据权利要求1所述的基于深度学习的空气压缩机故障检测方法，其特征在于：S2中，所述的故障检测模型包括主干网络、语义信息指导模块和多尺度融合模块；主干网络由残差通道注意力模块和卷积注意力信息交互模块这两个模块构成；同时在主干网络旁边增加一条支路，支路中加入语义信息指导模块；多尺度融合模块作为故障检测模型的输出部分。3.根据权利要求2所述的基于深度学习的空气压缩机故障检测方法，其特征在于：S2中，构建主干网络包括以下步骤：所述的残差通道注意力模块是一个残差结构的模块，由一个通道注意力模块和卷积构成；残差通道注意力模块的计算过程如下：M
i
＝σ(LN((f1×3(X
i
)))，X
i+1
＝X
i
+SE(LN(f1×3(M
i
)))，其中X
i
是上一层的输出，X
i+1
是当前层的输出，f1×
m
(.)表示卷积核大小为1
×
m的过参数化卷积操作，LN(.)表示归一化层，σ(.)表示激活函数，SE(.)表示经过通道注意力模块；所述的卷积注意力信息交互模块包括一个轻量化注意力模块和瓶颈结构；卷积注意力信息交互模块的整体计算过程如下：TR＝Edg(f1×1(X))，CO＝Bottle(TR)，Y＝Avg1×3(Avg1×3(Cat(TR,CO)))，其中X表示输入，Y表示输出，f1×1(.)表示卷积核大小为1
×
1的卷积操作，Edg(.)表示经过轻量化注意力模块，Bottle(.)表示经过瓶颈结构，Avg1×
m
(.)表示池化核大小为1
×
m的平均池化操作，Cat(.)表示基于通道维度上的拼接操作。4.根据权利要求2所述的基于深度学习的空气压缩机故障检测方法，其特征在于：S2中，构建语义信息指导模块包括以下步骤：语义信息指导模块用于不同层之间特征信息的交互，该模块的输入分别是不同层的提取特征；首先使用一个1
×
3的卷积来提取相邻近的特征层中的信息作为查询向量，接着在本层中分别使用1
×
1的卷积进行信息过滤作为键和值；将相邻层中提取到的查询向量与当前层提取到的键进行相乘后经过激活函数(Softmax)得到指导权重，接着与当前层得到的值进行乘积运算后，再与相邻层提取到的信息融合，最后便可以得到不同层之间交互后的输出特征；语义信息指导模块SIG的计算过程如下：Q＝LN(f1×3(X1))，K＝LN(f1×1(X2))，V＝LN(f1×1(X2))，Y＝Cat(σ((Q+P
h
+P
w
)
·
K)

【专利技术属性】
技术研发人员：周凤华，张行东，王志威，刘金龙，崔宏立，王宇龙，陈志虎，李慧，陈宇源，
申请(专利权)人：中国空分工程有限公司，
类型：发明
国别省市：