【技术实现步骤摘要】
本专利技术属于故障检测领域，具体涉及一种港口起重装备故障诊断方法及系统。
技术介绍
1、现代工业生产对生产节奏要求非常紧密，对于港口起重机械，一旦机械设备出现故障,就将扰乱生产流程，造成巨大经济损失甚至是人员伤亡；如今大规模生产更加依赖于高可靠性的生产加工设备，机械的故障诊断成为一门日新月异的工程技术。
2、为了进一步提高大型装卸设备的安全性以及可靠性。需要在我国对现代化的港口机械设备进行严格的要求，降低损失，加强设备的维护和管理，能够实现设备的实时监测，完善设备的维修管理体系，提高设备的应用质量，促使工业化发展速度提升。港口门座式起重机电气故障不仅影响到了起重机的使用，也会给作业人员带来一定的安全隐患。振动监测是一项相对于复杂的工作，需要利用多种不同的学科知识。以广义的角度分析振动监测工作的时，其融入了信号加工与处理、误差理论控制、工程机械原理等学科的内容。机械在运行的过程中通过振动能够提供给检测人员相关的信息，但是并不是机械振动过程中的每一种信息都是积极的信息，及时地对所有信息进行采集，能敏感地发现机械在运行过程中存在的问题，及时进行问题的解决，能够提高振动监测系统的使用质量。当前常用的振动监测系统种类主要包括了以下几种：第一，计算机在线监测系统。使用计算机在线监测系统时，除了常用的振动传感器之外，还包括了其他种类的传感器以及检测仪表，能够实现计算机的在线数据处理、诊断以及分析。多数情况下，计算机在线监测系统适用于测量多参数、多测点的机械运动,能够实时进行参数越限报警，也可以对故障原因进行判别。第二，离线周期性监
3、目前故障缺陷的检测算法消耗的时间比较长,模型收敛速度太慢。针对于时间序列数据的深度学习模型大多与具有循环结构的递归神经网络相结合，具有循环结构的网络必须从前到后进行计算。随着序列长度的增加，它们的计算时间显著增加，而梯度的消失使得模型更难学习长期依赖关系。大多数的模型仅从单个域中提取信息，而工业起重机温振信号往往存在复杂的情况，单个域可能会造成信息的确实，影响模型预测结果。
技术实现思路
1、基于上述问题，本申请采用一种提取更全面、更丰富的信号特征，从而提供更多的信息给模型，模型的性能和鲁棒性更好。其技术方案为：
2、一种港口起重装备故障诊断方法，包括以下步骤：
3、s1.对港口起重机的起升机构、闭合机构、回转机构和变幅机构安装相应的温度传感器与温振一体式传感器进行温振数据采集，构建振动故障数据集、温度故障数据集；
4、s2.对、分别进行归一化处理得到、；、作为t-sne算法的输入，从而确定k-means的聚类分布 k值，利用k-means计算样本、所属新类别， 经过无监督学习分类获得带有标签的时域数据集、，采用快速傅里叶变化获得对应的频域数据集、；
5、s3.构建双通道的cnn-transform网络模型，其中每个通道都包括卷积神经网络与transform编码器模块，卷积神经网络之后连接transform的编码器模块，针对、与、分别进行相同学习过程训练出振动预测模型与温度预测模型；首先卷积神经网络对输入、和、进行初步学习输出、，编码器模块对于卷积神经网络的输出进一步学习输出、，时域通道编码器模块输出的与频域通道编码器模块输出的经过融合层加权求和获得融合层输出；
6、s4.输入给编码器模块进一步学习输出，最后输入到全连接层，全连接层应用归一化指数函数softmax进行故障诊断。
7、优选的，将、中的时序数据分别进行min-max归一化处理得到、，作为t-sne算法的输入。
8、优选的，通过t-sne算法将、压缩到二维，通过plot制图可视化观查分类情况确定无监督学习的 k值。
9、优选的，对于、中任意数据分别进行以下处理，计算其所属新类别：
10、 （5）；
11、其中为或中的数据类别，为数据类别的质心，对于每个类别，重新计算其质心位置：
12、 （6）；
13、其中 m为或数据总数量，为或中的数据，重复（5）-（6）直到收敛或达到终止条件，停止聚类输出标签；
14、损失函数为，
15、 （7）；
16、为每个类别的质心，损失函数通过计算每个数据与所有类别质心的欧氏距离将数据分类到欧氏距离最小的类别中， 、经过无监督学习分类获得带有标签的时域数据集、，采用快速傅里叶变换fft获得对应的频域数据集、，fft可以表示为：
17、 （8）；
18、其中是或中的任一时域信号，是经过快速傅里叶变换后的频域信号，表示频率，表示复数；表示对每一时刻求积分，时域、频域通道的输入分别表示为、；
19、、分别作为振动故障模型的时域、频域通道输入数据集，、分别作为温度故障模型的时域、频域通道输入数据集。
20、优选的，卷积神经网络包括64*1卷积层和3*1卷积层，64*1卷积层和3*1卷积层均与一个bn层融合，之后连接rllu激活函数层和最大池化层；卷积运算如下：
21、 （9）；
22、其中为卷积滤波器个数，为第个滤波器核的权值矩阵，为滤波器核偏置，为激活函数如；为表示为时域、频域通道的输入和；
23、最大池化层对于特征映射某个子区域将内所有神经元最大的活性值作为当前区域的概括，计算如下：
24、 （10）；
25、其中为池化的尺度矩阵，、为的维数，其中时间嵌入层输出，频率嵌入层输出。
26、优选的，transform编码器模块对于卷积神经网络层输出的信息进行位置编码，将位置关系添加到输入序列数据中，在编码器模块中，输入嵌入后，输入表示为，使用正弦和余弦函数进行位置编码，可以表示为:
27、（11）；
28、 （12）；
29、其中为中各向量的维度，表示偶数维度上进行位置编码，表示奇数维度上进行位置编码，表示将所以维度上的数据添加位置信息，为时间位置序列号，为维数纬度位置，为位置编码后的输入；
30、位置编码后的信号输入到多头注意力层，模型通过对每个位置施加不同的权重来从输入序列中获取重要信息本文档来自技高网...
【技术保护点】
1.一种港口起重装备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，步骤S2中，将、中的时序数据分别进行min-max归一化处理得到、，作为T-SNE算法的输入。
3.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，通过T-SNE算法将、压缩到二维，通过plot制图可视化观查分类情况确定无监督学习的K值。
4.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，对于、中任意数据分别进行以下处理，计算其所属新类别：
5.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，卷积神经网络包括64*1卷积层和3*1卷积层，64*1卷积层和3*1卷积层均与一个BN层融合，之后连接RLlu激活函数层和最大池化层；卷积运算如下：
6.根据权利要求5所述的一种港口起重装备故障诊断方法，其特征在于，Transform编码器模块对于卷积神经网络层输出的信息进行位置编码，将位置关系添加到输入序列数据中，在编码器模块中，输入嵌入后，输入表示为，使用正弦
7.根据权利要求6所述的一种港口起重装备故障诊断方法，其特征在于，Transform编码器模块中每个自注意力过程称为一个头，每个头都会产生一个输出向量，这些向量最后在经过线性层之前被拼接为一个向量，
8.根据权利要求7所述的一种港口起重装备故障诊断方法，其特征在于，多头注意力机制经过concat融合后输入到前馈网络层FFN，FFN由一个整改线性单元ReLU激活函数和两个线性变换组成；
9.根据权利要求7所述的一种港口起重装备故障诊断方法，其特征在于，融合特征再次经过编码器模块得到高级融合特征，将特征输入到全连接层，全连接层输出，利用应用归一化指数函数SoftMax进行故障诊断，SoftMax计算公式如下：
10.一种港口起重装备故障诊断系统，其特征在于，包括服务器，将权利要求1-9任一项所述的故障诊断方法部署到AI服务器上，具体步骤如下：
...【技术特征摘要】
1.一种港口起重装备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，步骤s2中，将、中的时序数据分别进行min-max归一化处理得到、，作为t-sne算法的输入。
3.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，通过t-sne算法将、压缩到二维，通过plot制图可视化观查分类情况确定无监督学习的k值。
4.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，对于、中任意数据分别进行以下处理，计算其所属新类别：
5.根据权利要求1所述的一种港口起重装备故障诊断方法，其特征在于，卷积神经网络包括64*1卷积层和3*1卷积层，64*1卷积层和3*1卷积层均与一个bn层融合，之后连接rllu激活函数层和最大池化层；卷积运算如下：
6.根据权利要求5所述的一种港口起重装备故障诊断方法，其特征在于，transform编码器模块对于卷积神经网络层输出的信息进行位置编码，...
【专利技术属性】
技术研发人员：陈健，徐浩，谢敬玲，吕成兴，高乾，杨智博，焦锋，魏立明，解静，张忠岩，崔海朋，雷鹏，黄光正，许洪祖，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。