基于深度学习的船舶旋转机械时变转速微小故障诊断方法

技术领域

本发明涉及故障诊断技术，尤其涉及一种基于深度学习的船舶旋转机械时变转速微小故障诊断方法。

背景技术

在整个船体中，旋转机械是船舶机械装备中最重要的类型之一，在船舶中包含有大量的旋转机械，诸如：推进电机、齿轮箱以及各类支撑轴承等；此类旋转机械长期在复杂多变的海况环境下连续运行有承受高温、高压、湿热、盐碱和变载荷的恶劣工作环境影响而易于发生各种故障；通过研究旋转机械的故障演化机理可知，任何重大显著性故障都是由早期微小故障随着时间的积累演化而来的，微小故障的初期特征不明显，状态幅值低，对系统影响小，很难以被预警和辨识，然而微小故障的精准辨识对保障船舶旋转机械长期的安全稳定运行至关重要；在实际中，船舶旋转机械在不同负载工况下运行的转速通常是随时间频繁变化的，这使得在时变转速工况下的微小故障诊断任务更加具有挑战性，这使得以往的针对恒定转速设计的故障诊断方法应用于时变转速工况时效果很差，因此，极有必要针对船舶旋转机械在时变转速工况下的微小故障诊断问题研究出一种智能、高效和快速的故障诊断方法以保障船舶旋转机械的安全稳定运行。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度学习的船舶旋转机械时变转速微小故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的船舶旋转机械时变转速微小故障诊断方法，包括以下步骤：

1)在船舶旋转机械上布置传感器，利用传感器采集船舶旋转机械在健康状态下运行时产生的一维时间序列原始故障数据，所述传感器的个数设置为M个，健康状态设置为N种健康状态，其中包含有一个正常状态和N-1种微小故障状态；设一维时间序列原始故障数据段的样本长度为L，即包含有L个数据点；

2)对M个通道一维时间序列原始故障数据进行数据融合，构建多通道一维时间序列数据融合数据集{D}

3)对多通道一维时间序列数据融合数据集通过滑移窗口采样法进行数据截断处理，生成标准二维特征图训练样本总数据集{T}

4)将标准二维特征图训练样本总数据集{T}

5)构建深度循环卷积神经网络故障诊断模型；所述深度循环卷积神经网络故障诊断模型包含有输入数据融合层、时间记忆关联信息挖掘层、深度特征提取层、一维全局均值池化层和Softmax判别输出层；所述时间记忆关联信息挖掘层设置为一个深层循环神经网络作为时间关联特征提取器，所述深度特征提取层设置为一个深层的一维卷积神经网络作为空间特征提取器；

6)采用总训练集{T}

7)采用总测试集{T}

按上述方案，所述步骤3)中采用滑移窗口采样法进行数据截断处理，生成标准二维特征图训练样本总数据集{T}

采用一个固定的滑移窗口W

所述标准二维特征图训练样本总数据集{T}

其中，I

按上述方案，所述时间记忆关联信息挖掘层中，深层循环神经网络为一个深度长短时记忆循环神经网络LSTM和一个深度门控循环神经网络GRU的组合。

按上述方案，所述深度长短时记忆循环神经网络的LSTM层的数量设置为2至5层。

按上述方案，所述深层一维卷积神经网络，设置为包含有P组依次堆叠的一维卷积层、激活层、正则化层和Dropout层；P的取值设置为2至5。

按上述方案，所述传感器包含振动加速度传感器和转速传感器，还可以包含有噪声传感器、压力传感器、位移传感器、转速传感器、电压传感器和电流传感器中的一种或多种。

按上述方案，所述船舶旋转机械为包括发动机、电动机、滚动轴承、齿轮箱在内的旋转类船舶旋转机械。

本发明产生的有益效果是：

本发明通过改进一维卷积神经网络的模型结构，在整个诊断过程无需任何手工特征提取操作，摆脱了现有故障诊断方法过度依赖专家先验知识的不足；

本发明设计了一个时间记忆关联信息挖掘层，该时间记忆关联信息挖掘层由一个深度长短时记忆循环神经网络(LSTM)和一个深度门控循环神经网络(GRU)一起组合作为时间关联特征提取器，可以更加高效的从多传感器一维时间序列原始数据中提取出更多的反映微小故障演化过程的渐变时间关联记忆性特征；

本发明在时间记忆关联信息挖掘层之后设置了一个深度特征提取层，用于对接收的时间关联性记忆特征数据进行特征深度提取和特征精减，并且使用正则化层和Dropout层提升模型的泛化能力和防止训练过程过拟合；

本发明设计了一个一维全局均值池化层来改进并代替传统一维卷积神经网络中的2-3层的全连接层结构，一维全局均值池化层对深度特征提取层输出的高维特征数据压缩为一维序列特征，从而有效减少1D-CNN的模型训练参数量、提升了模型的训练速度和减少诊断测试时间；

通过本发明，可以对船舶旋转机械在时变转速工况下采集的多传感器一维时间序列数据进行智能、高效快速的数据融合、时间关联特征信息挖掘、深度特征提取和微小故障自动辨识和诊断。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的多传感器多通道一维时间序列数据融合示意图；

图3是本发明实施例的基于滑移窗口采样法的数据截断处理生成标准二维特征图训练样本的方法示意图；

图4是本发明实施例的深度循环卷积神经网络故障诊断模型的结构框架示意图；

图5是本发明实施例的深度循环卷积神经网络故障诊断模型的算法逻辑流程图；

图6为本发明的一个实施例的滚动轴承时变转速故障数据采集试验台示意图；

图7为本发明的一个实施例的多分类混淆矩阵诊断结果量化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提供了一种基于深度学习的船舶旋转机械时变转速微小故障智能诊断方法，包括以下步骤：

(1)采集船舶旋转机械的多通道一维时间序列原始故障数据；

在船舶旋转机械上布置传感器，利用传感器采集船舶旋转机械在多种健康状态下运行时产生的一维时间序列原始故障数据，传感器的个数设置为M个(即M个通道)，每个传感器采集的数据均为一个连续的一维时间序列原始长数据段，该一维时间序列原始长数据段的样本长度为L，即包含有L个数据点；船舶旋转机械的健康状态设置为N种健康状态，其中包含有一个正常状态和N-1种故障状态，从而每个健康状态下均包含有M个通道的一维时间序列原始故障长数据段；

传感器包含振动加速度传感器和转速传感器，还可以包含有噪声传感器、压力传感器、位移传感器、转速传感器、电压传感器和电流传感器中的一种或多种。

船舶旋转机械包括发动机、电动机、滚动轴承、齿轮箱等本技术领域常用的旋转类船舶旋转机械。

(2)如图2，对多通道一维时间序列原始故障数据进行数据融合，构建多通道一维时间序列数据融合数据集{D}

运用N种健康状态的监测数据构建用于深度学习诊断模型训练和测试的多通道一维时间序列数据融合数据集{D}

(3)如图3，基于滑移窗口采样法进行数据截断处理，生成标准二维特征图训练样本总数据集{T}

将获取的多通道一维时间序列数据融合数据集{D}

基于滑移窗口采样法的数据截断处理方法生成的T

基于滑移窗口采样法的数据截断处理方法，根据滑窗步长S

(4)数据集划分；

将标准二维特征图训练样本总数据集{T}

(5)构建深度循环卷积神经网络故障诊断模型；

深度循环卷积神经网络故障诊断模型如图4所示，深度循环卷积神经网络故障诊断模型包含有输入数据融合层、时间记忆关联信息挖掘层、深度特征提取层、一维全局均值池化层和Softmax判别输出层；

时间记忆关联信息挖掘层设置为一个深层循环神经网络作为时间关联特征提取器；

深度特征提取层设置为一个深层的一维卷积神经网络(1D-CNN)作为空间特征提取器；

深层循环神经网络，采用一个深度长短时记忆循环神经网络(LSTM)和一个深度门控循环神经网络(GRU)一起组合作为时间关联特征提取器；

深度长短时记忆循环神经网络(LSTM)的LSTM层的数量设置为2层至5层；

深层一维卷积神经网络，设置为包含有P组依次交叉堆叠的一维卷积层、激活层、正则化层和Dropout层，P的取值设置为2至5；

深度循环卷积神经网络故障诊断模型，在深度特征提取层与Softmax判别输出层之间设置了一个一维全局均值池化层用于替代传统一维卷积神经网络(1D-CNN)中的2-3层的全连接网络层部分；

输入数据融合层、时间记忆关联信息挖掘层、深度特征提取层、一维全局均值池化层和Softmax判别输出层之间依次串联；

深度循环卷积神经网络故障诊断模型的算法逻辑如图5所示：

首先，输入数据融合层用于对采集的多通道一维时间序列原始监测数据进行数据融合并生成标准二维特征图训练样本总数据集{T}

(6)初始化深度循环卷积神经网络故障诊断模型的参数权重；

(7)采用总训练集{T}

深度循环卷积神经网络故障诊断模型训练过程的超参数调参，采用群体智能优化算法对深度循环卷积神经网络故障诊断模型的一维CNN网络层数、激活函数、优化器、一维卷积核数、LSTM层数、GRU层数以及神经元节点数等超参数进行自动寻优；

群体智能优化算法设置为采用粒子群优化算法、蚂蚁算法、遗传算法、鸟群算法或鲸鱼算法中的其中一种；

深度循环卷积神经网络故障诊断模型的训练过程设置为通过反复执行前向传播和反向传播迭代计算过程，对时间记忆关联信息挖掘层和深度特征提取层中每一层的模型参数进行训练和学习，在训练的过程中，实时调取总验证集{T}

判断深度循环卷积神经网络故障诊断模型训练过程是否出现过拟合的方法如下：当总训练集{T}

(8)采用总测试集{T}

本发明无需任何手工特征提取操作，也不需要操作人员掌握复杂的多种先进信号处理技术，整个诊断过程自动完成，无需人工干预，具有更好的普适通用性和可操作性，使故障诊断技术人员对船舶旋转机械的时变转速工况下的微小故障诊断更加智能方便快捷。

具体实施例：

首先，在本实施例中，如图6，对滚动轴承实验台安装了两个监测传感器，一个是加速度传感器，用于采集故障振动信号，另一个是转速传感器，用于采集滚动轴承的实时转速；在本实施例中，滚动轴承的健康类型有三种：正常状态、内圈故障和外圈故障，内圈故障和外圈故障均是旋转机械中的微小故障类型；在本实施例中，2种传感器的数据采样频率均为20万赫兹(Hz)，采样时间为10秒，因此，每个健康状态下的每一个监测传感器均可获得一个单通道的一维时间序列原始数据段，该一维时间序列原始数据段的样本长度L为200万个点；因此，按照本发明的步骤说明，可以获得多通道一维时间序列数据融合数据集{D}

其次，采用基于滑移窗口采样的方法进行数据截断处理生成标准二维特征图训练样本总数据集{T}

T

第三，数据集划分；将标准二维特征图训练样本总数据集{T}

表1实验轴承的故障数据集

第四，在本实施例中，所构建深度循环卷积神经网络故障诊断模型如图4所示，包含有输入数据融合层、时间记忆关联信息挖掘层、深度特征提取层、一维全局均值池化层和Softmax判别输出层，其中时间记忆关联信息挖掘层采用了一个长短时记忆循环神经网络(LSTM)和一个门控循环神经网络(GRU)一起组合作为时间关联特征提取器；深度特征提取层设置为依次交叉堆叠多个一维卷积层、激活层、正则化层和Dropout层；输入数据融合层、时间记忆关联信息挖掘层、深度特征提取层、一维全局均值池化层和Softmax判别输出层之间依次串联。

第五，初始化深度循环卷积神经网络故障诊断模型的参数权重，然后采用总训练集{T}

表2深度循环卷积神经网络故障诊断模型超参数

最后，采用总测试集{T}

表3故障诊断结果评估

从表3和图7中可以清晰的看出，本发明提出的深度循环卷积神经网络故障诊断模型获得了非常优越的诊断性能，对三种健康状态的综合诊断准确率F1均值高达99.59％，对2700个测试样本进行诊断，仅有11个样本被误分类，并且，训练后的深度循环卷积神经网络故障诊断模型对正常状态的诊断准确率为100％，对外圈故障的和内圈故障的诊断准确率也高达99.39％。

为了进一步验证本发明提出的深度循环卷积神经网络故障诊断方法相比目前主流的现行机器学习算法的优越性，本发明进一步与现行的全连接BP神经网络、CNN算法、循环神经网络(RNN)和LSTM算法进行了对比验证，获得的诊断结果如表4所示。

表4故障诊断结果对比表

对比表4的诊断结果可以明显看出，本发明提出的深度循环卷积神经网络故障诊断方法相比现行主流的机器学习算法具有明显的优越性，首先在诊断准确率方面，现行的全连接BP神经网络、CNN算法、RNN算法和LSTM算法的F1-均值诊断准确率分别为：80.20％、96.08％、97.50％和97.91％，而本发明提出的深度循环卷积神经网络故障诊断方法的诊断准确率高达99.59％，其次在测试时间方面，现行的全连接BP神经网络、CNN算法、RNN算法和LSTM算法对2700个测试样本的测试时间分别为4.352秒、6.739秒、3.951秒和4.189秒，而本发明提出的深度循环卷积神经网络故障诊断方法的测试时间仅为3.267秒，说明本发明具有良好的快速诊断性能；综上分析，本发明提出的深度循环卷积神经网络故障诊断方法相比现行主流的全连接BP神经网络、CNN算法、RNN算法和LSTM算法即具有更高的时变转速工况故障诊断准确率又具有更快的测试诊断速度。

为进一步验证本发明提出的深度循环卷积神经网络故障诊断方法针对其他旋转机械的故障诊断普适性效果，本发明再给出第二个实施例：

在本实施例中，进一步将本发明提出的深度循环卷积神经网络故障诊断方法应用于东南大学齿轮箱的恒定转速故障数据的诊断中。

该实施例中模拟了齿轮在两种负载工况：0N·m负载(转速1200r/min)和7.32N·m(转速1800r/min)下的5种齿轮健康状态，分别为正常状态(H)、齿面磨损(SW)、齿根磨损(RW)、齿根裂纹(RC)、轮齿折断(CB)；在该实施例中，同时采集了8个通道的数据，分别是电机单向振动和扭矩、行星齿轮箱三向振动和平行轴齿轮箱三向振动信号，每个通道共采集80万个点，即每个故障状态的原始数据集为[8,800000]；因此，按照本发明的步骤S101和S102，可以获得多通道一维时间序列数据融合数据集{D}

在本实验例中，每个样本长度设置为1000，仍然采用基于滑移窗口采样法的数据截断处理，采用的滑动采样窗口长度W

T

表5齿轮的故障数据集

在本实施例中，仍然采用与实施例1滚动轴承相同的深度循环卷积神经网络故障诊断模型超参数，只是将该模型的输入层改为[batch,8,1000]，健康类别数改为5，通过进行模型训练后，得到的测试集最终的诊断结果如表6所示，从表6中可以看出，本发明提出的深度循环卷积神经网络故障诊断方法对齿轮箱在0N·m空载和7.32N·m负载两种恒定转速工况下的诊断准确率分别高达99.93％和99.8％。实验结果也充分表明，本发明提出的深度循环卷积神经网络故障诊断方法在不同的旋转机械对象的应用中也取得了显著的故障诊断效果，具有良好的普适通用性。

表6齿轮的故障诊断结果

经两个实施例应用结果表明，本发明提供的方法对旋转机械时变转速工况和恒定转速工况均获得了优越的诊断准确率。本发明无需任何手工特征提取操作，也不需要操作人员掌握复杂的多种先进信号处理技术，整个诊断过程自动完成，无需人工干预，可以自动的对船舶旋转机械在时变转速工况下采集的多传感器一维时间序列数据进行智能、高效快速的数据融合、时间关联特征信息挖掘、深度特征提取和微小故障自动辨识和诊断，具有更好的普适通用性和可操作性，使故障诊断技术人员对船舶旋转机械的时变转速工况下的微小故障诊断更加智能方便快捷。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。