本技術(shù)涉及機(jī)械狀態(tài)監(jiān)測(cè)領(lǐng)域，且更為具體地，涉及一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷方法。

背景技術(shù)：

1、在煙草制造領(lǐng)域，電機(jī)和風(fēng)機(jī)等旋轉(zhuǎn)機(jī)械的廣泛使用和頻繁操作，使得對(duì)這些設(shè)備的機(jī)械健康狀態(tài)進(jìn)行監(jiān)測(cè)變得尤為重要。

2、為了確保這些關(guān)鍵組件的可靠性，通常采用的方法是監(jiān)測(cè)它們的振動(dòng)信號(hào)。通過先進(jìn)的信號(hào)處理和頻譜分析技術(shù)，可以準(zhǔn)確評(píng)估這些設(shè)備的運(yùn)行狀況。這種振動(dòng)監(jiān)測(cè)技術(shù)在煙草行業(yè)的應(yīng)用非常廣泛，包括但不限于除塵系統(tǒng)、卷煙生產(chǎn)線和包裝設(shè)備。這些監(jiān)測(cè)手段對(duì)于維持生產(chǎn)線的連續(xù)運(yùn)行和保障操作安全至關(guān)重要。

3、但是，傳統(tǒng)的信號(hào)處理、頻譜分析等通常需要維護(hù)人員具備較高的專業(yè)知識(shí)和經(jīng)驗(yàn)，以便正確解讀振動(dòng)數(shù)據(jù)和頻譜分析結(jié)果。這限制了監(jiān)測(cè)技術(shù)的普及和應(yīng)用，因?yàn)椴皇撬芯S護(hù)人員都能達(dá)到這一要求。

4、隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的不斷進(jìn)步，一種新的、基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法正在成為主流。這種方法減少了對(duì)高技能維護(hù)人員的需求，使得故障診斷過程更加高效和易于操作，已經(jīng)在工業(yè)生產(chǎn)中得到了廣泛的應(yīng)用，尤其是在設(shè)備在線監(jiān)測(cè)方面。

5、然而，工業(yè)環(huán)境中的數(shù)據(jù)收集往往面臨挑戰(zhàn)，如缺乏足夠的負(fù)樣本、數(shù)據(jù)通常無標(biāo)簽，這對(duì)于依賴大量標(biāo)記數(shù)據(jù)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型來說是一個(gè)難題。

6、因此，提供一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷方法。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問題，提出了本技術(shù)。本技術(shù)提供了一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷方法，該方法利用卷煙機(jī)除塵設(shè)備的電機(jī)振動(dòng)和溫度信號(hào)進(jìn)行數(shù)據(jù)分析和建模，將基于已知領(lǐng)域振動(dòng)數(shù)據(jù)訓(xùn)練的數(shù)據(jù)模型適配到卷煙機(jī)除塵設(shè)備電機(jī)的故障診斷中，同時(shí)融合了電機(jī)溫度的實(shí)時(shí)預(yù)警數(shù)據(jù)，以提高故障預(yù)測(cè)的準(zhǔn)確性。

2、具體地，根據(jù)本技術(shù)的一個(gè)方面，提供了一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷方法，其包括：

3、s1、對(duì)除塵車間電機(jī)設(shè)備運(yùn)行時(shí)的振動(dòng)信號(hào)和溫度信號(hào)進(jìn)行實(shí)時(shí)采集，并將所述振動(dòng)信號(hào)和所述溫度信號(hào)分別存儲(chǔ)在本地?cái)?shù)據(jù)庫(kù)中；

4、s2、對(duì)所述振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)重采樣、窗口分割、數(shù)據(jù)標(biāo)準(zhǔn)化的預(yù)處理操作以及對(duì)所述溫度信號(hào)進(jìn)行空值、異常值的數(shù)據(jù)預(yù)處理操作；

5、s3、采用卷積神經(jīng)網(wǎng)絡(luò)作為遷移學(xué)習(xí)模型的核心架構(gòu)，除輸出層外，定義6層神經(jīng)網(wǎng)絡(luò)作為遷移學(xué)習(xí)網(wǎng)絡(luò)的特征提取層；

6、s4、對(duì)所述遷移學(xué)習(xí)模型進(jìn)行訓(xùn)練以得到預(yù)測(cè)模型mt；

7、s5、利用所述預(yù)測(cè)模型mt對(duì)振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到振動(dòng)預(yù)測(cè)結(jié)果yprd；

8、s6、對(duì)預(yù)處理后的電機(jī)溫度數(shù)據(jù)進(jìn)行二級(jí)動(dòng)態(tài)閾值判斷，構(gòu)建溫度預(yù)警模型mtemp，并利用所述溫度預(yù)警模型mtemp對(duì)溫度數(shù)據(jù)進(jìn)行診斷，得到溫度預(yù)警結(jié)果tprd；

9、s7、基于所述振動(dòng)預(yù)測(cè)結(jié)果yprd和所述溫度預(yù)警結(jié)果tprd，向客戶端推送電機(jī)狀態(tài)等級(jí)，并根據(jù)預(yù)測(cè)結(jié)果展示設(shè)備故障診斷信息；

10、其中，所述s4，包括：

11、s41、劃分源域數(shù)據(jù)集ds、目標(biāo)域數(shù)據(jù)集dt，對(duì)所述源域數(shù)據(jù)集ds、所述目標(biāo)域數(shù)據(jù)集dt分別進(jìn)行數(shù)據(jù)預(yù)處理操作；

12、s42、設(shè)置模型訓(xùn)練的初始化網(wǎng)絡(luò)參數(shù)，其中，設(shè)定學(xué)習(xí)率∈＝1e-3、學(xué)習(xí)率調(diào)整策略選擇step方法、優(yōu)化策略選擇sgd方法；

13、s43、將所述源域數(shù)據(jù)集ds輸入遷移學(xué)習(xí)模型，并采用批歸一化技術(shù)，加速模型收斂，反復(fù)迭代后得到最優(yōu)預(yù)訓(xùn)練模型ms，并保存至本地；

14、s44、將目標(biāo)域數(shù)據(jù)集dt輸入預(yù)訓(xùn)練模型ms，并采用批歸一化技術(shù)，微調(diào)模型，反復(fù)迭代后得到適應(yīng)目標(biāo)域數(shù)據(jù)的預(yù)測(cè)模型mt。

15、可選地，所述s2，包括：s21、對(duì)所述振動(dòng)信號(hào)進(jìn)行重采樣，消除缺失值，設(shè)定batch大小為128；s22、調(diào)整重采樣數(shù)據(jù)滑動(dòng)窗口長(zhǎng)度l和重疊率r，其中，滑動(dòng)窗口長(zhǎng)度l＝128，重疊率r＝0.5；s23、對(duì)重采樣振動(dòng)信號(hào)應(yīng)用z-score標(biāo)準(zhǔn)化，消除量綱影響，加速模型收斂，其中，z-score計(jì)算公式如下：

16、

17、其中，xscaler為標(biāo)準(zhǔn)化后的振動(dòng)數(shù)據(jù)，x為重采樣振動(dòng)信號(hào)，μ為該特征維度下數(shù)據(jù)的均值，σ為該特征下數(shù)據(jù)的標(biāo)準(zhǔn)差；s24、對(duì)所述溫度信號(hào)進(jìn)行異常值、空值剔除。

18、特別地，所述s3，包括：所述輸出層引入一個(gè)自定義的線性層，作為分類層，并通過dropout技術(shù)來減少模型的過擬合現(xiàn)象。

19、可選地，所述s41，包括：s411、采用加裝振溫傳感器的振動(dòng)測(cè)試臺(tái)對(duì)使用故障軸承和正常軸承的電機(jī)進(jìn)行振動(dòng)數(shù)據(jù)采集，將取得的有標(biāo)簽數(shù)據(jù)作為源域數(shù)據(jù)集ds；s412、在卷煙除塵車間電機(jī)設(shè)備加裝無線振動(dòng)傳感器，采集一定時(shí)間內(nèi)現(xiàn)場(chǎng)新領(lǐng)域電機(jī)振動(dòng)數(shù)據(jù)，并將數(shù)據(jù)存儲(chǔ)于數(shù)據(jù)庫(kù)中，作為目標(biāo)域數(shù)據(jù)集dt；s413、對(duì)所述源域數(shù)據(jù)集ds、所述目標(biāo)域數(shù)據(jù)集dt執(zhí)行步驟s2，將數(shù)據(jù)處理成適應(yīng)神經(jīng)網(wǎng)絡(luò)的格式。

20、可選地，所述s7，包括：所述電機(jī)狀態(tài)等級(jí)包括三級(jí)狀態(tài)、二級(jí)狀態(tài)以及一級(jí)狀態(tài)。

21、可選地，所述s7，包括：若振動(dòng)預(yù)警與溫度預(yù)警同時(shí)出現(xiàn)，則向客戶端推送三級(jí)狀態(tài)，若只有振動(dòng)或溫度預(yù)警，則向客戶端推送二級(jí)狀態(tài)，若無預(yù)警則向客戶端推送一級(jí)狀態(tài)，并根據(jù)預(yù)測(cè)結(jié)果展示設(shè)備故障診斷信息。

22、具體地，根據(jù)本技術(shù)的另一方面，提供了一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷系統(tǒng)，其包括：

23、電機(jī)數(shù)據(jù)采集模塊，用于對(duì)除塵車間電機(jī)設(shè)備運(yùn)行時(shí)的振動(dòng)信號(hào)和溫度信號(hào)進(jìn)行實(shí)時(shí)采集，并將所述振動(dòng)信號(hào)和所述溫度信號(hào)分別存儲(chǔ)在本地?cái)?shù)據(jù)庫(kù)中；

24、電機(jī)數(shù)據(jù)預(yù)處理模塊，用于對(duì)所述振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)重采樣、窗口分割、數(shù)據(jù)標(biāo)準(zhǔn)化的預(yù)處理操作以及對(duì)所述溫度信號(hào)進(jìn)行空值、異常值的數(shù)據(jù)預(yù)處理操作；

25、遷移學(xué)習(xí)模型搭建模塊，用于采用卷積神經(jīng)網(wǎng)絡(luò)作為遷移學(xué)習(xí)模型的核心架構(gòu)，除輸出層外，定義6層神經(jīng)網(wǎng)絡(luò)作為遷移學(xué)習(xí)網(wǎng)絡(luò)的特征提取層；

26、遷移學(xué)習(xí)模型訓(xùn)練模塊，用于對(duì)所述遷移學(xué)習(xí)模型進(jìn)行訓(xùn)練以得到預(yù)測(cè)模型mt；

27、電機(jī)振動(dòng)預(yù)測(cè)模塊，用于利用所述預(yù)測(cè)模型mt對(duì)振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到振動(dòng)預(yù)測(cè)結(jié)果yprd；

28、電機(jī)溫度預(yù)警模塊，用于對(duì)預(yù)處理后的電機(jī)溫度數(shù)據(jù)進(jìn)行二級(jí)動(dòng)態(tài)閾值判斷，構(gòu)建溫度預(yù)警模型mtemp，并利用所述溫度預(yù)警模型mtemp對(duì)溫度數(shù)據(jù)進(jìn)行診斷，得到溫度預(yù)警結(jié)果tprd；

29、電機(jī)故障預(yù)測(cè)模塊，用于基于所述振動(dòng)預(yù)測(cè)結(jié)果yprd和所述溫度預(yù)警結(jié)果tprd，向客戶端推送電機(jī)狀態(tài)等級(jí)，并根據(jù)預(yù)測(cè)結(jié)果展示設(shè)備故障診斷信息；

30、其中，所述遷移學(xué)習(xí)模型訓(xùn)練模塊，包括：

31、劃分源域數(shù)據(jù)集ds、目標(biāo)域數(shù)據(jù)集dt，對(duì)所述源域數(shù)據(jù)集ds、所述目標(biāo)域數(shù)據(jù)集dt分別進(jìn)行數(shù)據(jù)預(yù)處理操作；

32、設(shè)置模型訓(xùn)練的初始化網(wǎng)絡(luò)參數(shù)，其中，設(shè)定學(xué)習(xí)率∈＝1e-3、學(xué)習(xí)率調(diào)整策略選擇step方法、優(yōu)化策略選擇sgd方法；

33、將所述源域數(shù)據(jù)集ds輸入遷移學(xué)習(xí)模型，并采用批歸一化技術(shù)，加速模型收斂，反復(fù)迭代后得到最優(yōu)預(yù)訓(xùn)練模型ms，并保存至本地；

34、將目標(biāo)域數(shù)據(jù)集dt輸入預(yù)訓(xùn)練模型ms，并采用批歸一化技術(shù)，微調(diào)模型，反復(fù)迭代后得到適應(yīng)目標(biāo)域數(shù)據(jù)的預(yù)測(cè)模型mt。

35、可選地，所述電機(jī)故障預(yù)測(cè)模塊，包括：所述電機(jī)狀態(tài)等級(jí)包括三級(jí)狀態(tài)、二級(jí)狀態(tài)以及一級(jí)狀態(tài)。

36、與現(xiàn)有技術(shù)相比，本技術(shù)提供的一種基于深度遷移學(xué)習(xí)的卷煙機(jī)除塵設(shè)備電機(jī)故障診斷方法，該方法在目標(biāo)域數(shù)據(jù)集缺乏足夠標(biāo)簽的情況下，利用源域的預(yù)訓(xùn)練模型進(jìn)行特征提取和初步分類，有效應(yīng)對(duì)了現(xiàn)場(chǎng)數(shù)據(jù)標(biāo)簽稀缺導(dǎo)致的預(yù)測(cè)模型訓(xùn)練難題。而且，該方法通過使用遷移學(xué)習(xí)，模型能夠從源域數(shù)據(jù)中學(xué)習(xí)到通用特征，并將這些特征應(yīng)用到目標(biāo)域，使其在變工況情況下，也能保持較高的識(shí)別準(zhǔn)確率，從而提高模型的跨工況識(shí)別能力。此外，該方法通過結(jié)合電機(jī)溫度預(yù)警結(jié)果，進(jìn)一步增強(qiáng)了模型在多樣化操作條件下的預(yù)測(cè)精度和可靠性。這種方法對(duì)操作人員的技術(shù)水平要求不高，支持在線自動(dòng)監(jiān)測(cè)，能夠迅速識(shí)別設(shè)備潛在問題，減少人工現(xiàn)場(chǎng)檢查的需求，節(jié)約人力資源，并促進(jìn)了數(shù)字化工廠的構(gòu)建，提高了除塵設(shè)備的管理效率和質(zhì)量。