(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111144024.0 (22)申请日 2021.09.28 (71)申请人 上海电气集团数字科技有限公司 地址 200135 上海市浦东 新区南汇新城镇 环湖西二路8 88号A楼329室 (72)发明人 周意龙　侯灵峰　梁为　黄猛　 吴祎　程艳　王勇　 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于振动数据的机械设备故障诊断方 法 (57)摘要 本发明提供一种基于振动数据的机械设备 故障诊断方法， 包含步骤： S1、 同时采集机械设备 故障时的多类振动数据， 并依时序采样得到采样 数据集； S2、 根据设定的步长， 基于采样数据集生 成第一训练集和第一测试集， 为第一训练集设置 表示故障类型的标签， 通过第一训练集训练用于 判断机械设备故障的故障类型的双层LSTM神经 网络； S3、 基于采样数据集生成第二训练集和第 二测试集， 为第二训练集设置表 示故障类型的标 签， 通过第二训练集训练用于判断机械设备故障 类型的BP神经网络； S4、 比较两个神经网络的判 断准确率， 选取判断准确率高的一个作为实际故 障判断模型， 通过实际故障判断模 型基于实时采 集的振动数据判断故障类型。 权利要求书3页 说明书8页 附图3页 CN 113987697 A 2022.01.28 CN 113987697 A 1.一种基于振动数据的机 械设备故障诊断方法， 其特 征在于， 包 含步骤： S1、 同时采集机械设备故障时的多类振动数据并去噪， 依时序对所述多类振动数据采 样， 得到采样数据集； S2、 根据设定的时间步长， 基于所述采样数据集生成第一训练集和第一测试集； 人工为 第一训练集设置表示机械设备故障类型 的标签； 通过所述第一训练集、 第一测试集训练双 层LSTM神经网络； 所述双层LSTM神经网络用于判断机械设备故障的故 障类型； 所述第一测 试集用于验证训练好的LSTM神经网络； S3、 基于所述采样数据集生成第二训练集和第二测试集； 人工为第二训练集设置表示 机械设备故障类型的标签； 通过所述第二训练集训练BP神经网络， 所述BP神经网络用于判 断机械设备故障的故障类型； 所述第二测试集用于验证训练好的BP神经网络； S4、 比较双层LSTM神经网络、 BP神经网络的判断准确率， 从中选取判断准确率 高的一个 作为实际故障判断模型； 通过实际故障判断模 型基于实时采集机械 设备振动数据判断机械 设备故障类型。 2.如权利要求1所述的基于振动数据的机械设备故障诊断方法， 其特征在于， 所述采样 数据集记为E， E＝{er}r∈[1,num]； num为采样的总次数； er＝{e′r1,…,e′r}； e′rp为第r 次采样的第p类振动数据， p∈[1,m ]， m为振动数据的类别总数。 3.如权利要求2所述的基于振动数据的机械设备故障诊断方法， 其特征在于， 步骤S2中 生成第一训练集和第一测试集的方法包 含： 令xi＝[e(i‑1)×s+1,e(i‑1)×s+2,…,ei×s]′, 其中， i∈[1,num/s]， s为设定的时间 步长， [·]′表示矩阵的转置； 将x1～xL作为第一训练集， 将 作为第一测试集， L 为设定的常数。 4.如权利要求3所述的基于振动数据的机械设备故障诊断方法， 其特征在于， 所述双层 LSTM网络包 含： 第一隐层、 第二隐层、 扁平化模块； 第i次对双 层LSTM网络进行训练时， i∈[1,L ‑w+1]， 包含： 将第一测试集中的时序数据xi,…,xi+w依序输入第一隐层， 经过第一隐层的LS TM标准模 块进行w个时间步的运算后， 得到对应时间步的输出结果 其中xi,…,xi+w分别 作为第一隐层的LSTM标准模块在该w个时间步的输入； 将 依序输入第二隐层， 经过第二隐层的LSTM标准模块进行w个时间步的运 算后， 得到对应时间步的输出结果 其中 分别作为第二隐层的LSTM 标准模块在该w个时间步的输入； 将 输入所述扁平化模块得到机械设备故障类型的分类结果， 扁平化模块包 含分类器。 5.如权利要求4所述的基于振动数据的机械设备故障诊断方法， 其特征在于， LSTM标准 模块进行一个时间步的运 算包含： S21、 记LSTM标准模块的隐藏单元个数为n， s为所述设定 的时间步长； 当前时间步t， 时权　利　要　求　书 1/3 页 2 CN 113987697 A 2间步t‑1为时间步t的上一时间步； 表示在时间步t的输入， ht‑1表示在时间步t ‑ 1的隐藏状态， LSTM标准模块在时间步t的遗 忘门ft和记忆门it分别为： ft＝σ(Wf·[ht‑1,xt]+bf)； it＝σ(Wi·[ht‑1,xt]+bi)； 其中， ft和 ·表示矩阵运算， σ 为sigmod激活函数， Wf和 是 权重参数， bf和 是偏置参数； S22、 计算在时间步t的新的状态候选量 其中， tanh为激 活函数， 为权重参数， 为偏置参 数； S23、 计算时间步t的更新门Ct与输出门ot： ot＝σ(Wo·[ht‑1,xt]+bo)； 其中， Ct与 Ct‑1为时间步t ‑1的更新门， 是 权重参数， 为偏置参数； S24、 ht为LSTM标准模块在时间步t的隐藏状态， 也作为LSTM标准模块在时间步t的输出 结果： ht＝ot*tanh(Ct) 其中， 6.如权利要求2所述的基于振动数据的机械设备故障诊断方法， 其特征在于， 步骤S3包 含： S31、 将 作为第二训练集， 作为第二测试集； n1∈[1,num]； 令a作为训 练次数， a的初值 为1； S32、 所述BP神经网络为三层结构， 包含输入层、 隐含层和输出层； 输入层的节点数为m； 输出层的节点数为 N， 输出层的一个节点对应一类机 械设备故障； 隐含层有B个节点； 第a次训练时， 隐含层第j个节点的输入 其中j∈[1,B]， wij为输入 层第i个节 点对隐含层第j 个节点的连接权值、 θj为隐含层第 j个节点的阈值； e ′ai为第a次采 样的第i类振动数据， 其对应输入层的一个节点； 隐含层第j个节点的输出为bj＝g(Sj)， 其中g(·)为Sigmo id函数； 输出层第k个节点的输入 其中k∈[1,N]， w ′lk为隐含层第l个节点 对输出层第k个节点的连接 权值、 θ′k为输出层第k个节点的阈值；权　利　要　求　书 2/3 页 3 CN 113987697 A 3