本技術(shù)涉及機械狀態(tài)監(jiān)測領域，且更為具體地，涉及一種基于深度遷移學習的卷煙機除塵設備電機故障診斷方法。

背景技術(shù)：

1、在煙草制造領域，電機和風機等旋轉(zhuǎn)機械的廣泛使用和頻繁操作，使得對這些設備的機械健康狀態(tài)進行監(jiān)測變得尤為重要。

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)測它們的振動信號。通過先進的信號處理和頻譜分析技術(shù)，可以準確評估這些設備的運行狀況。這種振動監(jiān)測技術(shù)在煙草行業(yè)的應用非常廣泛，包括但不限于除塵系統(tǒng)、卷煙生產(chǎn)線和包裝設備。這些監(jiān)測手段對于維持生產(chǎn)線的連續(xù)運行和保障操作安全至關(guān)重要。

3、但是，傳統(tǒng)的信號處理、頻譜分析等通常需要維護人員具備較高的專業(yè)知識和經(jīng)驗，以便正確解讀振動數(shù)據(jù)和頻譜分析結(jié)果。這限制了監(jiān)測技術(shù)的普及和應用，因為不是所有維護人員都能達到這一要求。

4、隨著機器學習和數(shù)據(jù)挖掘技術(shù)的不斷進步，一種新的、基于數(shù)據(jù)驅(qū)動的故障診斷方法正在成為主流。這種方法減少了對高技能維護人員的需求，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)中得到了廣泛的應用，尤其是在設備在線監(jiān)測方面。

5、然而，工業(yè)環(huán)境中的數(shù)據(jù)收集往往面臨挑戰(zhàn)，如缺乏足夠的負樣本、數(shù)據(jù)通常無標簽，這對于依賴大量標記數(shù)據(jù)的機器學習和深度學習模型來說是一個難題。

6、因此，提供一種基于深度遷移學習的卷煙機除塵設備電機故障診斷方法。

技術(shù)實現(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習的卷煙機除塵設備電機故障診斷方法，該方法利用卷煙機除塵設備的電機振動和溫度信號進行數(shù)據(jù)分析和建模，將基于已知領域振動數(shù)據(jù)訓練的數(shù)據(jù)模型適配到卷煙機除塵設備電機的故障診斷中，同時融合了電機溫度的實時預警數(shù)據(jù)，以提高故障預測的準確性。

2、具體地，根據(jù)本技術(shù)的一個方面，提供了一種基于深度遷移學習的卷煙機除塵設備電機故障診斷方法，其包括：

3、s1、對除塵車間電機設備運行時的振動信號和溫度信號進行實時采集，并將所述振動信號和所述溫度信號分別存儲在本地數(shù)據(jù)庫中；

4、s2、對所述振動信號進行數(shù)據(jù)重采樣、窗口分割、數(shù)據(jù)標準化的預處理操作以及對所述溫度信號進行空值、異常值的數(shù)據(jù)預處理操作；

5、s3、采用卷積神經(jīng)網(wǎng)絡作為遷移學習模型的核心架構(gòu)，除輸出層外，定義6層神經(jīng)網(wǎng)絡作為遷移學習網(wǎng)絡的特征提取層；

6、s4、對所述遷移學習模型進行訓練以得到預測模型mt；

7、s5、利用所述預測模型mt對振動數(shù)據(jù)進行預測，得到振動預測結(jié)果yprd；

8、s6、對預處理后的電機溫度數(shù)據(jù)進行二級動態(tài)閾值判斷，構(gòu)建溫度預警模型mtemp，并利用所述溫度預警模型mtemp對溫度數(shù)據(jù)進行診斷，得到溫度預警結(jié)果tprd；

9、s7、基于所述振動預測結(jié)果yprd和所述溫度預警結(jié)果tprd，向客戶端推送電機狀態(tài)等級，并根據(jù)預測結(jié)果展示設備故障診斷信息；

10、其中，所述s4，包括：

11、s41、劃分源域數(shù)據(jù)集ds、目標域數(shù)據(jù)集dt，對所述源域數(shù)據(jù)集ds、所述目標域數(shù)據(jù)集dt分別進行數(shù)據(jù)預處理操作；

12、s42、設置模型訓練的初始化網(wǎng)絡參數(shù)，其中，設定學習率∈＝1e-3、學習率調(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輸入遷移學習模型，并采用批歸一化技術(shù)，加速模型收斂，反復迭代后得到最優(yōu)預訓練模型ms，并保存至本地；

14、s44、將目標域數(shù)據(jù)集dt輸入預訓練模型ms，并采用批歸一化技術(shù)，微調(diào)模型，反復迭代后得到適應目標域數(shù)據(jù)的預測模型mt。

15、可選地，所述s2，包括：s21、對所述振動信號進行重采樣，消除缺失值，設定batch大小為128；s22、調(diào)整重采樣數(shù)據(jù)滑動窗口長度l和重疊率r，其中，滑動窗口長度l＝128，重疊率r＝0.5；s23、對重采樣振動信號應用z-score標準化，消除量綱影響，加速模型收斂，其中，z-score計算公式如下：

16、

17、其中，xscaler為標準化后的振動數(shù)據(jù)，x為重采樣振動信號，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)的標準差；s24、對所述溫度信號進行異常值、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測試臺對使用故障軸承和正常軸承的電機進行振動數(shù)據(jù)采集，將取得的有標簽數(shù)據(jù)作為源域數(shù)據(jù)集ds；s412、在卷煙除塵車間電機設備加裝無線振動傳感器，采集一定時間內(nèi)現(xiàn)場新領域電機振動數(shù)據(jù)，并將數(shù)據(jù)存儲于數(shù)據(jù)庫中，作為目標域數(shù)據(jù)集dt；s413、對所述源域數(shù)據(jù)集ds、所述目標域數(shù)據(jù)集dt執(zhí)行步驟s2，將數(shù)據(jù)處理成適應神經(jīng)網(wǎng)絡的格式。

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

21、可選地，所述s7，包括：若振動預警與溫度預警同時出現(xiàn)，則向客戶端推送三級狀態(tài)，若只有振動或溫度預警，則向客戶端推送二級狀態(tài)，若無預警則向客戶端推送一級狀態(tài)，并根據(jù)預測結(jié)果展示設備故障診斷信息。

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習的卷煙機除塵設備電機故障診斷系統(tǒng)，其包括：

23、電機數(shù)據(jù)采集模塊，用于對除塵車間電機設備運行時的振動信號和溫度信號進行實時采集，并將所述振動信號和所述溫度信號分別存儲在本地數(shù)據(jù)庫中；

24、電機數(shù)據(jù)預處理模塊，用于對所述振動信號進行數(shù)據(jù)重采樣、窗口分割、數(shù)據(jù)標準化的預處理操作以及對所述溫度信號進行空值、異常值的數(shù)據(jù)預處理操作；

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

26、遷移學習模型訓練模塊，用于對所述遷移學習模型進行訓練以得到預測模型mt；

27、電機振動預測模塊，用于利用所述預測模型mt對振動數(shù)據(jù)進行預測，得到振動預測結(jié)果yprd；

28、電機溫度預警模塊，用于對預處理后的電機溫度數(shù)據(jù)進行二級動態(tài)閾值判斷，構(gòu)建溫度預警模型mtemp，并利用所述溫度預警模型mtemp對溫度數(shù)據(jù)進行診斷，得到溫度預警結(jié)果tprd；

29、電機故障預測模塊，用于基于所述振動預測結(jié)果yprd和所述溫度預警結(jié)果tprd，向客戶端推送電機狀態(tài)等級，并根據(jù)預測結(jié)果展示設備故障診斷信息；

30、其中，所述遷移學習模型訓練模塊，包括：

31、劃分源域數(shù)據(jù)集ds、目標域數(shù)據(jù)集dt，對所述源域數(shù)據(jù)集ds、所述目標域數(shù)據(jù)集dt分別進行數(shù)據(jù)預處理操作；

32、設置模型訓練的初始化網(wǎng)絡參數(shù)，其中，設定學習率∈＝1e-3、學習率調(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輸入遷移學習模型，并采用批歸一化技術(shù)，加速模型收斂，反復迭代后得到最優(yōu)預訓練模型ms，并保存至本地；

34、將目標域數(shù)據(jù)集dt輸入預訓練模型ms，并采用批歸一化技術(shù)，微調(diào)模型，反復迭代后得到適應目標域數(shù)據(jù)的預測模型mt。

35、可選地，所述電機故障預測模塊，包括：所述電機狀態(tài)等級包括三級狀態(tài)、二級狀態(tài)以及一級狀態(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習的卷煙機除塵設備電機故障診斷方法，該方法在目標域數(shù)據(jù)集缺乏足夠標簽的情況下，利用源域的預訓練模型進行特征提取和初步分類，有效應對了現(xiàn)場數(shù)據(jù)標簽稀缺導致的預測模型訓練難題。而且，該方法通過使用遷移學習，模型能夠從源域數(shù)據(jù)中學習到通用特征，并將這些特征應用到目標域，使其在變工況情況下，也能保持較高的識別準確率，從而提高模型的跨工況識別能力。此外，該方法通過結(jié)合電機溫度預警結(jié)果，進一步增強了模型在多樣化操作條件下的預測精度和可靠性。這種方法對操作人員的技術(shù)水平要求不高，支持在線自動監(jiān)測，能夠迅速識別設備潛在問題，減少人工現(xiàn)場檢查的需求，節(jié)約人力資源，并促進了數(shù)字化工廠的構(gòu)建，提高了除塵設備的管理效率和質(zhì)量。