CN115931359B - 一种涡轮泵轴承故障诊断方法及装置 - Google Patents

Abstract

本发明公开一种涡轮泵轴承故障诊断方法及装置，涉及机械设备故障诊断技术领域，以解决现有涡轮泵轴承故障诊断准确度低的问题。一种涡轮泵轴承故障诊断方法，包括获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对振动信号进行处理得到满足预设条件的时频谱集合；基于时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；第一结构模型和第二结构模型结构相同；基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。本发明提供的涡轮泵轴承故障诊断方法，用于提高涡轮泵轴承故障诊断准确度。

Description

一种涡轮泵轴承故障诊断方法及装置

技术领域

本发明涉及机械设备故障诊断技术领域，尤其涉及一种涡轮泵轴承故障诊断方法及装置。

背景技术

涡轮泵是液体火箭发动机的“心脏”，轴承失效是其最主要故障模式，占火箭发动机***故障的15.6%。涡轮泵轴承工作热力学环境极为复杂，润滑条件恶劣；在涡轮泵启动、关机及变工况运行阶段受强瞬时冲击时极易导致润滑结构破坏或瞬间干摩擦引起烧蚀、剥落、磨损等，一旦发生故障，将会导致整个火箭发动机***性能劣化甚至严重事故。因此提升涡轮泵健康状态监测智能化水平对于保障液体火箭发动机运行安全具有重要意义。

目前，广泛采用深度学习的方法，通过训练好的卷积神经网络对故障类型进行识别，然而由于故障样本少，训练的卷积神经网络模型的网络参数性能差，导致最终故障识别的精确度低。

发明内容

本发明的目的在于提供一种涡轮泵轴承故障诊断方法及装置，用于提高涡轮泵轴承故障诊断准确度。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供一种涡轮泵轴承故障诊断方法，包括：

获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合；

基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；所述第一结构模型和所述第二结构模型结构相同；

基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。

与现有技术相比，本发明提供的涡轮泵轴承故障诊断方法，包括：获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对振动信号进行处理得到满足预设条件的时频谱集合；基于时频谱集，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；第一结构模型和第二结构模型结构相同；基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。本涡轮泵轴承故障诊断方法直接将满足预设条件的时频谱集合作为双结构网络模型的输入，摆脱了传统预测方法中特征提取过程对人工经验的依赖性；通过的训练样本训练双结构网络模型中第一结构模型和第二结构模型的权重，即可获得一个强泛化能力的智能诊断模型，其中，双结构网络模型中第一结构模型学习识别未知样本的知识，第二结构模型由于与第一结构模型结构相同，二者可以进行动态传参，从而引导第一结构模型向正确方向训练，极大提高了网络的训练效率和故障类型预测的准确率，摆脱了现有深度强化学习模型由于自身单网络模型结构导致其易陷入局部最优的弊端；同时本方法能够在样本不足的条件下对涡轮泵轴承故障数据进行定量识别，不仅能够识别同一类别样本的不同故障程度，而且能够准确区分不同失效程度导致的不同故障类别之间的混淆。

另一方面，本发明还提供一种涡轮泵轴承故障诊断装置，包括：

振动信号获取和处理模块，用于获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合；

第一权重和第二权重更新模块，用于基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；所述第一结构模型和所述第二结构模型结构相同；

故障类型预测模块，用于基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。

与现有技术相比，本发明提供的一种涡轮泵轴承故障诊断装置的有益效果与上述技术方案所述一种涡轮泵轴承故障诊断方法的有益效果相同，此处不做赘述。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明提供的一种涡轮泵轴承故障诊断方法流程图；

图2为本发明提供的基于深度强化学习和卷积网络框架的双结构网络模型的结构示意图；

图3为本发明提供的双结构网络模型应用流程示意图；

图4为本发明提供的一种涡轮泵轴承故障诊断装置的结构示意图。

实施方式

为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项（个）”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。

在介绍本发明实施例之前首先对本发明实施例中涉及到的相关名词作如下释义：

深度学习是一类模式分析方法的统称，通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”或“表示学习”。

强化学习是智能体以“试错”的方式进行学习，通过与环境进行交互获得的奖励指导行为，目标是使智能体获得最大的奖励，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价，而不是告诉强化学习***RLS如何去产生正确的动作。通过这种方式，在学习***的控制行为与环境反馈的状态及评价的反复的交互作用中，以学习的方式不断修改从状态到动作的映射策略，以达到优化***性能目的。

卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学***移不变分类。

现有采用深度学习方法进行涡轮泵轴承故障诊断方法由于故障数据数量少等实际困难导致故障诊断准确率低，深度强化学习作为人工智能的一个突破，结合了深度学习和强化学习的优势，赋予智能体感知环境的能力，进而训练智能体进行长期泛化学习。

为了解决现有涡轮泵故障诊断方法出现的问题，本发明提供一种涡轮泵轴承故障诊断方法及装置，采用双网络模型结构，动作模型在不断试错的过程中学习识别未知样本的知识，同时策略模型依据动作模型识别的效率动态调整策略以指导动作模型向正确方向训练，经验存储单元的建立扩充了样本的容量，并且直接剔除了一些完全错误的经验样本，通过结合深度强化学习的优势构建了一种端到端的故障智能识别体系，以便实现多工况运行发动机涡轮泵轴承的健康状态准确识别，为火箭发动机的试车验收交付提供重要的技术支撑与决策支撑，接下来结合附图进行详细说明。

图1为本发明提供的一种涡轮泵轴承故障诊断方法流程图，如图1所示，本涡轮泵轴承故障诊断方法包括：

步骤101：获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合。

涡轮泵多工况可以为涡轮泵开机阶段、稳定阶段、关机阶段、稳定阶段时的不同转速、稳定阶段时的不同载荷和稳定阶段时的不同运行环境等。

以某型号轴承故障数据集为例进行说明，该故障数据集包含正常、内圈轻度故障、内圈中度故障、内圈重度故障、外圈轻度故障、外圈中度故障、外圈重度故障等轴承升速运行状态中七种故障类型的数据，每种故障类型包含155条样本，总共包含1085条样本，取其中每种故障类型下的5条样本作为训练样本，剩余样本作为测试样本，即训练样本包含35条样本，测试样本包含1050条样本。训练样本数据量仅占总样本数据量的3.23%。数据为振动信号。训练样本用于对双结构网络模型进行网络参数训练，测试样本用于测试训练好的双结构网络模型的故障类型识别能力是否符合预期。

首先，对涡轮泵轴承故障数据集中的振动信号进行短时傅里叶变换得到多个初始时频谱集合；然后使用Standardize函数将多个初始时频谱集合的尺寸以及RGB通道处理为同一规格，其中尺寸为时频谱的高和宽。

然后基于标准差公式对多个所述初始时频谱集合进行处理得到满足预设条件的时频谱集合，时频谱集合中包括训练样本对应的时频谱和测试样本对应的时频谱；标准差公式如公式（1）、公式（2）、公式（3）以及公式（4）所示：

（1）

（2）

（3）

（4）

其中，

为第/>

个样本的频域表征，/>

为第/>

个样本的时域表征，/>

的取值为1，2，3...；/>

为Hanning时间滑窗，窗长设置为512；/>

表示每个时频谱中像素点个数；/>

表示第/>

个像素的像素值，/>

的取值为1，2，3...；/>

表示每个时频谱的均值；/>

表示每个时频谱的标准差；/>

表示标准差处理后的新样本；/>

为时间，取值为自然数；/>

为时间滑窗窗长。

通过上述处理得到的满足条件的时频谱集合包括七种故障类型的时频谱，每种时频谱中均蕴含了对应的涡轮泵轴承的故障特征，采用人工判别的方式不能直接从中有效识别故障类型，因此需要采用双结构网络模型对时频谱中的故障特征进行提取以及识别。

步骤102：基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成。

双结构网络模型基于深度强化学习和卷积网络框架，双结构网络模型包括第一结构网络模型、第二结构网络模型以及经验存储单元，其中第一结构网络模型为动作模型，第二结构网络模型为策略模型；第一结构网络模型和第二结构网络模型的结构相同，便于二者之间动态传参，第一结构网络模型和第二结构网络模型均由三层卷积层和两层全连接层依次连接，每个卷积层中的卷积核大小为

，每层包含卷积核数依次为32、64、128个，且最后一层全连接层核的数量与动作模型可执行动作的数量一致。可以结合图2进行说明，如图2所示，首先对采集到的原始振动信号进行短时傅里叶处理得到时频谱图，时频谱图组成少量的训练样本，训练样本中包含正常、内圈轻度故障、内圈中度故障、内圈重度故障、外圈轻度故障、外圈中度故障、外圈重度故障等七种故障类型的样本，将训练样本输入到双结构网络模型中的动作模型和策略模型中进行训练，其中动作模型中的卷积层提取训练样本中的故障特征，全连接层对故障特征进行处理得到期望奖励Q值，根据贪婪算法选择执行动作输入到动作模型中，其中，执行动作即为确定故障类型的动作，每输入一个执行动作对应输出一个Q值，将输出的Q值对应的故障类型与已知的故障类型进行匹配，筛选出匹配对的Q值，其对应的故障类型即为预测故障类型；策略模型根据输入的训练样本输出所有的Q值：Q值1、Q值2、Q值3等，并根据输出的Q值形成自身的策略；同时动作模型在执行动作过程中如果执行动作正确获得奖励，错误获得惩罚，动作模型每执行一次动作则将动作模型的期望奖励发送给策略模型，策略模型根据动作模型的期望奖励更新自身策略，每间隔预设的M个训练轮次便将策略传递给动作模型，引导动作模型向正确方向训练。在训练过程中，动作模型和策略模型均根据损失函数对自身权重进行更新。动作模型执行动作正确时将对应提取的故障特征、执行动作以及奖励存储到经验存储单元中，在训练过程中随机抽取经验存储单元中的样本对动作模型和策略模型进行训练。接下来对双结构网络模型的训练过程进行详细说明。

作为一种可选的方式，所述基于所述训练样本对应的时频谱，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，包括：

将时频谱集合中训练样本对应的时频谱输入到双结构网络模型中，动作模型的三层卷积层对训练样本的时频谱进行提取，得到故障特征。

基于卷积框架的动作模型，采用

算法确定预测故障类型；贪婪算法的计算公式如公式（5）所示：

（5）

其中，

为最小探索因子，/>

表示第/>

个执行步；/>

表示该训练轮次的总执行步数。需要理解的是一个训练样本完成一个训练轮次。

具体的，贪婪算法执行动作的选择原则，是通过随机生成数与贪婪算法的探索因子比较大小进行执行动作的选择；在进行执行动作的选择时，判断随机生成数与贪婪算法的探索因子的大小；若随机生成数小于探索因子，则选取当前故障特征下最大期望奖励值对应的动作执行；若随机生成数大于或等于所述探索因子，则随机选取一个动作执行。需要说明的是，故障特征与执行动作的映射关系为策略。执行动作即选择故障类型。

然后，判断预测故障类型与已知故障类型是否匹配，若匹配成功，则对应的执行动作获得奖励，若匹配失败，则获得惩罚，基于强化学习

算法，根据对应的故障特征、执行动作以及获得的奖励，对动作模型的期望奖励Q值进行更新，如公式（6）所示：

（6）

其中，

为动作模型执行动作后获取的期望奖励；/>

为动作模型在执行不同动作下获得的奖励；/>

为奖励折扣因子，决定了未来奖励的重要性；c为当前训练状态，状态为故障特征；b为当前训练状态下执行的动作；/>

为下一个训练状态；/>

为下一个训练状态所执行的动作；/>

为学习率。

通过

规则，在迭代中更新各故障特征下不同执行动作的/>

值，其目的是让各故障特征下最优策略的/>

值取得最大值，使得最优执行动作的选择概率最大。在一个训练轮次中，Q值最大时即为该训练轮次要确定的动作模型的期望奖励。

基于此，在一个训练轮次完成后，根据动作模型的期望奖励以及已知故障类型确定损失函数，基于损失函数对动作模型的第一权重进行更新，同时根据动作模型的期望奖励以及策略模型的期望奖励，采用优势函数以及损失函数对策略模型的第二权重进行更新。

具体的，将最小均方误差作为损失函数，如公式（7）所示：

（7）

其中，

为奖励折扣因子；/>

为已知故障类型，/>

为模型权重。

优势函数的计算公式如公式（8）和公式（9）所示：

（8）

（9）

其中，

为优势函数，如果优势函数值为正值则表示策略模型制定的策略是有效的；/>

为策略模型的期望奖励；/>

为动作模型的期望奖励；/>

为策略模型整体的梯度。

作为一种可能的方式，所述根据所述第一结构模型的期望奖励对所述第一权重以及所述第二权重进行更新，之后还包括：

判断所述策略模型的第二权重的更新次数是否达到预设次数；

基于卷积框架的策略模型每间隔预设训练轮次便将计算的策略模型的第二权重拷贝给动作模型，即动态传参，用于指导动作模型的训练方向以输出更正确的执行动作。每个训练样本完成一个训练轮次，一个训练轮次包含N个训练次数。间隔预设训练轮次为M时，则预设次数等于M*N。

若达到，则将第二权重发送给第一结构模型，并替换所述第一结构模型的第一权重，直到训练完成。

当策略模型的第二权重的更新次数达到预设次数时，单条样本的训练完成继续下一个样本的训练，直到所有样本训练完毕，训练结束。通过策略模型和动作模型之间的动态传参，极大提高了双结构网络的训练效率和识别准确率，摆脱了现有深度强化学习模型由于自身单网络模型结构导致其易陷入局部最优的弊端。

训练完成后将测试样本的时频谱输入到训练好的双结构网络模型中测试训练好的双结构网络模型的故障类型识别能力是否符合预期。

作为一种可能的方式，所述将所述预测故障类型与已知故障类型进行匹配，若匹配成功，则对应的执行动作获得奖励，之后还包括：

在每轮训练过程中，将动作模型执行正确动作即匹配成功的预测故障类型对应提取的故障特征、对应的执行动作以及奖励存储到双结构网络模型的经验存储单元中并将其与经验存储单元预先存储的训练样本对应提取的故障特征进行混合，用于后续模型训练，具体的，经验存储单元如公式（10）所示：

（10）

其中，F为经验存储单元；U为被存储的经验样本。

双结构网络模型在训练过程中利用Sampler函数同时随机获取经验存储单元存储的经验样本；经验样本包括动作模型执行动作正确的故障特征和原始训练样本提取的故障特征以及对应的执行动作；基于随机获取的经验样本对第一权重和第二权重进行更新。Sampler函数是Tensorflow环境下的集成函数。

经验存储单元的建立极大地扩大了训练样本容量，消除了一些完全错误的经验样本，并使模型得到了进一步的训练，摆脱了现有故障智能诊断算法对大量训练样本的依赖性。

利用训练好的双结构网络模型提取的故障特征中的两个维度信息绘制空间分布图，可以发现同种故障类型的样本分为一簇，不同故障类型的样本彼此分离，表明本涡轮泵轴承故障诊断方法中训练好的双结构网络模型对不同故障特征具有良好的分类能力。

步骤103：基于待预测数据，训练完成双结构网络模型对涡轮泵轴承的故障类型进行预测。

训练完成的双结构网络模型用于识别涡轮泵轴承的故障类型。

具体的，获取待预测的涡轮泵多工况运行下的涡轮泵轴承振动信号；

对待预测的振动信号进行短时傅里叶变换得到多个待预测时频谱；

将多个待预测时频谱的高、宽以及RGB通道处理为同一规格并采用标准差公式进行处理得到待预测数据；

将所述待预测数据输入到训练好的所述双结构网络模型中，双结构网络模型中的第一结构模型提取待预测数据的故障特征；

根据所述故障特征，采用贪婪算法确定涡轮泵轴承的故障类型。

本涡轮泵轴承故障诊断方法与其他现有智能故障诊断算法进行识别的对比结果参见表1，通过表1可看出本涡轮泵轴承故障诊断方法采用双结构网络模型可以实现97.81%的准确度，远高于其他故障诊断方法。

表1-各故障诊断方法识别准确度对比表

具体实施方式可以结合图2和图3进行说明，如图2和图3所示，本涡轮泵轴承故障诊断方法首先获取不同阶段多工况下的振动信号，不同阶段包括开机、稳定和关机，多工况包括不同转速、载荷和运行环境；对振动信号进行短时傅里叶STFT处理，然后统一规格，得到时频谱集合；训练过程为：将时频谱输入到双结构网络模型中，动作模型中的卷积层提取训练样本的故障特征，通过

算法选择当前故障特征对应的执行动作，然后执行选择的动作，输出预测的故障类型，判断预测故障类型和已知故障类型是否匹配，若匹配则获得奖励，若不匹配则获得惩罚，基于/>

算法，在迭代中更新各故障特征下不同执行动作的/>

值，在/>

值最终收敛之后，确保在每个故障特征下都能大概率的选择最优执行动作，基于/>

算法计算得到最终的期望奖励和已知故障类型以及预测故障类型，采用最小均方误差作为损失函数对动作模型的权重进行更新；同时每执行一次动作不管预测正确与否均将计算的期望奖励发送给策略模型，策略模型根据动作模型的期望奖励计算并更新自身权重，在一个训练样本训练结束后将策略模型的权重发送给动作模型，用策略模型的权重替换动作模型的权重；当执行动作正确时将对应的故障特征、执行动作及奖励存储到经验存储单元中与经验存储单元存储的训练样本对应的故障特征和执行动作进行混合，在双结构网络模型训练过程中随机抽取经验存储单元中的样本进行训练；训练完成的双结构网络模型用于识别涡轮泵轴承监测数据的故障类型。

通过上述涡轮泵轴承故障诊断方法的描述和具体实施过程可知，本涡轮泵轴承故障诊断方法直接将满足预设条件的时频谱集合作为双结构网络模型的输入，摆脱了传统预测方法中特征提取过程对人工经验的依赖性；使用总数据量5%以内的已知故障类型的振动信号并结合经验存储单元扩充的数据进行训练，即可训练出一种能够识别不同工况条件下轴承故障数据的深度强化学习智能体，并且能够获取95%以上的故障识别准确率，实现小样本条件下轴承故障的智能识别，同时本方法具有较强的泛化能力，可适应不同型号的轴承故障智能预测；其中，双结构网络模型中第一结构模型学习识别未知样本的知识，第二结构模型由于与第一结构模型结构相同，二者可以进行动态传参，从而引导第一结构模型向正确方向训练，极大提高了网络的训练效率和故障诊断准确率，摆脱了现有深度强化学习模型由于自身单网络模型结构导致其易陷入局部最优的弊端；同时本方法能够在样本不足的条件下对涡轮泵轴承故障数据进行定量识别，不仅能够识别同一类别样本的不同故障程度，而且能够准确区分不同失效程度导致的不同故障类别之间的混淆。

上述主要从双结构网络模型结构和方法的角度对本发明实施例提供的方案进行了介绍。可以理解的是，为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本发明实施例可以根据上述方法示例进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在采用对应各个功能划分各个功能模块的情况下，图4示出了本发明提供的一种涡轮泵轴承故障诊断装置的结构示意图。如图4所示，该涡轮泵轴承故障诊断装置包括：

振动信号获取和处理模块401，用于获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合；

第一权重和第二权重更新模块402，用于基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；所述第一结构模型和所述第二结构模型结构相同；

故障类型预测模块403，用于基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。

可选的，所述第一权重和第二权重更新模块402还可以包括：

预测故障类型确定单元，用于将所述时频谱集合中训练样本对应的时频谱输入到所述双结构网络模型中，得到预测故障类型；所述时频谱集合包括训练样本对应的时频谱和测试样本对应的时频谱；

期望奖励计算单元，用于判断所述预测故障类型与已知故障类型是否匹配，根据判断结果确定所述第一结构模型的期望奖励；

第一权重和第二权重更新单元，用于根据所述第一结构模型的期望奖励对所述第一权重以及所述第二权重进行更新。

可选的，所述期望奖励计算单元具体可以用于：

将所述预测故障类型与已知故障类型进行匹配，若匹配成功，则对应的执行动作获得奖励；

基于执行动作获得的奖励，通过强化学习算法确定第一结构模型的期望奖励。

可选的，所述第一权重和第二权重更新单元，具体可以用于：

根据所述第一结构模型的期望奖励，采用最小均方误差算法对第一结构模型的第一权重进行更新；

根据所述第一结构模型的期望奖励，采用优势函数以及最小均方误差算法对所述第二结构模型的第二权重进行更新。

可选的，预测故障类型确定单元具体可以用于：

将所述时频谱集合中训练样本对应的时频谱输入到所述双结构网络模型中，第一结构模型的卷积层对训练样本对应的时频谱进行提取得到故障特征；

基于贪婪算法，判断随机生成数与贪婪算法的探索因子的大小；

若所述随机生成数小于所述探索因子，则选取当前故障特征下最大期望奖励对应的动作执行；若随机生成数大于或等于所述探索因子，则随机选取一个动作执行；

输出执行动作对应的故障类型。

可选的，所述涡轮泵轴承故障诊断装置还可以包括动态传参模块，具体还可以用于：

判断所述策略模型的第二权重的更新次数是否达到预设次数；

若达到，则将第二权重发送给第一结构模型，并替换所述第一结构模型的第一权重，直到训练完成；

将所述测试样本对应的时频谱输入到训练完成的双结构网络模型中，对训练完成的双结构网络模型进行性能测试。

可选的，所述涡轮泵轴承故障诊断装置还可以包括经验存储单元存储和训练模块，具体可以用于：

将匹配成功的预测故障类型对应的故障特征、执行动作及奖励存储到所述双结构网络模型的经验存储单元中；

随机获取所述经验存储单元存储的故障特征；

基于随机获取的故障特征对所述第一权重和所述第二权重进行更新。

可选的，所述振动信号获取和处理模块401，具体可以用于：

对所述振动信号进行短时傅里叶变换得到多个初始时频谱；

将多个所述初始时频谱的高、宽以及RGB通道处理为同一规格；

基于标准差公式对多个所述初始时频谱进行处理得到满足预设条件的时频谱集合。

可选的，所述故障类型预测模块403具体可以用于：

获取待预测的涡轮泵多工况运行下的涡轮泵轴承振动信号；

对待预测的振动信号进行短时傅里叶变换得到多个待预测时频谱；

将多个待预测时频谱的高、宽以及RGB通道处理为同一规格并采用标准差公式进行处理得到待预测数据；

将所述待预测数据输入到训练好的所述双结构网络模型中，双结构网络模型中的第一结构模型提取待预测数据的故障特征；

根据所述故障特征，采用贪婪算法确定涡轮泵轴承的故障类型。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘（digital video disc，DVD）；还可以是半导体介质，例如，固态硬盘（solid state drive，SSD）。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”（comprising）一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (7)

1.一种涡轮泵轴承故障诊断方法，其特征在于，包括：

获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合；

基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，所述第一结构模型为动作模型，所述第二结构模型为策略模型；

判断所述策略模型的第二权重的更新次数是否达到预设次数；若达到，则将第二权重发送给第一结构模型，并替换所述第一结构模型的第一权重，直至训练完成；所述第一结构模型和所述第二结构模型结构相同；所述第一结构模型和所述第二结构模型之间进行动态传参；

所述基于所述时频谱集合，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，包括：

将所述时频谱集合中训练样本对应的时频谱输入到所述双结构网络模型中，得到预测故障类型；所述时频谱集合包括训练样本对应的时频谱和测试样本对应的时频谱；

将所述预测故障类型与已知故障类型进行匹配，若匹配成功，则对应的执行动作获得奖励；

基于执行动作获得的奖励，通过强化学习算法确定第一结构模型的期望奖励；

根据所述第一结构模型的期望奖励对所述第一权重以及所述第二权重进行更新；

基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。

2.根据权利要求1所述涡轮泵轴承故障诊断方法，其特征在于，所述根据所述第一结构模型的期望奖励对所述第一权重以及所述第二权重进行更新，包括：

根据所述第一结构模型的期望奖励，采用最小均方误差算法对第一结构模型的第一权重进行更新；

根据所述第一结构模型的期望奖励，采用优势函数以及最小均方误差算法对所述第二结构模型的第二权重进行更新。

3.根据权利要求1所述涡轮泵轴承故障诊断方法，其特征在于，将所述时频谱集合中训练样本对应的时频谱输入到所述双结构网络模型中，得到预测故障类型，包括：

将所述时频谱集合中训练样本对应的时频谱输入到所述双结构网络模型中，第一结构模型的卷积层对训练样本对应的时频谱进行提取得到故障特征；

基于贪婪算法，判断随机生成数与贪婪算法的探索因子的大小；

若所述随机生成数小于所述探索因子，则选取当前故障特征下最大期望奖励对应的动作执行；若随机生成数大于或等于所述探索因子，则随机选取一个动作执行；

输出执行动作对应的故障类型。

4.根据权利要求1所述涡轮泵轴承故障诊断方法，其特征在于，所述将所述预测故障类型与已知故障类型进行匹配，若匹配成功，则对应的执行动作获得奖励，之后还包括：

将匹配成功的预测故障类型对应的故障特征、执行动作及奖励存储到所述双结构网络模型的经验存储单元中；

随机获取所述经验存储单元存储的故障特征；

基于随机获取的故障特征对所述第一权重和所述第二权重进行更新。

5.根据权利要求1所述涡轮泵轴承故障诊断方法，其特征在于，所述获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合，包括：

对所述振动信号进行短时傅里叶变换得到多个初始时频谱；

将多个所述初始时频谱的高、宽以及RGB通道处理为同一规格；

基于标准差公式对多个所述初始时频谱进行处理得到满足预设条件的时频谱集合。

6.根据权利要求1所述涡轮泵轴承故障诊断方法，其特征在于，所述基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测，包括：

获取待预测的涡轮泵多工况运行下的涡轮泵轴承振动信号；

对待预测的振动信号进行短时傅里叶变换得到多个待预测时频谱；

将多个待预测时频谱的高、宽以及RGB通道处理为同一规格并采用标准差公式进行处理得到待预测数据；

将所述待预测数据输入到训练好的所述双结构网络模型中，双结构网络模型中的第一结构模型提取待预测数据的故障特征；

根据所述故障特征，采用贪婪算法确定涡轮泵轴承的故障类型。

7.一种涡轮泵轴承故障诊断装置，其特征在于，用于实现权利要求1-6任一项所述一种涡轮泵轴承故障诊断诊断方法，包括：

振动信号获取和处理模块，用于获取涡轮泵多工况运行下的涡轮泵轴承振动信号，并对所述振动信号进行处理得到满足预设条件的时频谱集合；所述时频谱集合中包括训练样本对应的时频谱和待预测样本对应的时频谱；

第一权重和第二权重更新模块，用于基于所述训练样本对应的时频谱，对双结构网络模型中的第一结构模型的第一权重以及第二结构模型的第二权重进行更新，直至训练完成；所述第一结构模型和所述第二结构模型结构相同；

故障类型预测模块，用于基于待预测数据，训练完成的双结构网络模型对涡轮泵轴承的故障类型进行预测。

Images