用于卷烟设备的多信号融合故障检测方法、装置和介质与流程

1.本发明涉及计算机领域，具体为一种用于卷烟设备的多信号融合故障检测方法、装置和介质。


背景技术：

2.由于卷烟设备长时间处于满负荷运转状态，其轴承和齿轮在长时间运转过程中会发生不同程度的损耗或破坏。但是目前大部分卷烟设备不能够自带有效的故障诊断系统或是故障诊断系统过于单一，导致卷烟机在未安装故障诊断系统的部位发生故障后不能及时发现，从而影响实际生产。
3.目前卷烟设备故障诊断的主要包括统计分析法、信号处理法和人工智能法这三种方法。统计分析方法无法对较多的对象进行预测，信号处理法依赖于专家经验知识，在实际应用中没有很好的推广性和一致性。随着人工智能的发展，高精度智能故障诊断成为发展的趋势。但目前卷烟设备在人工智能领域主要依靠在单一位置获取传感器信号数据再将其放入相应的模型中进行训练，不能有效反映整体信息，导致对故障判别不够充分。同时传统深度学习随着网络层数的增加，会出现网络退化的问题，导致神经网络学习效率不高；其次振动信号存在大量噪声，导致传统深度学习判别不足。


技术实现要素：

4.为克服上述现有技术的不足，本发明提供一种用于卷烟设备的多信号融合故障检测方法、装置和介质，用以解决上述技术问题中的至少一种。
5.基于本发明说明书的一方面，提供一种用于卷烟设备的多信号融合故障检测方法，包括：
6.步骤s1：获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据，并对转子振动数据、基座振动数据和外壳振动数据进行预处理；
7.步骤s2：将预处理后的转子振动数据输入至训练好的转子预测深度残差收缩网络模型c1中，得到第一故障概率分布集合其中k为设备故障类型；将预处理后的基座振动数据输入至训练好的基座预测深度残差收缩网络模型c2中，得到第二故障概率分布集合将预处理后的外壳振动数据输入至训练好的外壳预测深度残差收缩网络模型c3中，得到第三故障概率分布集合
8.步骤s3：获取转子权重集基座权重集基座权重集和外壳权重集并基于下式计算设备故障类型概率：
[0009][0010]
步骤s4：将步骤s3中计算得到的设备故障类型概率进行比较，得到最大设备故障类型概率，获取最大设备故障类型概率对应的故障类型，输出故障类型检测结果。
[0011]
在上述技术方案中，采用模型基于转子振动数据、基座振动数据和外壳振动数据预测得到卷烟设备的第一故障概率分布集合、第二故障概率分布集合和第三故障概率分布集合，再基于故障概率分布集合进行加权求和，得到设备的故障类型检测结果，通过融合三种振动数据的预测解雇推出设备的故障状态，使得故障判别更加准确；且深度残差收缩网络模型具有采用软阈值和注意力机制来实现对输入数据进行降噪的功能，避免了数据中的噪声对模型预测准确性的影响。
[0012]
进一步地，根据权利要求1所述的用于卷烟设备的多信号融合故障检测方法，其特征在于，所述转子权重集ω1、基座权重集ω2和外壳权重集ω3的获取方法为：
[0013]
基于设备历史故障类型及对应的转子历史振动数据、基座历史振动数据和外壳历史振动数据分别构建验证集v
s1
，v
s2
和v
s3
；
[0014]
将验证集v
s1
中的转子历史振动数据输入至c1中，将验证集v
s2
中的基座历史振动数据输入至c2中，将验证集v
s3
中的外壳历史振动数据输入至c3中，分别得到c1、c2和c3输出的设备故障类型预测结果r1、r2和r3；
[0015]
基于验证集v
s1
，v
s2
和v
s3
中的设备历史故障类型和设备故障类型预测结果r1、r2和r3分别计算三种模型对故障类型k的预测精度和令
[0016]
基于构建得到转子权重集ω1，基于构建得到基座权重集ω2，基于构建得到外壳权重集ω3。
[0017]
采用模型的精确度计算权重，使得预测精度越高的模型的预测结果的权重越大，避免了人工设定权重导致的主观性，使得计算结果更具有客观性，更加准确。
[0018]
进一步地，所述转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型的训练过程如下：
[0019]
构建转子训练集、基座训练集和外壳训练集；
[0020]
构建三个初始深度残差收缩网络模型；
[0021]
将转子训练集、基座训练集和外壳训练集分别输入三个初始深度残差收缩网络模型中对模型进行训练，得到训练好的转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型。
[0022]
进一步地，所述构建转子训练集、基座训练集和外壳训练集包括：
[0023]
步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；
[0024]
步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,...s
1i
；
[0025]
步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；
[0026]
步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集
[0027]
对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集
[0028]
为了提升模型训练的全面性和准确性，可以采集多个不同卷烟设备上的故障数据
构建训练集。
[0029]
进一步地，所述初始深度残差收缩网络模型包含10个隐层，每隔2个隐层添加残差项并进行软阈值化操作；所述初始深度残差收缩网络模型的通道数为10。
[0030]
基于本发明说明书的另一方面，提供一种用于卷烟设备的多信号融合故障检测装置，包括：
[0031]
数据采集模块：用于采集卷烟设备上的转子振动数据、基座振动数据和外壳振动数据；
[0032]
模型预测模块：用于采用模型基于转子振动数据、基座振动数据和外壳振动数据预测得到第一故障概率分布集合、第二故障概率分布集合和第三故障概率分布集合；
[0033]
权重获取模块：用于获取转子权重集、基座权重集和外壳权重集；
[0034]
计算模块：用于计算得到设备故障类型概率；
[0035]
输出模块：用于根据设备故障类型概率判断设备故障类型，并输出故障类型检测结果。
[0036]
在上述技术方案中，数据采集模块采集转子振动数据、基座振动数据和外壳振动数据后，模型预测模块采用训练好的模型基于上述振动数据预测得到三个故障概率分布集合，权重获取模块获取得到三个部位(转子、基座和外壳)的权重，再由计算模块基于概率分布集合及权重计算得到设备故障类型概率，输出模块判别设备故障类型概率最大值，并获取设备故障类型概率最大值对应的故障类型输出，工作人员查看输出结果以获得设备的故障情况。
[0037]
进一步地，所述装置还包括模型训练模块，用于构建初始深度残差收缩网络模型，并基于转子训练集、基座训练集和外壳训练集分别对初始深度残差收缩网络模型进行训练。
[0038]
进一步地，所述装置还包括训练集构建模块，用于构建转子训练集、基座训练集和外壳训练集。
[0039]
进一步地，所述训练集构建模块还用于：
[0040]
步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；
[0041]
步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,...s
1i
；
[0042]
步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；
[0043]
步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集
[0044]
对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集
[0045]
作为本发明说明书的又一方面，提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现所述的用于卷烟设备的多信号融合故障检测方法的步骤。
[0046]
与现有技术相比，本发明的有益效果在于：
[0047]
(1)本发明提供的用于卷烟设备的多信号融合故障检测方法，采用模型基于转子振动数据、基座振动数据和外壳振动数据预测得到卷烟设备的第一故障概率分布集合、第二故障概率分布集合和第三故障概率分布集合，再基于故障概率分布集合进行加权求和，得到设备的故障类型检测结果，通过融合三种振动数据的预测解雇推出设备的故障状态，使得故障判别更加准确；且深度残差收缩网络模型具有采用软阈值和注意力机制来实现对输入数据进行降噪的功能，避免了数据中的噪声对模型预测准确性的影响。
[0048]
(2)本发明采用模型的精确度计算权重，使得预测精度越高的模型的预测结果的权重越大，避免了人工设定权重导致的主观性，使得计算结果更具有客观性，更加准确。
[0049]
(3)本发明提供的用于卷烟设备的多信号融合故障检测装置中，数据采集模块采集转子振动数据、基座振动数据和外壳振动数据后，模型预测模块采用训练好的模型基于上述振动数据预测得到三个故障概率分布集合，权重获取模块获取得到三个部位(转子、基座和外壳)的权重，再由计算模块基于概率分布集合及权重计算得到设备故障类型概率，输出模块判别设备故障类型概率最大值，并获取设备故障类型概率最大值对应的故障类型输出，工作人员查看输出结果以获得设备的故障情况。当本发明提供的装置运行时，能融合多类数据完成设备故障的预测，使得设备故障预测结果更加准确。
附图说明
[0050]
图1为根据本发明实施例的方法流程图；
[0051]
图2为根据本发明实施例的初始深度残差收缩网络模型的架构图；
[0052]
图3为根据本发明实施例的软阈值化模块的架构图；
[0053]
图4为根据本发明实施例的装置结构示意图。
具体实施方式
[0054]
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
[0055]
如图1所示，本实施例提供一种用于卷烟设备的多信号融合故障检测方法，包括：
[0056]
(1)模型训练阶段，模型训练阶段包括以下过程：
[0057]
1)：构建三个初始深度残差收缩网络模型，如图2所示，初始深度残差收缩网络模型包含10个隐层，每隔2个隐层添加残差项并进行软阈值化操作，且初始深度残差收缩网络模型的通道数为10。
[0058]
2)：构建转子训练集、基座训练集和外壳训练集。
[0059]
作为本实施例的一个示例，所述构建转子训练集、基座训练集和外壳训练集包括以下步骤：
[0060]
步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；卷烟设备转子、基座和外壳三个部位分别设置有无线压电式加速度传感器，同于采集相应部位的振
动数据；
[0061]
作为本实施例的一个示例：k∈{1,2,3,4,5}，k＝1表示故障类型为转子不平衡，k＝2表示故障类型为转子不对中，k＝3表示故障类型为松动故障，k＝4表示故障类型为滚动轴承故障，k＝5表示故障类型为齿轮故障。
[0062]
步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,...s
1i
；
[0063]
步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；
[0064]
快速傅里叶变换(fft)通过将离散傅里叶变换(dft)矩阵分解成稀疏因子的乘积来快速计算，这种转换目的是为了将时域振动信号转换为频域采样，以获得故障情况下特有的幅频数据，有利于提取到故障特征。
[0065]
本实施例中，将经过快速傅里叶变化后得到的频谱数据进行z-score标准化，其目的是为了是数据落入特定的空间方便后续的数据处理。
[0066]
将标准化后得到的数据样本转化成20
×
20的灰度图(即灰度故障样本)。
[0067]
步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集
[0068]
对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集
[0069]
3)将转子训练集、基座训练集和外壳训练集分别输入三个初始深度残差收缩网络模型中对模型进行训练，得到训练好的转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型，三个模型的训练过程一样，仅仅是训练采用到的训练集不同。
[0070]
作为本实施例的一个示例，以转子训练集对初始深度残差收缩网络模型的训练过程如下：
[0071]
将转子训练集中的灰度图数据样本输入至初始深度残差收缩网络模型中，对样本尺寸经过4次的池化压缩和relu激活函数处理后，将多个通道的特征图展开并输入至全连接层，然后通过softmax函数得到故障分类结果。
[0072]
如图3所示，在模型训练过程中，深度残差收缩网络模型通过注意力机制将样本中的不重要特征过滤而保留重要特征并经过软阈值处理。
[0073]
软阈值处理的具体过程为：
[0074]
将输入数据取绝对值并进行全局池化处理后得到参数，接着通过两个全连接层提取通道的特征，最后经过sigmoid激活函数得到注意力权重参数，每个注意力权重参数作用在对应特征通道的特征向量上；注意力权重参数与均值参数相乘得到噪声阈值，因此每个特征通道都拥有独立的噪声阈值，最后利用阈值对样本数据进行软阈值化处理。
[0075]
软阈值化软阈值化通过设置阈值过滤小于某个阈值的特征并使超过这个阈值的特征朝着零的方向进行收缩。其实现公式为：
[0076]
[0077]
其中：x表示输入特征，y表示输出特征、τ为深度残差收缩网络内部的阈值参数。
[0078]
其中软阈值化输出对输入的导数为：
[0079][0080]
经软阈值化处理后的结果与与跨层恒等映射的残差项相加，得到最终的残差收缩模块输出。
[0081]
(2)故障检测阶段，该阶段包括以下过程：
[0082]
步骤s1：获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据，并对转子振动数据、基座振动数据和外壳振动数据进行预处理；
[0083]
对转子振动数据、基座振动数据和外壳振动数据进行预处理的过程包括快速傅里叶变化、标准化和灰度图转换，具体过程参照模型训练阶段对历史振动数据的处理过程。
[0084]
步骤s2：将预处理后的转子振动数据输入至训练好的转子预测深度残差收缩网络模型c1中，得到第一故障概率分布集合其中k为设备故障类型；将预处理后的基座振动数据输入至训练好的基座预测深度残差收缩网络模型c2中，得到第二故障概率分布集合将预处理后的外壳振动数据输入至训练好的外壳预测深度残差收缩网络模型c3中，得到第三故障概率分布集合
[0085]
举例说明：表示通过转子振动数据预测出来的设备出现转子不对中的概率，表示通过基座振动数据预测出的设备出现松动故障的概率，表示通过外壳振动数据预测出的设备出现齿轮故障的概率。
[0086]
步骤s3：获取转子权重集基座权重集基座权重集和外壳权重集并计算得到设备故障类型概率集y＝{y1,y2,y3,y4,y5}。
[0087]
具体地，所述转子权重集ω1、基座权重集ω2和外壳权重集ω3的获取方法为：
[0088]
基于设备历史故障类型及对应的转子历史振动数据、基座历史振动数据和外壳历史振动数据分别构建验证集v
s1
，v
s2
和v
s3
；验证集的构建方式与本实施例中训练集的构建方式相同。
[0089]
将验证集v
s1
中的转子历史振动数据输入至训练好的转子预测深度残差收缩网络模型c1中，将验证集v
s2
中的基座历史振动数据输入至训练好的基座预测深度残差收缩网络模型c2中，将验证集v
s3
中的外壳历史振动数据输入训练好的外壳预测深度残差收缩网络模型至c3中，分别得到c1、c2和c3分别输出的设备故障类型预测结果r1、r2和r3；
[0090]
基于验证集v
s1
，v
s2
和v
s3
中的设备历史故障类型和设备故障类型预测结果r1、r2和r3分别计算三种模型对故障类型k的预测精度和令
[0091]
本实施例中通过上述方式得到和基于和即可构建得到转子权重集以同样的方法构建得到基座权重集以同样的方法构建得到基座权重集和外壳权重集
[0092]
作为本实施例的一个示例，预测精度的计算公式为：
[0093][0094]
其中：表示转子预测深度残差收缩网络模型c1基于转子振动数据对设备第k类故障的预测精度；ek为验证集v
s1
中出现故障k的次数，e'k为将验证集v
s1
中故障k对应的振动数据输入至c1中后模型预测输出的故障k出现的次数。
[0095]
设备故障类型概率的计算方法为：
[0096][0097]
式中：yk表示设备出现第k类故障的概率。
[0098]
其中：
[0099][0100]
式中：为最后一层训练出的第k种故障的概率，t＝1表示转子预测深度残差收缩网络模型，t＝2表示基座预测深度残差收缩网络模型，t＝3表示外壳预测深度残差收缩网络模型。
[0101]
基于上式分别计算得到y1、y2、y3、y4和y5，即可得到设备故障类型概率集y＝{y1,y2,y3,y4,y5}。
[0102]
步骤s4：将步骤s3中计算得到的设备故障类型概率进行比较，得到最大设备故障类型概率，获取最大设备故障类型概率对应的故障类型，输出故障类型检测结果。
[0103]
作为本实施例的一个示例：对y1、y2、y3、y4和y5进行大小比较，得到的比较结果为：
[0104]
y1＜y4＜y5＜y3＜y2[0105]
说明设备出现故障2(转子不对中)的概率最大，则故障类型检测结果转子不对中，将该检测结果输出显示。
[0106]
作为一种优选的实施方式，若说所有的设备故障类型概率的值均小于对应的阈值，则说明设备未出现本实施例中提及的五种设备故障，检测结果为设备无故障。
[0107]
如图4所示，本实施例还提供一种用于卷烟设备的多信号融合故障检测装置，用以实现本实施例所述的用于卷烟设备的多信号融合故障检测方法中的步骤，具体包括：
[0108]
数据采集模块：用于采集卷烟设备上的转子振动数据、基座振动数据和外壳振动数据，并对转子振动数据、基座振动数据和外壳振动数据进行预处理；
[0109]
模型预测模块：用于采用模型基于转子振动数据、基座振动数据和外壳振动数据预测得到第一故障概率分布集合、第二故障概率分布集合和第三故障概率分布集合；具体用于：将预处理后的转子振动数据输入至训练好的转子预测深度残差收缩网络模型c1中，得到第一故障概率分布集合其中k为设备故障类型；将预处理后的基座振动数据输入至训练好的基座预测深度残差收缩网络模型c2中，得到第二故障概率分布集合将预处理后的外壳振动数据输入至训练好的外壳预测深度残差收缩网络模型c3中，得到第三故障概率分布集合
[0110]
权重获取模块：用于获取转子权重集、基座权重集和外壳权重集；
[0111]
权重获取模块具体用于完成以下过程：
[0112]
基于设备历史故障类型及对应的转子历史振动数据、基座历史振动数据和外壳历史振动数据分别构建验证集v
s1
，v
s2
和v
s3
；
[0113]
将验证集v
s1
中的转子历史振动数据输入至c1中，将验证集v
s2
中的基座历史振动数据输入至c2中，将验证集v
s3
中的外壳历史振动数据输入至c3中，分别得到c1、c2和c3输出的设备故障类型预测结果r1、r2和r3；
[0114]
基于验证集v
s1
，v
s2
和v
s3
中的设备历史故障类型和设备故障类型预测结果r1、r2和r3分别计算三种模型对故障类型k的预测精度和并利用以下公式分别计算并利用以下公式分别计算和
[0115][0116][0117][0118]
基于构建得到转子权重集ω1，基于构建得到基座权重集ω2，基于构建得到外壳权重集ω3。
[0119]
计算模块：用于计算得到设备故障类型概率；
[0120]
计算模块具体用于完成以下计算过程：
[0121][0122]
输出模块：用于根据设备故障类型概率判断设备故障类型，并输出故障类型检测结果；具体为：将步骤s3中计算得到的设备故障类型概率进行比较，得到最大设备故障类型概率，获取最大设备故障类型概率对应的故障类型，输出故障类型检测结果。
[0123]
模型训练模块：用于构建初始深度残差收缩网络模型，并基于转子训练集、基座训练集和外壳训练集分别对初始深度残差收缩网络模型进行训练；
[0124]
模型训练模块具体用于完成以下过程：
[0125]
构建转子训练集、基座训练集和外壳训练集；
[0126]
构建三个初始深度残差收缩网络模型；
[0127]
将转子训练集、基座训练集和外壳训练集分别输入三个初始深度残差收缩网络模型中对模型进行训练，得到训练好的转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型。
[0128]
训练集构建模块：用于构建转子训练集、基座训练集和外壳训练集；
[0129]
作为一种优选的实施方式，所述训练集构建模块还用于完成：
[0130]
步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；
[0131]
步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,
...s
1i
；
[0132]
步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；
[0133]
步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集
[0134]
对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集
[0135]
本实施例还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现所述的用于卷烟设备的多信号融合故障检测方法的步骤。
[0136]
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smartmedia card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0137]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

技术特征：
1.用于卷烟设备的多信号融合故障检测方法，其特征在于，包括以下步骤：步骤s1：获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据，并对转子振动数据、基座振动数据和外壳振动数据进行预处理；步骤s2：将预处理后的转子振动数据输入至训练好的转子预测深度残差收缩网络模型c1中，得到第一故障概率分布集合其中k为设备故障类型；将预处理后的基座振动数据输入至训练好的基座预测深度残差收缩网络模型c2中，得到第二故障概率分布集合将预处理后的外壳振动数据输入至训练好的外壳预测深度残差收缩网络模型c3中，得到第三故障概率分布集合步骤s3：获取转子权重集基座权重集基座权重集和外壳权重集并基于下式计算设备故障类型概率：步骤s4：将步骤s3中计算得到的设备故障类型概率进行比较，得到最大设备故障类型概率，获取最大设备故障类型概率对应的故障类型，输出故障类型检测结果。2.根据权利要求1所述的用于卷烟设备的多信号融合故障检测方法，其特征在于，所述转子权重集ω1、基座权重集ω2和外壳权重集ω3的获取方法为：基于设备历史故障类型及对应的转子历史振动数据、基座历史振动数据和外壳历史振动数据分别构建验证集v
s1
，v
s2
和v
s3
；将验证集v
s1
中的转子历史振动数据输入至c1中，将验证集v
s2
中的基座历史振动数据输入至c2中，将验证集v
s3
中的外壳历史振动数据输入至c3中，分别得到c1、c2和c3输出的设备故障类型预测结果r1、r2和r3；基于验证集v
s1
，v
s2
和v
s3
中的设备历史故障类型和设备故障类型预测结果r1、r2和r3分别计算三种模型对故障类型k的预测精度和令基于构建得到转子权重集ω1，基于构建得到基座权重集ω2，基于构建得到外壳权重集ω3。3.根据权利要求1所述的用于卷烟设备的多信号融合故障检测方法，其特征在于，所述转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型的训练过程如下：构建转子训练集、基座训练集和外壳训练集；构建三个初始深度残差收缩网络模型；将转子训练集、基座训练集和外壳训练集分别输入三个初始深度残差收缩网络模型中对模型进行训练，得到训练好的转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型。4.根据权利要求3所述的用于卷烟设备的多信号融合故障检测方法，其特征在于，所述构建转子训练集、基座训练集和外壳训练集包括：步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；
步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,...s
1i
；步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集5.根据权利要求3所述的用于卷烟设备的多信号融合故障检测方法，其特征在于，所述初始深度残差收缩网络模型包含10个隐层，每隔2个隐层添加残差项并进行软阈值化操作；所述初始深度残差收缩网络模型的通道数为10。6.用于卷烟设备的多信号融合故障检测装置，用以实现如权利要求1-5中任一项所述的用于卷烟设备的多信号融合故障检测方法中的步骤，其特征在于，包括：数据采集模块：用于采集卷烟设备上的转子振动数据、基座振动数据和外壳振动数据；模型预测模块：用于采用模型基于转子振动数据、基座振动数据和外壳振动数据预测得到第一故障概率分布集合、第二故障概率分布集合和第三故障概率分布集合；权重获取模块：用于获取转子权重集、基座权重集和外壳权重集；计算模块：用于计算得到设备故障类型概率；输出模块：用于根据设备故障类型概率判断设备故障类型，并输出故障类型检测结果。7.根据权利要求6所述的用于卷烟设备的多信号融合故障检测装置，其特征在于，所述装置还包括模型训练模块，用于构建初始深度残差收缩网络模型，并基于转子训练集、基座训练集和外壳训练集分别对初始深度残差收缩网络模型进行训练。8.根据权利要求6所述的用于卷烟设备的多信号融合故障检测装置，其特征在于，所述装置还包括训练集构建模块，用于构建转子训练集、基座训练集和外壳训练集。9.根据权利要求8所述的用于卷烟设备的多信号融合故障检测装置，其特征在于，所述训练集构建模块还用于完成：步骤1：获取卷烟设备历史故障数据，所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线s1、基座历史振动曲线s2和外壳历史振动曲线s3；步骤2：从转子历史振动曲线s1上按设定的区间长度截取得到子曲线s
11
,s
12
,...s
1i
；步骤3：对子曲线s
11
,s
12
,...s
1i
进行快速傅里叶变换，得到对应的频谱数据，将所述频谱数据标准化后转化成对应的灰度图m
11
,m
12
,...,m
1i
；步骤4：将灰度图m
11
,m
12
,...,m
1i
分别与设备历史故障类型k配对，得到转子训练数据基于转子训练数据构建得到转子训练集对基座历史振动曲线s2和外壳历史振动曲线s3均分别实施步骤2-步骤4中的操作，得到基座训练集和外壳训练集10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至5中任一项所述的用于卷烟设备的多信号融合故障检测方法的步骤。

技术总结
本发明公开用于卷烟设备的多信号融合故障检测方法、装置和介质，检测方法包括以下步骤：步骤S1：获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据；步骤S2：将预转子振动数据输入至训转子预测深度残差收缩网络模型C1中，得到第一故障概率分布集合；将基座振动数据输入至基座预测深度残差收缩网络模型C2中，得到第二故障概率分布集合；将外壳振动数据输入至外壳预测深度残差收缩网络模型C3中，得到第三故障概率分布集合；步骤S3：获取转子权重集、基座权重集和外壳权重集，并计算设备故障类型概率；步骤S4：比较得到最大设备故障类型概率，获取最大设备故障类型概率对应的故障类型，输出故障类型检测结果。输出故障类型检测结果。输出故障类型检测结果。


技术研发人员：方利梅 王柳婧 柴武君 王文娟 邬江明 冯海
受保护的技术使用者：浙江中烟工业有限责任公司
技术研发日：2023.05.26
技术公布日：2023/9/14