CN113762151A - 一种故障数据处理方法、系统及故障预测方法 - Google Patents

一种故障数据处理方法、系统及故障预测方法 Download PDF

Info

Publication number
CN113762151A
CN113762151A CN202111044408.5A CN202111044408A CN113762151A CN 113762151 A CN113762151 A CN 113762151A CN 202111044408 A CN202111044408 A CN 202111044408A CN 113762151 A CN113762151 A CN 113762151A
Authority
CN
China
Prior art keywords
image
fault
time domain
domain vibration
gradient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111044408.5A
Other languages
English (en)
Inventor
陈剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111044408.5A priority Critical patent/CN113762151A/zh
Publication of CN113762151A publication Critical patent/CN113762151A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种故障数据处理方法、系统及故障预测方法，应用于滚动轴承，故障数据处理方法包括：采集滚动轴承在不同故障情况时的时域振动信号；针对每种故障情况时的时域振动信号：对时域振动信号进行变分模态分解，得到多个二维图像；根据二维图像，采用方向梯度直方图算法提取得到对应的图像特征；采用多维尺度分析算法对图像特征进行降维处理，并处理得到当前故障情况对应的故障数据。本发明将采集到的时域振动信号转换为数字图像，直观性较强，本方案将故障检测问题转换为图像识别方法，将传统的特征参数运算过程转化为灰度图像的灰度值运算过程，大大缩短了特征运算时间，简化了处理过程。

Description

一种故障数据处理方法、系统及故障预测方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种故障数据处理方法、系统及故障预测方法。
背景技术
滚动轴承是机电设备中重要的零部件，也是设备的易损件之一，其状况好坏对整个系统的安全运行和功能实现有着决定性的影响。对滚动轴承进行有效的故障诊断不但可以防止机械精度下降，杜绝发生安全事故，而且可以提高机电设备的性能、稳定性和使用寿命。
由于在工作条件下，滚动轴承的数据采集会受到载荷、润滑条件、零部件之间的振动等各种复杂环境的影响，较微弱的故障特征会淹没在强烈的噪声信号之中从而无法被采集到；因此，实现滚动轴承故障诊断的关键是如何准确全面的从采集的信号中提取出更多有效的特征信息，这对保障机电设备长期安全的可靠运行具有重要意义；进一步的，在特征信息提取完毕后，通常需要采用所有特征信息进行具体数值的计算，以获得最终的故障分析数据，这个过程中国的数据运算量极大，处理速度也不够快。
综上，现有技术中存在故障特征提取困难，数据处理工程量庞大等问题。
发明内容
鉴于以上现有技术的缺点，本发明的目的在于提供一种故障数据处理方法、系统及故障预测方法，以改善现有技术中的故障预测方法存在的故障特征提取困难，数据处理工程量庞大等技术问题。
为实现上述目的及其他相关目的，本发明提供一种故障数据处理方法，应用于滚动轴承，包括：
采集所述滚动轴承在不同故障情况时的时域振动信号；
针对每种所述故障情况时的时域振动信号：
对所述时域振动信号进行变分模态分解，得到多个二维图像；
根据所述二维图像，采用方向梯度直方图算法提取得到当前时域振动信号对应的图像特征；
采用多维尺度分析算法对所述图像特征进行降维处理，并处理得到当前故障情况对应的故障数据。
在一种较优的实施例中，所述对所述时域振动信号进行变分模态分解，得到多个二维图像的步骤包括：
将所述时域振动信号进行分段处理；
根据预设的分解层数，对分段处理后的每段时域振动信号进行变分模态分解，得到所述二维图像。
在一种较优的实施例中，所述根据所述二维图像，采用方向梯度直方图算法提取得到当前时域振动信号对应的图像特征的步骤包括：
按照一预设的图像尺寸缩放所述二维图像，并将其转化为灰度图像；
采用Gamma校正法对所述灰度图像的灰度值进行归一化；
计算得到归一化后的灰度图像中像素点的梯度幅值和梯度方向；
将归一化后的灰度图像划分为多个单元格cell；其中，相邻的四个单元格cell组成一个block块；
根据每个所述单元格cell内像素点的梯度幅值和梯度方向，进行bin方向上的加权投影，计算相应的投影和；
根据所有所述二维图像中单元格cell的投影和，得到当前时域振动信号对应的图像特征。
在一种较优的实施例中，所述计算得到归一化后的灰度图像中像素点的梯度幅值和梯度方向的步骤包括：
计算归一化后的灰度图像中像素点的水平方向梯度和垂直方向梯度：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，Gx(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的水平方向梯度；Gy(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的垂直方向梯度；H表示所述像素点的灰度值；
根据所述水平方向梯度和所述垂直方向梯度计算得到所述梯度幅值和梯度方向：
Figure BDA0003250697810000031
Figure BDA0003250697810000032
G(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度幅值，α(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度方向。
在一种较优的实施例中，所述采用多维尺度分析算法对所述图像特征进行降维处理，并处理得到当前故障情况对应的故障数据的步骤包括：
根据当前故障情况对应的所有图像特征之间的距离，构建距离矩阵；
根据所述距离矩阵和所述图像特征，构建点积矩阵：
Sij＝xi Txj，i、j∈n
其中，Sij表示所述点积矩阵中第i行，第j列的元素；xi表示第i个图像特征；xj表示第j个图像特征；n表示当前故障情况对应的图像特征的总数；
对所述点积矩阵做特征值分解，得到对应的特征值和特征向量；
按照所述特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量，处理得到降维矩阵：
Figure BDA0003250697810000033
其中，Z表示所述降维矩阵；Q表示所述特征向量；k表示所述预设数量；λ表示所述特征值；
将所述降维矩阵中的元素作为所述故障数据。
本发明还公开了一种故障数据处理系统，采用上述故障数据处理方法，所述故障数据处理系统包括：
时域振动信号采集模块，用于采集滚动轴承在不同故障情况时的时域振动信号；
二维图像获取模块，用于针对每种所述故障情况，对所述时域振动信号进行变分模态分解，得到多个二维图像；
图像特征获取模块，用于针对每种所述故障情况，采用方向梯度直方图算法提取得到当前故障情况对应的图像特征；
故障数据获取模块，用于采用多维尺度分析算法对所述图像特征进行降维处理，得到故障数据。
本发明还公开了一种故障预测方法，采用上述故障数据处理方法得到的故障数据，所述预测方法包括：
在每种故障情况对应的故障数据上分别打上预设的标签；
将打上标签后的所有故障数据随机划分为训练集、验证集和测试集；
根据所述训练集训练分类模型，得到训练好的分类模型；
根据所述验证集，采用遗传算法优化训练好的分类模型的惩罚因子和核函数参数，得到优化后的分类模型；
将所述测试集输入优化后的分类模型，得到对应的预测故障情况，当所述预测故障情况符合实际的故障情况的概率达到预设的阈值时，将优化后的分类模型确定为预测模型；
采用所述故障数据处理方法处理得到滚动轴承的实时故障数据；
将所述实时故障数据输入所述预测模型，得到预测故障情况。
在一种较优的实施例中，所述采用所述故障数据处理方法处理得到滚动轴承的实时故障数据的步骤包括：
采集所述滚动轴承的实时时域振动信号；
对所述实时时域振动信号进行变分模态分解，得到多个二维图像；
根据所述二维图像，采用方向梯度直方图算法提取得到所述实时时域振动信号对应的图像特征；
采用多维尺度分析算法对所述图像特征进行降维处理，处理得到实时故障数据。
本发明还公开了一种计算机设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现上述故障数据处理方法或上述故障预测方法。
本发明还公开了一种计算机可读的存储介质，包括程序，当其在计算机上运行时，使得计算机执行上述故障数据处理方法或上述故障预测方法。
本发明提供的一种故障情况的预测模型生成方法、系统及预测方法将采集到的时域振动信号转换为数字图像，直观性较强，本方案将故障检测问题转换为图像识别方法，将传统的特征参数运算过程转化为灰度图像的灰度值运算过程，大大缩短了特征运算时间，简化了处理过程；采用VMD方法对时域数据处理后生成数字图像，增强了图像特征之间的区别；采用HOG算法提取数字图像的特征数据；采用MDS方法对数字图像的特征数据进行降维，进一步缩短了特征运算时间；采用遗传算法优化分类模型的参数，提高了分类模型的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的故障数据处理方法于一实施例中的流程示意图。
图2显示为本发明的故障数据处理系统于一实施例中的结构示意图。
图3显示为本发明的故障预测方法于一实施例中的流程示意图。
图4显示为本发明的计算机设备于一实施例中的结构示意图。
元件标号说明
100、故障数据处理系统；110、时域振动信号采集模块；120、二维图像获取模块；130、图像特征获取模块；140、故障数据获取模块；200、计算机设备；210、处理器；220、存储器；300、视频质量评价系统。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
请参阅图1至图4。须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。
请参阅图1，显示为本实施例中一种故障数据处理方法的流程示意图，其中故障数据处理方法包括：
步骤S100、采集滚动轴承在不同故障情况时的时域振动信号；
在现有技术中，滚动轴承的故障诊断方法采用的数据通常为内、外圈与滚动体在单点损伤下的故障模式信号，然而在实际使用中，滚动轴承还会出现多点损伤和内、外圈与滚动体的复合类型的故障，因此现有技术中采集的故障数据往往不够全面，在本实施例中，预先采用线切割加工方式对崭新的滚动轴承进行处理，分别加工出内圈故障、内圈滚子故障、外圈故障、外圈滚子故障、滚动体故障以及完好的滚动轴承在内的六种轴承情况，例如，上述五种故障尺寸均为9mm×0.2mm，且预先设定滚动轴承的工况参数为2kn-2000r/min，以20.48kHz的采样频率进行时域振动信号的采集。
步骤S200、针对每种故障情况时的时域振动信号，对时域振动信号进行变分模态分解，得到多个二维图像；
步骤S200具体包括：
将时域振动信号进行分段处理；根据预设的分解层数，对分段处理后的每段时域振动信号进行变分模态分解，得到二维图像。
在本实施例中，针对上述六种轴承情况，分别采集到六种时域振动信号构建样本集，每个时域振动信号的长度为5120个采样点，以内圈故障的轴承情况为例，步骤S100中采集到内圈故障情况下的时域振动信号，步骤S200将其进行分解，例如分解为124段，进一步采用变分模态分解(Variational Mode Decomposition，VMD)对每段时域振动信号进行分解，得到124个二维图像，且每个二维图像中包含多个固有模态分量(Intrinsic ModeFunctions，IMF)，其中，VDM的分解层数为4，则每个二维图像中包含4个固有模态分量。
步骤S300、针对每种故障情况时的时域振动信号，根据二维图像，采用方向梯度直方图算法提取得到当前时域振动信号对应的图像特征；
步骤S300具体包括：
按照一预设的图像尺寸缩放二维图像，并将其转化为灰度图像；采用Gamma校正法对灰度图像的灰度值进行归一化；计算得到归一化后的灰度图像中像素点的梯度幅值和梯度方向；根据预先设置的滑动步长，在归一化后的灰度图像中划分出block块；其中，block块内划分有多个单元格cell；根据每个单元格cell内像素点的梯度幅值和梯度方向，进行bin方向上的加权投影，计算相应的投影和；根据所有二维图像中单元格cell的投影和，得到当前时域振动信号对应的图像特征。
Gamma值是用于定义一个显示器的显示特性的数学方法，是决定显示器从黑色到白色的值。当显示一个颜色从黑到白时(也就是0到1)，显示器的电压也要随之变化，显示的亮度就会很暗。所以，为了保证显示出来的亮度是线性的，就需要对显示器的电压变化加以校正，即本实施例中的Gamma校正法。
在本实施例中，缩放后的灰度图像方便了后期图像特征的提取，采用Gamma校正法对灰度图像进行颜色空间归一化：
I(x，y)＝I(x，y)γ
其中，I(x，y)表示灰度图像中第x行，第y列的像素点的灰度值，γ＝1/2。
进一步的，计算归一化后的灰度图像中像素点的水平方向梯度和垂直方向梯度：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，Gx(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的水平方向梯度；Gy(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的垂直方向梯度；H表示像素点的灰度值；
根据所述水平方向梯度和所述垂直方向梯度计算得到所述梯度幅值和梯度方向：
Figure BDA0003250697810000081
Figure BDA0003250697810000082
G(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度幅值，α(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度方向。
本实施例中，相邻的四个单元格cell组成一个block块，根据梯度方向α(x，y)，以单元格cell为单位进行bin方向上的加权投影，从而构建直方图，例如，将主方向在0°～180°分为9个bin组，则每个单元格cell都有一个9维的直方图向量来表示像素点的梯度幅值和梯度方向，则每个block块的图像特征为4×9维。
具体的，当其他条件不变时，若二维图像缩放的像素大小选择的比较大时，图像在二维振动信号的局部细节信息会更加的清楚，但是block块在归一化后的灰度图像中的划动次数也会增加，进一步最终得到的图像特征的维数增加，此时的图像特征中存在大量0元素，从而产生数据冗余；在选择滑动步长时，若增加滑动步长，相应的cell单元和block块的尺寸也会增大，此时block块在归一化后的灰度图像中的划动次数减小，进一步最终得到的图像特征的维数减小，但此时映射到直方图中会模糊部分细节，使得最终获得的故障数据不够准确。因此二维图像缩放的像素大小和滑动步长的选择都会影响HOG的特征提取。
本实施例中的灰度图像像素大小为64×64，block块的尺寸为16×16，滑动步长为(8，8)，通过该种设置，使得HOG的特征提取速度更快、效率更高。
进一步的，此时block块在一个归一化后的灰度图像中的划动次数为：
Figure BDA0003250697810000091
Figure BDA0003250697810000092
其中，numcols表示行滑动次数；numrows表示列滑动次数。
由此可知，每个二维图像可划分为7×7个block块，则二维图像的图像特征为7×7×4×9＝1764维的矩阵。
在本实施例中，6种轴承情况的时域振动信号分别进行分段，得到124×6＝744个二维图像，每个二维图像提取到1764维的图像特征。
步骤S400、针对每种故障情况时的时域振动信号，采用多维尺度分析算法对图像特征进行降维处理，并处理得到当前故障情况对应的故障数据。
步骤S400具体包括：
根据当前故障情况对应的所有图像特征之间的距离，构建距离矩阵；根据距离矩阵和图像特征，构建点积矩阵；对点积矩阵做特征值分解，得到对应的特征值和特征向量；按照特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量，处理得到降维矩阵；根据降维矩阵得到故障数据。
在本实施例中，存在744个图像特征，计算各个图像特征之间的距离，得到距离矩阵Dn×n，其中，n＝744，其包含的元素dij表示图像特征xi和xj的距离，其中，i，j∈n，距离矩阵Dn×n为对角线全部为零的实对称矩阵，dij可以表示为：
dij 2＝(xi-xj)2＝‖xi‖2+‖xj‖2-2xi Txj
MDS算法是一种以数据间距离为标准的传统数据降维方法，其可以保持各个数据之间的相对距离变化最小。在本实施例中表现为将原始空间中的图像特征1764维的特征维数下降，最终的目标是得到一个预设维数k的低维矩阵Z，且在低维矩阵中，任意两个数据间的欧式距离与其在原始空间中的距离dij相同。
根据距离矩阵Dn×n，构建点积矩阵S，其包含的元素Sij表示图像特征xi和xj的内积：
Sij＝xi Txj，i、j∈n
其中，Sij表示点积矩阵中第i行，第j列的元素；xi表示第i个图像特征；xj表示第j个图像特征；n表示当前故障情况对应的图像特征的总数；
因此点积矩阵S为744×744维的矩阵。
由Sij可得：
dij 2＝Sii+Sjj-2Sij
由于在k维空间中点可以进行平移与旋转，因此会有多种分布要求，为了便于讨论，另最终的低维矩阵Z均值中心化，得到：
Figure BDA0003250697810000101
由此可得到如下公式：
Figure BDA0003250697810000111
Figure BDA0003250697810000112
Figure BDA0003250697810000113
进一步可得：
Figure BDA0003250697810000114
将该式子等号右边的Sii和Sjj采用dij的方式进行转换，得到：
Figure BDA0003250697810000115
则点积矩阵可以表示为：
Figure BDA0003250697810000116
对点积矩阵S进行特征值分解，计算得到点积矩阵S的特征值和特征向量：
S＝Q∑2QT
∑2＝diag(λ1，λ2，...λn)
其中，Q表示特征向量，λ表示特征值。
将特征值从大到小排列，取前k个特征值的根号值和对应的特征向量，用于数据降维，得到k维空间的n个坐标，即：
Figure BDA0003250697810000121
其中，Z表示降维矩阵；Q表示所述特征向量；k表示预设数量；λ表示特征值；
在本实施例中，k例如为20，则最终根据降维矩阵得到744个20维的故障数据。
请参阅图2，本实施例还公开了一种故障数据处理系统100，采用上述故障数据处理方法，故障数据处理系统100包括：
时域振动信号采集模块110，用于采集滚动轴承在不同故障情况时的时域振动信号；
二维图像获取模块120，用于针对每种故障情况，对时域振动信号进行变分模态分解，得到多个二维图像；
图像特征获取模块130，用于针对每种故障情况，采用方向梯度直方图算法提取得到当前故障情况对应的图像特征；
故障数据获取模块140，用于采用多维尺度分析算法对图像特征进行降维处理，得到故障数据。
请参阅图3，本实施例还公开了一种故障预测方法，采用上述故障数据处理方法得到的故障数据，预测方法包括：
步骤SS100、在每种故障情况对应的故障数据上分别打上预设的标签；
在本实施例中，对内圈故障、内圈滚子故障、外圈故障、外圈滚子故障、滚动体故障以及完好的滚动轴承在内的6种轴承情况对应的故障数据分别对应一个向量，用于作为类别标签，类别标签例如分别为[1,0,0,0,0,0]、[0,1,0,0,0,0]、[0,0,1,0,0,0]、[0,0,1,0,0,0]、[0,0,0,1,0,0]、[0,0,0,0,1,0]、[0,0,0,0,0,1]。
步骤SS200、将打上标签后的所有故障数据随机划分为训练集、验证集和测试集；
步骤SS300、根据训练集训练分类模型，得到训练好的分类模型；
步骤SS400、根据验证集，采用遗传算法优化训练好的分类模型的惩罚因子和核函数参数，得到优化后的分类模型；
具体的，本实施例中采用的分类模型为常见的SVM分类模型。
步骤SS400中的遗传算法原理如下：
初始化种群：应用实数编码进行染色体的编码，个体包含需要优化的惩罚因子和核函数参数。经过选择、交叉、变异产生新种群，再次进化，然后得到一个最佳种群。
适应度函数：本实施例中的适应度函数为本实施例中的SVM分类模型采用给的函数。遗传操作：选择：从第q代种群中选择出适应度较高的优秀个体遗传到下一代种群中。交叉：选择适应度函数值最低的染色体放在种群的奇数位，与其后面的偶数位构成一对，根据交叉概率确定交叉点的个数，然后按照交叉点个数根据随机生成的交叉位将每对染色体进行片段交换，得到新一代种群。变异：变异可以避免由于选择和交叉算子引起的某些信息永久性丢失，保证遗传算法有效性。变异概率太大，遗传算法就退化成了随机搜索，故本实施例从交叉得到的种群中按变异概率随机选出一些进行变异，并确定变异位，变异的方式为二进制取反，即可得到变异后的新个体。产生的新个体输入适应度函数，对个体适应度函数进行多轮循环优化，直至迭代次数达到设定值或者适应度函数值收敛，此时可得到最优参数值。将最优参数作为SVM分类模型中的惩罚因子和核函数参数。
步骤SS500、将测试集输入优化后的分类模型，得到对应的预测故障情况，当预测故障情况符合实际的故障情况的概率达到预设的阈值时，将优化后的分类模型确定为预测模型；
步骤SS600、采用故障数据处理方法处理得到滚动轴承的实时故障数据；
步骤SS600具体包括：
采集滚动轴承的实时时域振动信号；对实时时域振动信号进行变分模态分解，得到多个二维图像；根据二维图像，采用方向梯度直方图算法提取得到实时时域振动信号对应的图像特征；采用多维尺度分析算法对图像特征进行降维处理，处理得到实时故障数据。
步骤SS700、将实时故障数据输入预测模型，得到预测故障情况。
为了验证本实施例中的故障预测方法的可靠性，将其作为对比方法，在滚动轴承的三种工况下，与两种其他的故障预测方法的识别结果准确率进行对比，其中，方法1：将本实施例中的故障数据处理方法中的VMD分解步骤去除后，其余步骤正常进行的故障预测方法；方法2，采用统计IMF特征参数进行故障预测的现有方法，在该现有方法中，使用VMD方法处理数据，统计每个IMF分量的峭度、峰值因子、裕度因子、方差、均方根5个特征参数进行统计，将共计20个数据作为输入向量，得到最终的预测故障情况。
三种方法的识别结果准确率对比见表1：
表1：识别结果准确率对比
Figure BDA0003250697810000141
从表中可以看到，本申请提出的故障预测方法的识别结果准确率最高，VMD分解预处理后的故障预测方法比直接使用原始时域信号生成的图像效果高2到3个百分点左右，VMD分解预处理在使图像更加规范化的同时，能够把时域信号数据特征表现得更加清晰，使不同故障类型下表达出的图像特征更加明显，同时也去除了降噪处理这一流程；同时，本申请提出的故障预测方法的识别结果准确率也比方法2提高了2到5个百分点左右，本申请提出的故障预测方法与使用有限个特征参数相比。能够更加有效的利用时域振动信号进行故障识别，同时方法2在计算特征参数时需要对每一个IMF分量进行计算，运算数据量太高，运行速度缓慢。
通过以上结果验证了图像识别技术在故障诊断领域能够得到有效的利用，有效快速识别在噪声干扰下的故障特征，避免了使用复杂信号分解的手工特征提取方法带来的故障信息丢失，降低诊断过程的操作难度，减少了运行时间。
请参阅图4，本实施例中还公开了一种计算机设备200，包括处理器210，处理器210和存储器220耦合，存储器220存储有程序指令，当存储器220存储的程序指令被处理器210执行时实现上述故障数据处理方法或上述故障预测方法。处理器210可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件；所述存储器220可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。所述存储器220也可以为随机存取存储器(Random Access Memory，RAM)类型的内部存储器，所述处理器210、存储器220可以集成为一个或多个独立的电路或硬件，如：专用集成电路(Application Specific Integrated Circuit，ASIC)。需要说明的是，上述的存储器220中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
本实施例还提出一种计算机可读的存储介质，所述存储介质存储有计算机指令，所述计算机指令用于使计算机执行上述故障数据处理方法或上述故障预测方法。存储介质可以是电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。存储介质还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
本发明提供的一种故障情况的预测模型生成方法、系统及预测方法将采集到的时域振动信号转换为数字图像，直观性较强，本方案将故障检测问题转换为图像识别方法，将传统的特征参数运算过程转化为灰度图像的灰度值运算过程，大大缩短了特征运算时间，简化了处理过程；采用VMD方法对时域数据处理后生成数字图像，增强了图像特征之间的区别；采用HOG算法提取数字图像的特征数据；采用MDS方法对数字图像的特征数据进行降维，进一步缩短了特征运算时间；采用遗传算法优化分类模型的参数，提高了分类模型的精度。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种故障数据处理方法，其特征在于，应用于滚动轴承，包括：
采集所述滚动轴承在不同故障情况时的时域振动信号；
针对每种所述故障情况时的时域振动信号：
对所述时域振动信号进行变分模态分解，得到多个二维图像；
根据所述二维图像，采用方向梯度直方图算法提取得到当前时域振动信号对应的图像特征；
采用多维尺度分析算法对所述图像特征进行降维处理，并处理得到当前故障情况对应的故障数据。
2.根据权利要求1所述的故障数据处理方法，其特征在于，所述对所述时域振动信号进行变分模态分解，得到多个二维图像的步骤包括：
将所述时域振动信号进行分段处理；
根据预设的分解层数，对分段处理后的每段时域振动信号进行变分模态分解，得到所述二维图像。
3.根据权利要求1所述的故障数据处理方法，其特征在于，所述根据所述二维图像，采用方向梯度直方图算法提取得到当前时域振动信号对应的图像特征的步骤包括：
按照一预设的图像尺寸缩放所述二维图像，并将其转化为灰度图像；
采用Gamma校正法对所述灰度图像的灰度值进行归一化；
计算得到归一化后的灰度图像中像素点的梯度幅值和梯度方向；
将归一化后的灰度图像划分为多个单元格cell；其中，相邻的四个单元格cell组成一个block块；
根据每个所述单元格cell内像素点的梯度幅值和梯度方向，进行bin方向上的加权投影，计算相应的投影和；
根据所有所述二维图像中单元格cell的投影和，得到当前时域振动信号对应的图像特征。
4.根据权利要求3所述的故障数据处理方法，其特征在于，所述计算得到归一化后的灰度图像中像素点的梯度幅值和梯度方向的步骤包括：
计算归一化后的灰度图像中像素点的水平方向梯度和垂直方向梯度：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，Gx(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的水平方向梯度；Gy(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的垂直方向梯度；H表示所述像素点的灰度值；
根据所述水平方向梯度和所述垂直方向梯度计算得到所述梯度幅值和梯度方向：
Figure FDA0003250697800000021
Figure FDA0003250697800000022
G(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度幅值，α(x，y)表示归一化后的灰度图像中第x行，第y列的像素点的梯度方向。
5.根据权利要求1所述的故障数据处理方法，其特征在于，所述采用多维尺度分析算法对所述图像特征进行降维处理，并处理得到当前故障情况对应的故障数据的步骤包括：
根据当前故障情况对应的所有图像特征之间的距离，构建距离矩阵；
根据所述距离矩阵和所述图像特征，构建点积矩阵：
Sij＝xi Txj，i、j∈n
其中，Sij表示所述点积矩阵中第i行，第j列的元素；xi表示第i个图像特征；xj表示第j个图像特征；n表示当前故障情况对应的图像特征的总数；
对所述点积矩阵做特征值分解，得到对应的特征值和特征向量；
按照所述特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量，处理得到降维矩阵：
Figure FDA0003250697800000031
其中，Z表示所述降维矩阵；Q表示所述特征向量；k表示所述预设数量；λ表示所述特征值；
将所述降维矩阵中的元素作为所述故障数据。
6.一种故障数据处理系统，其特征在于，采用如权利要求1-5任意一项所述的故障数据处理方法，所述故障数据处理系统包括：
时域振动信号采集模块，用于采集滚动轴承在不同故障情况时的时域振动信号；
二维图像获取模块，用于针对每种所述故障情况，对所述时域振动信号进行变分模态分解，得到多个二维图像；
图像特征获取模块，用于针对每种所述故障情况，采用方向梯度直方图算法提取得到当前故障情况对应的图像特征；
故障数据获取模块，用于采用多维尺度分析算法对所述图像特征进行降维处理，得到故障数据。
7.一种故障预测方法，其特征在于，采用如权利要求1-5任意一项所述的故障数据处理方法得到的故障数据，所述预测方法包括：
在每种故障情况对应的故障数据上分别打上预设的标签；
将打上标签后的所有故障数据随机划分为训练集、验证集和测试集；
根据所述训练集训练分类模型，得到训练好的分类模型；
根据所述验证集，采用遗传算法优化训练好的分类模型的惩罚因子和核函数参数，得到优化后的分类模型；
将所述测试集输入优化后的分类模型，得到对应的预测故障情况，当所述预测故障情况符合实际的故障情况的概率达到预设的阈值时，将优化后的分类模型确定为预测模型；
采用所述故障数据处理方法处理得到滚动轴承的实时故障数据；
将所述实时故障数据输入所述预测模型，得到预测故障情况。
8.根据权利要求7所述的故障预测方法，其特征在于，所述采用所述故障数据处理方法处理得到滚动轴承的实时故障数据的步骤包括：
采集所述滚动轴承的实时时域振动信号；
对所述实时时域振动信号进行变分模态分解，得到多个二维图像；
根据所述二维图像，采用方向梯度直方图算法提取得到所述实时时域振动信号对应的图像特征；
采用多维尺度分析算法对所述图像特征进行降维处理，处理得到实时故障数据。
9.一种计算机设备，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-5任意一项所述的故障数据处理方法或权利要求7-8中任意一项所述的故障预测方法。
10.一种计算机可读的存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的故障数据处理方法或权利要求7-8中任意一项所述的故障预测方法。
CN202111044408.5A 2021-09-07 2021-09-07 一种故障数据处理方法、系统及故障预测方法 Pending CN113762151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111044408.5A CN113762151A (zh) 2021-09-07 2021-09-07 一种故障数据处理方法、系统及故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111044408.5A CN113762151A (zh) 2021-09-07 2021-09-07 一种故障数据处理方法、系统及故障预测方法

Publications (1)

Publication Number Publication Date
CN113762151A true CN113762151A (zh) 2021-12-07

Family

ID=78793509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111044408.5A Pending CN113762151A (zh) 2021-09-07 2021-09-07 一种故障数据处理方法、系统及故障预测方法

Country Status (1)

Country Link
CN (1) CN113762151A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936582A (zh) * 2022-06-08 2022-08-23 华侨大学 一种工作模态参数识别方法、系统及故障位置识别方法
CN115526216A (zh) * 2022-11-24 2022-12-27 西安永安建筑科技有限责任公司 一种聚氨酯泡沫板生产设备的运行状态数据存储方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936582A (zh) * 2022-06-08 2022-08-23 华侨大学 一种工作模态参数识别方法、系统及故障位置识别方法
CN115526216A (zh) * 2022-11-24 2022-12-27 西安永安建筑科技有限责任公司 一种聚氨酯泡沫板生产设备的运行状态数据存储方法
CN115526216B (zh) * 2022-11-24 2023-04-07 西安永安建筑科技有限责任公司 一种聚氨酯泡沫板生产设备的运行状态数据存储方法

Similar Documents

Publication Publication Date Title
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN111553127B (zh) 一种多标记的文本类数据特征选择方法及装置
CN113657425B (zh) 基于多尺度与跨模态注意力机制的多标签图像分类方法
CN108898131A (zh) 一种复杂自然场景下的数字仪表识别方法
CN113360701B (zh) 一种基于知识蒸馏的素描图处理方法及其系统
Singh et al. A study of moment based features on handwritten digit recognition
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN113762151A (zh) 一种故障数据处理方法、系统及故障预测方法
CN116910752B (zh) 一种基于大数据的恶意代码检测方法
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
CN116680643A (zh) 一种深度对比学习与密度聚类结合的异常检测方法
Kansizoglou et al. Haseparator: Hyperplane-assisted softmax
Chang et al. A novel multicategory defect detection method based on the convolutional neural network method for TFT-LCD panels
Zhang Application of artificial intelligence recognition technology in digital image processing
Liu et al. Tire appearance defect detection method via combining HOG and LBP features
Muzakir et al. Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement
CN113283371A (zh) 一种基于brisk特征的局部放电特征提取及分类方法
CN109191452B (zh) 一种基于主动学习的腹腔ct图像腹膜转移自动标记方法
CN114387524B (zh) 基于多层级二阶表征的小样本学习的图像识别方法和系统
Liu et al. Iris double recognition based on modified evolutionary neural network
Yang et al. A semantic information decomposition network for accurate segmentation of texture defects
CN114973226A (zh) 自监督对比学习自然场景中文本识别系统训练方法
CN114462479A (zh) 模型训练方法、检索方法以及模型、设备和介质
CN116645680A (zh) 一种基于卷积神经网络的数学公式识别系统
CHATURVEDI et al. A NOVEL MODEL OF TEXTURE PATTERN BASED OBJECT IDENTIFICATION USING CONVOLUTED MULTI-ANGULAR (CMA) PATTERN EXTRACTION METHOD

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Jian

Inventor after: Li Xueyuan

Inventor before: Chen Jian