CN105975988B - 基于卷积谱自动编码支持向量机的齿轮故障测试方法 - Google Patents
基于卷积谱自动编码支持向量机的齿轮故障测试方法 Download PDFInfo
- Publication number
- CN105975988B CN105975988B CN201610286902.5A CN201610286902A CN105975988B CN 105975988 B CN105975988 B CN 105975988B CN 201610286902 A CN201610286902 A CN 201610286902A CN 105975988 B CN105975988 B CN 105975988B
- Authority
- CN
- China
- Prior art keywords
- convolution
- spectrum
- support vector
- vector machines
- autocoding
- 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.)
- Active
Links
Classifications
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了基于卷积谱自动编码支持向量机的齿轮故障测试方法,包括以下步骤:利用振动传感器采集齿轮的振动信号;对采集的振动信号进行处理,取其卷积谱;将卷积谱输入卷积自动编码器和支持向量机进行学习;利用卷积谱自动编码支持向量机得出测试结果。本发明将振动信号通过傅里叶变换取其频谱,对频谱进行稀疏化再取其卷积得到卷积谱,将卷积谱利用卷积自动编码器进行自动编码输出,最后利用卷积谱自动编码支持向量机得出齿轮故障测试结果。通过这个过程的训练和测试提高运行中齿轮故障损伤程度测试的精确度。
Description
技术领域
本发明涉及一种齿轮故障测试方法,具体地说是基于卷积谱自动编码支持向量机的齿轮故障测试方法。
背景技术
齿轮是现代工、农业生产设备中极其重要的连接和传递动力的零部件,由于其在工作过程中长期承受各种交变荷载、冲击和摩擦力的作用或其本身在制造过程中就留下了缺陷,因此,相对于其他部件,齿轮较容易出现故障甚至损坏。
生产设备中的齿轮一旦发生故障或损坏,轻者会使生产设备加工出来的产品不符合标准,给企业带来经济损失,重者会导致安全事故,威胁人们的生命安全。传统的齿轮故障测试需要对齿轮箱进行解体后,通过观察齿轮的损伤来测试其故障程度。对正在运行中的齿轮故障测试,大多是进行振动信号频谱分析,人工进行分析评估,评估的效果和准确性较低。
因此,为了提高机械设备的运行质量,减少突发事故,降低经济损失,目前需要更精确地测试齿轮故障程度,为检修提供可靠的依据。
发明内容
本发明的目的在于:提供基于卷积谱自动编码支持向量机的齿轮故障测试方法,该方法能自动有效地测试出运行中的齿轮的故障程度。
本发明通过对齿轮的工作状态进行监测,收集相关振动信号,通过傅里叶变换取其频谱,并对取得的频谱进行稀疏化后取其卷积,再将所得卷积谱输入卷积谱自动编码器和支持向量机进行训练,最终测试出齿轮的故障程度。
具体地,本发明为解决上述问题提供以下技术方案:
基于卷积谱自动编码支持向量机的齿轮故障测试方法,它包括:
(1)利用振动传感器采集齿轮的振动信号;
(2)对采集到的振动信号进行处理,取其卷积谱;
(3)将卷积谱输入卷积谱自动编码器和支持向量机进行学习;
(4)利用卷积谱自动编码支持向量机得出测试结果。
其中,步骤(2)对采集的振动信号进行处理,取其卷积谱具体为:
1)先对振动信号进行傅里叶变换,取其频谱;
对振动信号x(t)的傅里叶变换为:
其中,X(f)为信号的频域表示,f表示频率;
2)对频谱进行稀疏化;
3)对稀疏化的频谱取其卷积,得到卷积谱:
利用公式对频谱取卷积,得到卷积谱。
其中,将卷积谱输入卷积谱自动编码器和支持向量机进行学习,即,卷积谱自动编码支持向量机的学习训练过程具体为:
利用卷积谱自动编码器,将卷积谱进行自动编码的输入和输出;
将卷积谱输入卷积谱自动编码器的第一层,得到输出,将第一层的输出作为第二层的输入,将第二层的输出作为第三层的输入,以此类推,直到训练完n层,得到n个卷积谱自动编码器堆栈。
将卷积谱自动编码器最后一层的输出作为支持向量机的输入,得出学习训练结果。
完成卷积谱自动编码器和支持向量机的学习后,即为卷积谱自动编码支持向量机,然后在其输入新的信号进行测试,从而得出测试结果。
本发明与现有技术相比较,有以下优点:
实现了运行中齿轮故障特征的自动提取;
提高了故障特征提取的精确度;
使用卷积谱自动编码支持向量机的新方法进行齿轮故障测试;
便于及早发现设备故障隐患,避免引起重大安全事故及财产损失;
便于掌握设备的总体运行情况,提高维修效率,节省工时。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的测试方法流程图。
图2为本发明的卷积谱自动编码器的训练过程图。
图3为本发明中齿轮故障原始信号的时域图。
图4为本发明中齿轮故障原始信号进行傅里叶变换后的频域图。
图5为对图4的频域图进行稀疏化后的频域图。
图6为本发明中齿轮故障原始信号的卷积频谱图。
具体实施方式
基于卷积谱自动编码支持向量机的齿轮故障测试方法是一种比较精确的测试方法。本发明基于这一思想,设计了卷积谱自动编码支持向量机的方法来对运行中齿轮故障/损伤程度进行智能及精确的测试。
下面结合图1-6对本发明的方法步骤作详细说明:
(1)利用振动传感器采集振动信号;
利用振动传感器,采集齿轮在不同工作状态下的振动信号。
(2)对采集到的振动信号进行处理,取其卷积谱,具体步骤如下:
1)在卷积谱自动编码器第一层输入振动信号x1(t),如图2所示;
2)对振动信号x1(t)进行傅里叶变换,取频谱得∑(f)=F(x(t)),如图4所示;
3)对频谱进行稀疏化,如图5所示;对稀疏化后的频谱取其卷积,得到卷积谱。
(3)将卷积谱输入卷积谱自动编码器和支持向量机中进行学习,具体步骤如下
4)利用卷积谱自动编码器,将卷积谱进行自动编码输出,得到第一层的输出Y1(a1);
5)将第一层的输出作为第二层的输入,即令x2=Y1(a1),重复2)—4)的步骤,得到第二层的输出Y2(a2);
6)重复步骤5),将上层的输出作为下层的输入进行训练,直到最后一层n,得到第n层的输出为Yn(an),得到n个卷积谱自动编码器堆栈,卷积谱自动编码器的训练学习完成。
7)将卷积谱自动编码器最后一层n的输出作为支持向量机的输入,采用有监督学习的方式对支持向量机进行训练,并得出学习训练结果。
将Yn(an)作为支持向量机的输入,其输出为齿轮故障的体积特征,具体地,可以为损伤(一般是指剥落)的齿上的体积有多少;例如,齿上剥落了0.3立方毫米,或者0.5立方毫米;如果结果为0,即表示该齿轮处于健康状态,而非故障状态。卷积谱自动编码器和支持向量机的训练学习完成后即成为卷积谱自动编码支持向量机。
(4)输入新的信号进行齿轮故障测试;
输入新的振动信号到经过训练的卷积谱自动编码支持向量机中进行测试,直接得出齿轮的测试结果。
综述,本发明利用支持向量机这种神经网络模型进行学习建模,刚搭建的卷积谱自动编码器和支持向量机就如空白的大脑,并无学习能力,因此需要将一定数量的信息(具体到本发明实施例,即,利用振动传感器采集到的振动信号)输入到n层卷积谱自动编码器和支持向量机让其学习,经过反复训练,使其具备学习能力(成为卷积谱自动编码支持向量机),最后输入测试对象(齿轮)的振动信号,让其自动输出测试结果。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.基于卷积谱自动编码支持向量机的齿轮故障测试方法,其特征在于:该方法包括以下步骤:
(1)利用振动传感器采集齿轮的振动信号;
(2)对采集到的振动信号进行处理,获得卷积谱;
(3)将卷积谱输入卷积谱自动编码器和支持向量机进行学习;
(4)利用卷积谱自动编码支持向量机得出齿轮故障的测试结果;
步骤(2)对采集到的振动信号进行处理,获得卷积谱,包括以下步骤:对采集到的振动信号进行傅立叶变换,获得频谱;对频谱进行稀疏化;对稀疏化的频谱取卷积,获得卷积谱;
步骤(3)将卷积谱输入卷积谱自动编码器和支持向量机进行学习,包括以下步骤:A,利用卷积谱自动编码器,对卷积谱进行自动编码输出,得到卷积谱自动编码器第一层的输出;B,将第一层的输出作为第二层的输入,重复步骤(2)和步骤A,得到第二层的输出;C,重复步骤B,将上一层的输出作为下一层的输入进行学习,直到最后一层n,得到第n层的输出,最终得到n个卷积谱自动编码器堆栈;D,将第n层的输出作为支持向量机的输入,支持向量机的输出为学习结果。
2.根据权利要求1所述的齿轮故障测试方法,其特征在于:步骤(3)中支持向量机的学习为有监督学习。
3.根据权利要求1所述的齿轮故障测试方法,其特征在于:步骤(4)利用卷积谱自动编码支持向量机得出齿轮故障的测试结果具体为:将新的振动信号输入卷积谱自动编码支持向量机,卷积谱自动编码支持向量机的输出即为齿轮故障的测试结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610286902.5A CN105975988B (zh) | 2016-04-29 | 2016-04-29 | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610286902.5A CN105975988B (zh) | 2016-04-29 | 2016-04-29 | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975988A CN105975988A (zh) | 2016-09-28 |
CN105975988B true CN105975988B (zh) | 2019-10-25 |
Family
ID=56994611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610286902.5A Active CN105975988B (zh) | 2016-04-29 | 2016-04-29 | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975988B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529574B (zh) * | 2016-10-17 | 2019-09-27 | 北京工业大学 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
CN106919164B (zh) * | 2017-03-31 | 2019-05-28 | 河海大学 | 基于堆栈自动编码器的水利机组故障分析方法 |
CN110060368B (zh) * | 2019-04-22 | 2020-03-10 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
-
2016
- 2016-04-29 CN CN201610286902.5A patent/CN105975988B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
Fault Diagnosis Method Study in Roller Bearing Based on Wavelet Transform and Stacked Auto-encoder;Tan Junbo et al.;《2015 27th Chinese Control and Decision Conference》;20151231;摘要、图2、第4608页 * |
Gearbox Fault Identification and Classification with Convolutional Neural Networks;Zhiqiang Chen et al.;《Shock and Vibration》;20151231;摘要、图1、第3页 * |
基于卷积-自动编码机的三维形状特征学习;谢智歌 等;《计算机辅助设计与图形学学报》;20151130;第27卷(第11期);第2058-2064页 * |
基于支持向量机的齿轮箱齿轮故障诊断;占健 等;《上海电机学院学报》;20141231;第17卷(第1期);第5-10页 * |
基于深度学习理论的机械装备大数据健康监测方法;雷亚国 等;《机械工程学报》;20151130;第51卷(第21期);第49-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105975988A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975988B (zh) | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 | |
CN104748962B (zh) | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 | |
CN103868690B (zh) | 基于多种特征提取和选择的滚动轴承状态自动预警方法 | |
CN106441946B (zh) | 基于振动信号的车辆液压减震器故障识别方法及系统 | |
CN104502126A (zh) | 一种基于模态区间的高速列车转向架故障诊断方法 | |
CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
WO2007067644A3 (en) | Self-diagnostic process control loop for a process plant | |
CN110455530B (zh) | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 | |
CN104318305B (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN105445646A (zh) | 基于神经网络专家系统的模数电路故障诊断的测试方法 | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
RU2013133304A (ru) | Способ и устройство технической диагностики сложного технологического оборудования на основе нейронных сетей | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
CN110207974A (zh) | 基于振动信号时频能量分布特征的断路器故障识别方法 | |
EP3447595B1 (en) | Method for monitoring an industrial plant and industrial control system | |
CN103335840A (zh) | 一种矿用钻机变速箱故障智能诊断方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
Romahadi et al. | The implementation of artificial neural networks in designing intelligent diagnosis systems for centrifugal machines using vibration signal | |
CN105823634B (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
Nikitin et al. | Mechatronic modules diagnosis by use of fuzzy sets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |