CN108760305A - 一种轴承故障检测方法、装置及设备 - Google Patents
一种轴承故障检测方法、装置及设备 Download PDFInfo
- Publication number
- CN108760305A CN108760305A CN201810609005.2A CN201810609005A CN108760305A CN 108760305 A CN108760305 A CN 108760305A CN 201810609005 A CN201810609005 A CN 201810609005A CN 108760305 A CN108760305 A CN 108760305A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- feature
- bearing
- index
- fault detection
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开一种轴承故障检测方法、装置及设备,所述方法包括:基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;将所述振动信号的特征向量作为经过训练的自动编码器的输入参数,由所述自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。本申请基于变分模态分解和深度降噪自动编码器实现对轴承故障的检测,能够在保证检测效率的前提下,提高检测结果的准确性。
Description
技术领域
本申请涉及故障诊断领域,具体涉及一种轴承故障检测方法、装置及设备。
背景技术
滚动轴承是旋转机械重要的支撑部件,也是易损部件,广泛应用于各种大型工业装备中,如风力发电机、航空发动机、高铁动车组等。滚动轴承工作状态的好坏直接关系到整个工业装备的性能及运行安全,滚动轴承故障轻则造成装备停机影响运行生产,重则机毁人亡造成灾难性事故。所以,有效的对滚动轴承进行状态监测和故障检测,以便及时采取合理的维护策略来保障装备安全运行具有重要的研究意义和应用价值。
现有的轴承故障检测方法主要是基于对振动信号的处理方法和技术实现的,目前的一种轴承故障检测方法中,基于人工提取的轴承振动信号的特征建立浅层模型,用于识别轴承的故障类型。
由于人工提取振动信号的特征费时费力,同时基于人工提取的振动信号的特征建立的模型准确性得不到保证,所以,目前亟需一种高效准确的对轴承故障进行检测的方法。
发明内容
为解决上述问题,本申请提供了一种轴承故障检测方法、装置及设备,具体技术方案如下:
第一方面,本申请提供了一种轴承故障检测方法,所述方法包括:
基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;
提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;
将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;
利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
可选的,所述将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,经过所述深度降噪自动编码器的处理后,得到所述待检测轴承的检测结果之前,还包括:
获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系;
利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
可选的,所述方法还包括:
根据所述待检测轴承的故障检测结果,利用反向传播算法调优所述深度降噪自动编码器的参数。
可选的,所述基于各个模态分量的特征确定所述振动信号的特征向量之前,还包括:
计算所述振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标;
相应的,所述基于各个模态分量的特征确定所述振动信号的特征向量,包括:
基于各个模态分量的特征,并结合所述预设第一数量的时域有量纲指标和所述预设第二数量的时域无量纲指标,确定所述振动信号的特征向量。
可选的,所述时域有量纲指标包括:均值,标准差,方差,偏斜度,峭度,峰峰值,方根幅值,平均幅值,均方幅值,峰值;所述时域无量纲指标包括:波形指标,峰值指标,脉冲指标,裕度指标,偏斜度指标,峭度指标。
第二方面,本申请还提供了一种轴承故障检测装置,所述装置包括:
分解模块,用于基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;
确定模块,用于提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;
提取模块,用于将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;
分类模块,用于利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
可选的,所述装置还包括:
获取模块,用于获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系;
训练模块,用于利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
可选的,所述装置还包括:
调优模块,用于根据所述待检测轴承的故障检测结果,利用反向传播算法调优所述深度降噪自动编码器的参数。
可选的,所述装置还包括:
计算模块,用于计算所述振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标;
相应的,所述确定模块,具体用于:
基于各个模态分量的特征,并结合所述预设第一数量的时域有量纲指标和所述预设第二数量的时域无量纲指标,确定所述振动信号的特征向量。
第三方面,本申请还提供了一种轴承故障检测设备,所述设备包括存储器和处理器,
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行上述的轴承故障检测方法。
本申请提供了一种轴承故障检测方法,首先,基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;其次,提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;再次,将所述振动信号的特征向量作为经过训练的自动编码器的输入参数,由所述自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;最后,利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。本申请基于变分模态分解和深度降噪自动编码器实现对轴承故障的检测,能够在保证检测效率的前提下,提高检测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种轴承故障检测方法的流程图;
图2为本申请实施例提供的一种轴承与加速度传感器之间的位置结构图;
图3为本申请实施例提供的一种正常工作状态的轴承的振动信号经变分模态分解后各频带的模态分量示意图;
图4为本申请实施例提供的一种故障状态的轴承的振动信号经变分模态分解后各频带的模态分量示意图;
图5为本申请实施例提供的正常状态和不同故障类型的滚动轴承振动信号时域图;
图6为本申请实施例提供的一种深度降噪自动编码器和Softmax分类器的架构示意图;
图7为本申请实施例提供的滚动轴承测试样本的部分故障诊断结果示意图;
图8为本申请实施例提供的一种轴承故障检测装置的结构示意图;
图9为本申请实施例提供一种轴承故障检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
滚动轴承是旋转机械重要的支撑部件,也是易损部件,滚动轴承一旦发生故障,严重的可能造成灾难性的事故,所以,针对滚动轴承的故障检测尤其重要。
目前的轴承故障检测方法是基于人工提取的轴承振动信号的特征建立浅层模型,实现对轴承故障的检测。由于人工提取振动信号的特征费时费力,同时基于人工提取的振动信号的特征建立的模型准确性得不到保证,所以,目前亟需一种高效准确的对轴承故障进行检测的方法。
为此,本申请提供了一种轴承故障检测方法,首先,基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;其次,提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;再次,将所述振动信号的特征向量作为经过训练的自动编码器的输入参数,由所述自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;最后,利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。本申请基于变分模态分解和深度降噪自动编码器实现对轴承故障的检测,能够在保证检测效率的前提下,提高检测结果的准确性。
以下具体介绍本申请提供的一种轴承故障检测方法的实施例,参考图1,为本申请实施例提供的一种轴承故障检测方法的流程图,该方法具体包括:
S101:基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承。
实际应用中,通过振动传感器对待检测轴承的振动信号进行采集,其中,振动传感器可以包括加速度传感器、速度传感器等。振动传感器对轴承的振动信号的采集频率可以根据轴承转速等参数确定。如图2所示,图2为轴承与加速度传感器之间的位置结构图,轴承的振动信号是由加速度传感器进行采集的。其中,加速度传感器布置于轴承座的竖直方向。加速度传感器采集到轴承的振动信号后,传输至数据采集系统,并由计算机显示器进行显示。
实际应用中,由于轴承发生故障时往往伴随着频带的能量的变化,为此,本申请实施例基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量。如图3、4所示,图3为正常工作状态的轴承的振动信号经变分模态分解后各频带的模态分量示意图;图4为故障状态的轴承的振动信号经变分模态分解后各频带的模态分量示意图。
一种可选的实施方式中,可以通过寻找约束变分模型最优解的过程,进而实现振动信号的变分模态分解,将振动信号自适应分解到不同频带,得到属于不同频带的模态分量。具体的求解步骤如下:
首先,建立振动信号分解的约束变分模型:
其中,δ(t)为单位脉冲函数;uk(t)为第k个模态分量;ωk为IMF分量uk(t)的中心频率;f为待分解的输入信号,即振动信号;α为二次惩罚项因子和λ(t)为拉格朗日惩罚算子。
其次,采用交替乘子法更新和λn+1,直到满足迭代停止条件:
其中,ε>0为给定判别精度,上标.n代表变量第n次迭代结果。
在结束循环后,可得到将振动信号f分解至不同的频带后的K个模态分量uk(t)。
S102:提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量。
实际应用中,首先,提取各个模态分量的归一化能量特征,用于反映滚动轴承发生故障时伴随着的频带的能量变化。其次,基于各个模态分量归一化能量特征确定振动信号的特征向量。由于频带能量特征结合时域指标能够全面反映信号的特征信息,所以,为了更准确的反映振动信号的特征,本申请实施例可以结合振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标,确定振动信号的特征向量。
其中,时域有量纲指标可以包括:均值,标准差,方差,偏斜度,峭度,峰峰值,方根幅值,平均幅值,均方幅值,峰值,具体的,时域有量纲指标用于反映振动信号时域幅值和能量的变化;预设第一数量的时域有量纲指标是指上述一个或多个时域有量纲指标,值得注意的是,数量越多,对振动信号时域幅值和能量的变化的反映越准确;时域无量纲指标可以包括:波形指标,峰值指标,脉冲指标,裕度指标,偏斜度指标,峭度指标,具体的,时域无量纲指标用于反映时域振动信号幅值的分布,同样的,预设第二数量的时域无量纲指标是指上述一个或多个时域无量纲指标,值得注意的是,数量越多,对振动信号时域振动信号幅值的分布的反映越准确。
一种可选的实施方式中,首先,计算振动信号f的上述10个时域有量纲指标和上述6个时域无量纲指标,基于上述S101中得到的属于不同频带的模态分量的能量特征分布,并结合上述计算得到的振动信号f的上述10个时域有量纲指标和上述6个时域无量纲指标,构成用于轴承故障检测的特征向量,不同频带的模态分量的能量特征分布表达式如下:
T=[E1/E,E2/E,…,EK/E];
其中,Ek=∫|uk(t)|2dt为各个模态分量的能量,为其归一化算子。
S103:将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征。
实际应用中,在深度降噪自动编码器被用于轴承故障检测之前,首先对其进行训练,得到经过训练的深度降噪自动编码器。具体的,对深度降噪自动编码器进行训练的方法包括:
首先,获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系。其次,利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
一种可选的实施方式中,采集多组故障初期轴承的振动信号,对每种状态的振动信号取长度为1024的数据60组作为训练样本,共240组训练样本。如图5所示,为正常状态和不同故障类型的滚动轴承振动信号时域图。采用上述S101和S102的方法,将各个训练样本进行处理后得到特征向量样本集x∈{x(1),x(2),…,x(M)},x(i)∈R16+K,然后将其加入qD分布的二项随机隐藏噪声,获得含噪样本用于训练降噪自动编码器。
具体的,首先将映射为低维空间编码矢量h∈Rd′(d′<d),实现数据的降维特征提取,表达式如下:
h=fθ(x)=Sf(Wx′+b);
其中,θ={W,b}为编码网络参数集;W为d′×d维的权值矩阵;b为偏置向量;Sf为网络激活函数,此处为sigmoid函数即可。
其次,执行解码过程,即将低维空间编码矢量h重构回输入数据的高维空间得到通过不断的优化重构误差使网络的输出尽可能的逼近未受干扰的原始数据,h尽可能包含输入数据x潜在规律信息,提取到有效的特征表示,表达式如下:
最后,引入逐层贪婪学习机制,将前一个降噪自动编码器的隐层hn作为下一个降噪自动编码器的输入,逐层训练得到含有N个隐层的深度降噪自动编码器,即:
本申请实施例中,在对深度降噪自动编码进行训练后,得到经过训练的深度降噪自动编码,在S102中确定来自待检测轴承的振动信号的特征向量后,将该特征信号作为经过训练的深度降噪自动编码输入参数,并由该深度降噪自动编码器对特征向量进行高阶特征提取,得到振动信号的高阶特征。
S104:利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
在S103中获取到振动信号的高阶特征后,利用分类器对该高阶特征进行分类,得到分类结果。其中,分类器可以是Softmax分类器。具体的,利用Softmax分类器对该高阶特征进行分类的表达式可以如下:
其中,x(i)∈{1,2,...,M}为输入数据的类别标签。
如图6所示,为本申请实施例提供的一种深度降噪自动编码器和Softmax分类器的架构示意图;其中,经过深度降噪自动编码器高阶特征提取得到的高阶特征,作为参数传递至Softmax分类器,并由Softmax分类器对其进行分类后,得到分类结果,最终根据该分类结果确定待检测轴承的故障检测结果。通常,待检测轴承的故障检测结果可以为正常状态、内圈故障、滚动体故障和外圈故障等。
本申请提供的轴承故障检测方法,首先,基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;其次,提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;再次,将所述振动信号的特征向量作为经过训练的自动编码器的输入参数,由所述自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;最后,利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。本申请基于变分模态分解和深度降噪自动编码器实现对轴承故障的检测,能够在保证检测效率的前提下,提高检测结果的准确性。
另外,为了降低深度降噪自动编码器的分类错误率,最终提高轴承故障检测准确率,本申请实施例还可以利用反向传播算法迭代优化网络所有层参数W和b,以降低深度降噪自动编码器的分类错误率,具体的表达式如下:
其中,α为学习速率,用来调整参数更新速度。
另外,为了验证本申请上述实施方式的有效性,本申请还可以利用滚动轴承故障诊断实验设备,对不同状态的轴承进行识别并判断故障类型,验证基于变分模态分解和深度降噪自动编码器诊断轴承故障的有效性。
具体的,可以选取滚动轴承各种工作状态下长度为1024的数据40组作为测试样本,共160组测试样本,其中,图7为滚动轴承测试样本的部分故障诊断结果示意图,可见对不同故障类型的滚动轴承诊断实验分析表明,本申请提供的轴承故障诊断方法能对不同工作状态轴承进行判断并有效地诊断故障类型。
与上述方法实施例相对应的,本申请实施例还提供了一种轴承故障检测装置,参考图8,所述装置包括:
分解模块801,用于基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;
确定模块802,用于提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;
提取模块803,用于将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;
分类模块804,用于利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
所述装置还包括:
获取模块,用于获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系;
训练模块,用于利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
所述装置还包括:
调优模块,用于根据所述待检测轴承的故障检测结果,利用反向传播算法调优所述深度降噪自动编码器的参数。
所述装置还包括:
计算模块,用于计算所述振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标;
相应的,所述确定模块,具体用于:
基于各个模态分量的特征,并结合所述预设第一数量的时域有量纲指标和所述预设第二数量的时域无量纲指标,确定所述振动信号的特征向量。
相应的,本发明实施例还提供一种轴承故障检测设备,参见图9所示,可以包括:
处理器901、存储器902、输入装置903和输出装置904。轴承故障检测设备中的处理器901的数量可以一个或多个,图9中以一个处理器为例。在本发明的一些实施例中,处理器901、存储器902、输入装置903和输出装置904可通过总线或其它方式连接,其中,图9中以通过总线连接为例。
存储器902可用于存储软件程序以及模块,处理器901通过运行存储在存储器902的软件程序以及模块,从而执行轴承故障检测设备的各种功能应用以及数据处理。存储器902可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储器902可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置903可用于接收输入的数字或字符信息,以及产生与轴承故障检测设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中,处理器901会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器902中,并由处理器901来运行存储在存储器902中的应用程序,从而实现上述轴承故障检测方法中的各种功能。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种轴承故障检测方法、装置及设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种轴承故障检测方法,其特征在于,所述方法包括:
基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;
提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;
将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;
利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
2.根据权利要求1所述的轴承故障检测方法,其特征在于,所述将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,经过所述深度降噪自动编码器的处理后,得到所述待检测轴承的检测结果之前,还包括:
获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系;
利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
3.根据权利要求1所述的轴承故障检测方法,其特征在于,所述方法还包括:
根据所述待检测轴承的故障检测结果,利用反向传播算法调优所述深度降噪自动编码器的参数。
4.根据权利要求1所述的轴承故障检测方法,其特征在于,所述基于各个模态分量的特征确定所述振动信号的特征向量之前,还包括:
计算所述振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标;
相应的,所述基于各个模态分量的特征确定所述振动信号的特征向量,包括:
基于各个模态分量的特征,并结合所述预设第一数量的时域有量纲指标和所述预设第二数量的时域无量纲指标,确定所述振动信号的特征向量。
5.根据权利要求4所述的轴承故障检测方法,其特征在于,所述时域有量纲指标包括:均值,标准差,方差,偏斜度,峭度,峰峰值,方根幅值,平均幅值,均方幅值,峰值;所述时域无量纲指标包括:波形指标,峰值指标,脉冲指标,裕度指标,偏斜度指标,峭度指标。
6.一种轴承故障检测装置,其特征在于,所述装置包括:
分解模块,用于基于变分模态分解,将采集到的振动信号分解至不同的频带,得到属于不同频带的模态分量;其中,所述振动信号来自待检测轴承;
确定模块,用于提取各个模态分量的特征,并基于各个模态分量的特征确定所述振动信号的特征向量;
提取模块,用于将所述振动信号的特征向量作为经过训练的深度降噪自动编码器的输入参数,由所述深度降噪自动编码器对所述特征向量进行高阶特征提取,得到所述振动信号的高阶特征;
分类模块,用于利用分类器对所述振动信号的高阶特征进行分类,并将得到的分类结果作为所述待检测轴承的故障检测结果。
7.根据权利要求6所述的轴承故障检测装置,其特征在于,所述装置还包括:
获取模块,用于获取特征向量样本集,所述特征向量样本集包括振动信号和故障类型的对应关系;
训练模块,用于利用所述特征向量样本集,对自动编码器进行训练,得到经过训练的自动编码器。
8.根据权利要求6所述的轴承故障检测装置,其特征在于,所述装置还包括:
调优模块,用于根据所述待检测轴承的故障检测结果,利用反向传播算法调优所述深度降噪自动编码器的参数。
9.根据权利要求6所述的轴承故障检测装置,其特征在于,所述装置还包括:
计算模块,用于计算所述振动信号的预设第一数量的时域有量纲指标和预设第二数量的时域无量纲指标;
相应的,所述确定模块,具体用于:
基于各个模态分量的特征,并结合所述预设第一数量的时域有量纲指标和所述预设第二数量的时域无量纲指标,确定所述振动信号的特征向量。
10.一种轴承故障检测设备,其特征在于,所述设备包括存储器和处理器,
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行权利要求1-5中任一项所述的轴承故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609005.2A CN108760305B (zh) | 2018-06-13 | 2018-06-13 | 一种轴承故障检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609005.2A CN108760305B (zh) | 2018-06-13 | 2018-06-13 | 一种轴承故障检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108760305A true CN108760305A (zh) | 2018-11-06 |
CN108760305B CN108760305B (zh) | 2021-03-09 |
Family
ID=64022587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810609005.2A Active CN108760305B (zh) | 2018-06-13 | 2018-06-13 | 一种轴承故障检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108760305B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN110376003A (zh) * | 2019-07-25 | 2019-10-25 | 中南大学 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
CN111998935A (zh) * | 2020-08-11 | 2020-11-27 | 南京理工大学 | 一种基于变分模态分解的爆炸冲击波信号时/频分解方法 |
CN113255780A (zh) * | 2021-05-28 | 2021-08-13 | 润联软件系统(深圳)有限公司 | 一种减速箱故障预测方法、装置、计算机设备及存储介质 |
CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011095144A (ja) * | 2009-10-30 | 2011-05-12 | Asahi Kasei Electronics Co Ltd | 回転角度センサ及び回転角度算出方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106596149A (zh) * | 2016-12-27 | 2017-04-26 | 广州地铁集团有限公司 | 基于vmd的轨道车辆平轮状态的监测与诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
-
2018
- 2018-06-13 CN CN201810609005.2A patent/CN108760305B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011095144A (ja) * | 2009-10-30 | 2011-05-12 | Asahi Kasei Electronics Co Ltd | 回転角度センサ及び回転角度算出方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN106596149A (zh) * | 2016-12-27 | 2017-04-26 | 广州地铁集团有限公司 | 基于vmd的轨道车辆平轮状态的监测与诊断方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
TANG HAICHUAN: "Stacked Denoising autoencoder based fault diagnoisi for rotating motor", 《37TH CHINESE CONTROL CONFERENCE》 * |
侯文擎: "基于改进堆叠降噪自编码的滚动轴承故障分类", 《机械工程学报》 * |
杨洪柏: "变分模态分解与神经网络结合的轴承故障诊断", 《机械设计与制造》 * |
王新: "基于变分模态分解和SVM滚动轴承故障诊断", 《振动与冲击》 * |
贾文其: "基于栈式降噪自编码神经网络的车牌字符识别", 《计算机工程与设计》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN110376003A (zh) * | 2019-07-25 | 2019-10-25 | 中南大学 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
CN110376003B (zh) * | 2019-07-25 | 2021-01-26 | 中南大学 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
CN111998935A (zh) * | 2020-08-11 | 2020-11-27 | 南京理工大学 | 一种基于变分模态分解的爆炸冲击波信号时/频分解方法 |
WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN113255780A (zh) * | 2021-05-28 | 2021-08-13 | 润联软件系统(深圳)有限公司 | 一种减速箱故障预测方法、装置、计算机设备及存储介质 |
CN113255780B (zh) * | 2021-05-28 | 2024-05-03 | 润联智能科技股份有限公司 | 一种减速箱故障预测方法、装置、计算机设备及存储介质 |
CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108760305B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN101614787B (zh) | 基于M-ary结构分类器的模拟电子电路故障诊断方法 | |
CN104483049A (zh) | 基于ar模型与马氏距离的光纤光栅传感动态载荷辨识方法 | |
CN102033984A (zh) | 一种基于区间型证据融合的旋转机械设备故障诊断方法 | |
CN113435314B (zh) | 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN104408322B (zh) | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 | |
CN107101829A (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
Guan et al. | Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network | |
Nobari et al. | Vibration-based techniques for damage detection and localization in engineering structures | |
Kim et al. | Failure diagnosis system using a new nonlinear mapping augmentation approach for deep learning algorithm | |
Junior et al. | Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques | |
Xu et al. | Multisensory collaborative damage diagnosis of a 10 MW floating offshore wind turbine tendons using multi-scale convolutional neural network with attention mechanism | |
Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
Simula et al. | Process monitoring and visualization using self-organizing maps | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
KR102601338B1 (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
Lin et al. | Performance analysis of rotating machinery using enhanced cerebellar model articulation controller (E-CMAC) neural networks | |
Chen et al. | Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory | |
Chen et al. | Automated signal monitoring using neural networks in a smart structural system | |
JP3392552B2 (ja) | 振動波形の識別方法と識別装置 | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
Dervilis et al. | Structural Health Monitoring of composite material typical of wind turbine blades by novelty detection on vibration response |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |