CN108776818A - 轴承特征提取方法、轴承剩余寿命预测方法和装置 - Google Patents
轴承特征提取方法、轴承剩余寿命预测方法和装置 Download PDFInfo
- Publication number
- CN108776818A CN108776818A CN201810567562.2A CN201810567562A CN108776818A CN 108776818 A CN108776818 A CN 108776818A CN 201810567562 A CN201810567562 A CN 201810567562A CN 108776818 A CN108776818 A CN 108776818A
- Authority
- CN
- China
- Prior art keywords
- bearing
- frequency domain
- domain sequence
- coding
- model
- 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
Links
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种轴承特征提取方法、轴承剩余寿命预测方法和装置,通过根据轴承的时域振动信号来获得所述轴承的频域序列,保证了轴承特征的完整性;并以所述频域序列对应的编码压缩模型,对频域序列包含的高维特征数据进行主能量压缩,得到低维特征数据,提取了频域序列中起主要作用的部分,并缩小了数据结构,实现对频域序列的数据优化;根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据,使得到的轴承特征数据更加适合深度卷积神经网络,提高了特征数据与轴承剩余使用寿命预测的相关性。提高了轴承剩余寿命预测的精确性。
Description
技术领域
本发明涉及信号处理技术,尤其涉及一种轴承特征提取方法、轴承剩余寿命预测方法和装置。
背景技术
轴承在工业设备中起着关键作用。轴承的可靠性决定了设备的安全性和精度。轴承的损坏会导致生产精度的降低,甚至产生危险。因而,准确掌握轴承工作状况,成为工业生产中的重要需求。在轴承的剩余使用寿命预测方法中,轴承特征的提取是预测的根基,选取不同的轴承特征决定了预测结果精度的上限。
现有的轴承剩余寿命预测方法中,通常利用时域特征表征轴承的退化状况,提取轴承的时域特征,进行学习得到寿命预测模型。从轴承的全寿命振动信号可以很明显看出,随着轴承的退化,振幅呈现逐渐增大的趋势。
然而,时域特征数量很多,不同的时域特征对轴承剩余寿命的表征能力不同,时域特征变化缓慢而有巨大波动,甚至有些时域特征对轴承剩余寿命几乎没有表现能力,导致时域特征选取困难。现有技术中基于时域特征的寿命预测误差较高。
发明内容
本发明提供一种轴承特征提取方法、轴承剩余寿命预测方法和装置,提取了频域序列中起主要作用的部分,并缩小了数据结构,实现对频域序列的数据优化,提高了特征数据与轴承剩余使用寿命预测的相关性。提高了轴承剩余寿命预测的精确性。
根据本发明的第一方面,提供一种轴承特征提取方法,包括:
根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据;
以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据,所述低维特征数据的维数低于所述高维特征数据;
根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
可选地,以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,还包括:
从每个所述高维特征数据获取N个一维矩阵,其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数;
以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型;
根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型,其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。
可选地,以所述编码压缩模型对所述高维特征数据进行主能量压缩,得到低维特征数据,包括:
将每个高维特征数据对应的N个一维矩阵分别以所述编码压缩模型进行压缩,获得N个主能量压缩值;
将由所述N个主能量压缩值构成的向量,确定为低维特征数据。
可选地,根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据,包括:
根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。
可选地,根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据,包括:
对所述轴承的时域振动信号采样,获得时域序列,所述时域序列的每个采样点对应K个时域维度值,且所述K个时域维度值为在同一采样点从所述时域振动信号采集到的K个振动信号值,K为大于或等于2的整数;
对所述时域序列进行离散傅里叶变换,得到频域变换结果;
去除所述频域变换结果中的对称重复数据,得到所述轴承的频域序列,所述频域序列包含的各个采样点都是维度数为K的高维特征数据。
根据本发明的第二方面,提供一种轴承剩余寿命预测方法,包括:
根据上述方法,获取已知寿命轴承的第一类轴承特征数据和待测轴承的第二类轴承特征数据;
以所述第二类轴承特征数据输入轴承预测模型,得到所述待测轴承的剩余寿命的预测值,其中,所述轴承预测模型为根据所述第一类轴承特征数据和所述第一类轴承特征数据对应的轴承寿命训练得到的模型。
根据本发明的第三方面,提供一种轴承特征提取装置,包括:
频域序列获取模块,用于根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据;
低维特征数据获取模块,用于以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据,所述低维特征数据的维数低于所述高维特征数据;
轴承特征数据获取模块,用于根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
可选地,还包括编码压缩模型获取模块,用于:
以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,从每个所述高维特征数据获取N个一维矩阵,其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数;以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型;根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型,其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。
可选地,所述低维特征数据获取模块具体用于:
将每个高维特征数据对应的N个一维矩阵分别以所述编码压缩模型进行压缩,获得N个主能量压缩值;将由所述N个主能量压缩值构成的向量,确定为低维特征数据。
可选地,所述轴承特征数据获取模块具体用于:
根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。
根据本发明的第四方面,提供一种轴承特征提取装置,包括:存储器、处理器以及计算机程序,其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行,以实现本发明第一方面及第一方面各种可能设计的所述方法。
根据本发明的第五方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种轴承特征提取方法、轴承剩余寿命预测方法和装置,通过根据轴承的时域振动信号来获得所述轴承的频域序列,保证了轴承特征的完整性;并以所述频域序列对应的编码压缩模型,对频域序列包含的高维特征数据进行主能量压缩,得到低维特征数据,提取了频域序列中起主要作用的部分,并缩小了数据结构,实现对频域序列的数据优化;根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据,使得到的轴承特征数据更加适合深度卷积神经网络,提高了特征数据与轴承剩余使用寿命预测的相关性。提高了轴承剩余寿命预测的精确性。
附图说明
图1是本发明实施例提供的一种轴承特征提取原理示意图;
图2是本发明实施例提供的一种轴承特征提取方法示意图;
图3是本发明实施例提供的另一种轴承特征提取方法示意图;
图4是本发明实施例提供的一种自编码模型原理示意图;
图5是本发明实施例提供的一种对高维特征数据进行压缩得到低维特征数据的方法示意图;
图6是本发明实施例提供的一种轴承剩余寿命预测方法示意图;
图7是本发明实施例提供的一种轴承特征提取装置的结构示意图;
图8是本发明实施例提供的另一种轴承特征提取装置的结构示意图;
图9是本发明实施例提供的一种轴承特征提取装置的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应当理解,在本申请中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
应当理解,在本申请中,“A对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
应当理解,在本申请中,“自编码模型”也可以理解为自编码器、自编码网络,自编码模型实质上也是一种神经网络模型。自编码模型通过反向传播算法,将从输入层得到的输入样本压缩到隐藏层,然后解压,在输出端重建样本,最终输出层神经元数量等于输入层神经元的数量。自编码器主要作用在于通过复现输出而捕捉可以代表输入的重要因素,利用隐藏层对输入的压缩表达,达到找到输入样本中主成分的效果,其在隐藏层中保存了对输入样本的压缩结果。自编码模型优化的过程是一种无监督学习的过程,目标是使输出等于输入。
应当理解,在本申请中,采样周期为采样点的间隔时间,采样保持时间为获取采样点数据的时间。例如每10秒采样一次,得到一个采样点,则采样周期为10秒。又例如,每10秒进行一次0.1秒的采样,采样点的数据是在该0.1秒内连续采集到的值,则10秒为采样周期,0.1秒为采样保持时间。
应当理解,在本申请中,离散傅里叶变换(discrete Fourier transform,简称:DFT),是一种傅里叶分析方法。傅里叶分析方法是信号分析的最基本方法,傅里叶变换是傅里叶分析的核心,通过它把信号从时间域变换到频率域,进而研究信号的频谱结构和变化规律。
应当理解,在本申请中,快速傅里叶变换(Fast Fourier Transformation,简称:FFT),是离散傅氏变换(DFT)的快速算法。它是根据离散傅氏变换的奇、偶、虚、实等特性,对离散傅立叶变换的算法进行改进获得的。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1,是本发明实施例提供的一种轴承特征提取原理示意图。如图1所示的实施例中,将轴承的时域信号转换为频域序列,从频域序列中提取表征所述轴承剩余寿命的轴承特征数据。为了提高特征的表达效率,本实施例采集的是高维特征数据,并以同一编码压缩模型对每一个高维特征数据中主能量进行压缩,得到的最能表现轴承寿命信息的低维特征数据。最后将各低维特征数据合并为一个轴承特征数据,完成特征提取。提取的轴承特征数据是多维特征,且包含了轴承的主要信息,适合进行深度卷积神经网络模型的训练,从而提高轴承剩余寿命的预测精确度。
参见图2,是本发明实施例提供的一种轴承特征提取方法示意图。图2所示实施例的执行主体可以是轴承特征提取装置,该装置具体可以是软件的装置,也可以是硬件的装置。软件的装置可以理解为是由用户终端或服务器主机运行的计算机程序。硬件的装置可以理解为是用户终端或服务器主机本身或内嵌于用户终端或服务器主机中的硬件模块。图2所示的方法包括步骤S101至步骤S103,具体如下:
S101,根据轴承的时域振动信号,获得所述轴承的频域序列。
其中,所述频域序列包含的各个采样点都为高维特征数据。轴承的时域振动信号可以理解为是通过振动传感器在轴承的转动过程中获取到的连续的时域信号。传统的信号特征存在较严重的信息丢失问题,要保证特征的完整性,要尽可能从原始数据中挖掘信息,因此时域振动信号可以理解为从传感器获得的原始数据。对连续信号进行采样得到离散数据,本实施例中可以是以预设的采样周期对时域振动信号进行采样得到离散的时域信号,在对离散的时域信号进行时频变换,得到对应的频域信号。具体的时频变换方法可以是离散傅里叶变换,也可以是快速傅里叶变换等。
在一种实现方式中,对所述轴承的时域振动信号采样,获得时域序列,所述时域序列的每个采样点对应K个时域维度值,且所述K个时域维度值为在同一采样点从所述时域振动信号采集到的K个振动信号值,K为大于或等于2的整数。时域序列中的采样点的获取可以是直接对时域振动信号进行时域特征提取。时域特征可以包含采样周期内或采样保持时间内时域信号的振幅最大值、振幅最小值、均值和/或峰值等。然后,对所述时域序列进行离散傅里叶变换,得到频域变换结果。由于频谱的对称性,只取一半频谱数据就可以表示所有信息,因此去除所述频域变换结果中的对称重复数据,得到所述轴承的频域序列,所述频域序列包含的各个采样点都是维度数为K的高维特征数据。
以K为2560、采样周期为10秒、采样保持时间为0.1秒进行举例,每10秒采样一次得到一个采样点,在每一个采样点内连续采样0.1秒,该0.1秒内采集2560个振动信号值,轴承转动2圈。由此可以得到的时域序列包含例如M个采样点,每个采样点具有2560维度,每个维度的值就是一个振动信号值。M可以是小于或等于100的整数,例如M为64。对时域序列包含的各采样点进行离散傅里叶变换后,每个采样点得到5120维度的频谱,由于频谱的对称性,因而只取2560维度的频谱,即得到采样点的高维特征数据。M个高维特征数据构成了频域序列。
然而,例如2650*M的数据结构不适于深度卷积神经网络的输入,并且过大的输入形状会导致训练模型的巨大,进而导致较长的训练耗时等缺点。而且,当前得到的高维特征数据中包含的维度数据中,有许多维度上的特征数据与轴承剩余使用寿命相关度比较低。根据这些相关度较低的特征数据进行轴承剩余寿命的计算,会降低预测的准确性。因此,在下一步中对高维特征数据进行主能量压缩,提取其中起主要作用的部分,并缩小数据结构,使其更加适合深度卷积神经网络。
S102,以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据。
具体地,频域序列与编码压缩模型的对应关系,可以理解为是能够对频域序列的数据进行压缩的编码压缩模型。编码压缩模型例如可以是以频域序列或者是类似频域序列的其他数据训练得到的模型。自编码模型包括输入层、隐藏层和输出层,输入层和输出层的神经元数量一致,隐藏层中得到的是输入数据的压缩结果。隐藏层的维度低于输入层和输出层的维度,因此压缩结果的维度低于输入数据的维度,由此实现了降维。由于自编码模型的压缩和解压缩过程是将输入数据中的主要成分压缩降维,再根据该主要成分解压缩而复现输入,因此压缩过程还是对输入数据进行主能量压缩的过程。编码压缩模型可以理解为由自编码模型变形得到的压缩模型。对所述高维特征数据进行主能量压缩可以理解为以高维特征数据作为输入进行压缩,将直接压缩的结果作为低维特征数据;也可以理解为对高维特征数据中各维度进行分组压缩,将分组压缩的结果作为低维特征数据。本实施例中所述低维特征数据是与高维特征数据相比,维数低于所述高维特征数据的特征数据。通过对所述高维特征数据进行主能量压缩,实现对频域序列的数据优化。
S103,根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
具体地,可以是根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。例如进行降序组合或者升序组合。轴承特征数据可以理解为是由低维特征数据组成的向量,也可以理解为是由低维特征数据组成的矩阵。由于低维特征数据携带了与轴承寿命最相关的主要信息,本实施例得到轴承特征数据也可以理解为是得到了轴承特征图。
本实施例提供了一种轴承特征提取方法,通过根据轴承的时域振动信号来获得所述轴承的频域序列,保证了轴承特征的完整性;并以所述频域序列对应的编码压缩模型,对频域序列包含的高维特征数据进行主能量压缩,得到低维特征数据,提取了频域序列中起主要作用的部分,并缩小了数据结构,实现对频域序列的数据优化;根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据,使得到的轴承特征数据更加适合深度卷积神经网络,提高了特征数据与轴承剩余使用寿命预测的相关性。
参见图3,是本发明实施例提供的另一种轴承特征提取方法示意图。参见图4,是本发明实施例提供的一种自编码模型原理示意图。在图2所示实施例的基础上,以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,还可以包括获取编码压缩模型的过程。为了更加清楚地对本发明进行描述,下面结合图3、图4和具体实施例对获取编码压缩模型的过程进行说明。图3所示的方法包括步骤S201至步骤S206,具体如下:
S201,根据轴承的时域振动信号,获得所述轴承的频域序列。
本实施例中S201的具体说明参见图2所示实施例中的S101,在此不再赘述。
S202,从每个所述高维特征数据获取N个一维矩阵。
其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数。例如所述高维特征数据具有K个维度,则一维矩阵包含有K/N个值。以K为2560、N为64为例,则每个一维矩阵中包含有40个值。
S203,以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型。
参见图4所示的自编码模型原理,自编码模型的输入层中包含多个输入神经元,输出层中包含同样数量的输出神经元。以一维矩阵作为自编码模型的输入和输出,则本实施例中自编码的输入神经元个数和输出神经元个数,都与一维矩阵包含的值的个数一致。例如每个一维矩阵中包含有40个值,则自编码模型的输入神经元个数和输出神经元个数都为40。以所有一维矩阵作为自编码模型的训练样本对自编码模型进行无监督的学习,最后得到训练后的自编码模型与所述频域序列对应。本实施例中频域序列对应的自编码模型,是指该自编码模型可以将频域序列对应的所有一维矩阵进行输入复现。
S204,根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型。
其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。本实施例不关心自编码模型的输出,仅将其压缩得到的结果作为压缩模型的输出。
S205,以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据。
S206,根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
本实施例中S205-206的具体说明参见图2所示实施例中的S102-103,在此不再赘述。
参见图5,是本发明实施例提供的一种对高维特征数据进行压缩得到低维特征数据的方法示意图。在上述实施例的基础上,结合图5所示内容,以所述编码压缩模型对所述高维特征数据进行主能量压缩,得到低维特征数据的具体过程可以是:每个高维特征数据51对应得到N个一维矩阵52,每个一维矩阵52中包含有多个值53。将每个一维矩阵52分别以所述编码压缩模型进行压缩,获得一个主能量压缩值54。N个一维矩阵52,则可以获得N个主能量压缩值54。将由所述N个主能量压缩值54构成的向量,确定为低维特征数据55。
参见图6,是本发明实施例提供的一种轴承剩余寿命预测方法示意图。在上述实施例的基础上,图6所示的方法包括步骤S601至步骤S602,具体如下:
S601,根据轴承特征提取方法,获取已知寿命轴承的第一类轴承特征数据和待测轴承的第二类轴承特征数据。
S602,以所述第二类轴承特征数据输入轴承预测模型,得到所述待测轴承的剩余寿命的预测值,其中,所述轴承预测模型为根据所述第一类轴承特征数据和所述第一类轴承特征数据对应的轴承寿命训练得到的模型。
具体地,轴承预测模型可以是卷积神经网络模型,卷积神经网络模型适合采用多维特征进行训练和输入。例如以第一类轴承特征数据对应的轴承寿命对卷积神经网络模型进行训练,得到轴承预测模型。将待测轴承的第一类轴承特征数据输入轴承预测模型,得到待测轴承的剩余寿命的预测值。通过图1-5所示实施例中的轴承特征提取方法,得到的第一类轴承特征数据和第二类轴承特征数据都具有与轴承剩余寿命关联系强的特点,能够提高本实施例的轴承剩余寿命预测准确性。
参见图7,是本发明实施例提供的一种轴承特征提取装置的结构示意图,主要包括:频域序列获取模块71、低维特征数据获取模块72和轴承特征数据获取模块73。
具体地,频域序列获取模块71,用于根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据。
低维特征数据获取模块72,用于以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据,所述低维特征数据的维数低于所述高维特征数据。
轴承特征数据获取模块73,用于根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
图7所示实施例的装置对应地可用于执行图2所示方法实施例中的步骤,其实现原理和技术效果类似,此处不再赘述。
参见图8,是本发明实施例提供的另一种轴承特征提取装置的结构示意图,在图7所示实施例的基础上,还包括编码压缩模型获取模块74,用于:以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,从每个所述高维特征数据获取N个一维矩阵,其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数;以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型;根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型,其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。
图8所示实施例的装置对应地可用于执行图3所示方法实施例中的步骤,其实现原理和技术效果类似,此处不再赘述。
在上述实施例的基础上,所述低维特征数据获取模块72具体用于:
将每个高维特征数据对应的N个一维矩阵分别以所述编码压缩模型进行压缩,获得N个主能量压缩值;将由所述N个主能量压缩值构成的向量,确定为低维特征数据。
在上述实施例的基础上,所述轴承特征数据获取模块73具体用于:
根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。
在上述实施例的基础上,所述频域序列获取模块71具体用于:对所述轴承的时域振动信号采样,获得时域序列,所述时域序列的每个采样点对应K个时域维度值,且所述K个时域维度值为在同一采样点从所述时域振动信号采集到的K个振动信号值,K为大于或等于2的整数;对所述时域序列进行离散傅里叶变换,得到频域变换结果;去除所述频域变换结果中的对称重复数据,得到所述轴承的频域序列,所述频域序列包含的各个采样点都是维度数为K的高维特征数据。
参见图9,是本发明实施例提供的一种轴承特征提取装置的硬件结构示意图,该装置包括:处理器91、存储器92和计算机程序;其中
存储器92,用于存储所述计算机程序,该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器91,用于执行所述存储器存储的计算机程序,以实现上述方法中装置执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器92既可以是独立的,也可以跟处理器91集成在一起。
当所述存储器92是独立于处理器91之外的器件时,所述装置还可以包括:
总线93,用于连接所述存储器92和处理器91。
本发明还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时用于实现上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述装置的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (10)
1.一种轴承特征提取方法,其特征在于,包括:
根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据;
以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据,所述低维特征数据的维数低于所述高维特征数据;
根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
2.根据权利要求1所述的方法,其特征在于,以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,还包括:
从每个所述高维特征数据获取N个一维矩阵,其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数;
以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型;
根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型,其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。
3.根据权利要求2所述的方法,其特征在于,以所述编码压缩模型对所述高维特征数据进行主能量压缩,得到低维特征数据,包括:
将每个高维特征数据对应的N个一维矩阵分别以所述编码压缩模型进行压缩,获得N个主能量压缩值;
将由所述N个主能量压缩值构成的向量,确定为低维特征数据。
4.根据权利要求1-3任一所述的方法,其特征在于,根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据,包括:
根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。
5.根据权利要求1-3任一所述的方法,其特征在于,根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据,包括:
对所述轴承的时域振动信号采样,获得时域序列,所述时域序列的每个采样点对应K个时域维度值,且所述K个时域维度值为在同一采样点从所述时域振动信号采集到的K个振动信号值,K为大于或等于2的整数;
对所述时域序列进行离散傅里叶变换,得到频域变换结果;
去除所述频域变换结果中的对称重复数据,得到所述轴承的频域序列,所述频域序列包含的各个采样点都是维度数为K的高维特征数据。
6.一种轴承剩余寿命预测方法,其特征在于,包括:
根据权利要求1-5任一所述的方法,获取已知寿命轴承的第一类轴承特征数据和待测轴承的第二类轴承特征数据;
以所述第二类轴承特征数据输入轴承预测模型,得到所述待测轴承的剩余寿命的预测值,其中,所述轴承预测模型为根据所述第一类轴承特征数据和所述第一类轴承特征数据对应的轴承寿命训练得到的模型。
7.一种轴承特征提取装置,其特征在于,包括:
频域序列获取模块,用于根据轴承的时域振动信号,获得所述轴承的频域序列,所述频域序列包含的各个采样点都为高维特征数据;
低维特征数据获取模块,用于以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据,所述低维特征数据的维数低于所述高维特征数据;
轴承特征数据获取模块,用于根据所述频域序列对应的所有低维特征数据,得到表征所述轴承剩余寿命的轴承特征数据。
8.根据权利要求7所述的装置,其特征在于,还包括编码压缩模型获取模块,用于:
以所述频域序列对应的编码压缩模型,对所述高维特征数据进行主能量压缩,得到低维特征数据之前,从每个所述高维特征数据获取N个一维矩阵,其中,所述N个一维矩阵为所述高维特征数据各个维度的值按预设顺序组合的结果,N为大于或等于2的整数;以所述频域序列对应的所有所述一维矩阵对自编码模型进行训练,得到所述频域序列对应的自编码模型;根据所述频域序列对应的自编码模型,得到所述频域序列对应的编码压缩模型,其中,所述编码压缩模型的输入量为所述自编码模型的输入量,所述编码压缩模型的输出量为所述自编码模型在隐藏层中获得的主能量压缩值。
9.根据权利要求8所述的装置,其特征在于,所述低维特征数据获取模块具体用于:
将每个高维特征数据对应的N个一维矩阵分别以所述编码压缩模型进行压缩,获得N个主能量压缩值;将由所述N个主能量压缩值构成的向量,确定为低维特征数据。
10.根据权利要求7-9任一所述的装置,其特征在于,所述轴承特征数据获取模块具体用于:
根据各个高维特征数据在所述频域序列中对应的采样顺序,将所述频域序列对应的所有所述低维特征数据组合,得到表征所述轴承剩余寿命的轴承特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567562.2A CN108776818A (zh) | 2018-06-05 | 2018-06-05 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567562.2A CN108776818A (zh) | 2018-06-05 | 2018-06-05 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108776818A true CN108776818A (zh) | 2018-11-09 |
Family
ID=64024769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567562.2A Pending CN108776818A (zh) | 2018-06-05 | 2018-06-05 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108776818A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN111695452A (zh) * | 2020-05-28 | 2020-09-22 | 国网河北省电力有限公司电力科学研究院 | 基于rbf神经网络的并联电抗器内部老化程度评估方法 |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8484022B1 (en) * | 2012-07-27 | 2013-07-09 | Google Inc. | Adaptive auto-encoders |
CN106254879A (zh) * | 2016-08-31 | 2016-12-21 | 广州精点计算机科技有限公司 | 一种应用自编码神经网络的有损图像压缩方法 |
CN107101828A (zh) * | 2017-05-27 | 2017-08-29 | 辽宁大学 | 一种编码器健康度评价的轴承剩余寿命预测方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
-
2018
- 2018-06-05 CN CN201810567562.2A patent/CN108776818A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8484022B1 (en) * | 2012-07-27 | 2013-07-09 | Google Inc. | Adaptive auto-encoders |
CN106254879A (zh) * | 2016-08-31 | 2016-12-21 | 广州精点计算机科技有限公司 | 一种应用自编码神经网络的有损图像压缩方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107101828A (zh) * | 2017-05-27 | 2017-08-29 | 辽宁大学 | 一种编码器健康度评价的轴承剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
LEI REN等: ""Prediction of Bearing Remaining Useful Life With Deep Convolution Neural Network"", 《IEEE ACCESS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN109766930B (zh) * | 2018-12-24 | 2020-02-07 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110263972B (zh) * | 2019-05-15 | 2021-02-09 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN111695452A (zh) * | 2020-05-28 | 2020-09-22 | 国网河北省电力有限公司电力科学研究院 | 基于rbf神经网络的并联电抗器内部老化程度评估方法 |
CN111695452B (zh) * | 2020-05-28 | 2023-08-18 | 国网河北省电力有限公司电力科学研究院 | 基于rbf神经网络的并联电抗器内部老化程度评估方法 |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776818A (zh) | 轴承特征提取方法、轴承剩余寿命预测方法和装置 | |
CN107798235B (zh) | 基于one-hot编码机制的无监督异常访问检测方法及装置 | |
CN108229646A (zh) | 神经网络模型压缩方法、装置、存储介质和电子设备 | |
CN109716658A (zh) | 一种基于相似性的重复数据删除方法和系统 | |
CN108717512A (zh) | 一种基于卷积神经网络的恶意代码分类方法 | |
CN107679572A (zh) | 一种图像判别方法、存储设备及移动终端 | |
CN110070867B (zh) | 语音指令识别方法、计算机装置及计算机可读存储介质 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN109478893A (zh) | 数据压缩编码方法、解码方法、其装置及其程序 | |
CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
CN115208414B (zh) | 数据压缩方法、数据压缩装置、计算机设备及存储介质 | |
CN114722091A (zh) | 数据处理方法、装置、存储介质以及处理器 | |
CN111355965B (zh) | 一种基于深度学习的图像压缩还原方法及装置 | |
CN106227881A (zh) | 一种信息处理方法及服务器 | |
Zhu et al. | A novel asymmetrical autoencoder with a sparsifying discrete cosine Stockwell transform layer for gearbox sensor data compression | |
CN104133883B (zh) | 电话号码归属地数据压缩方法 | |
CN109100165B (zh) | 桥梁运营模态分析方法、装置、终端与计算机可读存储介质 | |
CN115618884B (zh) | 基于多任务学习的言论分析方法、装置以及设备 | |
JPWO2020162048A5 (zh) | ||
CN112054805B (zh) | 一种模型数据压缩方法、系统及相关设备 | |
CN109698703B (zh) | 基因测序数据解压方法、系统及计算机可读介质 | |
CN112818098B (zh) | 基于知识库的对话生成方法、装置、终端及存储介质 | |
CN112052916B (zh) | 基于神经网络的数据处理方法、装置以及可读存储介质 | |
CN108710891B (zh) | 基于感知哈希的循环平稳信号降维、识别方法及系统 | |
US20210397927A1 (en) | Neural network system and method of operating the same |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |