CN109034076A - 一种机械故障信号的自动聚类方法及自动聚类系统 - Google Patents
一种机械故障信号的自动聚类方法及自动聚类系统 Download PDFInfo
- Publication number
- CN109034076A CN109034076A CN201810861166.0A CN201810861166A CN109034076A CN 109034076 A CN109034076 A CN 109034076A CN 201810861166 A CN201810861166 A CN 201810861166A CN 109034076 A CN109034076 A CN 109034076A
- Authority
- CN
- China
- Prior art keywords
- cluster
- wavelet
- training sample
- time domain
- automatic
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Abstract
本发明公开一种机械故障信号的自动聚类方法及自动聚类系统。本发明利用小波包变换处理时域振动信号,获取表征故障类型的小波包能量向量。通过聚类方法实现初分类,再结合深度神经网络算法进行细分类,可以自动实现对机械故障信号的准确分类。同时,本发明提供的机械故障信号的自动聚类方法及自动聚类系统,初始获取训练样本的类型标签随机给定,后续过程自动更新聚类训练样本的类型标签,无需人工干预,整个过程自动完成,自动提取特征,自动对故障信号进行分类,能够有效克服人工参与存在的工作效率低、实施成本高、个体差异导致的分类误差大等缺点,具有广阔的工业应用前景。
Description
技术领域
本发明涉及机械故障检测领域,特别是涉及一种机械故障信号的自动聚类方法及自动聚类系统。
背景技术
机械设备在社会生产中起着重要的作用。机械设备通常由驱动装置、变速装置、传动装置、工作装置、制动装置、防护装置、润滑系统、冷却系统等部分组成,而这些装置又由许多零部件组成。任何一个零部件出现故障都会导致整个机械设备的工作出现异常。这就需要对机械设备的运行状态进行监测和故障诊断。
故障诊断的任务就是通过对故障进行检测,进而实现对故障的定位以及故障恢复等,故障的表现形式多种多样,常见的故障有:不平衡、不对中、转子弯曲、油膜涡动、油膜振荡、机械松动、轴裂纹、旋转失速与喘振、摩擦、流体激振、齿轮变速箱故障、轴承故障等。由于机械设备故障的复杂性和故障形式的多样性,导致对机械设备进行准确的故障诊断非常困难。近年来,随着传感技术、信号处理技术、电子技术、尤其是计算机技术和人工智能的快速发展,以预测技术为核心的故障预测受到了越来越多的重视和应用。因此,将传统的故障诊断与人工智能和先进的信号处理方法相结合,已成为故障诊断的重要方向。
机械状态监测领域已进入了“大数据”时代。而以深度学习为代表的人工智能已在语音识别、图像识别等领域取得了突破性进展,已经成为分析大数据的“利器”。现有的故障诊断大多依赖于人的技术和经验,需要以人类专家为主来完成此项工作,机械诊断只能起辅助作用,这样就导致故障分类的自动化程度低、缺乏智能性。
因此,如何提供一种机械故障信号的自动分类方法及系统,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种机械故障信号的自动分类方法及自动分类系统,无需人工干预,整个过程自动完成,自动提取特征,自动对故障信号进行分类,能够有效克服人工参与存在的工作效率低、实施成本高、个体差异导致的分类误差大等缺点,具有广阔的工业应用前景。
为实现上述目的,本发明提供了如下方案:
一种机械故障信号的自动聚类方法,所述自动聚类方法包括:
获取表征机械故障信号的多个待分类时域振动信号;
对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量;
将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络(DNN)算法和聚类分析方法建立而成;所述机械故障自动聚类模型的建立方法具体包括:
获取初始训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签;
对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量;
采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果;
根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对;
构建深度神经网络模型;
采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
可选的,所述获得机械故障自动聚类模型之后,还包括:
获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签;
对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量;
将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果;
根据所述测试样本聚类结果确定测试样本误判率;
判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果;
当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,调整各个聚类训练样本对的类型标签,并返回所述“采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型”。
可选的,所述构建深度神经网络模型具体包括:
根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;
构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
可选的,所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。
可选的,所述小波包变换处理的计算公式为:
其中,<·,·>表示内积操作,x(t)表示时域振动信号,k表示变换参数,表示第j层分解第n个小波包函数,t表示时间。
一种机械故障信号的自动聚类系统,所述自动聚类系统包括:
待分类信号获取模块,用于获取表征机械故障信号的多个待分类时域振动信号;
小波包处理模块,用于对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量;
聚类模块,用于将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成;所述机械故障自动聚类模型的建立子系统包括:
初始训练样本获取模块,用于获取初始获取训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签;
初始训练样本小波包变换模块,用于对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量;
无监督聚类模块,用于采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果;
聚类训练样本确定模块,用于根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对;
深度神经网络模型构建模块,用于构建深度神经网络模型;
机械故障自动聚类模型确定模块,用于采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
可选的,所述机械故障自动聚类模型的建立子系统还包括:
测试样本获取模块,用于获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签;
测试样本小波包变换模块,用于对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量;
测试样本聚类模块,用于将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果;
误判率确定模块,用于根据所述测试样本聚类结果确定测试样本误判率;
判断模块,用于判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果;
类型标签调整模块,用于当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,调整各个聚类训练样本对的类型标签。
可选的,所述深度神经网络模型构建模块包括:
输入层神经元个数确定单元,用于根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
输出层神经元个数确定单元,用于根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;
神经网络构建单元,用于构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
可选的,所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。
可选的,所述小波包变换处理的计算公式为:
其中,<·,·>表示内积操作,x(t)表示时域振动信号,k表示变换参数,表示第j层分解第n个小波包函数,t表示时间。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的机械故障信号的自动聚类方法及自动聚类系统,利用小波包变换处理时域振动信号,获取表征故障类型的小波包能量向量。通过聚类方法实现初分类,再结合深度神经网络算法进行细分类,可以自动实现对机械故障信号的准确分类。本发明提供的机械故障信号的自动聚类方法及自动聚类系统,初始获取训练样本的类型标签随机给定,后续过程自动更新聚类训练样本的类型标签,无需人工干预,整个过程自动完成,自动提取特征,自动对故障信号进行分类,能够有效克服人工参与存在的工作效率低、实施成本高、个体差异导致的分类误差大等缺点,具有广阔的工业应用前景。
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它的附图。
图1为本发明实施例提供的机械故障信号的自动聚类方法的流程图;
图2为本发明实施例提供的机械故障自动聚类模型的建立方法的流程图;
图3为本发明实施例提供的机械故障信号的自动聚类系统的结构框图;
图4为本发明实施例提供的机械故障自动聚类模型的建立子系统的结构框图;
图5为本发明实施例提供的机械故障信号的自动聚类系统的工作流程图;
图6为本发明实施例提供的美国凯斯西储大学(CWRU)部分轴承数据的初分类结果图;
图7为本发明实施例提供的机械故障自动聚类模型对CWRU部分轴承数据的自动分类结果图;
图8为本发明实施例提供的分类结果的不同类的小波包能量谱。
具体实施方式
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。
本发明的目的是提供一种机械故障信号的自动分类方法及自动分类系统,无需人工干预,整个过程自动完成,自动提取特征,自动对故障信号进行分类,能够有效克服人工参与存在的工作效率低、实施成本高、个体差异导致的分类误差大等缺点,具有广阔的工业应用前景。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的机械故障信号的自动聚类方法的流程图。如图1所示,一种机械故障信号的自动聚类方法,所述自动聚类方法包括:
步骤101:获取表征机械故障信号的多个待分类时域振动信号。
步骤102:对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量。
所述小波包变换处理的计算公式为:
其中,<·,·>表示内积操作,x(t)表示时域振动信号,k表示变换参数,表示第j层分解第n个小波包函数,t表示时间。
小波包函数见公式(2):
其中, 表示尺度函数,W1(t)=ψ(t),ψ(t)表示母小波,其他的Wn(t)可用下式计算:
小波包能量可以利用式(1)计算得到的小波包系数也可以通过对进行重建后得到的信号计算得到,利用小波包系数计算小波包能量的公式见公式(4):
其中,表示第j层分解第n个小波包系数。
将所有的小波包能量值组成公式(5)所示的一个向量:
Ej表示第j层小波包的能量向量,Ei j表示第j层分解第i个小波包的能量,0≤i≤2j-1,j表示小波包的层数。
再将公式(5)中小波包能量向量归一化,得到公式(6)所示的归一化后的小波包能量向量:
其中,0≤n≤2j-1。式(6)中的是一个维数为2j的向量。
步骤103:将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成。
图2为本发明实施例提供的机械故障自动聚类模型的建立方法的流程图。如图2所示,机械故障自动聚类模型的建立方法包括:
步骤201:获取初始获取训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签。
步骤202:对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量。
步骤203:采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果。
所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。聚类过程中可采用欧氏距离(Euclidean distance)、欧氏距离的平方(Squared Euclideandistance)、曼哈顿距离(Block)、切比雪夫距离(Chebychev distance)、卡方距离(Chi-Square measure)等作为相似度划分标准。
步骤204:根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对。
步骤205:构建深度神经网络模型。
构建深度神经网络模型具体包括:
根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;随着聚类训练样本的调整,输出层神经元的个数也会相应调整;
构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
步骤206:采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
步骤207:获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签。
本实施例中,将步骤201获取的时域振动信号切割成若干段子信号,作为测试样本中的测试时域振动信号,并利用步骤204中更新后的聚类训练样本对的类型标签标注测试样本对的类型标签。
步骤208:对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量。
步骤209:将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果。
步骤210:根据所述测试样本聚类结果确定测试样本误判率。
步骤211:判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果。
当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,执行步骤212。
当所述判断结果表示所述测试样本误判率小于或者等于预设的误判率阈值时,执行步骤213。
步骤212:调整各个聚类训练样本对的类型标签,并返回所述步骤206。
步骤213:输出所述机械故障自动聚类模型。
本实施例利用训练好的深度神经网络模型进行故障分类和识别,并将错误分类的信号加入到训练样本,实现对样本库的更新,提高深度神经网络对故障模式的分类识别能力。
图3为本发明实施例提供的机械故障信号的自动聚类系统的结构框图。如图3所示一种机械故障信号的自动聚类系统,所述自动聚类系统包括:
待分类信号获取模块301,用于获取表征机械故障信号的多个待分类时域振动信号;
小波包处理模块302,用于对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量;
聚类模块303,用于将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成。
图4为本发明实施例提供的机械故障自动聚类模型的建立子系统的结构框图。如图4所示,所述机械故障自动聚类模型的建立子系统包括:
初始训练样本获取模块401,用于获取初始获取训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签;
初始训练样本小波包变换模块402,用于对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量;
无监督聚类模块403,用于采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果。所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。
聚类训练样本确定模块404,用于根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对;
深度神经网络模型构建模块405,用于构建深度神经网络模型。
具体地,所述深度神经网络模型构建模块405包括:
输入层神经元个数确定单元,用于根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
输出层神经元个数确定单元,用于根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;
神经网络构建单元,用于构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
机械故障自动聚类模型确定模块406,用于采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
测试样本获取模块407,用于获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签;
测试样本小波包变换模块408,用于对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量;
测试样本聚类模块409,用于将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果;
误判率确定模块410,用于根据所述测试样本聚类结果确定测试样本误判率;
判断模块411,用于判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果;
类型标签调整模块412,用于当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,调整各个聚类训练样本对的类型标签。
下面将采用本实施例提供的机械故障信号的自动聚类系统对美国凯斯西储大学(CWRU)轴承数据中心的实测数据进行分析,以详细阐述本实施的具体实施过程,对机械故障信号进行智能自动聚类的流程如图5所示。
将CWRU轴承数据的每个数据分别给定一个标签,标签随机给定,建立初始获取训练样本。采用六层网络结构,分别为输入层、4个隐含层和1个输出层。输入层神经元的个数为1024,4个隐含层的神经元个数分别为200、130、80和50,输出层神经元的个数根据训练样本的类型标签的种类数而定,随着训练样本的调整,输出层神经元的个数也做相应调整。
利用本实施例提供的机械故障信号的自动聚类系统对CWRU轴承数据中心提供的60个0.021英寸故障数据进行分类,将CWRU轴承数据的每个数据记录截取65536个数据点作为训练数据,剩余的作为神经网络模型的测试数据。对长度为65536的数据进行八层小波包变换处理,计算得到256个小波包能量值。根据小波包能量值,利用聚类方法实现对故障信号的初分类,初分类结果如图6所示,图6所示是主成分分析的结果,三个坐标分别表示三个主成分。
测试过程分别将数据切割成长度为16384、8192、4096和2048的子信号,进行小波包变换处理,计算小波包能量后,再输入到训练过的DNN进行测试。
利用本发明提供的机械故障自动聚类模型进行分类的结果如图7所示,不同类的小波包能量谱如图8所示,其中,图8的(a)至(i)部分分别为第一类至第九类的小波包能量谱。由图7和图8可知,本发明能够自动将60个数据记录聚为9个类型,不同类型的数据在频谱上存在较大差异,这表明采用本发明的方法对机械故障信号进行自动聚类的有效性。
本发明将信号处理、人工智能和深度学习相结合来实现机械设备故障信号的分类,利用机器学习和人工智能等学科最新研究成果,从监测的大数据中挖掘有用信息,实现机械设备运行状态信号的自动分类和故障的自动诊断,可以实现无人工干预下故障信号的智能自动分类,具有较高的分类效率和准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种机械故障信号的自动聚类方法,其特征在于,所述自动聚类方法包括:
获取表征机械故障信号的多个待分类时域振动信号;
对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量;
将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成;所述机械故障自动聚类模型的建立方法具体包括:
获取初始训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签;
对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量;
采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果;
根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对;
构建深度神经网络模型;
采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
2.根据权利要求1所述的自动聚类方法,其特征在于,所述获得机械故障自动聚类模型之后,还包括:
获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签;
对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量;
将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果;
根据所述测试样本聚类结果确定测试样本误判率;
判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果;
当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,调整各个聚类训练样本对的类型标签,并返回所述“采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型”。
3.根据权利要求1所述的自动聚类方法,其特征在于,所述构建深度神经网络模型具体包括:
根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;
构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
4.根据权利要求1所述的自动聚类方法,其特征在于,所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。
5.根据权利要求1所述的自动聚类方法,其特征在于,所述小波包变换处理的计算公式为:
其中,<·,·>表示内积操作,x(t)表示时域振动信号,k表示变换参数,表示第j层分解第n个小波包函数,t表示时间。
6.一种机械故障信号的自动聚类系统,其特征在于,所述自动聚类系统包括:
待分类信号获取模块,用于获取表征机械故障信号的多个待分类时域振动信号;
小波包处理模块,用于对各个所述待分类时域振动信号进行小波包变换处理,获得各个所述待分类时域振动信号的小波包能量向量;
聚类模块,用于将各个所述小波包能量向量输入到机械故障自动聚类模型中,获得机械故障信号的聚类结果;其中,所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量,所述机械故障自动聚类模型的输出为机械故障信号的聚类结果;所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成;所述机械故障自动聚类模型的建立子系统包括:
初始训练样本获取模块,用于获取初始获取训练样本,所述初始训练样本包括多个初始训练样本对,所述初始训练样本对的输入为故障状态的时域振动信号,所述初始训练样本对的输出为随机分配的类型标签;
初始训练样本小波包变换模块,用于对所述初始训练样本的各个时域振动信号进行小波包变换处理,获得训练样本小波包能量向量,所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量;
无监督聚类模块,用于采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类,获得所述训练样本的聚类结果;
聚类训练样本确定模块,用于根据所述聚类结果更新各个所述初始训练样本对,获得更新后的聚类训练样本,更新后的所述聚类训练样本包括多个聚类训练样本对;
深度神经网络模型构建模块,用于构建深度神经网络模型;
机械故障自动聚类模型确定模块,用于采用聚类训练样本对所述深度神经网络模型进行分类训练,获得机械故障自动聚类模型。
7.根据权利要求6所述的自动聚类系统,其特征在于,所述机械故障自动聚类模型的建立子系统还包括:
测试样本获取模块,用于获取测试样本,所述测试样本包括多个测试样本对,所述测试样本对的输入为测试时域振动信号,所述测试样本对的输出为与所述测试时域振动信号对应的类型标签;
测试样本小波包变换模块,用于对各个所述测试时域振动信号进行小波包变换处理,获得各个所述测试时域振动信号的小波包能量向量;
测试样本聚类模块,用于将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中,获得测试样本聚类结果;
误判率确定模块,用于根据所述测试样本聚类结果确定测试样本误判率;
判断模块,用于判断所述测试样本误判率是否小于或者等于预设的误判率阈值,获得判断结果;
类型标签调整模块,用于当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时,调整各个聚类训练样本对的类型标签。
8.根据权利要求6所述的自动聚类系统,其特征在于,所述深度神经网络模型构建模块包括:
输入层神经元个数确定单元,用于根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数;
输出层神经元个数确定单元,用于根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数;
神经网络构建单元,用于构建深度神经网络模型,所述深度神经网络模型包括所述输入层、隐含层和所述输出层,其中,所述隐含层的数量大于或者等于1。
9.根据权利要求6所述的自动聚类系统,其特征在于,所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法,K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。
10.根据权利要求6所述的自动聚类系统,其特征在于,所述小波包变换处理的计算公式为:
其中,<·,·>表示内积操作,x(t)表示时域振动信号,k表示变换参数,表示第j层分解第n个小波包函数,t表示时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810861166.0A CN109034076A (zh) | 2018-08-01 | 2018-08-01 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810861166.0A CN109034076A (zh) | 2018-08-01 | 2018-08-01 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034076A true CN109034076A (zh) | 2018-12-18 |
Family
ID=64648318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810861166.0A Pending CN109034076A (zh) | 2018-08-01 | 2018-08-01 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034076A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132566A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于模糊聚类的oltc故障诊断方法 |
CN110222610A (zh) * | 2019-05-27 | 2019-09-10 | 青岛海信网络科技股份有限公司 | 一种信号分类的方法及装置 |
CN110702408A (zh) * | 2019-09-30 | 2020-01-17 | 佛山科学技术学院 | 一种轴承状态变化事件监测方法及装置 |
CN111272428A (zh) * | 2020-02-17 | 2020-06-12 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5576632A (en) * | 1994-06-30 | 1996-11-19 | Siemens Corporate Research, Inc. | Neural network auto-associator and method for induction motor monitoring |
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
-
2018
- 2018-08-01 CN CN201810861166.0A patent/CN109034076A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5576632A (en) * | 1994-06-30 | 1996-11-19 | Siemens Corporate Research, Inc. | Neural network auto-associator and method for induction motor monitoring |
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
Non-Patent Citations (2)
Title |
---|
居红云: "无监督聚类算法和支持向量机及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李世玲 等: "基于小波包能量特征的滚动轴承故障监测方法", 《系统仿真学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222610A (zh) * | 2019-05-27 | 2019-09-10 | 青岛海信网络科技股份有限公司 | 一种信号分类的方法及装置 |
CN110132566A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于模糊聚类的oltc故障诊断方法 |
CN110702408A (zh) * | 2019-09-30 | 2020-01-17 | 佛山科学技术学院 | 一种轴承状态变化事件监测方法及装置 |
CN111272428A (zh) * | 2020-02-17 | 2020-06-12 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN111272428B (zh) * | 2020-02-17 | 2022-03-15 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
CN113269246B (zh) * | 2021-05-24 | 2023-06-02 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN109597401B (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN102647292B (zh) | 一种基于半监督神经网络模型的入侵检测方法 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
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 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN110502991A (zh) | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN108710771A (zh) | 基于深度特征集成提取的机械装备服役可靠性评估方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
CN109002810A (zh) | 模型评价方法、雷达信号识别方法及对应装置 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
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 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
Du et al. | Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm | |
CN112417966B (zh) | 一种基于音频信号特征和ai算法的多维度机器故障检测方法 |
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 |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |