CN109726893A - 一种旋转机械故障数据集属性权重的确定及评价方法 - Google Patents
一种旋转机械故障数据集属性权重的确定及评价方法 Download PDFInfo
- Publication number
- CN109726893A CN109726893A CN201811426875.2A CN201811426875A CN109726893A CN 109726893 A CN109726893 A CN 109726893A CN 201811426875 A CN201811426875 A CN 201811426875A CN 109726893 A CN109726893 A CN 109726893A
- Authority
- CN
- China
- Prior art keywords
- attribute
- index
- rotating machinery
- weight
- dimensionless
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种旋转机械故障数据集属性权重的确定及评价方法,其特征在于,包括如下步骤:1)采集旋转机械滚动轴承和齿轮箱的振动信号;2)计算5个无量纲指标;3)按各无量纲指标取值,对故障数据集进行离散化处理;4)计算各无量纲指标对所有多属性组合的边际重要度累积;5)对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重;6)利用KNN算法对无量纲指标的属性权重进行评价。优点:本发明提供的一种旋转机械故障数据集属性权重的确定和评价方法,基于边际重要度的属性权重确定方法综合考虑了所有多属性组合边际重要度对权重的影响,利用本发明方法得到的权重对KNN学习算法进行加权实现,可以通过分类效果对属性权重进行评价。
Description
技术领域
本发明涉及一种旋转机械故障数据集属性权重的确定及评价方法,具体涉及粗糙集属性重要度理论和旋转机械滚动轴承、齿轮箱故障诊断方法。
背景技术
滚动轴承和齿轮箱是旋转机械设备容易发生故障的主要部件,由于缺少针对这些部件的检测诊断环节或者检测技术落后,极有可能引发大型机组的安全生产事故,造成极大的经济财产损失,因此对滚动轴承和齿轮箱的早期故障诊断是一个主要的研究领域。
针对旋转机械的故障诊断方法主要有三类:基于知识的故障诊断方法、基于解析模型的故障诊断方法和基于信号处理的故障诊断方法。基于知识的故障诊断方法适应于不易建立机理模型、传感器数目不足、信息缺乏的系统。基于解析模型的方法适应于传感器数目充足、信息充足的系统,需要充分了解过程的机理,并能够建立精确的定量数学模型。基于知识和基于解析的故障诊断方法常用于监控过程参数较少的情况。随着过程参数的增加,目前较为流行的故障诊断方法是基于数据驱动的故障诊断方法。
波形、峰值、脉冲、裕度和峭度是用于旋转机械故障诊断的5个重要的无量纲指标,基于无量纲指标的故障诊断方法是一类重要的数据驱动故障诊断方法。在利用机器学习、证据理论等方法和无量纲指标进行故障诊断时,通常要先确定无量纲指标权重,因此,提供一种无量纲指标属性权重确定方法显得尤为必要。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种旋转机械故障数据集属性权重的确定及评价方法。
为解决上述技术问题,本发明提供一种旋转机械故障数据集属性权重的确定方法,其特征在于,包括如下步骤:
1)采集旋转机械滚动轴承和齿轮箱的振动信号;
2)计算5个无量纲指标;
3)按各无量纲指标取值,对故障数据集进行离散化处理;
4)计算各无量纲指标对所有多属性组合的边际重要度累积;
5)对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重。
进一步的,所述步骤1)具体步骤如下:利用数据采集器采集旋转机械滚动轴承和齿轮箱包含的故障振动信号。
进一步的,所述步骤2)具体步骤如下:
波形指标:
峰值指标:
脉冲指标:
裕度指标:
峭度指标:
式中,Xrms为信号的均方根值,为信号的平均幅值,Xmax为信号的最大值,Xr为信号的方根幅值,β为峭度, N表示构成样本的信号采样点个数,Xi表示振动幅值,i表示采样点的下标索引。
进一步的,所述步骤3)具体步骤如下:利用k-means聚类算法对各无量纲指标取值进行聚类,将无量纲指标的数据变为字符型。
进一步的,所述步骤4)具体步骤如下:(1)按如下公式计算m个指标属性组合的边际重要度贡献;
式中,C表示条件属性集合,D表示决策属性,ci表示C中第i个条件属性, i和jl表示属性下表索引,1≤jl≤n,l=1,2,…,m-1,n表示条件属性集合C的元素个数,表示组合属性的属性重要度,m表示组合属性集合的元素个数。
(2)按如下公式计算边际重要度累积
进一步的,所述步骤5)具体步骤如下:按如下公式对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重,
一种旋转机械故障数据集属性权重的评价方法,其特征在于,利用KNN算法对无量纲指标的属性权重进行评价,具体步骤如下:设X(x1,x2,x3,x4,x5)和 Y(y1,y2,y3,y4,y5)为旋转机械故障数据集的两个样本,KNN算法采用的欧氏距离计算公式如下:
利用步骤5)得到的无量纲指标权重w(ci)对两个样本点的加权距离公式如下:
分别采用L2(X,Y)和两种距离作为KNN算法样本相似度,比较分类效果,若后者对应的KNN算法分类效果好,则说明用本发明的权重确定方法能够给出有效的无量纲指标权重,否则,说明本发明的权重确定方法不佳。
本发明所达到的有益效果:
本发明提供的一种旋转机械故障数据集属性权重的确定和评价方法,改进了粗糙集属性重要度理论,提出了属性边际重要度,并基于边际属性重要度建立了无量纲指标的属性权重确定方法,基于边际重要度的权重确定方法综合考虑了所有多属性组合边际重要度对权重的影响,利用本发明方法得到的权重对 KNN学习算法进行加权实现,可以通过分类效果对属性权重进行评价。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参见图1和表1,本发明提供一种旋转机械故障数据集属性权重的确定及评价方法,包括以下步骤:
1)将不同的滚动轴承和齿轮箱故障件安装在此实验平台上,振动信号由安装在轴承座上的加速度传感器来提取,通过EMT490数据采集器来采集故障振动信号。实验参数如下:转速为1000r/min,采样频率为1000Hz,计算无量纲指标的采样点数为8192点;
2)将采集到的振动加速度故障数据导入到电脑上,并利用MATLAB软件对其进行读取。本实验的轴承故障主要包括三种:轴承内圈磨损,轴承外圈磨损和轴承却滚珠,齿轮箱故障包括三种:大齿轮缺齿,小齿轮缺齿,大小齿轮均缺齿,故障状态加上正常状态总共七种,对这七种状态下的振动信号分别进行采样,每种状态采样点数为819200个;
3)利用连续的8192个采样点计算出5个无量纲指标:波形指标,峰值指标,脉冲指标,裕度指标,峭度指标,并以实施方式步骤2)中旋转机械运转状态标记样本的决策属性取值;
波形指标:
峰值指标:
脉冲指标:
裕度指标:
峭度指标:
式中,Xrms为信号的均方根值,为信号的平均幅值,Xmax为信号的最大值,Xr为信号的方根幅值,β为峭度, N表示构成样本的信号采样点个数,Xi表示振动幅值,i表示采样点的下标索引。
4)利用k-means聚类算法对各无量纲指标取值进行聚类,将无量纲指标的数据变为字符型。
5)按如下公式计算m个指标属性组合的边际重要度贡献;
式中,C表示条件属性集合,D表示决策属性,ci表示C中第i个条件属性, i和jl表示属性下表索引,1≤jl≤n,l=1,2,…,m-1,n表示条件属性集合C的元素个数,表示组合属性的属性重要度,m表示组合属性集合的元素个数。
按如下公式计算边际重要度累积
6)按如下公式对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重,
7)利用KNN算法对无量纲指标的属性权重进行评价,具体步骤如下:设 X(x1,x2,x3,x4,x5)和Y(y1,y2,y3,y4,y5)为旋转机械故障数据集的两个样本,KNN算法采用的欧氏距离计算公式如下:
利用步骤5)得到的无量纲指标权重w(ci)对两个样本点的加权距离公式如下:
分别采用L2(X,Y)和两种距离作为KNN算法样本相似度,比较分类效果。故障和正常类型共有7种,每个类型包含100个样本,样本总数为700,在每个类型中随机选取66%样本作为训练样本,即训练样本数总数为462,剩余 34%样本作为测试样本集,即测试样本数为238,最邻近点个数k取9。分别进行10次分类,取10次分类准确率的均值,KNN加权前后对比结果如表1所示:
表1分类准确率对比
从表1可以看出,利用本发明方法确定的属性权重对KNN算法欧氏距离进行加权改进明显改进了各状态样本的分类准确率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种旋转机械故障数据集属性权重的确定方法,其特征在于,包括如下步骤:
1)采集旋转机械滚动轴承和齿轮箱的振动信号;
2)计算5个无量纲指标;
3)按各无量纲指标取值,对故障数据集进行离散化处理;
4)计算各无量纲指标对所有多属性组合的边际重要度累积;
5)对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重。
2.根据权利要求1所述的旋转机械故障数据集属性权重的确定方法,其特征在于,所述步骤1)具体步骤如下:利用数据采集器采集旋转机械滚动轴承和齿轮箱包含的故障振动信号。
3.根据权利要求1所述的旋转机械故障数据集属性权重的确定方法,其特征在于,所述步骤2)具体步骤如下:
波形指标:
峰值指标:
脉冲指标:
裕度指标:
峭度指标:
式中,Xrms为信号的均方根值,为信号的平均幅值,Xmax为信号的最大值,Xr为信号的方根幅值,β为峭度, N表示构成样本的信号采样点个数,Xi表示振动幅值,i表示采样点的下标索引。
4.根据权利要求1所述的旋转机械故障数据集属性权重的确定方法,其特征在于,所述步骤3)具体步骤如下:利用k-means聚类算法对各无量纲指标取值进行聚类,将无量纲指标的数据变为字符型。
5.根据权利要求1所述的旋转机械故障数据集属性权重的确定方法,其特征在于,所述步骤4)具体步骤如下:(1)按如下公式计算m个指标属性组合的边际重要度贡献;
式中,C表示条件属性集合,D表示决策属性,ci表示C中第i个条件属性,i和jl表示属性下表索引,1≤jl≤n,l=1,2,…,m-1,n表示条件属性集合C的元素个数,表示组合属性的属性重要度,m表示组合属性集合的元素个数。
(2)按如下公式计算边际重要度累积
6.根据权利要求5所述的旋转机械故障数据集属性权重的确定方法,其特征在于,所述步骤5)具体步骤如下:按如下公式对边际重要度累积进行归一化处理,得到5个无量纲指标的属性权重,
7.一种基于权利要求6所示的旋转机械故障数据集属性权重的评价方法,其特征在于,利用KNN算法对无量纲指标的属性权重进行评价,具体步骤如下:设X(x1,x2,x3,x4,x5)和Y(y1,y2,y3,y4,y5)为旋转机械故障数据集的两个样本,KNN算法采用的欧氏距离计算公式如下:
利用步骤5)得到的无量纲指标权重w(ci)对两个样本点的加权距离公式如下:
分别采用L2(X,Y)和两种距离作为KNN算法样本相似度,比较分类效果,若后者对应的KNN算法分类效果好,则说明用本发明的权重确定方法能够给出有效的无量纲指标权重,否则,说明本发明的权重确定方法不佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426875.2A CN109726893A (zh) | 2018-11-27 | 2018-11-27 | 一种旋转机械故障数据集属性权重的确定及评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426875.2A CN109726893A (zh) | 2018-11-27 | 2018-11-27 | 一种旋转机械故障数据集属性权重的确定及评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726893A true CN109726893A (zh) | 2019-05-07 |
Family
ID=66294693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811426875.2A Pending CN109726893A (zh) | 2018-11-27 | 2018-11-27 | 一种旋转机械故障数据集属性权重的确定及评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726893A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183344A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112284721A (zh) * | 2020-10-16 | 2021-01-29 | 广东石油化工学院 | 一种大机组摩擦与转子不平衡双重故障分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101545026A (zh) * | 2009-05-08 | 2009-09-30 | 大连理工大学 | 一种转炉炼钢吹氧量影响因素的权重确定方法 |
US20130338965A1 (en) * | 2012-06-14 | 2013-12-19 | International Business Machines Corporation | Anomaly Detection Method, Program, and System |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN106932200A (zh) * | 2017-04-20 | 2017-07-07 | 北京信息科技大学 | 滚动轴承故障的高斯过程多特征智能诊断方法 |
-
2018
- 2018-11-27 CN CN201811426875.2A patent/CN109726893A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101545026A (zh) * | 2009-05-08 | 2009-09-30 | 大连理工大学 | 一种转炉炼钢吹氧量影响因素的权重确定方法 |
US20130338965A1 (en) * | 2012-06-14 | 2013-12-19 | International Business Machines Corporation | Anomaly Detection Method, Program, and System |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN106932200A (zh) * | 2017-04-20 | 2017-07-07 | 北京信息科技大学 | 滚动轴承故障的高斯过程多特征智能诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183344A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112284721A (zh) * | 2020-10-16 | 2021-01-29 | 广东石油化工学院 | 一种大机组摩擦与转子不平衡双重故障分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135630A1 (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
An et al. | A novel bearing intelligent fault diagnosis framework under time-varying working conditions using recurrent neural network | |
CN109506963B (zh) | 一种智能列车牵引故障大数据异常检测辨识方法 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN107727395B (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
CN110276416A (zh) | 一种滚动轴承故障预测方法 | |
CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
CN108709744B (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN109029993A (zh) | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN109726893A (zh) | 一种旋转机械故障数据集属性权重的确定及评价方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 |
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: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |