CN110018322B - 一种基于深度学习的转速检测方法及系统 - Google Patents
一种基于深度学习的转速检测方法及系统 Download PDFInfo
- Publication number
- CN110018322B CN110018322B CN201910311272.6A CN201910311272A CN110018322B CN 110018322 B CN110018322 B CN 110018322B CN 201910311272 A CN201910311272 A CN 201910311272A CN 110018322 B CN110018322 B CN 110018322B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- vibration
- training
- rotating speed
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于深度学习的转速检测方法及系统,包括:利用转速传感器和振动传感器分别采集旋转设备的转速数据和振动数据,用作训练数据集;对训练数据集进行预处理;根据预处理后的振动数据分析得到旋转设备的振动特点,根据旋转设备的特点建立多个神经网络模型,并对每个神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,并得到融合后的预训练模型;将新采集到的振动数据加载到融合后的预训练模型中进行模型推断,得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息。本发明可提取到高精度的设备转速信息,不再需要通过转速传感器来获得旋转设备的转速信息,有效地降低了设备成本和施工难度。
Description
技术领域
本发明涉及旋转机械设备技术领域,特别涉及一种基于深度学习的转速检测方法及系统。
背景技术
转速信息是进行旋转机械设备运行状态表征和故障诊断的重要信息,传统方法是通过在旋转机械设备上预置转速传感器,通过传感器计数的方式获取设备的转速信息。该传统方法不仅会增加设备成本,而且还面临施工和维护的难度。
如图1所示,在旋转机械设备的运行过程中由于会出现轴承缺陷、齿轮啮合、动不平衡等机械特性,设备会产生不同的振动频率成分。各个单独的振动信号合成后会形成一个复杂的时域波形。该时域波形中会包含有与转速密切相关的频率成分,其中与转速相等的频率点通常被称为1x工频。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种基于深度学习的转速检测方法及系统。
为了实现上述目的,本发明一方面的实施例提供一种基于深度学习的转速检测方法,包括如下步骤:
步骤S1,利用转速传感器和振动传感器分别采集旋转设备的转速数据和振动数据,用作训练数据集,其中,所述振动数据采用对应的转速数据作为标签;
步骤S2,对所述训练数据集进行预处理;
步骤S3,根据预处理后的振动数据分析得到所述旋转设备的振动特点,根据所述旋转设备的特点建立多个神经网络模型,并对每个所述神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,并得到融合后的预训练模型;其中模型融合的方法为加权平均,其中权值由前述模型的评估结果决定;
步骤S4,将新采集到的所述振动数据加载到融合后的模型中进行模型推断,得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息。
进一步,在所述步骤S2中,对所述振动数据进行预处理,包括:对所述振动数据进行清洗和结构化处理、归一化处理、FFT变换并对数据集进行随机分配。
进一步,所述步骤S3包括:
根据分析得到的所述振动数据为一维多通道时间序列数据的特点,建立多个神经网络模型;
采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为0,如果是则执行模型评估,否则继续迭代调整参数;
当判断梯度下降为0时,基于测试集数据采用平均绝对误差MAE方法,对各个模型执行模型评估。
进一步,所述步骤S4的执行流程部署在数据中心或嵌入式边缘终端上,由数据中心或嵌入式边缘终端对接收到的振动数据加载到融合后的模型中,进行模型推断。
本发明另一方面的实施例提供一种基于深度学习的转速检测系统,包括:多个振动传感器、转速传感器、数据筛选模块、转速标注模块、数据预处理模块、多模型训练模块、多模型推断模块和转速预测结果融合模块,其中,
所述多个振动传感器安装于旋转设备的轴承侧,用于采集旋转设备的振动数据;
所述转速传感器安装于旋转设备的轴承侧,用于采集旋转设备的转速数据;
所述数据筛选模块用于与每个所述振动传感器连接,用于对采集得到的振动数据集进行筛选;
所述转速标记模块与所述数据筛选模块和所述转速传感器连接,用于利用所述转速数据集对筛选出的振动数据进行标记,得到带有转速数据作为标签的振动数据,用作训练数据集;
所述数据预处理模块与所述转速标记模块连接,用于对训练数据集进行预处理;
所述多模型训练模块与所述数据筛选模块和所述数据预处理模块连接,用于根据预处理后的振动数据分析得到所述旋转设备的振动特点,根据所述旋转设备的特点建立多个神经网络模型,并对每个所述神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,并得到融合后的预训练模型;
所述多模型推断模块与所述多模型训练模块连接,用于将新采集到的所述振动数据加载到融合后的预训练模型中进行模型推断;
所述转速预测结果融合模块与所述多模型推断模块连接,用于进行模型推断后得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息。
进一步,多个振动传感器包括单轴振动传感器、双轴振动传感器和三轴振动传感器。
进一步,根据振动传感器和神经网络模型的数量,采用以下模式之一:
(1)单传感器+单模型;(2)单传感器+多模型;(3)多传感器+单模型;(4)多传感器+多模型。
进一步,所述数据预处理模块对所述振动数据进行清洗和结构化处理、归一化处理、FFT变换并对数据集进行随机分配。
进一步,所述多模型训练模块根据分析得到的所述振动数据为一维多通道时间序列数据的特点,建立多个神经网络模型;采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为0,如果是则执行模型评估,否则继续迭代调整参数;当判断梯度下降为0时,基于测试集数据采用平均绝对误差MAE方法,对各个模型执行模型评估。
进一步,所述转速预测结果融合模块与所述多模型推断模块部署在数据中心或嵌入式边缘终端上。
根据本发明实施例的基于深度学习的转速检测方法及系统,利用振动传感器采集设备的振动数据,利用转速传感器采集转速数据,并用转速数据对振动数据进行标注,然后通过建立神经网络模型,并进行深度学习训练/优化、模型部署和推断,最终可提取到高精度的设备转速信息,即从振动数据提取转速信息,不再需要通过转速传感器来获得旋转设备的转速信息,有效地降低了设备成本和施工难度。通过数据驱动的方式完成转速检测深度学习模型的建立、训练和部署,降低专业知识门槛。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为传统的旋转机械振动原理图;
图2为根据本发明实施例的基于深度学习的转速检测方法的流程图;
图3为根据本发明实施例的基于深度学习的转速检测方法的示意图;
图4为根据本发明实施例的神经网络模型的建模、训练和评估的流程图;
图5为根据本发明实施例的基于深度学习的转速检测系统的结构图;
图6为根据本发明实施例的数据集在转频上的分布直方图;
图7为根据本发明实施例的进行归一化处理前后波形对比示意图;
图8为根据本发明实施例的深度学习模型的示意图;
图9为根据本发明实施例的采用Adam优化器进行迭代,loss函数收敛示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提出一种基于深度学习的转速检测方法及系统,通过在旋转机械设备的状态检测系统中通常会预置振动传感器,收集设备在运行过程中所产生的振动信息,再对收集到的振动数据进行预处理、深度神经网络模型建立、深度学习训练/优化、模型部署和推断,最终可提取到高精度的设备转速信息。
如图2和图3所示,本发明实施例的基于深度学习的转速检测方法,包括如下步骤:
步骤S1,利用转速传感器和振动传感器分别采集旋转设备的转速数据和振动数据,用作训练数据集,其中,振动数据采用对应的转速数据作为标签。
具体的,在旋转设备上安装多个振动传感器和转速传感器,同时对旋转设备进行监测,以分别采集振动数据和转速数据,然后保持下来。然后将采集到的转速数据作为该振动数据的标签,对振动数据进行标注,用作训练数据集。
需要说明的是,收集的数据集要尽量多地覆盖各种场景,且数据集的振动数据采样率要能满足奈奎斯特采样定律,同时数据量要足够多,通常在上千条以上。
步骤S2,对训练数据集进行预处理。
在本步骤中,对训练数据集进行预处理,包括:对训练数据集进行清洗和结构化处理、归一化处理、FFT变换并对数据集进行随机分配。
(1)对数据集中数据进行清洗和结构化处理;
(2)对训练数据集进行归一化处理;
(3)对训练数据集进行FFT变换,并生成二维热图。此步骤为可选方法;
(4)对数据集按照一定比例进行随机分配。例如,训练集:验证集:测试集=7:2:1。
步骤S3,根据预处理后的振动数据分析得到旋转设备的振动特点,根据旋转设备的特点建立多个神经网络模型,并对每个神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,得到融合后的预训练模型。其中,模型融合的方法为加权平均,其中权值由前述模型的评估结果决定。即,采用标准的深度学习模型训练方法完成模型的建模、训练和评估。根据设备振动的特点可进行多模型建模,再在实际进行推断任务是进行多模型融合,最终提高模型推断的准确度。
参考图4,首先根据分析得到的振动数据为一维多通道时间序列数据的特点,建立具有长短期记忆功能的多个神经网络模型;
然后,然后对神经网络模型的参数进行初始化,对数据采用前向传播算法,采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为0,如果是则执行模型评估,否则继续迭代调整参数。梯度下降算法是一种基于凸函数的优化算法,它采用迭代方式调整参数以使给定函数最小化;即用来尽可能地找到使成本函数最小化的函数参数(系数)的值。
最后,当判断梯度下降为0时,基于测试集数据采用平均绝对误差MAE(MeanAbsolute Error,MAE)方法,对各个模型执行模型评估。
公式中i为训练集中样本的索引号,n为训练集中样本总数,pi为模型预测值,ai为实际真实值。
步骤S4,将新采集到的振动数据加载到融合后的预训练模型中进行模型推断,得到最终推断结果,作为该旋转设备在此振动数据采集时刻的的转速信息。
多模型的融合:将各个模型设置一组权重信息,通过这样的多个模型组合得到相应的推断结果,由此可以提高模型推断的准确度。
本步骤的执行流程部署在数据中心或嵌入式边缘终端上,由数据中心或嵌入式边缘终端对接收到的振动数据加载到融合后的模型中,进行模型推断。通过模型部署方案实现模型推断,包括数据中心部署和嵌入式边缘终端部署。将从设备现场采集到的振动数据送到数据中心或者边缘计算设备中进行模型推断,并最终得到推断结果,即为转速信息。
如图5所示,本发明实施例还提出一种基于深度学习的转速检测系统,包括:多个振动传感器1、转速传感器2、数据筛选模块3、转速标注模块4、数据预处理模块5、多模型训练模块6、多模型推断模块7和转速预测结果融合模块8。
具体的,多个振动传感器1安装于旋转设备的轴承侧,用于采集旋转设备的振动数据。
根据振动传感器1和神经网络模型的数量,采用以下模式之一:
单传感器+单模型;(2)单传感器+多模型;(3)多传感器+单模型;(4)多传感器+多模型。
在本发明的实施例中,多个振动传感器1包括单轴振动传感器1、双轴振动传感器1和三轴振动传感器1。将来自不同传感器的各轴向数据均映射为数据通道。此处以单轴传感器S1、双轴传感器S2和三轴传感器S3为例,这个三个传感器安装在设备的不同位置,分别收集到的振动数据向量用如下符号表示:
S1传感器采集到的n点数据:{(s1_x1),(s1_x2),…(s1_xn)};
S2传感器采集到的n点数据{(s2_x1,s2_y1),(s2_x2,s2_y2),…(s2_xn,s2_yn);
S3传感器采集到的n点数据:
{(s3_x1,s3_y1,s3_z1),(s3_x2,s3_y2,s3_z2),…(s3_xn,s3_yn,s3_zn)};
那么在进行数据预处理时会将这个传感器收集到的数据均按照通道的形式组织得到六通道数据:{(s1_x1,s2_x1,s2_y1,s3_x1,s3_y1,s3_z1),(s1_x2,s2_x2,s2_y2,s3_x2,s3_y2,s3_z2),…(s1_x3,s2_x3,s2_y3,s3_x3,s3_y3,s3_z3)}。
转速传感器2安装于旋转设备的轴承侧,用于采集旋转设备的转速数据。
数据筛选模块3用于与每个振动传感器1连接,用于对采集得到的振动数据集进行筛选。其中,数据筛选模块的数据筛选条件为采集时间太短或者振动幅值太小的异常数据,其目的是清洗掉影响模型训练精度的脏数据。
转速标注模块4与数据筛选模块3和转速传感器2连接,用于利用转速数据集对筛选出的振动数据进行标记,得到带有转速数据作为标签的振动数据,用作训练数据集。
数据预处理模块5与转速标注模块4连接,用于对训练数据集进行预处理。
具体的,数据预处理模块5对训练数据集进进行清洗和结构化处理、归一化处理、FFT变换并对数据集进行随机分配。
(1)对数据集中数据进行清洗和结构化处理;
(2)对训练数据集进进行归一化处理;
(3)对训练数据集进进行FFT变换,并生成二维热图。此方法为可选方法;
(4)对数据集按照一定比例进行随机分配。例如,训练集:验证集:测试集=7:2:1。
多模型训练模块6与数据筛选模块3和数据预处理模块5连接,用于根据预处理后的振动数据分析得到旋转设备的振动特点,根据旋转设备的特点建立多个神经网络模型,并对每个神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,得到融合后的预训练模型。其中,模型融合的方法为加权平均,其中权值由前述模型的评估结果决定。即,采用标准的深度学习模型训练方法完成模型的建模、训练和评估。根据设备振动的特点可进行多模型建模,再在实际进行推断任务是进行多模型融合,最终提高模型推断的准确度。
在本发明的实施例中,多模型训练模块6根据分析得到的振动数据为一维多通道时间序列数据的特点,建立多个神经网络模型;采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为0,如果是则执行模型评估,否则继续迭代调整参数;当判断梯度下降为0时,基于测试集数据采用平均绝对误差MAE方法,对各个模型执行模型评估。
多模型推断模块7与多模型训练模块6连接,用于将新采集到的振动数据加载到融合后的预训练模型中进行模型推断。
转速预测结果融合模块8与多模型推断模块7连接,用于进行模型推断后得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息。
在进行多模型推断时,分别针对不同模型的推断结果配以不同的权重,最终得到一个整体推断结果。此处以三个模型联合进行推断为例,三个模型的推断结果分别为:r1,r2,r3.三个模型在实施系统中的权重数据分别为:a,b,c,则最终得到的推断结果为:r=a*r1+b*r2+c*r3。
在本发明的一个实施例中,转速预测结果融合模块8与多模型推断模块7部署在数据中心或嵌入式边缘终端上。
下面以将本发明应用到电机设备上实现转速检测为例进行说明:
(1)数据采集环境:通过三轴振动传感器和电机驱动器进行对设备的实际运行中的数据采集,由电机驱动器读取转速标注信息。
(2)数据集:在上述数据环境中对转速频率在20~30Hz范围内进行随机采集,共采集数据452条数据,每次采集4096点,采样率为32KHz,其分布情况如图6所示。
(3)数据预处理:对采集到数据进行max-min归一化处理,如图7所示。
(4)采用多个一维卷积层和全连接层建立神经网络模型,如图8所示。
(5)进行模型训练:采用Adam优化器进行1万次迭代,loss函数收敛,如图9所示。
(6)进行模型评估:采用91条未参与训练的随机数据对已训练后的模型进行性能评估,得到其MAE值为0.17,即通过训练后模型所推断的转速值与通过电机驱动器所读到转速值之间平均绝对误差值为0.17Hz,0.17Hz/20Hz=0.0085=0.85%即误差范围在0.85%。
根据本发明实施例的基于深度学习的转速检测方法及系统,利用振动传感器采集设备的振动数据,利用转速传感器采集转速数据,并用转速数据对振动数据进行标注,然后通过建立神经网络模型,并进行深度学习训练/优化、模型部署和推断,最终可提取到高精度的设备转速信息,即从振动数据提取转速信息,不再需要通过转速传感器来获得旋转设备的转速信息,有效地降低了设备成本和施工难度。通过数据驱动的方式完成转速检测深度学习模型的建立、训练和部署,降低专业知识门槛。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (4)
1.一种基于深度学习的转速检测方法,其特征在于,包括如下步骤:
步骤 S1,利用转速传感器和至少三个振动传感器分别采集旋转设备的转速数据和振动数据,将采集到的数据均按照通道的形式组织得到六通道数据用作训练数据集,其中,所述振动数据采用对应的转速数据作为标签;
步骤 S2,对所述训练数据集进行预处理;其中,对所述振动数据进行预处理,包括:对所述振动数据进行清洗和结构化处理、归一化处理、并对数据集进行随机分配;
步骤 S3,根据预处理后的振动数据分析得到所述旋转设备的振动特点,根据所述旋转设备的特点建立多个长短期记忆功能神经网络模型,并对每个长短期记忆功能神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,并得到融合后的预训练模型;其中模型融合的方法为加权平均,其中权值由前述模型的评估结果决定;根据分析得到的所述振动数据为一维多通道时间序列数据的特点,建立多个神经网络模型;
采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为 0,如果是则执行模型评估,否则继续迭代调整参数;
当判断梯度下降为 0 时,基于测试集数据采用平均绝对误差 MAE 方法,对各个模型执行模型评估;
公式中 i 为训练集中样本的索引号,n 为训练集中样本总数,pi 为模型预测值,ai为实际真实值;
步骤 S4,将新采集到的振动数据加载到融合后的预训练模型中进行模型推断,得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息;所述步骤 S4 的执行流程部署在数据中心或嵌入式边缘终端上,由数据中心或嵌入式边缘终端对接收到的振动数据加载到融合后的模型中,进行模型推断;通过模型部署方案实现模型推断,包括数据中心部署和嵌入式边缘终端部署;将从设备现场采集到的振动数据送到数据中心或者边缘计算设备中进行模型推断,并最终得到推断结果,即为转速信息。
2.一种基于深度学习的转速检测系统,其特征在于,用于执行权利要求1所述的基于深度学习的转速检测方法,包括:多个振动传感器、转速传感器、数据筛选模块、转速标注模块、数据预处理模块、多模型训练模块、多模型推断模块和转速预测结果融合模块,其中,
所述多个振动传感器安装于旋转设备的轴承侧,用于采集旋转设备的振动数据;所述转速传感器安装于旋转设备的轴承侧,用于采集旋转设备的转速数据;
所述数据筛选模块用于与每个所述振动传感器连接,用于对采集得到的振动数据集进行筛选;
所述转速标注模块与所述数据筛选模块和所述转速传感器连接,用于利用所述转速数据对筛选出的振动数据进行标记,得到带有转速数据作为标签的振动数据,用作训练数据集;所述转速预测结果融合模块与所述多模型推断模块部署在数据中心或嵌入式边缘终端上;
所述数据预处理模块与所述转速标注模块连接,用于对训练数据集进行预处理;所述数据预处理模块对所述振动数据进行清洗和结构化处理、归一化处理、FFT 变换并对数据集进行随机分配;
所述多模型训练模块与所述数据筛选模块和所述数据预处理模块连接,用于根据预处理后的振动数据分析得到所述旋转设备的振动特点,根据所述旋转设备的特点建立多个神经网络模型,并对每个所述神经网络模型进行模型训练和模型评估,并对评估后的多个神经网络模型进行融合,并得到融合后的预训练模型;所述多模型训练模块根据分析得到的所述振动数据为一维多通道时间序列数据的特点,建立多个神经网络模型;采用反向梯度下降算法对每个神经网络模型进行训练,判断梯度下降是否为 0,如果是则执行模型评估,否则继续迭代调整参数;当判断梯度下降为 0 时,基于测试集数据采用平均绝对误差 MAE方法,对各个模型执行模型评估;通过模型部署方案实现模型推断,包括数据中心部署和嵌入式边缘终端部署;将从设备现场采集到的振动数据送到数据中心或者边缘计算设备中进行模型推断,并最终得到推断结果,即为转速信息;
所述多模型推断模块与所述多模型训练模块连接,用于将新采集到的所述振动数据加载到融合后的预训练模型中进行模型推断;
所述转速预测结果融合模块与所述多模型推断模块连接,用于进行模型推断后得到最终推断结果,作为该旋转设备在此振动数据采集时刻的转速信息。
3.如权利要求 2 所述的基于深度学习的转速检测系统,其特征在于,多个振动传感器包括单轴振动传感器、双轴振动传感器和三轴振动传感器。
4.如权利要求 2 或 3 所述的基于深度学习的转速检测系统,其特征在于,根据振动传感器和神经网络模型的数量,采用以下模式之一:
(1)单传感器+单模型;(2)单传感器+多模型;(3)多传感器+单模型;(4)多传感器+多模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311272.6A CN110018322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于深度学习的转速检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311272.6A CN110018322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于深度学习的转速检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110018322A CN110018322A (zh) | 2019-07-16 |
CN110018322B true CN110018322B (zh) | 2022-03-04 |
Family
ID=67191693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311272.6A Active CN110018322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于深度学习的转速检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018322B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717851B (zh) * | 2019-10-18 | 2023-10-27 | 京东方科技集团股份有限公司 | 图像处理方法及装置、神经网络的训练方法、存储介质 |
CN110985287B (zh) * | 2019-12-04 | 2021-02-19 | 浙江大学 | 一种基于宽度学习的间接转速控制方法 |
CN112034197A (zh) * | 2020-08-26 | 2020-12-04 | 上海德意达电子电器设备有限公司 | 一种基于自适应算法的测量方法 |
CN113718529A (zh) * | 2021-10-11 | 2021-11-30 | 广东彩格科技有限公司 | 一种纺织品印花用水性聚氨酯胶浆乳液及制备方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7133801B2 (en) * | 2002-06-07 | 2006-11-07 | Exxon Mobil Research And Engineering Company | System and methodology for vibration analysis and condition monitoring |
CN104070083A (zh) * | 2014-06-27 | 2014-10-01 | 东北大学 | 一种基于集成pca-elm穿孔机导盘转速测量方法 |
US10379133B2 (en) * | 2016-01-20 | 2019-08-13 | Simmonds Precision Products, Inc. | Speed estimation systems |
CN106408088B (zh) * | 2016-11-22 | 2019-05-24 | 周孝忠 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN108108814A (zh) * | 2018-01-17 | 2018-06-01 | 北京中星微人工智能芯片技术有限公司 | 一种深度神经网络的训练方法 |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN108629091B (zh) * | 2018-04-19 | 2022-03-08 | 北京工业大学 | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 |
CN108681747B (zh) * | 2018-05-11 | 2021-05-04 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
CN108982898B (zh) * | 2018-08-29 | 2021-08-24 | 南京智鹤电子科技有限公司 | 监控工程机械运行状态的方法和系统 |
CN109376615B (zh) * | 2018-09-29 | 2020-12-18 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
-
2019
- 2019-04-18 CN CN201910311272.6A patent/CN110018322B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110018322A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN111947928A (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN112329329B (zh) | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 | |
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 | |
Islam et al. | Time–frequency envelope analysis-based sub-band selection and probabilistic support vector machines for multi-fault diagnosis of low-speed bearings | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Islam et al. | Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal | |
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 | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
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 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN112177865B (zh) | 一种用于解决风机故障检测中标记噪音和标记不足的方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: No.20, Guanqing Road, Yanqing District, Beijing Patentee after: BEIJING PREFOCO Co.,Ltd. Address before: 100020 Room 102, building 1, yard 9, Jiuxianqiao East Road, Chaoyang District, Beijing (No. 034, centralized office area of Electronic City Science and Technology Park) Patentee before: BEIJING PREFOCO Co.,Ltd. |