CN110057588A - 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 - Google Patents
基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 Download PDFInfo
- Publication number
- CN110057588A CN110057588A CN201910385387.XA CN201910385387A CN110057588A CN 110057588 A CN110057588 A CN 110057588A CN 201910385387 A CN201910385387 A CN 201910385387A CN 110057588 A CN110057588 A CN 110057588A
- Authority
- CN
- China
- Prior art keywords
- bearing
- graph
- fault detection
- state
- graph 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.)
- 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提出了基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统,提取机械轴承运行状态的特征图步骤;轴承早期故障检测步骤;轴承故障的诊断步骤:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集,对出现故障征兆点后的一个特征图与状态图集进行分类,实时的诊断出当前故障状态的类型。能够实时在线的监测和识别出机械运行过程中出现早期故障的征兆点,同时及时的检测出故障的类型等,该方法能够直接应用于工业机械轴承的早期故障检测与诊断的相关应用中。
Description
技术领域
本公开涉及轴承故障诊断技术领域,特别是涉及基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统。
背景技术
目前实际使用的机械系统经常工作在高速、重载、高低温交替的环境中,在连续的工作过程中可能会出现机械系统失效。其中,轴承是旋转机械的重要组成部分,而且机械系统故障的40%是由于轴承失效而造成的,因此对轴承的早期故障检测与诊断能够减少停机维修的时间和费用,以及停机维修造成的产品经济损失,甚至于避免造成人身伤害。对轴承的早期故障检测与诊断能够实时的评估机械的运行状态,找出早期失效的征兆点,在检测出轴承产生故障后及时的诊断出其故障的位置,大小等类型,以便操作人员及时的制定维修计划,更换相应的零部件。
发明人在研究中发现,目前常用的轴承故障诊断的方法有基于频域的分析方法,但该方法需要的专业的知识判别故障类型,属于离线的方式;基于人工智能的方法则需要大量的历史数据去训练分类器,当历史数据比较少时,检测的精度会降低,且计算量大,进而实时和在线的诊断性能较低。
发明内容
本说明书实施方式的目的是提供基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,该方法能够实时在线的监测和识别出机械运行过程中出现早期故障的征兆点,同时及时的检测出故障的类型等,该方法能够直接应用于工业机械轴承的早期故障检测与诊断的相关应用中。
本说明书实施方式提供基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,通过以下技术方案实现:
包括:
提取机械轴承运行状态的特征图步骤:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;再利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图;
轴承早期故障检测步骤:利用统计距离分析对提取的特征图模型进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验进行检测,采用重复验证的方法判断运行过程中的异常警报点是否是真正的故障征兆点;
轴承故障的诊断步骤:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集,对出现故障征兆点后的一个特征图与状态图集进行分类,实时的诊断出当前故障状态的类型。
本说明书实施方式提供基于奇异值与图论特征融合的轴承早期故障检测与诊断系统,通过以下技术方案实现:
包括:
提取机械轴承运行状态的特征图模块,被配置为:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;再利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图;
轴承早期故障检测模块,被配置为:利用统计距离分析对提取的特征图进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验进行检测,采用重复验证的方法判断运行过程中的异常警报点是否是真正的故障征兆点;
轴承故障的诊断模块,被配置为:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集,对出现故障征兆点后的一个特征图与状态图集进行分类,实时的诊断出当前故障状态的类型。
与现有技术相比,本公开的有益效果是:
本公开该方法充分的利用奇异值具有弱特征的分别特性与图论具有描述数据内部结构的相关性,构建了能够充分的表征机械运行的状态的特征图,该方法能够实时在线的监测和识别出机械运行过程中出现早期故障的征兆点,同时利用分类器能够及时的检测出故障的类型,故障的大小等,该方法能够直接应用于工业机械轴承的早期故障检测与诊断的相关应用中。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例子的一种基于奇异值与图论特诊融合的轴承早期故障检测与诊断方法流程图;
图2是本公开实施例子的一个信号片段提取的奇异值序列;
图3是本公开实施例子的一个信号片段提取奇异值序列建立的图模型及对应的邻接矩阵,即提取的特征图;
图4是本公开实施例子的一种基于奇异值与图论特诊融合的轴承早期故障检测与诊断系统的结构示意图;
图5是本公开实施例子的实际应用于轴承早期故障检测实例的原始信号;
图6是本公开实施例子的实际应用于轴承早期故障检测实例的检测结果图;
图7是本公开实施例子的实际应用于凯斯西储大学数据库中不同轴承故障类型建立的图模型;
图8是本公开实施例子的实际应用于凯斯西储大学数据库轴承故障诊断的结果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例公开了基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,参见附图1所示,包括:
提取机械轴承运行状态的特征图:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;再利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图。
轴承早期故障检测:提出均值图来减少数据间的波动,再利用统计距离分析对提取的特征图进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验对上述得到的异常度分数构成的异常度序列进行检测,采用重复验证的方法判断运行过程中可能由噪声等引起的异常警报点是否是真正的故障征兆点,进而确定轴承出现了故障的真正征兆点,即状态变化点,以便进行下一步的故障诊断。
轴承故障的诊断:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集。利用K最近邻(KNN)对出现故障征兆点后的一个图模型与状态图集进行分类,实时的诊断出当前故障状态的类型。
在具体实施例子中,提取机械轴承运行状态的特征图阶段。基于奇异值分解技术提取原始监测信号表征机械运行状态特征的步骤,其具体过程为:
提取奇异值序列:对于给定的监测的原始信号在时刻t时为x(t),将监测的原始信号以滑动窗的形式对其进行无重叠的分段,其中滑动窗的大小设定为T,因此,信号可以看作多个时序的片段组成。以其中第h个片段信号X(h)=(x1,…,xT)为例提取出能反映其状态的图模型。将其转化成汉克尔矩阵Y,它可以表示为:
其中L为序列转化为汉克尔矩阵的滑动窗的长度,L的选取范围为2≤L≤T/2,K为汉克尔矩阵的列数且K=T-L+1,在实际的应用中,L取为T/2且为整数。
对上述生成的矩阵进行奇异值分解,该矩阵可以分解为三个矩阵的乘积:
其中,U为L×L的左奇异矩阵,V为K×K的右奇异矩阵,Σ为Y的奇异值矩阵。Σ中的元素{σ1,σ2,...,σL}为该片段信号的奇异值序列。该奇异值序列为由大到小排的,且减少的特别快,前面的奇异值占据大量的比重,因此这里取其前40%的奇异值序列Sh={σ1,σ2,...,σm}(即m=0.4×L)用于图模型的构建。如图2所示,是本公开实施例子的一个信号片段提取的奇异值序列。
图建模:图模型G是由点集合V和边集合B构成,即G=(V,B)。将上述的前40%的奇异值序列Sh的奇异值σi作为图模型的节点vi,每两个节点vi和vj间的连线做图模型的边Bi,j。计算对应于两个节点vi和vj的两个奇异值间的欧式距离di,j,将其作为边Bi,j的权重。最后,根据奇异值序列Sh构建的特征图模型Gh可以由邻接矩阵mσh表示,其中mσh={di,j},是对称的方阵。因此,第h个片段信号中能反映其状态的特征图模型Gh可以得到。如图3所示,本公开实施例子的一个信号片段提取奇异值序列建立的图模型及对应的邻接矩阵,即提取的特征图。
在具体实施例子中,故障检测阶段。提出均值图来吸收数据间的波动,再利用统计度量距离分析对轴承运行状态监测实现,得到其异常度分数,最后利用动态的假设检验方法实现轴承故障的早期检测,其具体过程包括:
均值图:在信号的收集过程中存在一些噪声以及外部干扰,造成收集的信号数据存在一定的波动,因此均值图被提出来吸收这些波动,增加检测的精度。对于当前检测时序片段h,它前面历史时序的图模型的多个邻接矩阵对应位置上的数值的平均值所构成的邻接矩阵被称为均值图G′。均值图G′的计算过程如下:
异常度分数计算:异常度分数能度量两个图模型之间的相似度。利用统计度量距离来计算的两个图模型间的距离,并将计算得到的距离作为异常度分数。当异常分数比较大的时候,表示可能会有异常的状态发生,反之亦然。在统计度量距离中,本发明使用最常用的欧式距离来计算当前监测的特征图与均值图之间的距离,其计算过程如下:
将计算的得到距离作为当前监测的图模型的异常度分数qh。
在具体实施例子中,故障检测:利用动态的假设检验的方法对异常度序列{qh}进行检测,评估机械轴承的运行状态。这里重复验证的方法,即当前检测图与下一个片段的图模型的异常度分数来共同检验运行过程中可能由噪声等引起的异常警报点是否是真正的故障征兆点,以便进行下一步的故障诊断。其假设检验的模型如下:
当H0为真,即H1被拒绝时,表示当前时刻片段的信号中没有异常的状态发生;反之,当H0被拒绝,即H1为真时,表示当前时刻片段的信号中有异常的状态发生,同时该时刻的异常度为异常度序列中的异常点。这里,和σh分别为高斯分布的样本均值与样本方差,其计算方式如下:
在具体实施例子中,关于轴承故障的诊断。在离线的状态下对可能出现的故障类型进行学习并标定,建立对应的图模型集。在实时在线的使用时,利用KNN对出现故障征兆点后的一个图模型与状态图集进行分类,实现实时在线的诊断出故障的类型。
由于状态监测的信号被建模为图,因此轴承故障诊断可以看作是一个分类任务,其中训练集由与某个故障标签相关的图组成。KNN算法的过程如下:给出了一个待检测的图模型G,在所有训练中找出G的k个最近邻的图,并根据类别对候选类别进行评分k邻居。图模型G和每个相邻图的相似性是邻居数据类别的得分。如果几个k最近邻图模型属于同一类别,然后该类别的得分之和被用于辨别测试图G的类型。通过对候选图类别评分排序,系统将最高评分的候选类别分配给测试的图模型G。决策规则KNN可写为:
其中,Gh为待检测图,分数(Gh,cj)是候选类别与待测图的评分,sim(Gh,ti)是待测图与训练图ti之间的相似性,Z(ti,cj)是训练图ti相对于cj的分类值。由于欧式距离在故障检测时被采用计算图之间的相似度,因此这里的相似度计算也采用欧式距离。
实施例子二
参见附图4所示,本公开还提供了一种基于奇异值与图论特诊融合的轴承早期故障检测与诊断系统。该系统包括:
提取机械轴承运行状态特征图模块:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;在利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图。
轴承早期故障检测模块:利用历史监测的特征图建立均值图来吸收数据波动;利用统计距离分析对提取的特征图进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验对上述得到的异常度分数构成的异常度序列进行检测,采用重复验证的方法判断运行过程中可能由噪声等引起的异常警报点是否是真正的故障征兆点,进而确定轴承出现了故障的真正征兆点,即状态变化点,以便进行下一步的故障诊断。
轴承故障诊断模块:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集。利用KNN对出现故障征兆点后的一个图模型与状态图集进行分类,实时的诊断出当前故障状态的类型。
具体的,提取机械轴承运行状态特征图模块:基于奇异值分解技术提取原始监测信号表征机械轴承运行状态特征的步骤,其具体过程为:
提取奇异值序列:对于给定的监测的原始信号在时刻t时为x(t),将监测的原始信号以滑动窗的形式对其进行无重叠的分段,其中滑动窗的大小设定为T,因此,信号可以看作多个时序的片段组成。以其中第h个片段信号X(h)=(x1,…,xT)为例提取出能反映其状态的图模型。将其转化成汉克尔矩阵Y,它可以表示为:
其中L为序列转化为汉克尔矩阵的滑动窗的长度,L的选取范围为2≤L≤T/2,K为汉克尔矩阵的列数且K=T-L+1,在实际的应用中,L取为T/2且为整数。
对上述生成的矩阵进行奇异值分解,该矩阵可以分解为三个矩阵的乘积:
其中,U为L×L的左奇异矩阵,V为K×K的右奇异矩阵,Σ为Y的奇异值矩阵。Σ中的元素{σ1,σ2,...,σL}为该片段信号的奇异值序列。该奇异值序列为由大到小排的,且减少的特别快,前面的奇异值占据大量的比重,因此这里取其前40%的奇异值序列Sh={σ1,σ2,...,σm}(即m=0.4×L)用于图模型的构建。
图建模:图模型G是由点集合V和边集合B构成,即G=(V,B)。将上述的奇异值序列Sh的奇异值σi作为图模型的节点vi,每两个节点vi和vj间的连线做图模型的边Bi,j。计算对应于两个节点vi和vj的两个奇异值间的欧式距离di,j,将其作为边Bi,j的权重。最后,根据奇异值序列Sh构建的特征图模型Gh可以由邻接矩阵mσh表示,其中mσh={di,j},是对称的方阵。因此,第h个片段信号中能反映其状态的特征图模型Gh可以得到。
具体的,轴承早期故障检测模块:提出均值图来吸收数据间的波动,再利用统计度量距离分析对轴承运行状态监测实现,得到其异常度分数,最后利用动态的假设检验方法实现轴承故障的早期检测,其具体过程包括:
均值图:在信号的收集过程中存在一些噪声以及外部干扰,造成收集的信号数据存在一定的波动,因此均值图被提出来吸收这些波动,增加检测的精度。对于当前检测时序片段h,它前面历史时序的图模型的多个邻接矩阵对应位置上的数值的平均值所构成的邻接矩阵被称为均值图G′。均值图G′的计算过程如下:
异常度分数计算:异常度分数能度量两个图之间的相似度。利用统计度量距离来计算的两个图模型间的距离,并将计算得到的距离作为异常度分数。当异常分数比较大的时候,表示可能会有异常的状态发生,反之亦然。在统计度量距离中,本发明使用最常用的欧式距离来计算当前监测的特征图与均值图之间的距离,其计算过程如下:
将计算的得到距离作为当前监测的图模型的异常度分数qh。
故障检测:利用动态的假设检验的方法对异常度{qh}进行检测,评估机械轴承的运行状态。这里重复验证的方法,即当前检测图与下一个片段的图模型的异常度分数来共同检验运行过程中可能由噪声等引起的异常警报点是否是真正的故障征兆点,以便进行下一步的故障诊断。其假设检验的模型如下:
当H0为真,即H1被拒绝时,表示当前时刻片段的信号中没有异常的状态发生;反之,当H0被拒绝,即H1为真时,表示当前时刻片段的信号中有异常的状态发生,同时该时刻的异常度为异常度序列中的异常点。这里,和σh分别为高斯分布的样本均值与样本方差,其计算方式如下:
具体的,轴承故障的诊断模块:在离线的状态下对可能出现的故障类型进行学习并标定,建立对应的图模型集。在实时在线的使用时,利用KNN对出现故障征兆点后的一个图模型与状态图集进行分类,实现实时在线的诊断出故障的类型。.
由于状态监测的信号被建模为图,因此轴承故障诊断可以看作是一个分类任务,其中训练集由与某个故障标签相关的图组成。KNN算法的过程如下:给出了一个待检测的图模型G,在所有训练中找出G的k个最近邻的图,并根据类别对候选类别进行评分k邻居。图模型G和每个相邻图的相似性是邻居数据类别的得分。如果几个k最近邻图模型属于同一类别,然后该类别的得分之和被用于辨别测试图G的类型。通过对候选图类别评分排序,系统将最高评分的候选类别分配给测试的图模型G。决策规则KNN可写为:
其中,Gh为待检测图,分数(Gh,cj)是候选类别与待测图的评分,sim(Gh,ti)是待测图与训练图ti之间的相似性,Z(ti,cj)是训练图ti相对于cj的分类值。由于欧式距离在故障检测时被采用计算图之间的相似度,因此这里的相似度计算也采用欧式距离。根据KNN的分类结果,可以判断出故障的类型。
实施例子三
图5和6发明实际应用于轴承早期故障检测实例。
下面展示一个实时在线的轴承早期故障检测的实例。下面对实例进行简单的介绍:
原始信号为轴承的振动信号,收集的振动信号是轴承由正常状态连续运行到完全失效的状态,收集的原始信号如图5所示。
将原始信号按照上述的步骤进行运行状态特征提取,建立图模型,并计算运行状态的异常度,得到的异常度分数如图6所示,同时利用假设检验的结果也展示在图6中,图中标记处为该检测方法检测出的轴承早期故障失效点的位置并发出报警,该位置与图5标记的位置一致。
图7和8发明实际应用于轴承早期故障诊断的实例。
图7展示了本发明应用于凯斯西储大学轴承数据库不同轴承状态下的建立的特征图模型。
图8展示了本发明应用于凯斯西储大学数据库轴承故障诊断的结果图,其中测试样本的类别为10类,每一类别有12组,实验结果表明本发明能检测出所有的故障类型,准确率为100%。
实施例子四
该实施例子公开了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现实施例子一中的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法的步骤。
关于基于奇异值与图论特征融合的轴承早期故障检测与诊断方法的步骤的详细内容参见实施例子一,此处不再详细说明。
实施例子五
该实施例子公开了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实施例子一中的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法步骤。
关于基于奇异值与图论特征融合的轴承早期故障检测与诊断方法的步骤的详细内容参见实施例子一,此处不再详细说明。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”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。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,包括:
提取机械轴承运行状态的特征图步骤:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;再利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图;
轴承早期故障检测步骤:利用统计距离分析对提取的特征图模型进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验进行检测,采用重复验证的方法判断运行过程中的异常警报点是否是真正的故障征兆点;
轴承故障的诊断步骤:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集,对出现故障征兆点后的一个特征图与状态图集进行分类,实时的诊断出当前故障状态的类型。
2.如权利要求1所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列,具体为:
对于给定的监测的原始信号在时刻t时为x(t),将监测的原始信号以滑动窗的形式对其进行无重叠的分段,其中滑动窗的大小设定为T,因此,信号可以看作多个时序的片段组成;
将多个时序的片段组成的信号转化成汉克尔矩阵,对上述生成的矩阵进行奇异值分解,获得该片段信号的由大到小排的奇异值序列。
3.如权利要求1或2所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,建立能够描述机械运行中轴承的当前状态的特征图,具体为:
选择用于图模型的构建的奇异值序列;
图模型G是由点集合V和边集合B构成;
将奇异值序列Sh的奇异值σi作为图模型的节点vi,每两个节点vi和vj间的连线做图模型的边Bi,j;
计算对应于两个节点vi和vj的两个奇异值间的欧式距离di,j,将其作为边Bi,j的权重;
最后,根据奇异值序列Sh构建的特征图模型Gh由邻接矩阵σh表示,其中σh={di,j},是对称的方阵。
4.如权利要求1所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,对于当前检测时序片段h,它前面历史时序的图模型的多个邻接矩阵对应位置上的数值的平均值所构成的邻接矩阵被称为均值图。
5.如权利要求1所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,异常度分数能度量两个图模型之间的相似度,利用统计度量距离来计算的两个图模型间的距离,并将计算得到的距离作为异常度分数。
6.如权利要求4所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,用欧式距离来计算当前监测特征图与均值图之间的距离,将计算的得到距离作为当前监测的图模型的异常度分数。
7.如权利要求4所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法,其特征是,利用KNN对出现故障征兆点后的一个图模型与状态图集进行分类,具体为:
给出了一个待检测的图模型G,在所有训练中找出G的k个最近邻的图,并根据类别对候选类别进行评分k邻居;
图模型G和每个相邻图的相似性是邻居数据类别的得分,如果几个k最近邻图模型属于同一类别,然后该类别的得分之和被用于辨别测试图G的类型;
通过对候选图类别评分排序,将最高评分的候选类别分配给测试的图模型G。
8.基于奇异值与图论特征融合的轴承早期故障检测与诊断系统,其特征是,包括:
提取机械轴承运行状态的特征图模块,被配置为:利用奇异值分解方法对所监测的机械轴承信号进行预处理,从而提取出能反映所监测机械轴承运行状态的内在辨别特征的奇异值序列;再利用图论对生成的奇异值序列进行图建模,建立能够描述机械运行中轴承的当前状态的特征图;
轴承早期故障检测模块,被配置为:利用统计距离分析对提取的特征图模型进行时序上的度量,将度量的距离作为异常度分数用于评估当前轴承的状态;利用假设检验进行检测,采用重复验证的方法判断运行过程中的异常警报点是否是真正的故障征兆点;
轴承故障的诊断模块,被配置为:在离线的状态下对可能出现的故障类型进行学习,建立对应的图模型集,对出现故障征兆点后的一个特征图与状态图集进行分类,实时的诊断出当前故障状态的类型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一所述的基于奇异值与图论特征融合的轴承早期故障检测与诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385387.XA CN110057588B (zh) | 2019-05-09 | 2019-05-09 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385387.XA CN110057588B (zh) | 2019-05-09 | 2019-05-09 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057588A true CN110057588A (zh) | 2019-07-26 |
CN110057588B CN110057588B (zh) | 2020-07-03 |
Family
ID=67322715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385387.XA Active CN110057588B (zh) | 2019-05-09 | 2019-05-09 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057588B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
CN111721534A (zh) * | 2020-06-18 | 2020-09-29 | 山东大学 | 一种滚动轴承健康状态在线评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103914064A (zh) * | 2014-04-01 | 2014-07-09 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障诊断方法 |
CN104361136A (zh) * | 2014-12-10 | 2015-02-18 | 广东电网有限责任公司电网规划研究中心 | 基于图论聚类的中压配电网特殊负荷电能质量特性分类方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
CN106198020A (zh) * | 2016-07-07 | 2016-12-07 | 华北电力大学(保定) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 |
JP2018163135A (ja) * | 2017-03-24 | 2018-10-18 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN109100142A (zh) * | 2018-06-26 | 2018-12-28 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
CN109238455A (zh) * | 2018-11-16 | 2019-01-18 | 山东大学 | 一种基于图论的旋转机械振动信号监测方法及系统 |
-
2019
- 2019-05-09 CN CN201910385387.XA patent/CN110057588B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103914064A (zh) * | 2014-04-01 | 2014-07-09 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障诊断方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
CN104361136A (zh) * | 2014-12-10 | 2015-02-18 | 广东电网有限责任公司电网规划研究中心 | 基于图论聚类的中压配电网特殊负荷电能质量特性分类方法 |
CN106198020A (zh) * | 2016-07-07 | 2016-12-07 | 华北电力大学(保定) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 |
JP2018163135A (ja) * | 2017-03-24 | 2018-10-18 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN109100142A (zh) * | 2018-06-26 | 2018-12-28 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
CN109238455A (zh) * | 2018-11-16 | 2019-01-18 | 山东大学 | 一种基于图论的旋转机械振动信号监测方法及系统 |
Non-Patent Citations (5)
Title |
---|
LI JIANG等: "An intelligent fault diagnosis method of rolling bearings based on regularized kernel Marginal Fisher analysis", 《JOURNAL OF PHYSICS CONFERENCE SERIES》 * |
佚名: "《基于振动分析的旋转机械故障诊断原理及应用》", 31 May 2014, 电子科技大学出版社 * |
唐贵基 等: "IVMD融合奇异值差分谱的滚动轴承早期故障诊断", 《振动、测试与诊断》 * |
杨东方等: "《数学模型在生态学的应用及研究 31》", 30 June 2015, 海洋出版社 * |
王超 等: "改进的奇异值分解在轴承故障诊断中的应用", 《振动工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
CN111721534A (zh) * | 2020-06-18 | 2020-09-29 | 山东大学 | 一种滚动轴承健康状态在线评估方法及系统 |
CN111678699B (zh) * | 2020-06-18 | 2021-06-04 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110057588B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN109324604A (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
CN107104978A (zh) | 一种基于深度学习的网络风险预警方法 | |
CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
KR101797400B1 (ko) | 확률밀도 기반의 고장 진단 방법 및 장치 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN107238508A (zh) | 一种设备状态诊断方法及装置 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN114842273B (zh) | Pcb缺陷检测模型的评估方法、评估装置及训练方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN110057588A (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
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 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN109116319B (zh) | 雷达系统的故障检测方法 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
Pan et al. | Condition diagnosis with complex network-time series analysis | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
Minhas et al. | Defect Detection using Deep Learning from Minimal Annotations. | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 |
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 |