CN110108486A - 轴承故障预测方法、设备及系统 - Google Patents
轴承故障预测方法、设备及系统 Download PDFInfo
- Publication number
- CN110108486A CN110108486A CN201810098764.7A CN201810098764A CN110108486A CN 110108486 A CN110108486 A CN 110108486A CN 201810098764 A CN201810098764 A CN 201810098764A CN 110108486 A CN110108486 A CN 110108486A
- Authority
- CN
- China
- Prior art keywords
- sample
- predicted
- bearing
- vibration signal
- prediction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Abstract
本申请实施例提供一种轴承故障预测方法、设备及系统。在本实施例中,将震动信号的特征分析与机器学习方法相结合,由故障预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承的故障预测结果的准确度,降低误判或漏判概率。
Description
技术领域
本申请涉及机械故障检测技术领域,尤其涉及一种轴承故障预测方法、设备及系统。
背景技术
轴承(Bearing)是当代机械设备中一种重要零部件。它的主要功能是支撑机械旋转体,降低其运动过程中的摩擦系数(friction coefficient),并保证其回转精度(accuracy)。
轴承被广泛应用在机械设备中,其运行状态决定着机械设备的性能,因此很有必要对轴承进行故障预测,以降低因轴承故障导致机械设备性能下降或故障的概率。
在现有技术中,一般是对轴承的震动信号进行频谱分析,人工根据经验分析频谱信号来预测轴承是否将要出现故障。这种方式可能存在误判或者漏判。
发明内容
本申请的多个方面提供一种轴承故障预测方法、设备及系统,用以提高轴承故障预测结果的准确度,降低误判或漏判概率。
本申请实施例提供一种轴承故障预测方法,包括:
接收采集设备的待预测震动信号样本,所述待预测震动信号样本是所述采集设备采集到的与轴承相关的震动信号;
对所述待预测震动信号样本进行特征分析,以获得待预测特征样本;
将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
本申请实施例还提供一种电子设备,包括:存储器、处理器以及通信组件;
所述通信组件,用于接收采集设备的待预测震动信号样本,所述待预测震动信号样本是所述采集设备采集到的与轴承相关的震动信号;
所述存储器,用于存储计算机程序;
所述处理器,与所述存储器和所述通信组件耦合,用于执行所述计算机程序,以用于:
对所述待预测震动信号样本进行特征分析,以获得待预测特征样本;
将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
本申请实施例还提供一种轴承故障预测系统,该系统包括:部署于轴承上的采集设备以及与所述采集设备通信连接的电子设备;
所述采集设备,用于采集与所述轴承相关的待预测震动信号样本并上报给所述电子设备;
所述电子设备,用于接收所述采集设备上报的所述待预测震动信号样本,对所述待预测震动信号样本进行特征分析,以获得待预测特征样本,以及将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
在本申请实施例中,将震动信号的特征分析与机器学习方法相结合,由故障预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承的故障预测结果的准确度,降低误判或漏判概率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1a为本申请一示例性实施例提供的一种轴承故障预测系统的结构示意图;
图1b为本申请另一示例性实施例提供的另一种轴承预测系统的结构示意图;
图1c为本申请又一示例性实施例提供的又一种轴承预测系统的结构示意图;
图1d为本申请又一示例性实施例提供的电子设备对轴承进行故障预测时的原理框图;
图2a为本申请又一示例性实施例提供的一种轴承故障预测方法的流程示意图;
图2b为本申请又一示例性实施例提供的另一种轴承故障预测方法的流程示意图;
图3为本申请又一示例性实施例提供的轴承故障预测装置的结构示意图;
图4为本申请又一示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
针对现有技术在对轴承进行故障预测时存在误判或漏判的问题,本申请实施例提供一种解决方案,主要原理是:采用数据驱动(data-driven)的方式,将震动信号的特征分析与机器学习方法相结合,由故障预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承故障预测结果的准确度,降低误判或漏判概率。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1a为本申请一示例性实施例提供的一种轴承故障预测系统的结构示意图。如图1a所示,该系统包括:部署于轴承上的采集设备101以及与采集设备101通信连接的电子设备102。
在本申请实施例中,并不限定轴承的类型,凡是可以在运转过程中产生震动信号的轴承类型均适用于本申请实施例。例如,本申请实施例中的轴承可以是滚动轴承。滚动轴承(rolling bearing)是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦,从而减少摩擦损失的一种精密的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成,内圈的作用是与轴相配合并与轴一起旋转;外圈作用是与轴承座相配合,起支撑作用;滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间,其形状大小和数量可影响滚动轴承的使用性能和寿命;保持架能使滚动体均匀分布,防止滚动体脱落,引导滚动体旋转起润滑作用。
在轴承运转过程中会产生震动信号,而轴承的震动信号一定程度上可以体现轴承的运行状态。基于此,可以在轴承上部署采集设备101,用于采集与轴承相关的震动信号。采集设备101可以是任何能够感知震动并能够采集震动信号的设备,例如可以是震动传感器。其中,可以采用任何方式将采集设备101部署在轴承上。例如,可以采用磁力吸附方式,将采集设备101吸附在轴承上。磁力吸附方式非常简单,易于实施,且具有较强的灵活性。又例如,可以采用打孔安装方式,通过轴承上的安装孔将采集设备101固定在轴承上。打孔安装方式的稳定性较高。
在本实施例中,采集设备101除了采集与轴承相关的震动信号之外,还可基于采集设备101与电子设备102之间的通信连接,将采集到的与轴承相关的震动信号上报给电子设备102,以便于电子设备102对这些震动信号进行处理。
其中,采集设备101与电子设备102之间可以是无线或有线通信连接。若电子设备102通过移动网络与采集设备101通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax等中的任意一种。
在本实施例中,并不限定电子设备102的实现形式,电子设备102可以是任何具有一定计算和处理能力的设备。例如,在一些可选实施方式中,电子设备102可以是台式计算机、个人计算机、平板电脑、智能手机等各种终端设备。在另一些可选实施方式中,电子设备102可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中,服务器设备的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
其中,根据电子设备102的实现形态不同,则在部署实施时,图1a所示系统的架构会有所不同。下面结合电子设备102的实现形态,列举几种实际部署实施时的轴承故障预测系统。
在图1b所示轴承故障预测系统中,电子设备102实现为终端设备。其中,终端设备一般部署于轴承所在机械设备一端,可以是机械设备所在工作环境中的计算机、控制设备或控制系统等。
在图1c所示轴承故障预测系统中,电子设备102实现为服务器。其中,服务器一般部署于远端,例如云端,可以是常规服务器、云服务器、云主机、虚拟中心等。如图1c所示,在服务器与采集设备之间还部署有终端设备,该终端设备部署于轴承所在机械设备一端,可作为采集设备与服务器之间的中继设备,主要用于接收采集设备上报的震动信号并转发给服务器。如图1c所示,该终端设备与服务器之间可以是无线网络连接,但不限于此。该终端设备与服务器之间也可以是有线网络连接。
无论是哪种系统架构,电子设备102主要用于接收采集设备101上报的轴承的震动信号,并根据接收到的震动信号对轴承进行故障预测。
在本实施例中,为了提高故障预测结果的准确度,将震动信号的特征分析与机器学习方法相结合对轴承进行故障预测。首先,基于已知正常特征样本训练出一故障预测模型。正常特征样本是正常震动信号样本的特征。一个正常震动信号样本可以包括一个或多个连续的正常震动信号。为便于描述和区分,将根据正常特征样本训练出的故障预测模型称为第一预测模型。基于第一预测模型,本系统的工作原理如下:
在轴承实际运转过程中,部署于轴承上的采集设备101采集与轴承相关的震动信号并上报给电子设备102,以供电子设备102据此对轴承进行故障预测。为便于描述和区分,将采集设备101采集到的用于对轴承进行故障预测的震动信号称为待预测震动信号样本。待预测震动信号样本可以包括一个或多个连续的振动信号。
可选地,可以预先设定一时间窗口,采集设备101可以按照该时间窗口,每次采集与轴承相关的多个连续震动信号作为一个待预测震动信号样本。例如,该时间窗口可以是5分钟,则采集设备101可以将采集到的5分钟内的震动信号作为一个待预测震动信号样本,并上报给电子设备102。
对电子设备102来说,接收采集设备101的待预测震动信号样本,对待预测震动信号样本进行特征分析,以获得待预测特征样本;然后,将待预测特征样本送入第一预测模型从而获得轴承的故障预测结果。其中,待预测特征样本是待预测震动信号样本的特征。
在本实施例中,采用数据驱动方式,将震动信号的特征分析与机器学习方法相结合,由第一预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承故障预测结果的准确度,降低误判或漏判概率;另外,还可以节约人力成本,提高故障预测的效率。
在本申请实施例中,将震动信号的特征分析与机器学习方法相结合对轴承进行故障预测。在本申请实施例中,并不限定震动信号的特征类型,凡是可以体现轴承的运行状态信息的特征都适用于本申请实施例。例如,可以采用震动信号的时域特征,也可以采用震动信号的频域特征,甚至可以同时采用震动信号的时域特征和频域特征。基于此,电子设备102在接收到采集设备101上报的待预测震动信号样本之后,对待预测震动信号样本进行时域特征分析和/或频域特征分析,以获得待预测特征样本。其中,对待预测震动信号样本进行时域特征分析得到的待预测特征样本实际上是信号的一些时域特征,例如可以是信号幅度的均值、信号幅度的峰值、概率密度函数等。对待预测震动信号样本进行频域特征分析得到的待预测特征样本实际上是信号的一些频域特征,例如可以是信号中的各种频率以及各频率上的幅值等。
需要说明的是,在训练第一预测模型时使用的正常特征样本的特征类型与待预测特征样本的特征类型需要保持一致。如果正常特征样本是正常震动信号样本的时域特征,则待预测特征样本需要是待预测震动信号样本的时域特征;如果正常特征样本是正常震动信号样本的频域特征,则待预测特征样本需要是待预测震动信号样本的频域特征;如果正常特征样本同时包括正常震动信号样本的时域特征和频域特征,则待预测特征样本也需要同时包括待预测震动信号样本的时域特征和频域特征。
在一些示例性实施例中,基于正常震动信号样本的频域特征训练第一预测模型,相应地,电子设备102在接收到采集设备101上报的待预测震动信号样本之后,对待预测震动信号样本进行频域特征分析,以获得待预测特征样本。可选地,电子设备102可以对待预测震动信号样本进行频谱分析或包络谱分析,以获取待预测震动信号样本的至少一种频率特征形成待预测特征样本。
其中,对待预测震动信号样本进行频谱分析主要是指采用快速傅里叶变换(FFT)将待预测震动信号样本从时域变换到频域,得到待预测震动信号样本的频谱图,然后从频谱图中提取相应的频率以及频率上的幅值等特征。
其中,对待预测震动信号样本进行包络谱分析主要是指对待预测震动信号样本进行希尔伯特(Hilbert)变换再进行FFT,得到待预测震动信号样本的包络谱图,然后从包络谱图中提取相应的频率以及频率上的幅值等特征。
在上述示例性实施例中,待预测特征样本实际上是待预测震动信号样本的频率特征。以滚动轴承为例,这些频率特征可以包括但不限于:基础频率(FTF)、滚动体频率(BSF)、2倍滚动体频率(2XBSF)、滚动体通过外圈频率(BPFO)、滚动体通过内圈频率(BPFI)等。
在本申请各实施例中,在获得待预测特征样本后,可将待预测特征样本输入第一预测模型对轴承进行故障预测。故障预测结果是轴承存在故障风险或者是轴承不存在故障风险。预测轴承是否存在故障风险的问题属于一个判决问题。基于此,第一预测模型可以是具有判决功能的模型。
在一些示例性实施例中,第一预测模型是基于已知正常特征样本训练出的包括模型参数和判决门限的判决模型,且模型参数是样本统计值,该样本统计值主要反映正常特征样本的一些统计特性。基于此,可以将待预测特征样本输入第一预测模型,在第一预测模型中,可根据第一预测模型中的模型参数,即样本统计值,计算待预测特征样本与正常特征样本的相似度,然后根据待预测特征样本与正常特征样本的相似度和第一预测模型中的判决门限获得轴承的故障预测结果。一般是,将待预测特征样本与正常特征样本的相似度与判决门限进行比较;根据待预测特征样本与正常特征样本的相似度与判决门限的比较结果得出轴承的故障预测结果。例如,若待预测特征样本与正常特征样本的相似度大于判断门限,说明待预测震动信号样本与正常震动信号样本很相似,可以确定轴承仍旧正常远转,不存在故障风险;若待预测特征样本与正常特征样本的相似度小于或等于判断门限,说明待预测震动信号样本与正常震动信号样本相差较大,一定程度上可以说明轴承运转过程中出现异常,可能存在故障风险。
在一种可选实施方式中,上述样本统计值可以是样本均值和样本协方差,该样本均值反应正常特征样本的集中趋势,该样本协方差反应正常特征样本的总体误差。基于此,在计算待预测特征样本与正常特征样本的相似度时,可以结合马氏距离公式,根据第一预测模型中的样本均值和样本协方差计算待预测特征样本的马氏距离,作为待预测特征样本与正常特征样本的相似度。其中,马氏距离公式MD表示马氏距离,μ表示样本均值,S表示样本协方差,x表示待预测特征样本。
在该实施方式中,待预测特征样本的马氏距离越大,表示待预测特征样本与正常特征样本的相似度越低;反之,待预测特征样本的马氏距离越小,表示待预测特征样本与正常特征样本的相似度越高。
与马氏距离相适应,第一预测模型中的判决门限是一距离阈值。基于此,可以将待预测特征样本的马氏距离与第一预测模型中的距离阈值进行比较;若该马氏距离大于或等于该距离阈值,说明待预测震动信号样本与正常震动信号样本相差较大,一定程度上可以说明轴承运转过程中出现异常,可能存在故障风险,则可以输出轴承存在故障风险的提示信息;若该马氏距离小于该距离阈值,说明待预测震动信号样本与正常震动信号样本很相似,可以确定轴承仍旧正常远转,不存在故障风险,则可以输出轴承不存在故障风险的提示信息。
在另一种可选实施方式中,上述样本统计值可以是样本均值,该样本均值反应正常特征样本的集中趋势。基于此,在计算待预测特征样本与正常特征样本的相似度时,可以计算待预测特征样本与第一预测模型中的样本均值的差值,作为待预测特征样本与正常特征样本的相似度。在该实施方式中,该待预测特征样本与样本均值的差值越大,表示待预测特征样本与正常特征样本的相似度越低;反之,该待预测特征样本与样本均值的差值越小,表示待预测特征样本与正常特征样本的相似度越高。
与上述差值相适应,第一预测模型中的判决门限是一差值门限。基于此,可以将待预测特征样本与样本均值的差值与该差值门限进行比较;若该差值大于或等于该差值门限,说明待预测震动信号样本与正常震动信号样本相差较大,一定程度上可以说明轴承运转过程中出现异常,可能存在故障风险,则可以输出轴承存在故障风险的提示信息;若该差值小于该差值门限,说明待预测震动信号样本与正常震动信号样本很相似,可以确定轴承仍旧正常远转,不存在故障风险,则可以输出轴承不存在故障风险的提示信息。
值得说明的是,上述样本统计值除了可以是样本均值,或者是样本均值和样本协方差的组合之外,还可以包括或者是其它类型的统计值,例如期望值、方差值等。值得说明的是,样本统计值不同,计算相似度的方式也会有所不同。对本领域技术人员来说,基于本申请实施例给出的示例可在不付出创造性劳动的情况下轻易获得其他样本统计值实现方式下的相似度计算方式。
在本申请上述或下述一些实施例中,可基于第一预测模型对轴承进行故障预测。在使用第一预测模型之前,可收集轴承的正常震动信号样本,每个正常震动信号样本可以包括一个或多个连续的正常震动信号。可选地,可以设定一个时间窗口,例如可以是3分钟、5分钟等,可视应用需求而定。一个时间窗口内收集到的正常震动信号作为一个正常震动信号样本。之后,对正常震动信号样本进行特征分析,从而获得正常特征样本,一个正常震动信号样本对应一个正常特征样本。然后,在获得足够数量的正常特征样本后,可以对这些正常特征样本进行模型训练,从而获得第一预测模型。其中,轴承出现故障的情况比较少,大部分情况都处于正常工作状态,因此,与轴承的异常震动信号样本相比,正常震动信号样本更为容易收集,而本实施例基于正常震动信号训练预测模型,有利于降低获得预测模型的难度,使得方案更为容易实施。
可选地,上述对正常震动信号样本进行特征分析可以是对正常震动信号样本进行时域特征分析和/或频域特征分析。其中,对正常震动信号样本进行时域特征分析得到的正常特征样本实际上是信号的一些时域特征,例如可以是信号幅度的均值、信号幅度的峰值、概率密度函数等。对正常震动信号样本进行频域特征分析得到的正常特征样本实际上是信号的一些频域特征,例如可以是信号中的各种频率以及各频率上的幅值等。
在本申请实施例中,第一预测模型是具有判决功能的模型。在一示例性实施例中,第一预测模型是一包括模型参数和判决门限的判决模型,且模型参数是样本统计值,该样本统计值主要反映正常特征样本的一些统计特性。其中,训练第一预测模型主要是训练第一预测模型中的模型参数和判决门限。以正常特征样本作为训练样本,可以采用多种方式训练出具有上述结构的判决模型。其中,一种实施方式如下所述:
在该实施方式中,将正常特征样本划分为第一子集和第二子集;根据第一子集中的正常特征样本计算样本统计值作为第一预测模型的模型参数;根据第二子集中各正常特征样本与该样本统计值的相似度,计算第一预测模型的判决门限。
可选地,可以将正常特征样本均匀划分到第一子集和第二子集中,即第一子集和第二子集包含的正常特征样本数相同。或者,也可以将正常特征样本随机划分到第一子集和第二子集中。
在一可选实施方式中,样本统计值可以是样本均值和样本协方差。基于此,可以根据第一子集中的正常特征样本计算样本均值和样本协方差,作为第一预测模型的模型参数。其中,样本均值可以是第一子集中的正常特征样本的平均值;样本协方差可以是第一子集中的正常特征样本的协方差。相应地,基于样本均值和样本协方差计算判决门限的过程可以是:根据样本均值和样本协方差,计算第二子集中各正常特征样本的马氏距离;根据第二子集中各正常特征样本的马氏距离的均值和标准差,计算一距离阈值作为判决门限。其中,用δ表示距离阈值,则距离阈值δ=m+α*σ。其中,m表示第二子集中各正常特征样本的马氏距离的均值,σ表示第二子集中各正常特征样本的马氏距离的标准差,α是一个可以调节的权重系数,例如可以设置为6、8等。
在一应用场景中,机械设备的轴承上安装有震动传感器,震动传感器的安装位置不影响轴承的正常运转。震动传感器可感知轴承的震动并可按照设定的时间窗口持续采集轴承的震动信号,形成一个个待预测震动信号样本。震动传感器可在获得待预测震动信号样本之后可以通过无线或有线通信方式上报给电子设备,例如终端设备或服务器设备。电子设备将待预测震动信号样本的特征分析过程与机器学习过程相结合对轴承进行故障预测。
其中,电子设备对轴承进行故障预测时的原理框图如图1d所示。在图1d所示原理框图中包括两部分,上面部分是模型训练过程,下面部分是模型预测过程。
在模型训练过程中,收集正常震动信号样本的包络谱作为训练样本;将训练样本划分为两个子集,即第一子集和第二子集;对第一子集和第二子集的包络谱进行向量化,以获得第一子集的特征向量和第二子集的特征向量;根据第一子集的特征向量计算样本均值μ和样本协方差S;结合样本均值μ、样本协方差S以及第二子集的特征向量计算马氏距离;根据马氏距离计算判决门限σ。
在模型预测过程中,接收震动传感器上报的待预测震动信号样本作为测试样本;对测试样本进行包络谱分析,并对测试样本的包络谱进行向量化,以获得测试样本的特征向量;结合样本均值μ、样本协方差S以及测试样本的特征向量计算马氏距离;将该马氏距离与判决门限σ输出故障预测结果。
上述模型训练过程和模型预测过程中的详细细节可参见前述实施例中的描述,在此不再赘述。
在一些示例性实施例中,在基于第一预测模型获得轴承的故障预测结果后,可根据轴承的故障预测结果确定待预测震动信号样本和待预测特征样本的类型。当轴承的故障预测结果表明轴承不存在故障风险时,可以确定待预测震动信号样本属于正常震动信号样本且待预测特征样本属于正常特征样本。当轴承的故障预测结果表明轴承存在故障风险时,可以确定待预测震动信号样本属于异常震动信号样本且待预测特征样本属于异常特征样本。随着时间的推移,异常震动信号样本和正常震动信号样本会不断累积。当异常震动信号样本和正常震动信号都比较充足时,可以采用端到端的机器学习算法对轴承进行故障预测。其中,端到端的机器学习算法是指震动信号的特征分析被融合到模型训练和构建过程中的机器学习方法。端到端的机器学习算法属于深度学习方法。端到端的机器学习算法包括但不限于:卷积神经网络(Convolutional Neural Network,CNN)、支持向量机、决策树、随机森林等。
其中,当异常震动信号样本数大于或等于设定异常样本数阈值(即异常震动信号样本比较充足)时,可以采用端到端的机器学习算法,基于正常震动信号样本和异常震动信号样本直接训练出一种端到端的模型,而无需预先对正常震动信号样本和异常震动信号样本进行特征分析。为便于区分和描述,将基于正常震动信号样本和异常震动信号样本直接训练出的端到端的模型称为第二预测模型。
在上述示例性实施例中,在异常震动信号样本不足时,可基于正常震动信号样本训练出的第一预测模型对轴承进行故障预测;在异常震动信号样本充值时,可基于正常震动信号样本和异常震动信号样本直接训练出的第二预测模型对轴承进行故障预测。基于此,电子设备在接收到采集设备的待预测震动信号样本之后,在对待预测震动信号样本进行特征分析之前,可以判断当前收集到的异常震动信号样本数是否大于或等于设定异常样本数阈值。若判断结果为否,说明异常震动信号样本不足,需要采用第一预测模型对轴承进行故障预测,则可对待预测震动信号样本进行特征分析,获得待预测特征样本,进而将待预测特征样本输入第一预测模型进行故障预测。若判断结果为是,说明异常震动信号样本比较充足,可以采用第二预测模型对轴承进行故障预测,在使用第二预测模型时无需预先对震动信号进行特征分析,因此可以直接将待预测震动信号输入第二预测模型从而获得轴承的故障预测结果。
在该示例性实施例中,考虑异常震动信号样本充足和不充足两种情况。在异常震动信号样本稀少(不充足)时,将震动信号的特征分析与机器学习方法相结合,由正常特征样本训练出的第一预测模型代替人工进行故障预测,提高故障预测效率,克服人工判断缺乏足够量化指标的缺陷,提高轴承故障预测结果的准确度,降低误判或漏判概率。进一步,在异常震动信号样本充足时,基于端到端的机器学习算法,由正常震动信号样本和异常震动信号样本训练出的第二预测模型代替人工进行故障预测,不仅可以提高故障预测效率,降低误判或漏判概率,而且随着异常震动信号样本的不断累积,第二预测模型会越来越准确,可以进一步提高的故障预测结果的准确度。另外,第一预测模型或第二预测模型可以低成本,全天候的运行,可以对轴承进行不间断的实时监测。
图2a为本申请又一示例性实施例提供的一种轴承故障预测方法的流程示意图。该方法主要是从电子设备的角度进行的描述,如图2a所示,该方法包括:
21a、接收采集设备的待预测震动信号样本,该待预测震动信号样本是采集设备采集到的与轴承相关的震动信号。
22a、对待预测震动信号样本进行特征分析,以获得待预测特征样本。
23a、将待预测特征样本输入第一预测模型以获得轴承的故障预测结果;其中,第一预测模型是基于已知正常特征样本训练出的,正常特征样本是正常震动信号样本的特征。
在本实施例中,基于已知正常特征样本训练出一故障预测模型。正常特征样本是正常震动信号样本的特征。为便于描述和区分,将根据正常特征样本训练出的故障预测模型称为第一预测模型。
在轴承实际运转过程中,部署于轴承上的采集设备采集与轴承相关的震动信号并上报给电子设备,以供电子设备据此对轴承进行故障预测。为便于描述和区分,将采集设备采集到的用于对轴承进行故障预测的震动信号称为待预测震动信号样本。待预测震动信号样本可以包括一个或多个连续的振动信号。
电子设备接收采集设备上报的待预测震动信号样本,对待预测震动信号样本进行特征分析,以获得待预测特征样本;然后,将待预测特征样本送入第一预测模型进行故障预测,从而获得轴承的故障预测结果。其中,待预测特征样本是待预测震动信号样本的特征。
在本实施例中,采用数据驱动方式,将震动信号的特征分析与机器学习方法相结合,由第一预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承故障预测结果的准确度,降低误判或漏判概率;另外,还可以节约人力成本,提高故障预测的效率。
在一些示例性实施例中,上述步骤22a,即对待预测震动信号样本进行特征分析,以获得待预测特征样本的一种实施方式包括:对待预测震动信号样本进行时域特征分析和/或频域特征分析,以获得待预测特征样本。其中,对待预测震动信号样本进行时域特征分析得到的待预测特征样本实际上是信号的一些时域特征,例如可以是信号幅度的均值、信号幅度的峰值、概率密度函数等。对待预测震动信号样本进行频域特征分析得到的待预测特征样本实际上是信号的一些频域特征,例如可以是信号中的各种频率以及各频率上的幅值等。
可选地,若采用对待预测震动信号样本进行频域特征分析的方式,则可以对待预测震动信号样本进行频谱分析或包络谱分析,以获取待预测震动信号样本的至少一种频率特征形成待预测特征样本。待预测特征样本实际上是待预测震动信号样本的频率特征。以滚动轴承为例,这些频率特征可以包括但不限于:基础频率(FTF)、滚动体频率(BSF)、2倍滚动体频率(2XBSF)、滚动体通过外圈频率(BPFO)、滚动体通过内圈频率(BPFI)等。
值得说明的是,预测轴承是否存在故障风险的问题属于一个判决问题。基于此,第一预测模型可以是具有判决功能的模型。在一些示例性实施例中,第一预测模型是基于已知正常特征样本训练出的包括模型参数和判决门限的判决模型,且模型参数是样本统计值,该样本统计值主要反映正常特征样本的一些统计特性。基于此,上述步骤23a,即将待预测特征样本输入第一预测模型进行故障预测,以获得轴承的故障预测结果的一种实施方式包括:根据第一预测模型中作为模型参数的样本统计值,计算待预测特征样本与正常特征样本的相似度;根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果。
可选地,第一预测模型中的样本统计值可以包括样本均值和样本协方差。基于此,上述根据第一预测模型中作为模型参数的样本统计值,计算待预测特征样本与正常特征样本的相似度的实施方式包括:根据第一预测模型中的样本均值和样本协方差,计算待预测特征样本的马氏距离作为待预测特征样本与正常特征样本的相似度。相应地,第一预测模型中的判决门限可以是一距离阈值。则上述根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果的实施方式包括:若待预测特征样本的马氏距离大于或等于该距离阈值,则输出轴承存在故障风险的提示信息;若待预测特征样本的马氏距离小于距离阈值,则输出轴承不存在故障风险的提示信息。
在一些示例性实施例中,在使用第一预测模型之前,可收集轴承的正常震动信号样本,每个正常震动信号样本可以包括一个或多个连续的正常震动信号。之后,对正常震动信号样本进行特征分析,从而获得正常特征样本,一个正常震动信号样本对应一个正常特征样本。然后,在获得足够数量的正常特征样本后,可以对这些正常特征样本进行模型训练,从而获得第一预测模型。其中,轴承出现故障的情况比较少,大部分情况都处于正常工作状态,因此,与轴承的异常震动信号样本相比,正常震动信号样本更为容易收集,而本实施例基于正常震动信号训练预测模型,有利于降低获得预测模型的难度,使得方案更为容易实施。
可选地,上述对正常震动信号样本进行特征分析可以是对正常震动信号样本进行时域特征分析和/或频域特征分析。
在一示例性实施例中,第一预测模型是一包括模型参数和判决门限的判决模型,且模型参数是样本统计值,该样本统计值主要反映正常特征样本的一些统计特性。其中,训练第一预测模型主要是训练第一预测模型中的模型参数和判决门限。上述对正常特征样本进行模型训练以获得第一预测模型的一种实施方式如下所述:
将正常特征样本划分为第一子集和第二子集;根据第一子集中的正常特征样本计算样本统计值作为第一预测模型的模型参数;根据第二子集中各正常特征样本与该样本统计值的相似度,计算第一预测模型的判决门限。
在一可选实施方式中,样本统计值可以是样本均值和样本协方差。基于此,可以根据第一子集中的正常特征样本计算样本均值和样本协方差,作为第一预测模型的模型参数。其中,样本均值可以是第一子集中的正常特征样本的平均值;样本协方差可以是第一子集中的正常特征样本的协方差。相应地,基于样本均值和样本协方差计算判决门限的过程可以是:根据样本均值和样本协方差,计算第二子集中各正常特征样本的马氏距离;根据第二子集中各正常特征样本的马氏距离的均值和标准差,计算一距离阈值作为判决门限。
图2b为本申请又一示例性实施例提供的另一种轴承故障预测方法的流程示意图。如图2b所示,该方法包括:
21b、接收采集设备的待预测震动信号样本,该待预测震动信号样本是采集设备采集到的与轴承相关的震动信号。
22b、判断当前收集到的异常震动信号样本数是否大于或等于设定异常样本数阈值;若判断结果为否,则执行步骤23b;若判断结果为是,则执行步骤25b。
23b、对待预测震动信号样本进行特征分析,以获得待预测特征样本,并执行步骤24b。
24b、将待预测特征样本输入第一预测模型以获得轴承的故障预测结果,结束此次操作。其中,第一预测模型是基于已知正常特征样本训练出的,正常特征样本是正常震动信号样本的特征。
25b、将待预测振动信号输入第二预测模型以获得轴承的故障预测结果,结束此次操作。其中,第二预测模型是基于正常震动信号样本和异常震动信号样本直接训练出的端到端的模型。
在本实施例中,考虑异常震动信号样本充足和不充足两种情况。在异常震动信号样本稀少(不充足)时,将震动信号的特征分析与机器学习方法相结合,由正常特征样本训练出的第一预测模型代替人工进行故障预测,提高故障预测效率,克服人工判断缺乏足够量化指标的缺陷,提高轴承故障预测结果的准确度,降低误判或漏判概率。
进一步,在异常震动信号样本充足时,基于端到端的机器学习算法,由正常震动信号样本和异常震动信号样本训练出的第二预测模型代替人工进行故障预测,不仅可以提高故障预测效率,降低误判或漏判概率,而且随着异常震动信号样本的不断累积,第二预测模型会越来越准确,可以进一步提高的故障预测结果的准确度。
另外,第一预测模型或第二预测模型可以低成本,全天候的运行,可以对轴承进行不间断的实时监测。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤21a至步骤23a的执行主体可以为设备A;又比如,步骤21a和22a的执行主体可以为设备A,步骤23a的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如21a、22a等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图3为本申请又一示例性实施例提供的轴承故障预测装置的结构示意图。如图3所示,该装置包括:接收模块31、特征分析模块32和模型预测模块33。
接收模块31,用于接收采集设备的待预测震动信号样本,该待预测震动信号样本是采集设备采集到的与轴承相关的震动信号。
特征分析模块32,用于对待预测震动信号样本进行特征分析,以获得待预测特征样本。
模型预测模块33,用于将待预测特征样本输入第一预测模型以获得轴承的故障预测结果;其中,第一预测模型是基于已知正常特征样本训练出的,正常特征样本是正常震动信号样本的特征。
在一示例性实施例中,特征分析模块32具体用于:对待预测震动信号样本进行时域特征分析和/或频域特征分析,以获得待预测特征样本。
进一步,特征分析模块32在对待预测震动信号样本进行频域特征分析时,具体用于:对待预测震动信号样本进行频谱分析或包络谱分析,以获取待预测震动信号样本的至少一种频率特征形成待预测特征样本。
在一示例性实施例中,模型预测模块33具体用于:根据第一预测模型中作为模型参数的样本统计值,计算待预测特征样本与正常特征样本的相似度;根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果。
进一步,模型预测模块33在计算待预测特征样本与正常特征样本的相似度时,具体用于:根据第一预测模型中的样本均值和样本协方差,计算待预测特征样本的马氏距离,作为待预测特征样本与正常特征样本的相似度。
进一步,模型预测模块33在根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果时,具体用于:若待预测特征样本的马氏距离大于或等于第一预测模型中作为判决门限的距离阈值,输出轴承存在故障风险的提示信息;若待预测特征样本的马氏距离小于距离阈值,输出轴承不存在故障风险的提示信息。
在一示例性实施例中,特征分析模块32具体用于:判断当前收集到的异常震动信号样本数是否大于或等于设定异常样本数阈值;当判断结果为否时,则对待预测震动信号样本进行特征分析,以获得待预测特征样本。
进一步,模型预测模块33还用于:在判断结果为是时,将待预测振动信号输入第二预测模型以获得轴承的故障预测结果;其中,第二预测模型是基于正常震动信号样本和异常震动信号样本直接训练出的端到端的模型。
在一示例性实施例中,如图3所示,该装置还包括:模型训练模块34。
模型训练模块34,用于收集所述轴承的正常震动信号样本;对所述正常震动信号样本进行特征分析,以获得所述正常特征样本;对所述正常特征样本进行模型训练,以获得所述第一预测模型。
可选地,模型训练模块34在获得第一预测模型时,具体用于:将正常特征样本划分为第一子集和第二子集;根据第一子集中的正常特征样本计算样本统计值作为第一预测模型的模型参数;根据第二子集中各正常特征样本与样本统计值的相似度,计算第一预测模型的判决门限。
进一步可选地,模型训练模块34在计算样本统计值时,具体用于:根据第一子集中的正常特征样本计算样本均值和样本协方差,作为模型参数。相应地,模型训练模块34在计算第一预测模型的判决门限时,具体用于:根据样本均值和样本协方差,计算第二子集中各正常特征样本的马氏距离;根据第二子集中各正常特征样本的马氏距离的均值和标准差,计算一距离阈值作为判决门限。
本实施例提供的轴承故障预测装置,将震动信号的特征分析与机器学习方法相结合,采用故障预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承的故障预测结果的准确度,降低误判或漏判概率;另外,还可以节约人工成本,提高故障预测效率。
以上描述了轴承故障预测装置的内部功能和结构,如图4所示,实际中,该轴承故障预测装置可实现为电子设备,该电子设备可以是智能手机、个人计算机、台式计算机等终端设备,也可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。如图4所示,该电子设备包括:存储器41、处理器42以及通信组件43。
存储器41,用于存储计算机程序,并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器41可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
通信组件43,用于接收采集设备的待预测震动信号样本,所述待预测震动信号样本是采集设备采集到的与轴承相关的震动信号。
处理器42,与存储器41和通信组件43耦合,用于执行存储器41中的计算机程序,以用于:
对所述待预测震动信号样本进行特征分析,以获得待预测特征样本;
将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
在一示例性实施例中,处理器42在获得待预测特征样本时,具体用于:对待预测震动信号样本进行时域特征分析和/或频域特征分析,以获得待预测特征样本。
进一步,处理器42在对待预测震动信号样本进行频域特征分析时,具体用于:对待预测震动信号样本进行频谱分析或包络谱分析,以获取待预测震动信号样本的至少一种频率特征形成待预测特征样本。
在一示例性实施例中,处理器42在获得所述轴承的故障预测结果时,具体用于:根据第一预测模型中作为模型参数的样本统计值,计算待预测特征样本与正常特征样本的相似度;根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果。
进一步,处理器42在计算待预测特征样本与正常特征样本的相似度时,具体用于:根据第一预测模型中的样本均值和样本协方差,计算待预测特征样本的马氏距离,作为待预测特征样本与正常特征样本的相似度。
进一步,处理器42在根据待预测特征样本与正常特征样本的相似度以及第一预测模型中的判决门限获得轴承的故障预测结果时,具体用于:若待预测特征样本的马氏距离大于或等于第一预测模型中作为判决门限的距离阈值,输出轴承存在故障风险的提示信息;若待预测特征样本的马氏距离小于距离阈值,输出轴承不存在故障风险的提示信息。
在一示例性实施例中,处理器42在获得所述待预测特征样本时,具体用于:判断当前收集到的异常震动信号样本数是否大于或等于设定异常样本数阈值;在判断结果为否时,则对所述待预测震动信号进行特征分析,以获得所述待预测特征样本。
进一步,处理器42还用于:在判断结果为是时,将所述待预测振动信号输入第二预测模型以获得所述轴承的故障预测结果;其中,所述第二预测模型是基于正常震动信号样本和异常震动信号样本直接训练出的端到端的模型。
在一示例性实施例中,处理器42还用于:收集所述轴承的正常震动信号;对所述正常震动信号进行特征分析,以获得所述正常特征样本;对所述正常特征样本进行模型训练,以获得所述第一预测模型。
在一示例性实施例中,处理器42在获得所述第一预测模型时,具体用于:将所述正常特征样本划分为第一子集和第二子集;根据所述第一子集中的正常特征样本计算样本统计值作为所述第一预测模型的模型参数;根据所述第二子集中各正常特征样本与所述样本统计值的相似度,计算所述第一预测模型的判决门限。
进一步可选地,处理器42在计算样本统计值时,具体用于:根据第一子集中的正常特征样本计算样本均值和样本协方差,作为模型参数。相应地,处理器42在计算第一预测模型的判决门限时,具体用于:根据样本均值和样本协方差,计算第二子集中各正常特征样本的马氏距离;根据第二子集中各正常特征样本的马氏距离的均值和标准差,计算一距离阈值作为判决门限。
进一步,如图4所示,该电子设备还包括:显示器44、电源组件45、音频组件46等其它组件。图4中仅示意性给出部分组件,并不意味着电子设备只包括图4所示组件。
其中,通信组件43,被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件43所在设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件43经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
其中,显示器44包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
其中,电源组件45,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
其中,音频组件46,可被配置为输出和/或输入音频信号。例如,音频组件46包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
本实施例提供的电子设备,将震动信号的特征分析与机器学习方法相结合,采用故障预测模型基于学习到的正常特征样本的特性对轴承进行故障预测,可提高轴承的故障预测结果的准确度,降低误判或漏判概率;另外,还可以节约人工成本,提高故障预测效率。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中的各步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (16)
1.一种轴承故障预测方法,其特征在于,所述方法包括:
接收采集设备的待预测震动信号样本,所述待预测震动信号样本是所述采集设备采集到的与轴承相关的震动信号;
对所述待预测震动信号样本进行特征分析,以获得待预测特征样本;
将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
2.根据权利要求1所述的方法,其特征在于,所述将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果,包括:
根据所述第一预测模型中作为模型参数的样本统计值,计算所述待预测特征样本与所述正常特征样本的相似度;
根据所述相似度以及所述第一预测模型中的判决门限获得所述轴承的故障预测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一预测模型中作为模型参数的样本统计值,计算所述待预测特征样本与所述正常特征样本的相似度,包括:
根据所述第一预测模型中的样本均值和样本协方差,计算所述待预测特征样本的马氏距离作为所述相似度;
所述根据所述相似度以及所述第一预测模型中的判决门限获得所述轴承的故障预测结果,包括:
若所述马氏距离大于或等于所述第一预测模型中作为所述判决门限的距离阈值,输出所述轴承存在故障风险的提示信息;
若所述马氏距离小于所述距离阈值,输出所述轴承不存在故障风险的提示信息。
4.根据权利要求1所述的方法,其特征在于,所述对所述待预测震动信号样本进行特征分析,以获得待预测特征样本,包括:
对所述待预测震动信号样本进行时域特征分析和/或频域特征分析,以获得所述待预测特征样本。
5.根据权利要求4所述的方法,其特征在于,所述对所述待预测震动信号样本进行频域特征分析,以获得所述待预测特征样本,包括:
对所述待预测震动信号样本进行频谱分析或包络谱分析,以获取所述待预测震动信号样本的至少一种频率特征形成所述待预测特征样本。
6.根据权利要求1所述的方法,其特征在于,所述对所述待预测震动信号样本进行特征分析,以获得待预测特征样本,包括:
判断当前收集到的异常震动信号样本数是否大于或等于设定异常样本数阈值;
若判断结果为否,则对所述待预测震动信号样本进行特征分析,以获得所述待预测特征样本。
7.根据权利要求6所述的方法,其特征在于,还包括:
若判断结果为是,则将所述待预测振动信号输入第二预测模型以获得所述轴承的故障预测结果;其中,所述第二预测模型是基于正常震动信号样本和异常震动信号样本直接训练出的端到端的模型。
8.根据权利要求1-7任一项所述的方法,其特征在于,在将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果之前,还包括:
收集所述轴承的正常震动信号样本;
对所述正常震动信号样本进行特征分析,以获得所述正常特征样本;
对所述正常特征样本进行模型训练,以获得所述第一预测模型。
9.根据权利要求8所述的方法,其特征在于,所述对所述正常特征样本进行模型训练,以获得所述第一预测模型,包括:
将所述正常特征样本划分为第一子集和第二子集;
根据所述第一子集中的正常特征样本计算样本统计值作为所述第一预测模型的模型参数;
根据所述第二子集中各正常特征样本与所述样本统计值的相似度,计算所述第一预测模型的判决门限。
10.根据权利要求9所述的方法,其特征在于,所述根据所述第一子集中的正常特征样本计算样本统计值作为所述第一预测模型的模型参数,包括:
根据所述第一子集中的正常特征样本计算样本均值和样本协方差,作为所述模型参数;
所述根据所述第二子集中各正常特征样本与所述样本统计值的相似度,计算所述第一预测模型的判决门限,包括:
根据所述样本均值和样本协方差,计算所述第二子集中各正常特征样本的马氏距离;
根据所述第二子集中各正常特征样本的马氏距离的均值和标准差,计算一距离阈值作为所述判决门限。
11.一种电子设备,其特征在于,包括:存储器、处理器以及通信组件;
所述通信组件,用于接收采集设备的待预测震动信号样本,所述待预测震动信号样本是所述采集设备采集到的与轴承相关的震动信号;
所述存储器,用于存储计算机程序;
所述处理器,与所述存储器和所述通信组件耦合,用于执行所述计算机程序,以用于:
对所述待预测震动信号样本进行特征分析,以获得待预测特征样本;
将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
12.根据权利要求11所述的电子设备,其特征在于,所述处理器在获得所述轴承的故障预测结果时,具体用于:
根据所述第一预测模型中作为模型参数的样本统计值,计算所述待预测特征样本与所述正常特征样本的相似度;
根据所述相似度以及所述第一预测模型中的判决门限获得所述轴承的故障预测结果。
13.根据权利要求12所述的电子设备,其特征在于,所述处理器在计算所述相似度时,具体用于:
根据所述第一预测模型中的样本均值和样本协方差,计算所述待预测特征样本的马氏距离作为所述相似度;
所述处理器在根据所述相似度获得所述轴承的故障预测结果时,具体用于:
在所述马氏距离大于或等于所述第一预测模型中作为所述判决门限的距离阈值时,输出所述轴承存在故障风险的提示信息;
在所述马氏距离小于所述距离阈值时,输出所述轴承不存在故障风险的提示信息。
14.一种轴承故障预测系统,其特征在于,包括:部署于轴承上的采集设备以及与所述采集设备通信连接的电子设备;
所述采集设备,用于采集与所述轴承相关的待预测震动信号样本并上报给所述电子设备;
所述电子设备,用于接收所述采集设备上报的所述待预测震动信号样本,对所述待预测震动信号样本进行特征分析,以获得待预测特征样本,以及将所述待预测特征样本输入第一预测模型以获得所述轴承的故障预测结果;其中,所述第一预测模型是基于已知正常特征样本训练出的,所述正常特征样本是正常震动信号样本的特征。
15.根据权利要求14所述的系统,其特征在于,所述电子设备为部署于远端的服务器;所述系统还包括:连接于所述采集设备与所述服务器之间的终端设备;所述终端设备,用于接收所述采集设备上报的所述待预测震动信号样本并上报给所述服务器。
16.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被执行时能够实现权利要求1-10任一项所述方法中的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098764.7A CN110108486B (zh) | 2018-01-31 | 2018-01-31 | 轴承故障预测方法、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098764.7A CN110108486B (zh) | 2018-01-31 | 2018-01-31 | 轴承故障预测方法、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108486A true CN110108486A (zh) | 2019-08-09 |
CN110108486B CN110108486B (zh) | 2022-07-05 |
Family
ID=67483029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810098764.7A Active CN110108486B (zh) | 2018-01-31 | 2018-01-31 | 轴承故障预测方法、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108486B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN111860429A (zh) * | 2020-07-30 | 2020-10-30 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
CN112446389A (zh) * | 2019-08-15 | 2021-03-05 | 北京国双科技有限公司 | 一种故障判别方法及装置 |
CN112484980A (zh) * | 2020-11-25 | 2021-03-12 | 安徽锦希自动化科技有限公司 | 基于声音与图像分析的机械故障检测系统及方法 |
CN112613481A (zh) * | 2021-01-04 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种基于频谱的轴承磨耗预警方法与系统 |
CN113283157A (zh) * | 2021-04-02 | 2021-08-20 | 殷强 | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
CN113311348A (zh) * | 2021-06-09 | 2021-08-27 | 湖北工业大学 | 一种基于小波分解和包络谱分析的电池故障识别方法 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114391093A (zh) * | 2019-09-17 | 2022-04-22 | 日产自动车株式会社 | 异常判定装置以及异常判定方法 |
TWI789167B (zh) * | 2021-12-16 | 2023-01-01 | 上銀科技股份有限公司 | 檢測進給系統之動態特性偏差的方法及系統 |
CN117272179A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011064552A (ja) * | 2009-09-16 | 2011-03-31 | Tokyu Car Corp | 走行装置の異常監視装置 |
CN102944435A (zh) * | 2012-10-25 | 2013-02-27 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
CN105334185A (zh) * | 2015-09-14 | 2016-02-17 | 上海创和亿电子科技发展有限公司 | 基于光谱投影判别的近红外模型维护方法 |
US20160047716A1 (en) * | 2013-04-05 | 2016-02-18 | Aktiebolaget Skf | Method, computer program product & system |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
KR101724444B1 (ko) * | 2016-01-28 | 2017-04-07 | 삼성중공업(주) | 피진단체 진단 장치 및 방법 |
CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分系统 |
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
-
2018
- 2018-01-31 CN CN201810098764.7A patent/CN110108486B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011064552A (ja) * | 2009-09-16 | 2011-03-31 | Tokyu Car Corp | 走行装置の異常監視装置 |
CN102944435A (zh) * | 2012-10-25 | 2013-02-27 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
US20160047716A1 (en) * | 2013-04-05 | 2016-02-18 | Aktiebolaget Skf | Method, computer program product & system |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
CN105334185A (zh) * | 2015-09-14 | 2016-02-17 | 上海创和亿电子科技发展有限公司 | 基于光谱投影判别的近红外模型维护方法 |
CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分系统 |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
KR101724444B1 (ko) * | 2016-01-28 | 2017-04-07 | 삼성중공업(주) | 피진단체 진단 장치 및 방법 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
周小龙 等: "基于改进 HHT 和马氏距离的齿轮故障诊断", 《振动与冲击》 * |
姚海妮: "EMD马氏距离与SOM神经网络在故障诊断中的应用研究", 《噪声与振动控制》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446389A (zh) * | 2019-08-15 | 2021-03-05 | 北京国双科技有限公司 | 一种故障判别方法及装置 |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
CN114391093A (zh) * | 2019-09-17 | 2022-04-22 | 日产自动车株式会社 | 异常判定装置以及异常判定方法 |
CN114391093B (zh) * | 2019-09-17 | 2023-10-24 | 日产自动车株式会社 | 异常判定装置以及异常判定方法 |
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN111260893B (zh) * | 2020-01-10 | 2022-05-03 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN111860429A (zh) * | 2020-07-30 | 2020-10-30 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN111860429B (zh) * | 2020-07-30 | 2024-02-13 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
CN112484980B (zh) * | 2020-11-25 | 2022-12-16 | 安徽锦希自动化科技有限公司 | 基于声音与图像分析的机械故障检测系统及方法 |
CN112484980A (zh) * | 2020-11-25 | 2021-03-12 | 安徽锦希自动化科技有限公司 | 基于声音与图像分析的机械故障检测系统及方法 |
CN112613481A (zh) * | 2021-01-04 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种基于频谱的轴承磨耗预警方法与系统 |
CN113283157A (zh) * | 2021-04-02 | 2021-08-20 | 殷强 | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
CN113311348A (zh) * | 2021-06-09 | 2021-08-27 | 湖北工业大学 | 一种基于小波分解和包络谱分析的电池故障识别方法 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
TWI789167B (zh) * | 2021-12-16 | 2023-01-01 | 上銀科技股份有限公司 | 檢測進給系統之動態特性偏差的方法及系統 |
CN117272179A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
CN117272179B (zh) * | 2023-11-22 | 2024-02-06 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110108486B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108486A (zh) | 轴承故障预测方法、设备及系统 | |
US9763055B2 (en) | Travel and activity capturing | |
EP2727104B1 (en) | Identifying people that are proximate to a mobile device user via social graphs, speech models, and user context | |
US9948735B2 (en) | User activity tracking system and device | |
CN107172590B (zh) | 基于移动终端的活动状态信息处理方法、装置及移动终端 | |
US20160356666A1 (en) | Intelligent leakage detection system for pipelines | |
CN103561154B (zh) | 自动激活移动计算设备中的应用的方法和系统 | |
KR20200085490A (ko) | 신경망 모델을 이용한 센서 이상 감지를 위한 서비스 제공 시스템 및 방법, 그리고 컴퓨터 프로그램이 기록된 비휘발성 기록매체 | |
US11171978B2 (en) | Dynamic monitoring, detection of emerging computer events | |
EP2447809A2 (en) | User device and method of recognizing user context | |
EP3822595B1 (en) | Predictive maintenance for robotic arms using vibration measurements | |
US20140247206A1 (en) | Adaptive sensor sampling for power efficient context aware inferences | |
US20140279779A1 (en) | System and method for detecting platform anomalies through neural networks | |
US10133329B2 (en) | Sequential feature computation for power efficient classification | |
CN103941871B (zh) | 控制智能终端的硬件运行状态的方法和设备 | |
Kianoush et al. | A cloud-IoT platform for passive radio sensing: Challenges and application case studies | |
CN110737006B (zh) | 轨迹去噪的处理方法、装置以及电子设备 | |
US9622687B2 (en) | Half step frequency feature for reliable motion classification | |
WO2019199457A1 (en) | Anomaly detection based on topological relationship graphs | |
US20230060936A1 (en) | Method for identifying an audio signal | |
US11253187B2 (en) | Deep personalization based on contextual neurofeedback | |
KR101774236B1 (ko) | 사용자 상황 인지 장치 및 방법 | |
Zheng et al. | Missile: A system of mobile inertial sensor-based sensitive indoor location eavesdropping | |
CN114741047A (zh) | 一种音量调节方法及音量调节系统 | |
WO2018096024A1 (en) | Determining coverage efficiency of an access point in a wireless network |
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 |