CN110487549A - 轴承故障识别方法、装置、计算机设备及存储介质 - Google Patents
轴承故障识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110487549A CN110487549A CN201910850937.0A CN201910850937A CN110487549A CN 110487549 A CN110487549 A CN 110487549A CN 201910850937 A CN201910850937 A CN 201910850937A CN 110487549 A CN110487549 A CN 110487549A
- Authority
- CN
- China
- Prior art keywords
- signal
- envelope
- bearing
- frequency spectrum
- carried out
- 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
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种轴承故障识别方法、装置、计算机设备及存储介质,其中,方法包括:获取待测轴承工作过程中的振动信号;将所述振动信号转化为所述待测轴承的加速度包络频谱图;将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。通过将包络频谱图输入到多层卷积神经网络中,无需通过人工经验判断,也无需进行特征提取、特征选择等操作,将加速度包络故障诊断与深度学习识别方法相结合提高了诊断的准确率与可行性。
Description
技术领域
本发明涉及深度学习技术领域,具体而言,涉及一种轴承故障识别方法、装置、计算机设备及存储介质。
背景技术
随着工业自动化程度的不断提高以及计算机技术的不断进步,设备的智能维护成为各个厂商持续关注的特点。工业数据中包含着大量的信息,深入发掘大数据内部的有用信息成为智能维护的一个研究热点。伴随着数据采集技术的与处理速度的不断进步,使得模型的不断迭代与优化成为可能。
轴承是旋转机械中的重要部件,但是轴承也是设备中的易损部件之一。当轴承发生故障时不仅影响着工厂的生产效率,而且突发性故障对工人安全也造成威胁。及早发现轴承的早期故障以及实现自动识别诊断是设备智能维护的关键技术之一。它关切到设备的安全运行,及时发现故障能够提前进行备货,避免设备停机造成的不必要损失,有利于提高工厂的生产效率与经济效益。
目前轴承故障主要是通过传统机器学习分类的方式实现,主要是通过原始数据进行特征提取、特征选择并根据选择到的特征进行故障诊断。传统机器学习方法对轴承进行故障诊断,需要对原始数据进行特征提取,提取什么样的特征需要经验判断,特征选择对于诊断的准确性也有较大的影响,比如将故障特征作为机器学习输入的特征时,计算得到的故障特征往往与实际运行的故障特征存在些差别,如果利用计算得到的故障特征作为模型输入其诊断的结果准确率较低。此外特征之间的关联性可以通过机器学习融合算法表现出来,例如支持向量机这样的算法融合程度较低,不利于发现深层次的特征之间的关系,并且特征的全面性与优劣性对识别结果会产生影响。
发明内容
本发明的主要目的在于提供一种轴承故障识别方法、装置、计算机设备及存储介质,以解决现有技术中对轴承故障诊断的准确率较低的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种轴承故障识别方法,包括:获取待测轴承工作过程中的振动信号;将所述振动信号转化为所述待测轴承的加速度包络频谱图;将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
可选地,所述将所述振动信号转化为所述待测轴承的加速度包络频谱图包括:对所述振动信号进行带通滤波,提取所述振动信号的高频信号;对提取到的高频信号进行全波整流处理,得到整流后的信号;对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述加速度包络频谱图。
可选地,对所述整流后的信号进行包络检波处理,包括:对所述整流后的信号进行希尔伯特变换,得到变换后的信号;利用所述变换后的信号计算相应的解析信号或共轭信号;将所述解析信号或所述共轭信号的幅值作为所述包络信号。
可选地,对所述包络检波后的包络信号进行低通滤波处理,包括:对所述包络检波后的包络信号加凯撒窗,并采用巴特沃斯低通滤波器对加凯撒窗后的包络信号进行滤波处理。
可选地,在将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中之前,所述轴承故障识别方法还包括:获取样本轴承的训练样本数据,所述训练样本数据包括训练数据集和测试数据集;利用所述训练样本数据对初始的卷积神经网络模型进行训练,得到训练后的卷积神经网络。
可选地,所述卷积神经网络可识别出的故障类型包括:外圈故障、内圈故障和保持架故障,所述故障概率包括所述外圈故障的概率、所述内圈故障的概率和所述保持架故障的概率。
可选地,获取样本轴承的训练样本数据,包括:获取样本轴承工作过程中的样本振动信号;对所述样本振动信号进行带通滤波,提取所述样本振动信号的高频信号;对提取到的高频信号进行全波整流处理,得到整流后的信号;对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述训练数据集。
为了实现上述目的,根据本发明的一个方面,提供了一种轴承故障识别装置,包括:第一获取模块,用于获取待测轴承工作过程中的振动信号;转化模块,用于将所述振动信号转化为所述待测轴承的加速度包络频谱图;识别模块,用于将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
可选地,所述转化模块包括:带通滤波单元,用于对所述振动信号进行带通滤波,提取所述振动信号的高频信号;全波整流单元,用于对提取到的高频信号进行全波整流处理,得到整流后的信号;包络检波单元,用于对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;低通滤波单元,用于对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;傅里叶变换单元,用于对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述加速度包络频谱图。
可选地,所述包络检波单元包括:变换子单元,用于对所述整流后的信号进行希尔伯特变换,得到变换后的信号;计算子单元,用于利用所述变换后的信号计算相应的解析信号或共轭信号;将所述解析信号或所述共轭信号的幅值作为所述包络信号。
可选地,所述低通滤波单元具体用于对所述包络检波后的包络信号加凯撒窗,并采用巴特沃斯低通滤波器对加凯撒窗后的包络信号进行滤波处理。
可选地,所述轴承故障识别装置还包括:第二获取模块,用于在将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中之前,获取样本轴承的训练样本数据,所述训练样本数据包括训练数据集和测试数据集;训练模块,用于利用所述训练样本数据对初始的卷积神经网络模型进行训练,得到训练后的卷积神经网络。
可选地,所述卷积神经网络可识别出的故障类型包括:外圈故障、内圈故障和保持架故障,所述故障概率包括所述外圈故障的概率、所述内圈故障的概率和所述保持架故障的概率。
可选地,所述第二获取模块包括:获取单元,用于获取样本轴承工作过程中的样本振动信号;样本带通滤波单元,用于对所述样本振动信号进行带通滤波,提取所述样本振动信号的高频信号;样本全波整流单元,用于对提取到的高频信号进行全波整流处理,得到整流后的信号;样本包络检波单元,用于对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;样本低通滤波单元,用于对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;样本傅里叶变换单元,用于对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述训练数据集。
为了实现上述目的,根据本发明的一个方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述轴承故障识别方法的步骤。
为了实现上述目的,根据本发明的一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述轴承故障识别方法的步骤。
根据本发明实施例,通过将待测轴承的振动信号转化为加速度包络频谱图,通过卷积神经网络提取包络频谱曲线图中表征故障类型的图像特征,并对待测轴承的故障进行诊断识别,将神经网络诊断记过以可能性的方式输出,根据可能性的大小判断相应的故障。通过将包络频谱图输入到多层卷积神经网络中,无需通过人工经验判断,也无需进行特征提取、特征选择等操作,将加速度包络故障诊断与深度学习识别方法相结合提高了诊断的准确率与可行性。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了根据本发明实施例的轴承故障识别方法的流程图;
图2示出了根据本发明实施例的加速度包络算法的流程图;
图3a示出了根据本发明实施例的轴承外圈故障的频谱图;
图3b示出了根据本发明实施例的轴承保持架故障的频谱图;
图3c示出了根据本发明实施例的轴承内圈故障的频谱图;
图4示出了根据本发明实施例的神经网络模型的结构图;
图5示出了根据本发明实施例的轴承故障识别装置的示意图;
图6示出了根据本发明实施例的计算机设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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申请的示例性实施方式。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。
本发明实施例中所述的卷积神经网络(Convolutional Neural Networks,简写为CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks, SIANN)”。
本发明实施例提供了一种轴承故障识别方法,该方法可以用于识别工业设备中的轴承的故障,如图1所示,该轴承故障识别方法包括:
步骤S101,获取待测轴承工作过程中的振动信号。
本发明实施例中的待测轴承可以是旋转机械设备中的轴承。由于轴承在工作过程中由于转动会产生振动,通过振动传感器可以检测轴承的振动信号,当轴承工作出现故障时,会在振动信号中体现出异常情况,因此,可以检测其振动信号,用于进行故障识别。
步骤S102,将所述振动信号转化为所述待测轴承的加速度包络频谱图。
本发明实施例中,将获取到振动信号转化为加速度包络频谱,构成频谱曲线图。可以采用预设的加速度包络算法进行转化。轴承的早期故障一般隐含在振动信号的高频部分,该预设的加速度包络算法可以是通过带通滤波器提取原始时域信号的高频成分,并对高频成分进行包络检波,得到加速度包络频谱,从而发现轴承的早期故障,为轴承早期故障的智能诊断提供依据。
步骤S103,将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
本发明实施例中训练得到的卷积神经网络用于识别加速度包络频谱图的图像特征,并基于该特征识别输出待测轴承的故障概率。可选地,本发明实施例的所述卷积神经网络可识别出的故障类型包括:外圈故障、内圈故障和保持架故障,所述故障概率包括所述外圈故障的概率、所述内圈故障的概率和所述保持架故障的概率。本发明实施例中的卷积神经网络可以预先对上述的各种故障类型的样本数据进行训练,在进行故障识别时,可以输出每种故障的概率,工作人员可以根据输出的故障概率排查轴承所存在的故障。例如,当输出的外圈故障的概率为5%,内圈故障的概率为1%,保持架故障的概率为80%,则表示保持架故障的可能性很大,工作人员可以从该点进行详细的故障排查以确定出是否出现故障。
根据本发明实施例,通过将待测轴承的振动信号转化为加速度包络频谱图,通过卷积神经网络提取包络频谱曲线图中表征故障类型的图像特征,并对待测轴承的故障进行诊断识别,将神经网络诊断记过以可能性的方式输出,根据可能性的大小判断相应的故障。通过将包络频谱图输入到多层卷积神经网络中,无需通过人工经验判断,也无需进行特征提取、特征选择等操作,将加速度包络故障诊断与深度学习识别方法相结合提高了诊断的准确率与可行性。
作为本发明实施例的一种可选实施方式,本实施例中可以设置加速度包络算法可以通过带通滤波、整流、包络分析、低通滤波等处理过程。具体地,所述将所述振动信号转化为所述待测轴承的加速度包络频谱图包括:
步骤S11,对所述振动信号进行带通滤波,提取所述振动信号的高频信号。
如图2所示,原始的振动信号可以通过带通滤波其进行带通滤波处理,以提取出该振动信号的高频信号,由于轴承的故障特征一般隐含在振动信号的高频部分,因此,通过提取振动信号中的高频信号,作为后续故障识别的依据。对于三种故障类型,故障的频谱图如图3a-3c所示。
步骤S12,对提取到的高频信号进行全波整流处理,得到整流后的信号。对提取到的高频信号进行全波整流操作,以便于进行后续的包络分析。
步骤S13,对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号。
对于整流得到的信号,可以进行Hilbert包络检波,实现对整流后的信号的包络分析。其具体的包络分析过程可以通过希尔伯特变换之后,计算相应的解析信号或者共轭信号,以其幅值作为包络信号。
希尔伯特变换(hilbert transform),一个连续时间信号x(t)的希尔伯特变换等于该信号通过具有冲激响应h(t)=1/πt的线性系统以后的输出响应xh(t)。在数学与信号处理的领域中,一个实值函数的希尔伯特变换(Hilbert transform)——在此标示为H——是将信号s(t)与1/(πt)做卷积,以得到s'(t)。因此,希尔伯特变换结果s'(t)可以被解读为输入是s(t)的线性时不变系统(linear time invariant system)的输出,而此系统的脉冲响应为1/(πt)。这是一项有用的数学,用在描述一个以实数值载波做调制的信号之复数包络(complex envelope),出现通讯理论中发挥着重要作用。
具体地,对所述整流后的信号进行包络检波处理,包括:
S21,对所述整流后的信号进行希尔伯特变换,得到变换后的信号。
对整流后的信号进行希尔伯特变换可以得到
。
S22,利用所述变换后的信号计算相应的解析信号或共轭信号。
所构建的解析信号为:。
解析信号的共轭信号为:。
S23,将所述解析信号或所述共轭信号的幅值作为所述包络信号。解析信号或者共轭信号的幅值作为后续分析的包络信号。
步骤S14,对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号。
具体地,对所述包络检波后的包络信号进行低通滤波处理,包括:对所述包络检波后的包络信号加凯撒窗,并采用巴特沃斯低通滤波器对加凯撒窗后的包络信号进行滤波处理。
凯撒(Kaiser)窗是一种最优化窗,它的优化准则是:对于有限的信号能量,要求确定一个有限时宽的信号波形,它使得频宽内的能量为最大。
巴特沃斯滤波器(Butterworth filter)是电子滤波器的一种,它也被称作最大平坦滤波器。巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有纹波,而在阻频带则逐渐下降为零。
步骤S15,对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述加速度包络频谱图。
对低通滤波后的信号进行快速傅里叶变换分析其频谱曲线,构建成频谱曲线图。当轴承发生故障时,其故障频谱的倍频随着倍数的增加呈现衰减的趋势,在频谱分析中,将频谱图的分析区间设定为【0-1000HZ】。
轴承外圈的故障频率为:
轴承内圈的故障频率为:
轴承保持架的故障频率为:
其中:为滚子个数,为滚子直径,为节圆直径,为接触角,为轴的转速。
本发明实施例中,在进行故障识别之前,需要进行卷积神经网络的训练。具体地,在将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中之前,所述轴承故障识别方法还包括:获取样本轴承的训练样本数据,所述训练样本数据包括训练数据集和测试数据集;利用所述训练样本数据对初始的卷积神经网络模型进行训练,得到训练后的卷积神经网络。
对于不同故障类型,采用不同的训练样本数据,三种故障类型分别为外圈故障、内圈故障与保持架故障。外圈故障对应的标签为0,内圈故障对应的标签为1,保持架故障的标签为2。每种故障对应的训练数据集为60个,测试数据集为20个。因此,训练数据集为180个,测试数据集为60个。
卷积神经网络的一种可选的模型结构如图4所示,该神经网络结构共有5层卷积层与池化层,以及两个全连接层。在卷积层中,第1层到第5层的过滤器个数分别为64,128,256,512,1024个,卷积核的大小为2*2,移动步长为1;在池化层中,第1层到第5层的池化窗口大小均为为2*2,滑动步长均为为2*2;并且卷积层与池化层的激活函数均为ReLu.为了防止网络的过拟合,在每个池化层后增加批量归一化(BatchNormalization)处理。在全连接层中,第一个全连接层网络节点的个数为512,激活函数为Relu,第二个全连接层网络节点的个数为3,激活函数为softmax.网络的输出为:
其中,为分类器前级单元的输出,i为第i个类别索引,为第i个类别的输出。
本发明实施例中训练样本数据的获取过程与上述待测轴承的振动信号的处理过程基本相同,也即是,获取样本轴承的训练样本数据,包括:获取样本轴承工作过程中的样本振动信号;对所述样本振动信号进行带通滤波,提取所述样本振动信号的高频信号;对提取到的高频信号进行全波整流处理,得到整流后的信号;对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述训练数据集。区别仅在于,在进行故障诊断识别时,是对待测轴承的振动信号进行处理,而在训练样本数据的获取中是对样本轴承的振动信号进行处理,得到相应的训练数据集。
本发明实施例为了体现出与现有技术的区别,将采用一种可选的实施方式实现对轴承的故障诊断识别,并于现有的支持向量机的模式进行对比。具体地,本发明的具体流程如下:
步骤一:将每个轴承的振动信号根据上述的包络检测算法转化成加速度包络频谱图。加速度包络频谱图中横坐标范围为0-1000HZ,在纵坐标中的设定中,可以根据最大值的自适应更新纵坐标的大小,纵坐标的范围为0-Y,其中Y为0-1000HZ内纵坐标的最大值,本发明实施例中包络频谱图的大小设置为32*64。
步骤二:将训练样本输入到多层卷积神经网络中进行模型的训练,在训练中每批次的样本大小batch_size=30,学习率为=0.0001,迭代次数为100次。卷积神经网络采用图4所示的模型。
步骤三:采用训练好的模型对滚动轴承的不同故障类型进行智能识别,根据输出的故障可能性的大小判断最终的故障类型。识别结果对比如表1所示:
表1:模型准确率对比
由此可以得出,本发明实施例的轴承故障识别方法的准确性最高。
本发明实施例的另一方面,还提供了一种轴承故障识别装置,该装置可以用于执行本发明实施例的轴承故障识别方法,具体地,如图5所示,该装置包括:
获取模块501,用于获取待测轴承工作过程中的振动信号。
转化模块502,用于将所述振动信号转化为所述待测轴承的加速度包络频谱图。
识别模块503,用于将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
根据本发明实施例,通过将待测轴承的振动信号转化为加速度包络频谱图,通过卷积神经网络提取包络频谱曲线图中表征故障类型的图像特征,并对待测轴承的故障进行诊断识别,将神经网络诊断记过以可能性的方式输出,根据可能性的大小判断相应的故障。通过将包络频谱图输入到多层卷积神经网络中,无需通过人工经验判断,也无需进行特征提取、特征选择等操作,将加速度包络故障诊断与深度学习识别方法相结合提高了诊断的准确率与可行性。
可选地,所述转化模块包括:带通滤波单元,用于对所述振动信号进行带通滤波,提取所述振动信号的高频信号;全波整流单元,用于对提取到的高频信号进行全波整流处理,得到整流后的信号;包络检波单元,用于对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;低通滤波单元,用于对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;傅里叶变换单元,用于对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述加速度包络频谱图。
可选地,所述包络检波单元包括:变换子单元,用于对所述整流后的信号进行希尔伯特变换,得到变换后的信号;计算子单元,用于利用所述变换后的信号计算相应的解析信号或共轭信号;将所述解析信号或所述共轭信号的幅值作为所述包络信号。
可选地,所述低通滤波单元具体用于对所述包络检波后的包络信号加凯撒窗,并采用巴特沃斯低通滤波器对加凯撒窗后的包络信号进行滤波处理。
可选地,所述轴承故障识别装置还包括:第二获取模块,用于在将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中之前,获取样本轴承的训练样本数据,所述训练样本数据包括训练数据集和测试数据集;训练模块,用于利用所述训练样本数据对初始的卷积神经网络模型进行训练,得到训练后的卷积神经网络。
可选地,所述卷积神经网络可识别出的故障类型包括:外圈故障、内圈故障和保持架故障,所述故障概率包括所述外圈故障的概率、所述内圈故障的概率和所述保持架故障的概率。
可选地,所述第二获取模块包括:获取单元,用于获取样本轴承工作过程中的样本振动信号;样本带通滤波单元,用于对所述样本振动信号进行带通滤波,提取所述样本振动信号的高频信号;样本全波整流单元,用于对提取到的高频信号进行全波整流处理,得到整流后的信号;样本包络检波单元,用于对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;样本低通滤波单元,用于对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;样本傅里叶变换单元,用于对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述训练数据集。
具体描述参见上述方法实施例,这里不再赘述。
本实施例还提供一种计算机设备,如可以执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图6所示。需要指出的是,图6仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如实施例所述的轴承故障识别装置的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行轴承故障识别装置,以实现实施例的轴承故障识别方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储轴承故障识别装置,被处理器执行时实现实施例的轴承故障识别方法。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轴承故障识别方法,其特征在于,包括:
获取待测轴承工作过程中的振动信号;
将所述振动信号转化为所述待测轴承的加速度包络频谱图;
将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
2.根据权利要求1所述的轴承故障识别方法,其特征在于,所述将所述振动信号转化为所述待测轴承的加速度包络频谱图包括:
对所述振动信号进行带通滤波,提取所述振动信号的高频信号;
对提取到的高频信号进行全波整流处理,得到整流后的信号;
对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;
对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;
对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述加速度包络频谱图。
3.根据权利要求2所述的轴承故障识别方法,其特征在于,对所述整流后的信号进行包络检波处理,包括:
对所述整流后的信号进行希尔伯特变换,得到变换后的信号;
利用所述变换后的信号计算相应的解析信号或共轭信号;
将所述解析信号或所述共轭信号的幅值作为所述包络信号。
4.根据权利要求2所述的轴承故障识别方法,其特征在于,对所述包络检波后的包络信号进行低通滤波处理,包括:
对所述包络检波后的包络信号加凯撒窗,并采用巴特沃斯低通滤波器对加凯撒窗后的包络信号进行滤波处理。
5.根据权利要求1所述的轴承故障识别方法,其特征在于,在将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中之前,所述轴承故障识别方法还包括:
获取样本轴承的训练样本数据,所述训练样本数据包括训练数据集和测试数据集;
利用所述训练样本数据对初始的卷积神经网络模型进行训练,得到训练后的卷积神经网络。
6.根据权利要求5所述的轴承故障识别方法,其特征在于,所述卷积神经网络可识别出的故障类型包括:外圈故障、内圈故障和保持架故障,所述故障概率包括所述外圈故障的概率、所述内圈故障的概率和所述保持架故障的概率。
7.根据权利要求6所述的轴承故障识别方法,其特征在于,获取样本轴承的训练样本数据,包括:
获取样本轴承工作过程中的样本振动信号;
对所述样本振动信号进行带通滤波,提取所述样本振动信号的高频信号;
对提取到的高频信号进行全波整流处理,得到整流后的信号;
对所述整流后的信号进行包络检波处理,得到包络检波后的包络信号;
对所述包络检波后的包络信号进行低通滤波处理,得到低通滤波处理后的信号;
对所述低通滤波处理后的信号进行快速傅里叶变换,得到所述训练数据集。
8.一种轴承故障识别装置,其特征在于,包括:
获取模块,用于获取待测轴承工作过程中的振动信号;
转化模块,用于将所述振动信号转化为所述待测轴承的加速度包络频谱图;
识别模块,用于将所述加速度包络频谱图输入到预先训练得到的卷积神经网络中,以提取出所述加速度包络频谱图的图像特征,并基于所述图像特征识别出所述待测轴承的故障概率。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一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:所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850937.0A CN110487549A (zh) | 2019-09-10 | 2019-09-10 | 轴承故障识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850937.0A CN110487549A (zh) | 2019-09-10 | 2019-09-10 | 轴承故障识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110487549A true CN110487549A (zh) | 2019-11-22 |
Family
ID=68557104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910850937.0A Pending CN110487549A (zh) | 2019-09-10 | 2019-09-10 | 轴承故障识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110487549A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
CN112132069A (zh) * | 2020-09-27 | 2020-12-25 | 中国特种设备检测研究院 | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 |
CN112329650A (zh) * | 2020-11-09 | 2021-02-05 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于卷积神经网络的加速度计故障诊断方法 |
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 |
CN113049251A (zh) * | 2021-03-16 | 2021-06-29 | 哈工大机器人(合肥)国际创新研究院 | 一种基于噪声的轴承故障诊断方法 |
CN113236595A (zh) * | 2021-07-13 | 2021-08-10 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
CN113916363A (zh) * | 2021-10-08 | 2022-01-11 | 深圳沈鼓测控技术有限公司 | 一种大型旋转设备轴振传感器故障检测方法和系统 |
CN114152433A (zh) * | 2021-12-28 | 2022-03-08 | 浙江清华柔性电子技术研究院 | 转子故障检测系统以及旋转机械 |
US20230123117A1 (en) * | 2019-12-31 | 2023-04-20 | Envision Digital International Pte. Ltd. | Method and Apparatus for Inspecting Wind Turbine Blade, And Device And Storage Medium Thereof |
US20230175925A1 (en) * | 2021-12-02 | 2023-06-08 | Aktiebolaget Skf | System and method for bearing defect auto-detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
-
2019
- 2019-09-10 CN CN201910850937.0A patent/CN110487549A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
Non-Patent Citations (5)
Title |
---|
PENGFEI LIANG , CHAO DENG: "Intelligent Fault Diagnosis of Rolling Element Bearing Based on Convolutional Neural Network and Frequency Spectrograms", 《2019 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (ICPHM)》 * |
SHRINATHAN ESAKIMUTHU PANDARAKONE: "Deep Neural Network based Bearing Fault Diagnosis of Induction Motor using Fast Fourier Transform Analysis", 《2018 IEEE能源转换大会暨展览会(ECCE)》 * |
张彦强: "利用共振解调技术对滚动轴承故障诊断", 《包钢科技》 * |
张志华等: "固体润滑滚动轴承摆动工作的故障诊断方法", 《振动、测试与诊断》 * |
王亮: "基于DSP的滚动轴承故障诊断系统研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230123117A1 (en) * | 2019-12-31 | 2023-04-20 | Envision Digital International Pte. Ltd. | Method and Apparatus for Inspecting Wind Turbine Blade, And Device And Storage Medium Thereof |
US11905926B2 (en) * | 2019-12-31 | 2024-02-20 | Envision Digital International Pte. Ltd. | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof |
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
CN112132069A (zh) * | 2020-09-27 | 2020-12-25 | 中国特种设备检测研究院 | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 |
CN112329650A (zh) * | 2020-11-09 | 2021-02-05 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于卷积神经网络的加速度计故障诊断方法 |
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 |
CN113049251A (zh) * | 2021-03-16 | 2021-06-29 | 哈工大机器人(合肥)国际创新研究院 | 一种基于噪声的轴承故障诊断方法 |
CN113236595B (zh) * | 2021-07-13 | 2021-09-28 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
CN113236595A (zh) * | 2021-07-13 | 2021-08-10 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
CN113916363A (zh) * | 2021-10-08 | 2022-01-11 | 深圳沈鼓测控技术有限公司 | 一种大型旋转设备轴振传感器故障检测方法和系统 |
US20230175925A1 (en) * | 2021-12-02 | 2023-06-08 | Aktiebolaget Skf | System and method for bearing defect auto-detection |
US11906390B2 (en) * | 2021-12-02 | 2024-02-20 | Aktiebolaget Skf | System and method for bearing defect auto-detection |
CN114152433A (zh) * | 2021-12-28 | 2022-03-08 | 浙江清华柔性电子技术研究院 | 转子故障检测系统以及旋转机械 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110487549A (zh) | 轴承故障识别方法、装置、计算机设备及存储介质 | |
Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
CN112883994A (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN110907732A (zh) | 基于pca-rbf神经网络的调相机故障诊断方法 | |
Saeki et al. | Visual explanation of neural network based rotation machinery anomaly detection system | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
Ye et al. | Deep negative correlation multisource domains adaptation network for machinery fault diagnosis under different working conditions | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
Yang et al. | An improved deep network for intelligent diagnosis of machinery faults with similar features | |
Feng et al. | A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network | |
Zhang et al. | Few-shot bearing fault diagnosis based on meta-learning with discriminant space optimization | |
Zhang et al. | Fault diagnosis based on optimized node entropy using lifting wavelet packet transform and genetic algorithms | |
Goyal et al. | An intelligent self-adaptive bearing fault diagnosis approach based on improved local mean decomposition | |
Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
Zhao et al. | Parallel adversarial feature learning and enhancement of feature discriminability for fault diagnosis of a planetary gearbox under time-varying speed conditions | |
Hu et al. | Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances | |
Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
CN116383739A (zh) | 基于域自适应的多模态数据融合的智能故障诊断方法 | |
Luo et al. | Fault diagnosis based on orthogonal semi-supervised LLTSA for feature extraction and Transductive SVM for fault identification |
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: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |