CN110646203A - 基于奇异值分解和自编码器的轴承故障特征提取方法 - Google Patents
基于奇异值分解和自编码器的轴承故障特征提取方法 Download PDFInfo
- Publication number
- CN110646203A CN110646203A CN201910785622.2A CN201910785622A CN110646203A CN 110646203 A CN110646203 A CN 110646203A CN 201910785622 A CN201910785622 A CN 201910785622A CN 110646203 A CN110646203 A CN 110646203A
- Authority
- CN
- China
- Prior art keywords
- self
- feature extraction
- encoder
- singular value
- value decomposition
- 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
Images
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
本发明提供一种基于奇异值分解和自编码器的轴承故障特征提取方法,首先采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f);对时频信息矩阵S(τ,f)进行奇异值分解,得到奇异值;使用自编码器对获得的奇异值进行特征提取,得到轴承振动的特征;本发明的有益效果:将深度学习运用于轴承故障特征提取,能够有效提取故障时频特征。
Description
技术领域
本发明涉及滚动轴承故障特征提取技术领域,特别涉及一种基于奇异值分解和自编码器的轴承故障特征提取方法。
背景技术
滚动轴承是利用轴与轴座之间的滚动摩擦替代原来面与面之间的滑动摩擦、而减少摩擦损失的一种的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成,具有效率高、摩擦阻力小、装配方便、润滑容易等优点,在旋转机械中得到广泛的应用。
滚动轴承作为机械设备的主要传动部件,通常在运行一段时间后,由于工作环境恶劣、轴承过载以及部件磨损等原因,会或多或少出现故障情况,如果滚动轴承出现故障没有及时发现并整修,会使得滚动轴承故障加剧,甚者导致机械设备彻底损坏。通过定期对滚动轴承进行检测和故障诊断并依据诊断结果进行保养维护,能够有效提高滚动轴承的稳定性和使用年限,有利于提高生产效率、免事故的发生。因此,对滚动轴承运转状态的检测和故障诊断具有重要的意义。
当滚动轴承某一部件(外圈、内圈、滚动体和保持架)的表面出现局部损伤(点蚀、剥落、裂纹等)时,其损伤表面在与其他表面接触时产生的瞬态冲击力,能够激起包括轴承元件、传感器和相关结构的固有频率,产生具有共振调制特征的冲击响应信号。受恶劣的工作环境以及信号传递路径的影响,实际采集到的轴承振动信号十分复杂,含有大量噪声信号,由于各种不同来源的信号相互耦合,在总体振动信号中很难发现表征故障特征的微弱信号。因此,从总体振动信号中准确提取表征轴承故障的冲击响应信号是滚动轴承诊断的关键任务之一。
目前,滚动轴承故障诊断常用的方法有三类:时域分析方法(如参数法、冲击脉冲等);频域分析方法(如共振解调法、倒频谱等);以及以小波变换为代表的时频分析方法等。然而,考虑到实际运行转速的波动和滚动体的滑动因素,轴承故障产生的瞬态冲击响应具有非平稳特性,这些方法的诊断能力会经常受到影响,因此学者们对一些新的信号处理方法进行了大量研究。近年来,深度学习在信号特征提取上取得了较大成就。许多学者应用自编码器直接提取轴承的时域信号,但是这种方法忽略了频域信号。如何有效地从轴承振动信号中,提取出时频域特征值得研究。
发明内容
为了解决上述问题,本发明提供了一种基于奇异值分解和自编码器的轴承故障特征提取方法。一这种于奇异值分解和自编码器的轴承故障特征提取方法要包括以下步骤:
S101:采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f);
S102:对S101中的时频信息矩阵S(τ,f)进行奇异值分解,得到奇异值;
S103:使用自编码器对获得的奇异值进行特征提取,得到轴承振动的特征。
进一步地,在步骤S101中,所述时频信息矩阵S(τ,f)的计算式如公式(1)所示:
进一步地,在步骤S102中,所述奇异值的计算公式如式(2)所示:
S(τ,f)=UΓVT (2)
进一步地,在步骤S103中,使用自编码器对获得的奇异值进行特征提取,其具体步骤如下:
S201:构造自编码器模型;
S202:使用构造的自编码器模型进行特征提取,得到特征向量。
进一步地,在步骤S401中,构造自编码器的具体步骤如下:
S301:假设输入数据为y∈{σ1,σ2,...σr},则隐藏层、输出层神经元的激活情况为:
g=f(Ey+b) (3)
h=f(ETg+b′) (4)
S302:目标函数为
S303:训练方式为:
其中,η为学习速率,通常取0.01。
进一步地,在步骤S202中,h即为所提取的特征向量。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于奇异值分解和自编码器的轴承故障特征提取方法的流程图;
图2是本发明实施例中自编码器结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于奇异值分解和自编码器的轴承故障特征提取方法。
请参考图1和图2,图1是本发明实施例中一种基于奇异值分解和自编码器的轴承故障特征提取方法的流程图,图2是本发明实施例中所使用的自编码器结构示意图。
具体包括以下步骤:
S101:采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f);
S102:对S101中的时频信息矩阵S(τ,f)进行奇异值分解,得到奇异值;
S103:使用自编码器对获得的奇异值进行特征提取,得到轴承振动的特征。
进一步地,在步骤S101中,所述时频信息矩阵的具体计算步骤如下:
使用S变换获取轴承振动信号x(t)的时频信息矩阵S(τ,f),其计算式如公式(1)所示:
在步骤S102中,所述通过奇异值分解,得到奇异值的具体步骤如下:
将上述所得时频信息矩阵S(τ,f)进行奇异值分解,获取奇异值,计算公式如式(2)所示:
S(τ,f)=UΓVT (2)
在步骤S103中,使用自编码器对获得的奇异值进行特征提取,其具体步骤如下:
S201:构造自编码器模型;
假设输入数据为y∈{σ1,σ2,...σr},则隐藏层、输出层神经元的激活情况为:
h=f(Ey+b) (3)
g=f(ETg+b′) (4)
目标函数为
训练方式为:
其中,η为学习速率,通常取0.01。
S202:使用构造的自编码器模型进行特征提取,得到h为所提取出的特征向量。
本发明的有益效果是:有效提取轴承振动信号的特征、助检修人员及早发现异常状况。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (6)
1.一种基于奇异值分解和自编码器的轴承故障特征提取方法,其特征在于:包括以下步骤:
S101:采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f);
S102:对S101中的时频信息矩阵S(τ,f)进行奇异值分解,得到奇异值;
S103:使用自编码器对获得的奇异值进行特征提取,得到轴承振动的特征。
4.如权利要求1所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法,其特征在于:在步骤S103中,使用自编码器对获得的奇异值进行特征提取,其具体步骤如下:
S201:构造自编码器模型;
S202:使用构造的自编码器模型进行特征提取,得到特征向量。
6.如权利要求5所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法,其特征在于:在步骤S202中,h即为所提取的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910785622.2A CN110646203B (zh) | 2019-08-23 | 2019-08-23 | 基于奇异值分解和自编码器的轴承故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910785622.2A CN110646203B (zh) | 2019-08-23 | 2019-08-23 | 基于奇异值分解和自编码器的轴承故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110646203A true CN110646203A (zh) | 2020-01-03 |
CN110646203B CN110646203B (zh) | 2021-06-04 |
Family
ID=69009768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910785622.2A Active CN110646203B (zh) | 2019-08-23 | 2019-08-23 | 基于奇异值分解和自编码器的轴承故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110646203B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04161829A (ja) * | 1990-10-25 | 1992-06-05 | Konica Corp | 回転体軸受の異常検出方法 |
JP2008292223A (ja) * | 2007-05-23 | 2008-12-04 | Nsk Ltd | 転がり軸受ユニットの状態量測定装置 |
CN103190898A (zh) * | 2013-04-23 | 2013-07-10 | 何怡刚 | 心磁信号噪声自适应滤波消除设计方法 |
CN103558022A (zh) * | 2013-11-08 | 2014-02-05 | 国网福建晋江市供电有限公司 | 基于振动信号聚类的配电开关机械状态诊断方法 |
CN104799852A (zh) * | 2015-05-19 | 2015-07-29 | 北京工业大学 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN108446766A (zh) * | 2018-03-21 | 2018-08-24 | 北京理工大学 | 一种快速训练堆栈自编码深度神经网络的方法 |
CN108491859A (zh) * | 2018-02-11 | 2018-09-04 | 郭静秋 | 基于自动编码机的驾驶行为异质性特征的识别方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109541455A (zh) * | 2018-12-03 | 2019-03-29 | 国网江苏省电力有限公司南京供电分公司 | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
CN110086776A (zh) * | 2019-03-22 | 2019-08-02 | 国网河南省电力公司经济技术研究院 | 基于深度学习的智能变电站网络入侵检测系统及检测方法 |
-
2019
- 2019-08-23 CN CN201910785622.2A patent/CN110646203B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04161829A (ja) * | 1990-10-25 | 1992-06-05 | Konica Corp | 回転体軸受の異常検出方法 |
JP2008292223A (ja) * | 2007-05-23 | 2008-12-04 | Nsk Ltd | 転がり軸受ユニットの状態量測定装置 |
CN103190898A (zh) * | 2013-04-23 | 2013-07-10 | 何怡刚 | 心磁信号噪声自适应滤波消除设计方法 |
CN103558022A (zh) * | 2013-11-08 | 2014-02-05 | 国网福建晋江市供电有限公司 | 基于振动信号聚类的配电开关机械状态诊断方法 |
CN104799852A (zh) * | 2015-05-19 | 2015-07-29 | 北京工业大学 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN108491859A (zh) * | 2018-02-11 | 2018-09-04 | 郭静秋 | 基于自动编码机的驾驶行为异质性特征的识别方法 |
CN108446766A (zh) * | 2018-03-21 | 2018-08-24 | 北京理工大学 | 一种快速训练堆栈自编码深度神经网络的方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109541455A (zh) * | 2018-12-03 | 2019-03-29 | 国网江苏省电力有限公司南京供电分公司 | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110086776A (zh) * | 2019-03-22 | 2019-08-02 | 国网河南省电力公司经济技术研究院 | 基于深度学习的智能变电站网络入侵检测系统及检测方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
FENGTAO WANG 等: "A deep feature extraction method for bearing fault diagnosis based on empirical mode decomposition and kernel function", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
侯荣涛 等: "基于堆叠稀疏自编码的滚动轴承故障诊断", 《轴承》 * |
张绍辉: "基于多路稀疏自编码的轴承状态动态监测", 《振动与冲击》 * |
张龙 等: "基于S变换和改进SVD的滚动轴承智能诊断方法", 《仪表技术与传感器》 * |
李艳峰 等: "基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法", 《上海交通大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110646203B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
Wang et al. | Minimum entropy deconvolution based on simulation-determined band pass filter to detect faults in axial piston pump bearings | |
Han et al. | Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
Ericsson et al. | Towards automatic detection of local bearing defects in rotating machines | |
CN101561314B (zh) | 随机共振-混沌微弱信号检测方法 | |
Endo et al. | Differential diagnosis of spall vs. cracks in the gear tooth fillet region: Experimental validation | |
Saufi et al. | Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals | |
López et al. | Hidden Markov model based stochastic resonance and its application to bearing fault diagnosis | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN110702411A (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN108956143B (zh) | 一种转子-轴承系统的横向裂纹故障特征量提取方法 | |
Zhao et al. | Fast sparsity-assisted signal decomposition with nonconvex enhancement for bearing fault diagnosis | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
Pan et al. | High-precision bearing signal recovery based on signal fusion and variable stepsize forward-backward pursuit | |
Dong et al. | Incipient bearing fault feature extraction based on minimum entropy deconvolution and K-singular value decomposition | |
CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
CN110646203B (zh) | 基于奇异值分解和自编码器的轴承故障特征提取方法 | |
Sun et al. | Integrated fault diagnosis of rolling bearings based on improved multichannel singular spectrum analysis and frequency–spatial domain decomposition | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN113357101A (zh) | 一种风力发电机电磁时空耦合载荷的识别方法 | |
Sun et al. | A fault feature extraction method for single-channel signal of rotary machinery based on VMD and KICA | |
CN112504678A (zh) | 一种基于知识蒸馏的电机轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |