CN110795843B - 一种识别滚动轴承故障的方法及装置 - Google Patents
一种识别滚动轴承故障的方法及装置 Download PDFInfo
- Publication number
- CN110795843B CN110795843B CN201911018633.4A CN201911018633A CN110795843B CN 110795843 B CN110795843 B CN 110795843B CN 201911018633 A CN201911018633 A CN 201911018633A CN 110795843 B CN110795843 B CN 110795843B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- signal
- new
- fault
- neural network
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
Abstract
本发明实施例提供一种识别滚动轴承故障的方法及装置，方法包括：将采集到的不同工况下的滚动轴承振动信号进行相关处理；基于相关处理后的滚动轴承振动信号，训练改进卷积神经网络；将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到目标滚动轴承的故障类型和故障程度。本发明通过改进经验小波变换和归一化处理为后续改进卷积神经网络的自动特征提取提供优秀的训练样本；将卷积神经网络进行改进，使在同一个特征面上，不同的传感器数据配备不同的卷积核，使每个传感器通道的振动数据都有合适的滤波器，可以有效提取数据的本质特征，增强特征提取的鲁棒性，增强网络的泛化性能，可以有效提高滚动轴承的故障识别的鲁棒性和准确性。
Description
技术领域
本发明涉及滚动轴承故障识别的技术领域，尤其涉及一种识别滚动轴承故障的方法及装置。
背景技术
滚动轴承是旋转设备的重要部件之一，其健康状况对旋转设备的性能和稳定性都有一定影响。一旦滚动轴承出现故障，则会影响到旋转设备性能、生产质量甚至工作人员的人身安全。
现阶段，通常使用基于“人工提取特征+人工选择特征+浅层分类器”的方法对滚动轴承进行故障识别。具体地，首先，采集滚动轴承的振动信号，并人工提取前述滚动轴承的振动信号的特征。然后，根据既有经验为不同的识别任务人工选择相应的特征，并基于人工选择的相应的特征通过支持向量机、神经网络等浅层分类器进行故障识别。上述故障识别方法使得故障识别结果的准确性很大程度上依赖于人的经验，进而导致识别结果的准确性较低。此外，在对滚动轴承进行故障识别过程中，噪声会对识别结果产生一定的影响。
因此，如何有效识别滚动轴承故障，成为亟待解决的技术问题。
发明内容
本发明实施例提供一种识别滚动轴承故障的方法及装置，用以解决如何有效识别滚动轴承故障这一技术问题。
本发明实施例提供一种识别滚动轴承故障的方法，包括：
将采集到的不同工况下的滚动轴承振动信号进行相关处理；
基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络；
将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度。
可选地，所述将采集到的不同工况下的滚动轴承振动信号进行相关处理，包括：
使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；
利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；
将确定出的所述模态分量重构为新的信号；
对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值。
可选地，所述基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络，包括：
将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
可选地，所述将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度之后，所述识别滚动轴承故障的方法还包括：
基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
本发明实施例提供一种识别滚动轴承故障的装置，包括：相关处理模块、网络训练模块和类型程度得到模块；
所述相关处理模块，用于将采集到的不同工况下的滚动轴承振动信号进行相关处理；
所述网络训练模块，用于基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络；
所述类型程度得到模块，用于将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度。
可选地，所述相关处理模块，具体用于：
使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；
利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；
将确定出的所述模态分量重构为新的信号；
对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值。
可选地，所述网络训练模块，具体用于：
将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
可选地，所述类型程度得到模块之后，所述识别滚动轴承故障的装置还包括：准确率确定模块；
所述准确率确定模块，用于基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
本发明实施例通过改进经验小波变换和归一化处理为后续改进卷积神经网络的自动特征提取提供优秀的训练样本；将卷积神经网络进行改进，使在同一个特征面上，不同的传感器数据配备不同的卷积核，使每个传感器通道的振动数据都有合适的滤波器，可以有效提取数据的本质特征，增强特征提取的鲁棒性，增强网络的泛化性能，从而可以实现滚动轴承振动信号特征的自动化提取和故障的自动化识别，进而可以有效提高滚动轴承的故障识别的鲁棒性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种识别滚动轴承故障的方法的流程示意图；
图2为本发明一实施例提供的滚动轴承7种工况时域图；
图3为本发明一实施例提供的基于尺度空间法的经验小波变换的仿真信号分解结果；
图4为本发明一实施例提供的改进经验小波变换的仿真信号分解结果；
图5为本发明一实施例提供的基于尺度空间法的经验小波变换的仿真信号时频图像；
图6为本发明一实施例提供的改进经验小波变换的仿真信号时频图像；
图7为本发明一实施例提供的基于尺度空间法的经验小波变换的轴承实际振动信号分解结果；
图8为本发明一实施例提供的改进经验小波变换轴承实际振动信号分解结果；
图9为本发明实施例提供的基于尺度空间法的经验小波变换的轴承实际振动时频图像；
图10为本发明一实施例提供的改进经验小波变换的轴承实际振动信号时频图像；
图11为本发明一实施例提供的改进卷积神经网络结构图；
图12为本发明一实施例提供的不同方法的5次试验结果示意图；
图13为本发明一实施例提供的改进卷积神经网络提取的轴承外圈故障信号第1层特征；
图14为本发明一实施例提供的一种识别滚动轴承故障的装置的结构示意图；
图15为本发明一实施例提供的一种识别滚动轴承故障的装置的另一结构示意图；
图16为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于滚动轴承的故障识别实际上是对故障编码进行识别的过程，故而，可以对滚动轴承每种工况设置对应的代号和编码。具体的，以测试的滚动轴承型号为LDK UER204滚动轴承为例，可以设定3种不同的工况条件：(1)转速2100rpm和负载12kN；(2)转速2250rpm和负载11kN；(3)转速2400rpm和负载10kN，为采集滚动轴承振动信号，可以将两个PCB352C33型加速度计分别安装在被测滚动轴承的外壳上90°的位置，即一个安装在水平轴上，另一个安装在垂直轴上。在采样频率为25.6kHz下，使用电火花技术在滚动轴承的内圈、外圈和滚动体上加工故障直径为0.18mm和0.36mm的环槽以模拟滚动轴承轻度故障和中度故障，共设计7种滚动轴承的不同工况，相应的，滚动轴承不同工况对应的代号和编码可以参见表1，轴承参数见表2，图2为7种工况时域波形，由时域图可知，轴承内圈和外圈故障信号出现周期性冲击成分，但早期故障信号受噪声干扰严重，部分冲击淹没在噪声中，振动情况较为复杂，难以区分滚动轴承故障类型及故障程度。且由于传统特征提取方法的不确定性和复杂性，使得轴承早期轻微故障特征和复合故障特征难以提取，致使故障识别的难度很大。因此有必要引入深度学习进行逐层特征提取以建立各种故障状态与输入信号之间的精确映射关系。
表1
表2滚动轴承参数描述
| 滚子直径d/mm | 节圆直径D/mm | 滚子数Z | 接触角α/(°) |
| 10 | 40 | 9 | 0 |
图1示出了本发明一实施例提供的识别滚动轴承故障的方法的流程示意图，包括：
S11，将采集到的不同工况下的滚动轴承振动信号进行相关处理。
在本发明实施例中，其中，不同工况至少包括：正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及复合故障状态。利用加速度传感器采集不同工况下的滚动轴承振动信号。所述将采集到的不同工况下的滚动轴承振动信号进行相关处理包括：对采集到的不同工况下的滚动轴承振动信号进行改进经验小波变换，得到本征模态分量(intrinsicmode function，IMF)；进一步确定出能反映所述滚动轴承振动信号故障特征的模态分量；将所述模态分量重构为新的信号；再对所述新的信号进行归一化处理。
S12，基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络。
在本发明实施例中，取预设比例的相关处理后的所述滚动轴承振动信号作为训练样本，并将所述训练样本输入改进卷积神经网络中，训练改进卷积神经网络，对滚动轴承故障特征进行深度学习，得到训练好的改进卷积神经网络。
S13，将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度。
在本发明实施例中，所述目标滚动轴承振动信号是待识别的滚动轴承振动信号。将所述目标滚动轴承振动信号输入训练好的改进卷积神经网络中，即可得到所述目标滚动轴承的故障类型和故障程度。
本发明实施例通过改进经验小波变换和归一化处理为后续改进卷积神经网络的自动特征提取提供优秀的训练样本；将卷积神经网络进行改进，使在同一个特征面上，不同的传感器数据配备不同的卷积核，使每个传感器通道的振动数据都有合适的滤波器，可以有效提取数据的本质特征，增强特征提取的鲁棒性，增强网络的泛化性能，从而可以实现滚动轴承振动信号特征的自动化提取和故障的自动化识别，进而可以有效提高滚动轴承的故障识别的鲁棒性和准确性。
进一步地，在上述方法实施例的基础上，所述将采集到的不同工况下的滚动轴承振动信号进行相关处理，包括：使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；将确定出的所述模态分量重构为新的信号；对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值。
在本发明实施例中，使用改进经验小波变换(improved empirical wavelettransform，IEWT)自适应分割所述滚动轴承振动信号的功率谱，将滚动轴承振动信号自适应分解为若干本征模态分量，并利用基于峭度、相关系数、能量比的综合评价指标P，确定出能反映原始信号故障特征的模态分量并将确定出的模态分量重构为新的信号。
传统经验小波变换(empirical wavelet transform，EWT)算法通过自适应分割信号的频谱，并建立合适的小波滤波器以提取不同频段的调幅-调频成分，从而将信号分解为N个单分量模态函数之和。为了找出频谱区间边界，目前主要存在四种边界检测法：局部极大值法、局部极大极小值法、自适应法和尺度空间法。前两种方法需要人为设置子分量个数；自适应法要考虑每个边界可能出现的位置；尺度空间法容易使得某些频率成分无法分离。因此本发明对EWT算法进行改进，改进内容包括2部分：(1)本发明提出一种基于振动信号功率谱确定EWT分解模态数的幅值阈值筛选法。(2)基于完备总体经验模态分解(complementary ensemble empirical mode decomposition，CEEMD)的优势，本发明提出辅助白噪声法优化EWT。功率谱表示信号功率和频率之间的关系。实际采集到的轴承振动信号易受噪声干扰，通常为复杂的非平稳信号，其中多振源激励和响应相互耦合，包含多种干扰成分，每种成分都有相应的频域特性，因此，可以将轴承振动信号的整个频段划分成若干个具有窄带特性的带宽，并根据相应频带中的频率幅值判断该频带是否为有效频带，有效频带的个数即为调幅-调频分量个数，基于EWT分解模式和信号功率谱的特点，提出一种基于轴承振动信号功率谱幅值阈值筛选法以确定EWT分解模态数。幅值阈值T用以度量信号功率谱中相应频率的幅值，幅值超过T的频率被认为是原信号中的有用频率分量，被保留；幅值过小，则看做干扰忽略。使用幅值阈值筛选法确定模态数的具体实现步骤为：
(1)基于被分析轴承振动信号的频域特性确定幅值阈值T；
(2)计算振动信号相应的功率谱；
(3)得到功率谱的局部极大值点以及相应的下标序列；
(4)基于幅值阈值T对步骤(3)中得到的局部极值进行判断；幅值大于T的极值对应的下标视为有用边界，相应频带作为被分析信号的有效频带；
(5)统计有效边界，得到有效的频带区间，即得到分解模态数。
在本发明中，幅值阈值T依据Otsu准则自适应确定，即选择特定阈值T以最大化有用频率分量和干扰频率分量之间的方差，此时两类数据之间的差异也最大。基于Otsu准则确定幅值阈值T的基本原理如下：将轴承振动信号功率谱幅值视为长度为m的离散序列{xi}，i＝1，2，...，m，xmax、xmin分别为序列最大值和最小值。令灰度对应功率谱中频率幅值大小，L为灰度等级，令dx＝(xmax-xmin)/L。统计幅值落在[(l-1)dx，ldx]范围内的值的数量为nl，l为灰度值，l＝1，2，...，L。灰度值l出现的概率为pl＝nl/N，N＝n1+n2+……+nL。将序列{xi}的频率幅值分成两类，幅值落在[0，kdx]范围内的构成一类，记C0；幅值落在[(k+1)dx，Ldx]范围内的构成另一类，记C1。两种灰度均值μ0(k)、μ1(k)和方差σ0 2(k)、σ1 2(k)的详细计算公式如下：
则C0和C1的类内方差之和为：
式中：μ为整个序列的灰度均值，计算式如下：
令
最终得到最优阈值T＝k*dx。由此可得到所有的区间边界，则N个区间段中的每个区间都可表示为An＝[Mn-1，Mn]，Mn为第n个边界，经验小波的母小波定义为An上的带通滤波器，借鉴Littlewood-Paley和Meyer在构造小波基函数的做法，定义经验小波母函数和经验尺度函数如下：
取β(x)＝x4(35-84x+70x2-20x3)，τn＝γwn，当时，/>在L2(R)空间上构成紧支框架。由此可得经验小波变换的细节系数和近似系数，如下：
信号重建公式如下：
式中：*代表卷积操作，则信号f(t)可被分解为：
式中：k＝(1，2，...，N-1)。
其中，为进一步提高信号的信噪比，CEEMD为减小重构误差，向待分解信号中添加正负白噪声对，通过仿真与试验分析可知，相比于集合经验模态分解中单纯的添加正白噪声，CEEMD中添加正负白噪声对的方法有效降低了重构误差。因此，基于正负白噪声对在降低重构误差方面的显著效果，本发明所提出的IEWT在添加辅助白噪声时，也采取添加正负白噪声对的思想，即每次循环时所添加的白噪声为2个幅值相等、符号相反的正负白噪声对。加入辅助白噪声后，将得到2个待分解信号，然后再利用IEWT分别对其进行分解，经过多次循环，最终将每次循环得到的各层本征模态分量分别进行集成平均，根据集成均值的结果对信号进行重构，具体步骤如下：
(1)向信号x(t)中加入一对符号相反、均值为0、幅值的标准差为定值std的高斯白噪声noisei(t)(i＝1～N)，得到2个待分解信号xi1(t)、xi2(t)。
(2)分别对xi1(t)、xi2(t)进行IEWT分解，得到2组IMF，如下：
式中：imf1ij(t)表示信号xi1(t)第i次分解后得到的第j个IMF分量；imf2ij(t)表示信号xi2(t)第i次分解后得到的第j个IMF分量。
(3)重复步骤(1)、(2)，且每次循环开始时加入新的高斯白噪声对。
(4)经过N次循环，将最终得到的2×N×k个IMF进行集成平均，如下：
式中：imfj(t)表示所有分解结果中第j层IMF分量的集成均值。
(5)根据集成均值的结果对信号进行重构，得到重构后的信号x0(t)：
其中，加权综合评价指标P，一定程度上克服了峭度指标稳定性差、相关系数仅反映变量线性相关程度以及能量比对强噪声的辨识度低等缺陷，本发明将其用于IEWT中，P的表达式如下：
式中：η，ζ为比例系数，/>η，ζ<1。Kr为峭度，对冲击信号等大幅值敏感，Kr越大，表明信号中周期性冲击成分比重越大，故障较严重；rxy为相关系数，反映了变量之间相关关系的密切程度，rxy越大，表明各模态与原始信号相关程度越大；exy为能量比，定量表征各模态与原始信号的相关程度，利用能量比，可剔除IEWT因能量泄漏引入的附加成分，筛选出能量显著、故障特征信息丰富的模态分量。
考虑到轴承振动信号的特性，本文取各指标为相同权值，选择P值最大的前4个模态分量进行重构，这样获得的重构信号具有更高的自相似性和能量特征，包含较多的故障冲击信息，具有较好的稳定性。
采用仿真信号进行分析，考虑到轴承振动信号由调幅-调频成分组成，因此仿真信号f(t)设定由5个分量叠加而成，如下：
f1(t)为余弦信号，f2(t)、f3(t)为调频信号，f4(t)为调幅-调频信号，f5(t)为白噪声，设置采样时间2s，采样间隔2ms。
分别采用基于尺度空间法的EWT和本发明所提出的IEWT对仿真信号f(t)进行分解，分解结果如图3和图4所示，在上述分解结果中，取与原信号相关性较强的前4层进行重构分析，其时频谱分别如图5和图6所示。由图3～6可知，基于尺度空间法的EWT产生了较为严重的模态混叠效应，频谱较为杂乱；而本文提出的IEWT能自适应准确地分解仿真信号，对噪声鲁棒性较强。
以转速2100rpm、径向力12kN工况下的轴承外圈故障振动信号为例，分别采用基于尺度空间法的EWT和本发明提出的IEWT对其进行分解，结果如图7和图8所示，可见，基于尺度空间法的EWT分解结果模态混叠严重，干扰过多；而本文IEWT分解结果模态数明显小于基于尺度空间法的EWT，根据加权综合评价指标P，对信号重构并进行相应的时频变换，如图9和图10所示。由下式计算求得轴承外圈故障特征频率为100.23Hz。
式中，d为滚子直径，D为节圆直径，a为接触角，Z为滚子数，fr为转频，从IEWT时频谱中可以比较清晰的看出故障外圈故障频率以及倍频，验证了本发明的有效性。
其中，将所述重构后的信号归一化处理，所述归一化处理的公式为：
其中，X′i为新的信号进行归一化处理后的数据；i＝1，2，3，...，n，n为轴承振动信号的采样点数；Xi为第i个采样点的新的轴承振动信号；Xmax为新的轴承振动信号中的幅值最大值；Xmin为新的轴承振动信号中的幅值最小值。
本发明实施例通过改进经验小波变换和归一化处理为后续改进卷积神经网络的自动特征提取提供优秀的训练样本。
进一步地，在上述方法实施例的基础上，所述基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络，包括：将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
在本发明实施例中，实际情况下，经常采用多个传感器对轴承进行监测，增加了信息的多样性和完整性，能够更全面的反映轴承运行的状态，进行故障识别时可获得更高的准确度。多传感器数据结构类似于二维图像，但传感器间数据的相关性与传感器内数据的相关性程度不同，若采用普通卷积神经网络对数据的行方向和列方向均进行卷积运算，对图像来说合理，但是运用到多传感器振动数据，则不同传感器(列方向)同一时间段内(行方向)的轴承振动数据就会有卷积运算，同一传感器内的数据是时间相关的，采用卷积运算是合理的；但传感器间的数据是相互独立的，如果要进行卷积运算，则要考虑到不同传感器的所有不同组合情况。由于同一传感器内的振动数据具有相似性，不同传感器间的振动数据不具有该属性，如果将不同传感器间的卷积运算去掉，直接使用一维大小的卷积核就可以达到目的。但是在同一个特征面上，不同的传感器数据共享一个卷积核，即不同传感器的振动数据被强制使用同一个滤波器，这是不合理的，合理的做法是每个传感器振动数据都有最合适的滤波器，因此，针对多传感器的数据结构，本发明提出改进卷积神经网络(improved convolution neural network，ICNN)用于滚动轴承故障识别，ICNN结构如图11所示。
卷积单元CU有多个特征面，1D-Cov为一维卷积运算，每个传感器通道均有3个卷积单元，不同传感器间的卷积单元互不相干，以8个传感器为例，则共有24个卷积单元，普通的卷积神经网络只要3个卷积单元，每个传感器通道的振动数据依次通过最合适自身的3个卷积单元，然后汇总所有传感器通道的信息做最后的分类。可以选择适用于多分类问题的Softmax回归层作最后的分类，下面给出ICNN前向计算公式。
设输入样本为X＝[x1，x2，...，x8]，其中xi(1≤i≤8)为第i个传感器通道的数据，fc为卷积函数，fs为池化函数，则网络输出：
gAi，gBi，gCi表达式均为fs(fc(x))，但计算权值不同，两函数的计算公式如下：
第i层的卷积核大小为1×Pi，池化核大小为1×Qi，vij x为ICNN中第i层第j个特征面且位置是x的神经元的输出值，wp ij,(i-1)m为第i层第j个特征面到第i-1层第m个特征面的核权值，bij为第i层第j个特征面的偏置。gD为全连接层计算函数，表达式如下：
gD(x)＝φ(Wx+b)
φ为ReLU函数，表达式如下：
gE是Softmax层计算函数，假设任务为K分类问题，则表达式如下：
其中，Wj和bj为权重和偏置，ICNN采用和卷积神经网络(convolution neuralnetwork，CNN)相同的反向传播(back propagation，BP)算法。
本发明实施例将卷积神经网络进行改进，使在同一个特征面上，不同的传感器数据配备不同的卷积核，使每个传感器通道的振动数据都有合适的滤波器，可以有效提取数据的本质特征，增强特征提取的鲁棒性，增强网络的泛化性能，从而可以实现滚动轴承振动信号特征的自动化提取和故障的自动化识别，进而可以有效提高滚动轴承的故障识别的鲁棒性和准确性。
进一步地，在上述方法实施例的基础上，所述将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度之后，所述识别滚动轴承故障的方法还包括：基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
在本发明实施例中，为验证本发明提供的识别滚动轴承故障的方法的技术效果，进行了如下实验：
采用人工神经网络(Artificial Neural Network，ANN)、支持向量机(SupportVector Machine，SVM)、深层自编码器(deep auto-encoder，DAE)，即以Sigmoid函数作为激活函数的DAE及深度置信网络(Deep Belief Network，DBN)与本发明提供的方法进行分析比较。其中，ANN和SVM的输入为均方值、均值、方差等24个特征参数，其他方法的主要参数见表3。ANN结构参数由反复实验确定；SVM结构参数由10折交叉验证法确定；DAE和DBN结构及超参数由AutoKeras确定，共进行5次试验。
表3
如图12所示，本发明模型每次试验的准确率分别为98.42％、99.06％、98.83％、98.95％和99.13％，均高于其他方法。参见表4可知，本发明提供的方法的平均识别准确率为98.88％，高于标准DAE(92.25％)、DBN(91.23％)，远高于方法2的ANN(75.25％)和方法3的SVM(83.11％)。参见表5示出的前述4种方法及本发明提供的方法的平均训练时间和平均识别时间，可知，本发明提供的方法测试用时仅0.021s，相对于其他方法，本发明提供的方法具有较好的实用性。比较结果表明，本发明的识别结果具有更高的准确性和稳定性。
表4
| 方法 | 测试集平均识别正确率(×100％)±标准差 |
| 本发明提供的方法 | 98.88±0.18 |
| 方法2 | 75.25±4.25 |
| 方法3 | 83.11±2.47 |
| 方法4 | 92.25±1.13 |
| 方法5 | 91.23±1.36 |
表5
| 方法 | 平均训练时间(s) | 平均识别时间(s) |
| 本发明提供的方法 | 109.79 | 0.021 |
| 方法2 | 96.34 | 0.032 |
| 方法3 | 52.11 | 0.027 |
| 方法4 | 126.13 | 0.045 |
| 方法5 | 146.26 | 0.041 |
为直观的显示ICNN网络所提取的特征，以轴承外圈故障振动信号为例，如图13所示，给出ICNN所提取的第1层的特征(以序列方式)。由图13可以看出，ICNN模型所提取的第1层的特征可以从不同角度表现原始信号，这些特征可以更好地满足Fisher判别准则，更有利于最后的故障识别。
本发明实施例将识别滚动轴承故障的结果与其它方法中识别滚动轴承故障的结果进行比较。比较结果表明，本发明的识别结果具有更高的准确性和稳定性。
图14示出了本发明实施例提供的识别滚动轴承故障的装置的结构示意图，所述识别滚动轴承故障的装置包括：相关处理模块141、网络训练模块142和类型程度得到模块143；
所述相关处理模块141，用于将采集到的不同工况下的滚动轴承振动信号进行相关处理；
所述网络训练模块142，用于基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络；
所述类型程度得到模块143，用于将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度。
可选地，所述相关处理模块141，具体用于：使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；将确定出的所述模态分量重构为新的信号；对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值。
可选地，所述网络训练模块142，具体用于：将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
可选地，所述类型程度得到模块之后，所述识别滚动轴承故障的装置还包括：准确率确定模块151，如图15所示；
所述准确率确定模块151，用于基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
图16为本发明一实施例提供的电子设备的逻辑框图；所述电子设备，包括：处理器(processor)161、存储器(memory)162和总线163；
其中，所述处理器161和存储器162通过所述总线163完成相互间的通信；所述处理器161用于调用所述存储器162中的程序指令，以执行上述方法实施例所提供的识别滚动轴承故障的方法。
本发明一实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，该计算机程序被处理器执行时实现了执行上述各实施例提供的识别滚动轴承故障的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种识别滚动轴承故障的方法，其特征在于，包括：
将采集到的不同工况下的滚动轴承振动信号进行相关处理；
基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络；
将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度；
所述将采集到的不同工况下的滚动轴承振动信号进行相关处理，包括：
使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；
利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；
将确定出的所述模态分量重构为新的信号；
对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值；
所述将确定出的所述模态分量重构为新的信号，包括如下步骤：
(1)向所述新的信号x(t)中加入一对符号相反、均值为0、幅值的标准差为定值std的高斯白噪声noisei(t)(i＝1～N)，得到2个待分解信号xi1(t)、xi2(t)：
(2)分别对xi1(t)、xi2(t)进行IEWT分解，得到2组IMF：
其中：imf1ij(t)表示信号xi1(t)第i次分解后得到的第j个IMF分量；imf2ij(t)表示信号xi2(t)第i次分解后得到的第j个IMF分量；
(3)重复步骤(1)、(2)，且每次循环开始时加入新的高斯白噪声对；
(4)经过N次循环，将最终得到的2×N×k个IMF进行集成平均，如下：
其中：imfj(t)表示所有分解结果中第j层IMF分量的集成均值；
(5)根据集成均值的结果对信号进行重构，得到重构后的信号x0(t)：
2.根据权利要求1所述的识别滚动轴承故障的方法，其特征在于，所述基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络，包括：
将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
3.根据权利要求2所述的识别滚动轴承故障的方法，其特征在于，所述将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度之后，所述识别滚动轴承故障的方法还包括：
基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
4.一种识别滚动轴承故障的装置，其特征在于，包括：相关处理模块、网络训练模块和类型程度得到模块；
所述相关处理模块，用于将采集到的不同工况下的滚动轴承振动信号进行相关处理；
所述网络训练模块，用于基于相关处理后的所述滚动轴承振动信号，训练改进卷积神经网络；
所述类型程度得到模块，用于将目标滚动轴承振动信号输入训练好的改进卷积神经网络，得到所述目标滚动轴承的故障类型和故障程度；
所述相关处理模块，具体用于：
使用改进经验小波变换自适应分割所述滚动轴承振动信号的功率谱，得到本征模态分量；
利用基于峭度、相关系数、能量比的综合评价指标，确定出能反映所述滚动轴承振动信号故障特征的模态分量；
将确定出的所述模态分量重构为新的信号；
对所述新的信号进行归一化处理；其中，所述归一化处理的公式为：
其中，X′i为所述新的信号进行归一化处理后的数据，i＝1，2，3，...，n，n为滚动轴承振动信号的采样点数；Xi为第i个采样点的新的滚动轴承振动信号；Xmax为新的滚动轴承振动信号中的幅值最大值；Xmin为新的滚动轴承振动信号中的幅值最小值；
所述相关处理模块，具体用于：
(1)向所述新的信号x(t)中加入一对符号相反、均值为0、幅值的标准差为定值std的高斯白噪声noisei(t)(i＝1～N)，得到2个待分解信号xi1(t)、xi2(t)：
(2)分别对xi1(t)、xi2(t)进行IEWT分解，得到2组IMF：
其中：imf1ij(t)表示信号xi1(t)第i次分解后得到的第j个IMF分量；imf2ij(t)表示信号xi2(t)第i次分解后得到的第j个IMF分量；
(3)重复步骤(1)、(2)，且每次循环开始时加入新的高斯白噪声对；
(4)经过N次循环，将最终得到的2×N×k个IMF进行集成平均，如下：
其中：imfj(t)表示所有分解结果中第j层IMF分量的集成均值；
(5)根据集成均值的结果对信号进行重构，得到重构后的信号x0(t)：
5.根据权利要求4所述的识别滚动轴承故障的装置，其特征在于，所述网络训练模块，具体用于：
将预设比例的归一化处理后的所述新的信号作为训练样本，训练所述改进卷积神经网络。
6.根据权利要求5所述的识别滚动轴承故障的装置，其特征在于，所述类型程度得到模块之后，所述识别滚动轴承故障的装置还包括：准确率确定模块；
所述准确率确定模块，用于基于得到的所述目标滚动轴承的故障类型和故障程度，确定识别滚动轴承故障的准确率。
7.一种电子设备，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如权利要求1至3任一项所述识别滚动轴承故障的方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述识别滚动轴承故障的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018633.4A CN110795843B (zh) | 2019-10-24 | 2019-10-24 | 一种识别滚动轴承故障的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018633.4A CN110795843B (zh) | 2019-10-24 | 2019-10-24 | 一种识别滚动轴承故障的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110795843A CN110795843A (zh) | 2020-02-14 |
| CN110795843B true CN110795843B (zh) | 2024-03-29 |
Family
ID=69441125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911018633.4A Active CN110795843B (zh) | 2019-10-24 | 2019-10-24 | 一种识别滚动轴承故障的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795843B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
| CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
| CN112199996B (zh) * | 2020-09-04 | 2022-10-25 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN112611563B (zh) * | 2020-12-01 | 2023-07-14 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
| CN112839349B (zh) * | 2020-12-25 | 2022-10-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
| CN113111618B (zh) * | 2021-03-09 | 2022-10-18 | 电子科技大学 | 一种基于改进的经验小波变换的模拟电路故障诊断方法 |
| CN113221996A (zh) * | 2021-04-30 | 2021-08-06 | 山东大学 | 一种基于多头注意力机制的轴承故障诊断方法及系统 |
| CN115293219B (zh) * | 2022-09-29 | 2023-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种融合小波和峭度的脉冲信号去噪方法 |
| CN115902528B (zh) * | 2023-02-21 | 2023-05-26 | 华东交通大学 | 一种直流牵引网振荡与短路故障辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
| CN109948286A (zh) * | 2019-03-29 | 2019-06-28 | 华北理工大学 | 基于改进经验小波分解的信号分解方法 |
-
2019
- 2019-10-24 CN CN201911018633.4A patent/CN110795843B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
| CN109948286A (zh) * | 2019-03-29 | 2019-06-28 | 华北理工大学 | 基于改进经验小波分解的信号分解方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于EMD和改进Teager能量算子的轴承故障诊断;王耀赢 等;《组合机床与自动化加工技术》(第6期);第1部分 * |
| 基于小波神经网络的滚动轴承故障诊断方法研究;林静 等;《电子设计工程》;第24卷(第18期);第1-3部分 * |
| 基于小波神经网络的滚动轴承故障诊断方法研究;林静;贲少辉;刘美;;电子设计工程(第18期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110795843A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
| Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
| Ye et al. | Deep morphological convolutional network for feature learning of vibration signals and its applications to gearbox fault diagnosis | |
| Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
| Chen et al. | Deep neural networks-based rolling bearing fault diagnosis | |
| Junbo et al. | Fault diagnosis method study in roller bearing based on wavelet transform and stacked auto-encoder | |
| Yang et al. | Bearing fault automatic classification based on deep learning | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| Kumar et al. | Least square fitting for adaptive wavelet generation and automatic prediction of defect size in the bearing using Levenberg–Marquardt backpropagation | |
| Hu et al. | Bearing performance degradation assessment based on optimized EWT and CNN | |
| Chen et al. | TFN: An interpretable neural network with time-frequency transform embedded for intelligent fault diagnosis | |
| Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN110782041A (zh) | 一种基于机器学习的结构模态参数识别方法 | |
| Liu et al. | Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing | |
| CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN116992217A (zh) | 基于多尺度动态加权多维残差卷积的机械信号降噪方法 | |
| CN115795275A (zh) | 基于变分模态分解与小波联合去噪的轴承故障诊断方法 | |
| Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 |
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 |