CN110887664B - 建立轴承故障识别模型的方法和装置 - Google Patents
建立轴承故障识别模型的方法和装置 Download PDFInfo
- Publication number
- CN110887664B CN110887664B CN201911227393.9A CN201911227393A CN110887664B CN 110887664 B CN110887664 B CN 110887664B CN 201911227393 A CN201911227393 A CN 201911227393A CN 110887664 B CN110887664 B CN 110887664B
- Authority
- CN
- China
- Prior art keywords
- test data
- test
- channel
- bearing
- data set
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本说明书提供一种建立轴承故障识别模型的方法和装置,方法包括:分别获取各种工况下,N个测试通道的第一测试数据;按照相同的工况顺序,利用第一测试数据组构建第一数据组,以及采用所有的第一数据组构建测试数据矩阵;根据测试数据矩阵计算协方差矩阵、N个特征值和对应的特征向量;筛选选定特征向量;根据特征向量选定应用通道;采用每个应用通道采集的第二测试数据,以及各个第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型。本说明书实施例提供的建立轴承故障识别模型的方法,对实际用于建模的测试通道选择、实际的建模过程中均不需要机理知识和经验知识的介入,提高了此方法的适用性。
Description
技术领域
本发明涉及振动检测技术领域,尤其涉及一种建立轴承故障识别模型的方法和装置。
背景技术
轴承是机械设备中承载旋转类部件的核心承重零件,以滚动轴承为典型代表。在机械设备工作过程中,多变的冲击载荷可能使得轴承出现故障问题,并且随着机械设备的使用,前述故障的严重性逐步增大并可能造成连锁性故障;正因为如此,及早发现轴承的故障十分重要。
目前,用于诊断轴承故障的方法有时域分析方法、频域分析方法和深度学习方法;时域分析方法通过测量的振动信号的时域波形进行统计分析而获得始于统计指标;时域统计指标包括信号的最大值、均方根值、峭度指标、峰值指标等;因为微小故障的振动信号特征很弱,采用时域统计指标并不能有效地挖掘故障信息和故障特性。
频域分析方法通过对振动信号进行傅里叶变换、希尔伯特变换等方法处理获得频域信号后,再通过功率谱分析、包罗解调谱分析、倒谱分析或者谱峭度分析方法识别故障类型。
机器学习的方法包括决策树、支持向量机、逻辑回归、随机森林等。
采用前述方法的对测试参数的选择、对测试参数的分析均需要机理知识和经验知识,对实际测试人员要求很高。
发明内容
本说明书提供一种建立轴承故障识别模型的方法,无需机理知识和专家经验知识即可以形成有效检测轴承故障的故障识别模型。
本说明书提供一种建立轴承故障识别模型的方法,包括:
分别获取各种工况下,N个测试通道在同一时间段的第一测试数据;所述工况包括不同负载、不同转速和不同故障类型组合下的工况;N至少为2;
按照相同的工况顺序,组合同一测试通道不同工况对应的所述第一测试数据,构建对应各个测试通道的第一数据组;以及,采用所有的所述第一数据组构建测试数据矩阵;
根据所述测试数据矩阵计算协方差矩阵,根据所述协方差矩阵获得N个特征值,以及与各个所述特征值对应的特征向量;
筛选累计方差贡献率超过预设值的O个特征值作为选定特性值,以及选择所述选定特征值对应的特征向量作为选定特征向量;O个所述选定特征值为所述N个特征值中数值最大的O个特征值;
获取所述选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道;S<N;
采用每个应用通道采集的第二测试数据,以及各个所述第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型。
可选的,采用每个应用通道采集的第二测试数据,以及各个所述第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型包括:
截取各个工况下每个应用通道采集的第二测试数据得到测试数据集;各个测试数据集的长度相同;
将各个应用通道同一时间测试数据组成的测试数据集,以及对应的工况作为测试数据组对初始的深度学习模型进行训练,得到故障识别模型。
可选的,截取各个工况下每个应用通道采集的测试数据,得到测试数据集;
以预设大小窗口按照预设重叠率对测试数据进行采样,得到所述测试数据集。
可选的,截取各个工况下每个应用通道采集的测试数据,得到测试数据集,还包括:
对分别对各个工况下每个通道采集的测试数据进行归一化处理,采用归一化处理后的测试数据构建所述测试数据集。
可选的,所述初始的深度学习模型为一维神经网络模型、长短期记忆网络模型或者门控循环单元模型。
本说明书提供一种识别轴承故障的方法,包括:
获取轴承工作时,应用通道采集的实测振动数据;所述应用通道为如前所述方法确定的应用通道;
将所述实测振动数据输入到轴承故障识别模型,获的轴承故障类型;所述轴承识别模型采用前文述的方法获得。
本说明书提供一种建立轴承故障识别模型的装置,包括:
数据获取单元,用于分别获取各种工况下,N个测试通道在同一时间段的第一测试数据;所述工况包括不同负载、不同转速和不同故障类型组合下的工况;N至少为2;
矩阵构建单元,用于按照相同的工况顺序,组合同一测试通道不同工况对应的所述第一测试数据,构建对应各个测试通道的第一数据组;以及,采用所有的所述第一数据组构建测试数据矩阵;
特征选取单元,用于根据所述测试数据矩阵计算协方差矩阵,根据所述协方差矩阵获得N个特征值,以及与各个所述特征值对应的特征向量;
通道选定单元,筛选累计方差贡献率超过预设值的O个特征值作为选定特性值,以及选择所述选定特征值对应的特征向量作为选定特征向量;以及获取所述选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道;O个所述选定特征值为所述N个特征值中数值最大的O个特征值;S<N;
模型训练单元,用于采用每个应用通道采集的第二测试数据,以及各个所述第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型。
可选的,所述模型训练单元包括:
数据截取子单元,用于截取各个工况下每个应用通道采集的第二测试数据得到测试数据集;各个测试数据集的长度相同;
故障识别子单元将各个应用通道同一时间测试数据组成的测试数据集,以及对应的工况作为测试数据组对初始的深度学习模型进行训练,得到故障识别模型。
可选的,所述数据截取子单元以预设大小窗口按照预设重叠率对测试数据进行采样,得到所述测试数据集。
本说明书还提供一种识别轴承故障的装置,包括:
实测振动数据获取单元,用于获取轴承工作时,应用通道采集的实测振动数据;所述应用通道为前述方法确定的应用通道;
故障识别单元,用于将所述实测振动数据输入到轴承故障识别模型,获的轴承故障类型。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是实施例提供的建立轴承故障识别模型的方法的流程图;
图2是实施例提供的识别轴承故障的方法的流程图;
图3是实施例提供的建立轴承故障识别模型的装置的结构示意图;
图4是实施例提供的识别轴承故障的装置的结构示意图;
其中11-数据获取单元,12-矩阵构建单元,13-特征选取单元,14-通道选定单元,15-模型训练单元,21-实测振动数据获取单元,22-故障识别单元。
具体实施方式
下面结合附图来具体描述本说明书的优选实施例,其中,附图构成本申请一部分,并与本说明书的实施例一起用于阐释本说明书的原理,并非用于限定本说明书的范围。
图1是实施例提供的建立轴承故障识别模型的方法的流程图。如同1所示,本说明书实施例提供的方法包括步骤S101-S107。
S101:分别获取各种工况下,N个测试通道在同一时间段的第一测试数据。
步骤S101中提及的各种工况指的轴承所在的设备在不同的负载、不同负载和不同转速下的工况。实际应用中,轴承多为滚动轴承,则轴承的故障类型主要包括轴承内圈故障、轴承外圈故障、滚动体故障、滚动体架故障,以及各种复合故障。不同的负载状态包括空载状态、常规负载状态或者超载状态。不同的转速包括设备正常运行下的各种转速。在一些应用中是,工况也可以是设备在特定运行状态下轴承的各种故障工况。
应当注意,为了满足本实施例的目标,即选择出合适的测试通道,前述的N的数量至少为2。S102:按照相同的工况顺序,组合同一测试通道不同工况对应的测试数据,构建对应各个测试通道的第一数据组。
步骤S102是构建各个测试通道对应的第一数据组的过程。各个第一数据组均包括对应测试通道在各个工况下的第一测试数据。并且,各个第一数据组中的第一测试数据按照相同的工况顺序排列。
S103:采用所有的第一数据组构建测试数据矩阵。
步骤S103是将所有的第一数据组按照一定的顺序排列、形成测试数据矩阵的过程。也就是说,各个第一数据组分别作为测试矩阵中的一个行向量或者列向量。此外,可以想到,因为所有的第一数据组均按照相同的工况顺序排列第一测试数据,所以测试数据矩阵中的不同数据区段体现了不同工况下的振动特性。
实际应用中,为了消除不同测试通道测试的振动数据的大小性差别,在采用所有的第一数据组构建测试数据矩阵的过程中,可以先对各个测试数据组中的测试数据进行归一化处理。当然,在一些应用中,考虑到振动数据本身的强弱和故障类型直接相关,因此也可以不进行归一化处理。
S104:根据测试数据矩阵计算对应的协方差矩阵,以及根据协方差矩阵获得N个特征值和与各个特征值对应的特征向量。
根据前文的表述可知,测试数据矩阵是一个M*N维的矩阵,其中M的数量大于N,因此根据测试数据矩阵计算得到的协方差矩阵一定为N维方阵,并且可以通过对N维方阵的处理确定N个特征值以及各个特征值对应的特征向量。前述的特征向量的不同元素分别对应了不同测试通道的特性。
S105:筛选累计方差贡献率超过预设值的O个特征值作为选定特性值,以及选择选定特征值对应的特征向量作为选定特征向量。
步骤S105中,首先对N个特征值按照大小排序,随后选择O个最大的M个特征值作为选定特征值。O个选定特征值是N个特征值中数值最大的O个特征值。在确定选定特征值后,可以根据选定特征值对应的特征向量作为选定特征向量。
累计方差贡献率值得是O个选定特征值之和于N个特征值之和的比值。实际应用中,方差贡献率可以设置为0-1直接按的数值,优选设置为大于0.95的数值。
S106:获取选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道。
前述的S<N;实际应用中,S可以设置为1,即只选择绝对值最大的元素对应的测试通道作为应用通道;S也可以为大于1的正整数。一般情况下,在N较大时,S一般设置为3。
请注意的是,不同的特征向量可能确定同一个测试通道作为应用测试通道。
根据步骤S105和S106确定了在所有的测试通道中,随着工况变化振动数据相对变化特性较大的测试通道,这些测试通道对轴承故障特性的识别更为有效,因此采用这些测试通道作为应用测试通道。
在前述分析过程中,并没有考虑轴承的各种参数结构特性以及轴承的转动频率特性,而仅仅是不同工况特性下测试各个测试通道的实际振动数据,并通过振动数据的分析挖掘出哪些测试通道和轴承故障特性关联性相关性满足预定条件,继而确定了满足预定条件的应用测试通道。
可以想到,正是因为前述的分析过程并不需要了解对轴承的结构特性、转动频率特性,以及各种故障下的振动特性,所以前述处理过程按照特定的操作流程进行操作即可,并不需要技术人员了解对应的机理知识和经验知识。
S107:采用每个应用测试通道采集的第二测试数据,以及与各个第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型。
此处请注意,前文提及的第一测试数据和第二测试数据仅是用于区分不同步骤处理对象,实际应用中第一测试数据和第二测试数据可能为相同的测试数据。
步骤S107是利用采集的第二测试数据和对应的故障类型对初始的深度学习模型进行训练,得到轴承故障识别模型的过程;后文再对可能的训练过程做分析。可以想到,步骤S107中对模型的训练也仅需要考虑对数据的处理,并不需要机理知识和经验知识的介入。
如前文分析,本说明书实施例提供的建立轴承故障识别模型的方法,对实际用于建模的测试通道选择、实际的建模过程中均不需要机理知识和经验知识的介入,提高了此方法的适用性。
此处应当注意的是,虽然前述测试通道的选择和模型的建立不需要机理知识的经验知识的介入,但是用于形成各个测试通道测试数据的传感器安装方法和安装位置仍然需要专家知识和经验。但是这并不是本实施例关注重点,本实施例假定用于各个测试通道振动数据测量的振动传感器均安装在合理位置,满足振动数据生成要求。
在本说明书一个具体应用中,步骤S107可以具体细化为步骤S201-S203。
S201:获取各个工况下每个应用通道采集的测试数据,并对各个测应通道的测试数据分别进行归一化处理。
对各个应用通道的测试数据进行归一化处理,是将测试数据标准化至特定区间的步骤。本实施例具体应用中,可以计算各个测试数据的平均值t和标准偏差s,然后采用公式一进行归一化处理。当然,在其他实施例中,也可以采用其他的归一化方法进行数据归一化。
z=(x-t)/s公式一
S202:截取各个工况下每个应用通道采集的第二测试数据,得到测试数据集。
步骤S202是利用采样窗口对第二测试数据进行截取,以生成长度相同的测试数据集的步骤。
在一个应用中,为了保证测试数据集能够表征滚动轴承在设备旋转至各个角度的特性,可以采用预设大小窗口按照预设重叠率对测试数据进行采样,得到测试数据集。实际应用中,前述的预设重叠率可以达到0.9。
S203:将各个应用通道同一时间测试数据组成的测试数据集,以及对应的故障类型作为测试数据组对初始的神经网络模型进行训练,得到故障识别模型。
应当注意,为了表示某一工况下因为轴承故障造成的设备整体振动特性,需要将各个应用通道同一时间测试数据组成的测试数据集和对应的工况作为一个测试数据组。
实际应用中,测试数据组被分为训练数据组和验证数据组,训练数据组用于对初始的深度学习模型进行训练,验证数据组用于验证深度学习模型是否达到要求的精度范围。实际应用中,训练数据组和验证数据组被随机的分配,并且二者的数据量均应达到一定的要求。
除了采用前述的步骤S201-S203训练得到轴承故障模型外,本说明书的其他实施例中,也可以采用其他步骤训练得到轴承故障识别模型。
例如,在一些实施例中,可以先将各个应用通道的测试数据分为训练数据和验证数据,并采用相同的方法对训练数据和验证数据进行归一化,再分别形成对应的验证数据组和测试数据组,以初始的深度学习模型进行训练和精度检验。
本说明书实施例中,采用的深度学习模型可以是一维神经网络模型、长短期记忆网络模型,也可以是门控循环单元模型,本实施例并不做特别的限定。
在本说明书一个具体应用中,深度学习模型为一维神经网络模型,其包括一个输入层、两个卷积层、两个池化层、两个全连接层和一个多分类器层。输入层的输入样本长度为即为前述的测试数据组的长度,其通道数为组成测试数据组的应用通道的数量;其他各个层的维度根据数据处理量和处理精度要求进行选定。
在本说明书的另外一些应用中,深度学习模型为长短期记忆模型,其包括一个输入层,一个长短期记忆层和一个多分类器层。类似的,在其他应用中,深度学习模型为门控循环单元模型,其包括一个输入层、一个门控循环单元层和一个多分类器层。
还应注意的,在故障识别模型训练过程中,需要设置合适的训练超参数,包括学习率、训练轮数、批处理尺寸。在一个具体应用中,典型的训练取值为:学习率为0.01,训练轮数为10,批处理尺寸为32。
除了提供前述的建立轴承故障识别模型的方法外,本说明书实施例还提供一种识别轴承故障的方法。图2是实施例提供的识别轴承故障的方法的流程图,如图2所示,本实施例提供的方法包括步骤S301-S304。
S301:获取轴承工作时,应用通道采集的实测振动数据,对实测振动数据分别进行归一化处理。
S302:截取实测振动数据,获得实测振动数据集。
实测振动数据集与前述的测试数据集的长度相同。
S303:将同一时间段获取的各个应用通道的实测振动数据集作为输入到轴承故障识别模型,获得轴承故障类型。
步骤S303中采用的轴承故障识别模型由前文叙述的方法得到。
可以想到,采用前述方法确定轴承故障类型,并不需要机理知识或者专家经验,因此可以大大的提高测试方便性。在实际应用中,可以将测试传感器安装在设备中,实时地检测轴承的故障状态,以期尽早发现因为各种冲击载荷造成的轴承故障,避免故障扩大而造成设备其他部件损坏。
利用前述的方法,本说明书提供了一种应用于DSP齿轮箱试验台的滚动轴承故障测试。DSP齿轮箱试验台上设置有13个振动传感器,分别可以用于测量不同维度的振动数据。在测试过程中,轴承的故障被设定为内圈故障、外圈故障、滚动体故障、复合故障和一个正常状态,选择的负载特性分别为全负载的0%、3%和6%,转速分别设置为1000rpm、2000rpm和3000rpm,最终形成了45个测试工况。每个工况下采集20000个测试数据点,并利用测试数据点构建测试数据组,实现了具体应用通道的选取。
除了提供前述的建立轴承故障识别模型的方法和前述的轴承故障识别方法外,本说明书实施例还提供了一种建立轴承故障识别模型的装置和一种轴承故障识别装置。因为前述两个装置和前述的两个方法基于同样的发明构思,所以下文仅就两个装置的结构做介绍,其效果可以参见前文表述。
图3是实施例提供的建立轴承故障识别模型的装置的结构示意图。如图3所示,建立轴承故障识别模型的装置包括数据获取单元11、矩阵构建单元12、特征选取单元13、通道选定单元14和模型训练单元15。
数据获取单元11用于分别获取各种工况下,N个测试通道在同一时间段的第一测试数据;工况包括不同负载、不同转速和不同故障类型组合下的工况;N至少为2;
矩阵构建单元12用于按照相同的工况顺序,组合同一测试通道不同工况对应的第一测试数据,构建对应各个测试通道的第一数据组;以及,采用所有的第一数据组构建测试数据矩阵;
特征选取单元13用于根据测试数据矩阵计算协方差矩阵,根据协方差矩阵获得N个特征值,以及与各个特征值对应的特征向量;
通道选定单元14筛选方差贡献率超过第一预设值的O个特征值作为选定特性值,以及选择选定特征值对应的特征向量作为选定特征向量;以及获取选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道;O个选定特征值为N个特征值中数值最大的O个特征值;S<N;模型训练单元15用于采用每个应用通道采集的第二测试数据,以及各个第二测试数据对应的工况对初始的深度学习模型进行训练,得到轴承故障识别模型。
在一个具体应用中,模型训练单元15包括数据截取子单元和故障识别子单元。
数据截取子单元用于截取各个工况下每个应用通道采集的第二测试数据得到测试数据集;各个测试数据集的长度相同;
故障识别子单元用于将各个应用通道同一时间测试数据组成的测试数据集,以及对应的工况作为测试数据组对初始的深度学习模型进行训练,得到故障识别模型。
在一个具体应用中,数据截取子单元以预设大小窗口按照预设重叠率对测试数据进行采样,得到测试数据集。
图4是实施例提供的识别轴承故障的装置的结构示意图。如图4所示,识别轴承故障的装置包括实测振动数据获取单元21和故障识别单元22。
实测振动数据获取单元21用于获取轴承工作时,应用通道采集的实测振动数据;应用通道为如前述方法确定的应用通道;故障识别单元22用于将实测振动数据输入到轴承故障识别模型,获的轴承故障类型;轴承识别模型采用前述的方法得到。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种建立轴承故障识别模型的方法,其特征在于,包括:
分别获取各种工况下,N个测试通道在同一时间段的第一测试数据;所述工况包括不同负载、不同转速和不同故障类型组合下的工况;N至少为2;
按照相同的工况顺序,组合同一测试通道不同工况对应的所述第一测试数据,构建对应各个测试通道的第一数据组;以及,采用所有的所述第一数据组构建测试数据矩阵;
根据所述测试数据矩阵计算协方差矩阵,以及根据所述协方差矩阵获得N个特征值和与各个所述特征值对应的特征向量;
筛选累计方差贡献率超过预设值的O个特征值作为选定特征值,以及选择所述选定特征值对应的特征向量作为选定特征向量;O个所述选定特征值为所述N个特征值中数值最大的O个特征值;
获取所述选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道;S<N;
截取各个工况下每个应用通道采集的第二测试数据,得到测试数据集;各个测试数据集的长度相同;
将各个应用通道同一时间测试数据组成的测试数据集,以及对应的工况作为测试数据组对初始的深度学习模型进行训练,得到故障识别模型。
2.根据权利要求1所述的方法,其特征在于,截取各个工况下每个应用通道采集的第二测试数据,得到测试数据集;
以预设大小窗口按照预设重叠率对测试数据进行采样,得到所述测试数据集。
3.根据权利要求1所述的方法,其特征在于,截取各个工况下每个应用通道采集的第二测试数据,得到测试数据集,还包括:
对分别对各个工况下每个通道采集的测试数据进行归一化处理,采用归一化处理后的测试数据构建所述测试数据集。
4.根据权利要求1-3任一项所述的方法,其特征在于,
所述初始的深度学习模型为一维神经网络模型、长短期记忆网络模型或者门控循环单元模型。
5.一种识别轴承故障的方法,其特征在于,包括:
获取轴承工作时,应用通道采集的实测振动数据;所述应用通道为如权利要求1-4任一项所述方法确定的应用通道;
将所述实测振动数据输入到轴承故障识别模型,获的轴承故障类型;所述轴承识别模型采用权利要求1-4任一项方法获得。
6.一种建立轴承故障识别模型的装置,其特征在于,包括:
数据获取单元,用于分别获取各种工况下,N个测试通道在同一时间段的第一测试数据;所述工况包括不同负载、不同转速和不同故障类型组合下的工况;N至少为2;
矩阵构建单元,用于按照相同的工况顺序,组合同一测试通道不同工况对应的所述第一测试数据,构建对应各个测试通道的第一数据组;以及,采用所有的所述第一数据组构建测试数据矩阵;
特征选取单元,用于根据所述测试数据矩阵计算协方差矩阵,根据所述协方差矩阵获得N个特征值,以及与各个所述特征值对应的特征向量;
通道选定单元,筛选累计方差贡献率超过预设值的O个特征值作为选定特征值,以及选择所述选定特征值对应的特征向量作为选定特征向量;以及获取所述选定特征向量中绝对值最大的S个元素对应的测试通道作为应用通道;M个所述选定特征值为所述N个特征值中数值最大的M个特征值;S<N;
模型训练单元包括:
数据截取子单元,用于截取各个工况下每个应用通道采集的第二测试数据得到测试数据集;各个测试数据集的长度相同;
故障识别子单元将各个应用通道同一时间测试数据组成的测试数据集,以及对应的工况作为测试数据组对初始的深度学习模型进行训练,得到故障识别模型。
7.根据权利要求6所述的装置,其特征在于,所述数据截取子单元以预设大小窗口按照预设重叠率对测试数据进行采样,得到所述测试数据集。
8.一种识别轴承故障的装置,其特征在于,包括:
实测振动数据获取单元,用于获取轴承工作时,应用通道采集的实测振动数据;所述应用通道为如权利要求1-4任一项所述方法确定的应用通道;
故障识别单元,用于将所述实测振动数据输入到轴承故障识别模型,获的轴承故障类型;所述轴承识别模型采用权利要求1-4任一项方法获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227393.9A CN110887664B (zh) | 2019-12-04 | 2019-12-04 | 建立轴承故障识别模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227393.9A CN110887664B (zh) | 2019-12-04 | 2019-12-04 | 建立轴承故障识别模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110887664A CN110887664A (zh) | 2020-03-17 |
CN110887664B true CN110887664B (zh) | 2021-05-25 |
Family
ID=69750356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227393.9A Active CN110887664B (zh) | 2019-12-04 | 2019-12-04 | 建立轴承故障识别模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110887664B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598186B (zh) * | 2020-12-28 | 2022-06-24 | 重庆邮电大学 | 一种基于改进的lstm-mlp的小型发电机故障预测方法 |
CN114646475B (zh) * | 2022-03-16 | 2024-05-03 | 中国第一汽车股份有限公司 | 四柱平顺性试验数据处理方法、装置和电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
CN105841955A (zh) * | 2016-03-16 | 2016-08-10 | 无锡职业技术学院 | 一种自动变速器的性能检测、故障诊断测试系统 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150204757A1 (en) * | 2014-01-17 | 2015-07-23 | United States Of America As Represented By The Secretary Of The Navy | Method for Implementing Rolling Element Bearing Damage Diagnosis |
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 |
-
2019
- 2019-12-04 CN CN201911227393.9A patent/CN110887664B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
CN105841955A (zh) * | 2016-03-16 | 2016-08-10 | 无锡职业技术学院 | 一种自动变速器的性能检测、故障诊断测试系统 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
Non-Patent Citations (3)
Title |
---|
Multi-Sensor Information Based Remaining Useful Life Prediction With Anticipated Performance;Wei, Muheng;《IEEE TRANSACTIONS ON RELIABILITY》;20130330;全文 * |
基于多特征融合及深度信念网络的轴承故障诊断;胡永涛;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20180515;第78-88页 * |
滚动轴承可靠性评估与剩余寿命预测研究;陈旭涛;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110887664A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
Sohn et al. | Damage diagnosis using time series analysis of vibration signals | |
CN108760266B (zh) | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
US20120130678A1 (en) | Wind turbine monitoring device, method, and program | |
CN110887664B (zh) | 建立轴承故障识别模型的方法和装置 | |
CN112347898B (zh) | 一种基于dcae神经网络的滚动轴承健康指标构建方法 | |
Guedidi et al. | Bearing faults classification based on variational mode decomposition and artificial neural network | |
Zhou et al. | Fault detection of rolling bearing based on FFT and classification | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
US12045047B2 (en) | Fault diagnostics systems and methods | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
Yanez-Borjas et al. | Convolutional neural network-based methodology for detecting, locating and quantifying corrosion damage in a truss-type bridge through the autocorrelation of vibration signals | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
Dworakowski et al. | A novelty detection approach to monitoring of epicyclic gearbox health | |
CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
Mohamad et al. | An overview of PST for vibration based fault diagnostics in rotating machinery | |
Gnanaprakasam et al. | S-transform and ANFIS for detecting and classifying the vibration signals of induction motor | |
Ribeiro Junior et al. | On the use of the Gaussian mixture model and the Mahalanobis distance for fault diagnosis in dynamic components of electric motors | |
CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 |
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 |