CN110954312B - 一种基于无键相整周期信号的往复机械故障诊断方法 - Google Patents

一种基于无键相整周期信号的往复机械故障诊断方法 Download PDF

Info

Publication number
CN110954312B
CN110954312B CN201911265409.5A CN201911265409A CN110954312B CN 110954312 B CN110954312 B CN 110954312B CN 201911265409 A CN201911265409 A CN 201911265409A CN 110954312 B CN110954312 B CN 110954312B
Authority
CN
China
Prior art keywords
data
image
test
neural network
period
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
Application number
CN201911265409.5A
Other languages
English (en)
Other versions
CN110954312A (zh
Inventor
赵海朋
茆志伟
江志农
常坤
张进杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201911265409.5A priority Critical patent/CN110954312B/zh
Publication of CN110954312A publication Critical patent/CN110954312A/zh
Application granted granted Critical
Publication of CN110954312B publication Critical patent/CN110954312B/zh
Priority to US17/165,420 priority patent/US11454567B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00Vibration-testing of structures; Shock-testing of structures
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04BPOSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00Testing machines, pumps, or pumping installations
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/04Testing internal-combustion engines
    • G01M15/12Testing internal-combustion engines by monitoring vibrations
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00Subject matter not provided for in other groups of this subclass

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及了一种基于无键相整周期信号的往复机械故障诊断方法,包括以下步骤:1)建立整周期振动信号图像库;2)训练图像识别模型;3)利用无键相采集获取整周期数据;4)构建自动提取特征模型;5)以自编码隐含层特征为输入,支持向量机为分类器输出诊断结果。本发明研究创新与特点在于通过使用深度级联卷积神经网络实现无键相整周期数据获取目标,弥补了传统智能故障诊断方法中必须以键相信号作为参考的缺陷,避免了由于安装空间不足导致无法进行实时诊断的问题,同时在特征提取方面采用了自编码神经网络进行自动特征提取,无需人为地选择特征,降低了人工成本,尤其适用于多数的以中高速往复机械为动力的复杂诊断系统。

Description

一种基于无键相整周期信号的往复机械故障诊断方法
技术领域
本发明属于车辆、舰船及核电站应急发电机组用往复机械设备故障诊断技术领域,尤其涉及了一种基于无键相整周期信号的往复机械故障诊断方法,可在键相和转速传感器无法安装情况下用于往复机械气门间隙异常故障的诊断。
背景技术
往复机械是车辆、舰船及核电站应急发电机组的核心动力装置,其安全可靠运行对任务的实施与完成具有不可替代的地位和作用。为防止装备产生故障及降低故障造成影响,替代定时及事后维修需人类专家进入现场凭经验诊断分析的传统方法,目前国内外学者和企业已经研发了大量的往复机械运行状态的实时监测与维修保障技术,但由于传统智能诊断方法过分依赖键相信号和转速信号,现有监测方式和诊断方法仍然不能满足往复机械结构复杂及日益增长的诊断需求。往复机械缸盖振动信号富含了内部关键运动部件信息,因此,充分发掘振动信号内在信息,降低或摆脱键相和转速信号限制,研发一种无键相提取完整周期信号的故障诊断方法对往复机械气门间隙等典型故障的诊断具有十分重要的意义。
目前在整周期信号采集领域,主要应用的有两种方法,一种是基于键相信号的,比如基于微型传感器的角域振动信号获取装置和方法、过零法键相周期检测、重心法键相周期检测、应用微分和样条插值的转子振动信号同步整周期重采样方法等,基于键相信号的方法普遍存在“跑相位”的问题。对于一些不便于安装键相传感器的设备,则采用无键相获取信号的方式,比如无键相时域同步平均方法。无键相获取周期信号的方式简单方便,同时由于减少了键相测取装置的安装,可以大大节省成本,因此,无键相的方式也越来越受到人们的关注。然而现有的方法中,无论是有键相参考或是无键相的周期信号获取方法,大多需要附属设备,而且操作复杂、成本高昂且受负载影响大。
发明内容
为了解决不依赖键相信号或附属设备操作复杂成本高等问题,本发明提供一种无需任何外部附属设备、方法简单、诊断准确率较高的基于无键相整周期信号的往复机械故障诊断方法。本发明目的在于针对键相传感器价格昂贵、在某些设备安装困难等问题,提供一种通过挖掘振动信号自身内部有效信息来获取整周期信号截取方法;利用自编码器进行自动特征提取,无需人工干扰且特征具有很强的鲁棒性,然后利用支持向量机进行分类识别,可实现对往复机械气门间隙等典型故障的诊断。
针对上述问题,本发明设计的一种技术方案是:基于无键相整周期信号的往复机械故障诊断方法,方案步骤如下所示:
第一步,利用往复机械在线监测系统,有键相采集某一缸盖测点正常状态下和故障状态下单个周期的振动加速度数据各m组,组成正常数据集Nm和故障数据集Am;利用z-score方法对两个数据集中的各组数据进行标准化处理,得到处理后的正常数据集N′m和故障数据集A′m;将正常数据集N′m中的m组数据分别生成h1×h2大小的图像,组成正常数据图像集Pm
第二步,根据往复机械的键相信息定位进气冲程、压缩冲程、做功冲程和排气冲程冲击位置,然后按照进气冲程、压缩冲程、做功冲程和排气冲程的顺序,对正常数据图像集Pm中的每张图像进行均分,均分后的每张子图像大小为
Figure BDA0002312683780000021
对子图像进行标记,形成进气冲程图像集J={j1,j2,j3,…,jm},压缩冲程图像集C={c1,c2,c3,…,cm},做功冲程图像集F={f1,f2,f3,…,fm},排气冲程图像集E={e1,e2,e3,…,em},将四个冲程图像集分别划分为训练集和测试集,得到训练图像集Train_C={Jtrain,Ctrain,Ftrain,Etrain},测试图像集Test_C={Jtest,Ctest,Ftest,Etest};
第三步,构建并训练二分类联合卷积神经网络Net;
3.1Net网络的分类类别以0和1表示,0表示输入数据不是整周期数据,1表示输入数据是整周期数据,Net由进气冲程卷积神经网络CNN_J、压缩冲程卷积神经网络CNN_C、做功冲程卷积神经网络CNN_F、排气冲程卷积神经网络CNN_E组成,采用均值交差熵损失函数,均值交叉熵损失函数Mloss具体公式如下:
Figure BDA0002312683780000022
Lj(qi)=-[yi·log2(qi)+(1-yi)·log2(1-qi)]
式中,qi∈[0,1]表示第i个类别所对应的一维向量预测值,Lj(qi)表示对于类别i的交叉熵损失函数,k表示卷积神经网络数量,yi表示第i个类别的真实值,j表示第j个卷积神经网络;
3.2四个卷积神经网络的网络结构设置相同,四个卷积神经网络均由输入层,卷积层1,池化层1,卷积层2,池化层2,全连接层1,全连接层2组成,其中输入层的输入图像为
Figure BDA0002312683780000031
的灰度图,卷积层1、池化层1、卷积层2,池化层2的每一层的输出结果均采用批标准化处理,全连接层1、全连接层2的输出结果利用L2正则化方法进行处理;
3.3将CNN_J、CNN_C、CNN_F、CNN_E输出的预测概率值分别记为gJ,gC,gF,gE,利用概率均值g作为二分类联合卷积神经网络Net的预测概率值,概率均值计算公式如下:
Figure BDA0002312683780000032
将训练图像集Train_C={Jtrain,Ctrain,Ftrain,Etrain}输入到构建好的Net网络模型中进行训练;利用测试集Test_C={Jtest,Ctest,Ftest,Etest}对训练出的网络模型进行测试,得到最终的二分类联合卷积神经网络模型,记为T_Net,测试准确率计算公式如下:
Figure BDA0002312683780000033
式中,Corr为识别正确的数量;Test_m为测试数据总数;
第四步,利用无键相采集方法获取往复机械整周期的数据;
4.1选择往复机械某一缸盖测点,无键相连续采集两个周期以上的正常振动加速度数据Sn={s1,s2,s3,…,sn},和故障振动加速度数据Ab_Sn′={ab_s1,ab_s2,ab_s3,…,ab_sn′},n、n′为采样点数;
4.2根据监测系统采样频率Fs和机组工作转速范围[Rmin,Rmax],由以下公式确定一个完整周期的采样点数范围[Wmin,Wmax]:
Figure BDA0002312683780000034
Figure BDA0002312683780000041
根据[Wmin,Wmax],设置系列窗口长度Wv={Wmin,Wmin+d,Wmin+2d,…,Wmin+αd},α=0,1,2,…共α+1个窗口长度,其中,d为长度变化梯度,Wmin+αd≤Wmax且10<d≤Wmin
4.3利用Wmin窗口以步长Step在数据Sn上进行滑动截取,窗口的截取结果记为Sn1,窗口遍历完数据Sn后得到截取数据集Cut1={Sn11,Sn12,…},利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′,将Cut1′中的每组数据分别生成h1×h2大小的图,将生成的每张图像分别按照从左至右的顺序进行均分,每张子图像大小为
Figure BDA0002312683780000042
每张图像的均分结果记为Sn1_P={img1,img2,img3,img4};依次计算每个窗口的图像集,得到的图像集分别记为Cut1_P={Sn11_P,Sn12_p,…},Cut2_P={Sn21_p,Sn22_p,…},…,Cut(α+1)_P={Sn(α+1)1_p,Sn(α+1)2_p,…}
4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类,如选取图像中含有整周期图像,则继续对剩余的图像进行分类,T_Net分类得到的整周期图像对应的数据点即为整周期数据,记为zqi′;如选择的图像中不包含整周期图像,则停止对Cut1_P中剩余图像的分类,并更换下一窗口;初分类的图像数量由以下公式计算:
Figure BDA0002312683780000043
式中,Win为Wv中的窗口;
4.5按照步骤4.4的方法对所有窗口得到的图像集进行处理,最终得到无键相截取的正常整周期数据集T_zq={zq1,zq2,zq3,…,zqi′},i′=1,2,3,…;
利用步骤4.2~4.5对故障数据Ab_Sn′进行截取,截取周期记为ab_zqi′,最终得到无键相截取的故障整周期数据集Ab_zq={ab_zq1,ab_zq2,ab_zq3,…,ab_zqi′,};
第五步,构建自动提取特征模型:构建自编码神经网络模型,将有键相采集的缸盖振动加速度正常数据Nm和故障数据Am划分为训练集Train和测试集Test,并分别添加“正常”和“故障”标签,自编码器神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成;利用训练集Train对初始自编码神经网络模型进行训练,测试集Test对模型进行测试,得到自编码神经网络特征提取模型;
第六步,将第四步中得到的整周期数据集T_zq和Ab_zq,添加“正常”和“故障”标签后分别按照相同比例划分,组成训练集和测试集,将训练集输入到第五步得到的自编码神经网络模型,将自编码器得到的中间隐含层特征作为支持向量机模型的输入,训练二分类支持向量机模型,输出“1”即为正常,输出“0”即为故障,利用训练出的二分类支持向量机模型对往复机械的正常和异常整周期信号进行分类。
与传统故障诊断技术对比,本发明的效益主要具体体现在:
1、本发明根据往复机械不同冲程的缸盖振动信号内在冲击关联特征,探索了一条在没有键相装备采集键相信号帮助下即可实现无键相整周期信号获取的新途径,提出自适应截止窗口策略可实现单工况或变工况的多尺度准周期图像生成,并结合当前先进的深度学习-卷积神经网络技术与往复机械工作特性相融合,提出一种新型的深度级联卷积神经网络模型用于整周期振动图像的识别。
2、本发明提出的基于无键相整周期信号的往复机械故障诊断方法能够在摆脱键相设备获取整周期振动信号的监测方法同时,能够利用有键相采集的整周期振动信号训练出深度自编码神经网络模型,利用该模型可挖掘隐藏在振动信号内部的本征特征,而无需人为干扰参与特征设计或特征选择,自动提出更稳定、更抽象和更高级的特征。
3、本发明提出的基于无键相整周期信号的往复机械故障诊断方法具有方便简单、不发生跑相位现象、周期完整度和诊断准确率较高,不仅能够应用于往复机械气门间隙的故障诊断,也能应用于其他典型故障(如失火)和燃气轮机、压缩机等复杂机组。
附图说明:
图1为本发明的流程图
图2为传统有键相信号监测方法
图3为某一工况的有键相采集的整周期振动信号图
图4为缸盖振动信号整周期冲击特征理论分析图
图5为改进的深度级联卷积神经网络模型
图6为某一工况的无键相采集的原始信号图
图7为某一工况下利用该发明无键相得到的正常整周期信号
图8为不同工况下有键相和无键相整周期长度对比
图9为不同工况下有键相和无键相整周期完整度对比
图10为某一工况下利用该发明无键相得到的气门间隙异常整周期信号
图11为往复机械气门间隙故障的诊断结果
具体实施方式
结合附图和实际柴油机缸盖数据分别对本发明方法进行详细说明:
如图1所示,一种基于无键相整周期信号的往复机械故障诊断方法,主要诊断流程如下:
第一步,建立整周期振动信号图像库:传统有键相信号监测方法如图2所示,主要以曲轴凹槽或外加键相块为触发信号,720°即曲轴旋转两周为一整周期信号,通过振动传感器选择某一缸盖测点,利用有键相数据采集方法获取尽可能所有工况下的缸盖振动整周期加速度正常数据Nm和气门间隙异常数据Am各500组,如图3所示为某一工况有键相采集的整周期振动信号图,针对不同工况、不同机组参数等特性对所有数据进行z-score标准化处理并生成1600×512的图像,从而形成如图3所示的全工况整周期振动信号图像库Pm
第二步,根据柴油机实际工作过程和采集信号分析,柴油机缸盖振动信号主要有四个冲程:进气、压缩、燃烧、排气,其中点火冲击、排气门关闭冲击和进气门关闭冲击特征最为显著,如图4所示。从图中可以看到,往复机械各个工作过程均有一定先后顺序,与曲轴旋转角度均有相应的特定关系。对正常数据图像集Pm中的每张图像进行均分,均分后的每张子图像大小为400×512,对子图像进行标记,形成进气冲程图像集J={j1,j2,j3,…,jm},压缩冲程图像集C={c1,c2,c3,…,cm},燃烧冲程图像集F={f1,f2,f3,…,fm},排气冲程图像集E={e1,e2,e3,…,em},按照训练集70%,测试集30%的规则对四个冲程图像集进行划分,得到训练图像集Train_C={Jtrain,Ctrain,Ftrain,Etrain},测试图像集Test_C={Jtest,Ctest,Ftest,Etest};
第三步,构建并训练二分类联合卷积神经网络Net,网络模型结构如图5所示,四个卷积神经网络的初始参数设置一致,均为:学习率1e-5,卷积层1的卷积核为3×3,数量为32,卷积层2的卷积核大小及参数同卷积层1,两个池化层均采用最大池化方式,池化核大小均为2×2,卷积神经网络的最大迭代次数为120次,利用第二步得到的图像训练集和测试集对网络进行训练,得到二分类联合卷积神经网络模型T_Net;利用以下公式计算准确率:
Figure BDA0002312683780000071
第四步,利用无键相采集方法获取往复机械整周期数据;
4.1选择往复机械某一缸盖测点,无键相连续采集两个周期以上的正常振动加速度数据Sn={s1,s2,s3,…,sn},如图6;
4.2根据监测系统采样频率51200和机组工作转速范围[600,2100],由以下公式确定一个完整周期的数据点数范围[2926,10240]:
Figure BDA0002312683780000072
Figure BDA0002312683780000073
根据[2926,10240],设置系列长度窗口Wv={2926,2976,3026,…,10226},其中,d=50;
4.3利用2926长度的窗口以步长10在数据Sn上进行滑动截取,窗口的截取结果记为Sn1,窗口遍历完数据Sn后得到截取数据集Cut1={Sn11,Sn12,…},利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′,将Cut1′中的每组数据分别生1600×512大小的图,将生成的每张图像分别按照从左至右的顺序进行均分,每张子图像大小400×512图像的均分结果记为Sn1_P={img1,img2,img3,img4};重复上述步骤,每个窗口得到的图像集记为:
Cut1_P={Sn11_P,Sn12_p,…},Cut2_P={Sn21_p,Sn22_p,…},…,Cut(α+1)_P={Sn(α+1)1_p,Sn(α+1)2_p,…}
4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类,如选取图像中含有整周期图像,则继续对剩余的图像进行分类,T_Net分类得到的整周期图像对应的数据点即为整周期数据,记为zqi′;如选择的图像中不包含整周期图像,则停止对Cut1_P中剩余图像的分类,并更换下一窗口;初分类的图像数量由以下公式计算:
Figure BDA0002312683780000081
4.5按照步骤4.4方法对所有窗口进行处理,最终得到无键相截取的整周期数据集T_zq={zq1,zq2,zq3,…,zqi′},i′=1,2,3,…;
利用本发明得到的整周期信号截取结果如上述图7所示,将本发明方法与不同工况下有键相获取的整周期结果(图8)方法相比较,该发明方法整周期完整度均在96%以上,如图9所示,两种方式仅有微小差异,整周期完整度公式如下所示。
Figure BDA0002312683780000082
式中,Nnon为无键相截取的整周期长度,n为转速;
选择往复机械同一缸盖测点,无键相连续采集两个周期以上的气门间隙异常振动加速度数据Ab_Sn′={ab_s1,ab_s2,ab_s3,…,ab_sn′},利用步骤4.2~4.4对Ab_Sn′进行截取,截取周期记为ab_zqi′,如图10,最终得到无键相截取的故障整周期数据集Ab_zq={ab_zq1,ab_zq2,ab_zq3,…,ab_zqi′};
第五步,构建自动提取特征模型:构建自编码神经网络模型,将有键相采集的缸盖振动加速度正常数据Nm和气门间隙异常数据Am按照70%和30%的规则分为训练集Train和测试集Test,并分别添加“正常”和“故障”标签,自编码器神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成,初始参数设置为:学习率1e-5,隐含层1~4的节点数均为800,最大迭代次数为200次;利用训练集Train对初始自编码神经网络模型进行训练,测试集Test对训练后的模型进行测试,利用第三步中的公式计算准确率,根据准确率,对模型的学习率、隐含层节点数、最大迭代次数进行调节后,再次利用训练集Train训练模型;重复上述过程,直至准确率达到最大且耗时最短,即得到最终的自编码神经网络特征提取模型;
第六步,将第四步中得到的整周期数据集T_zq和Ab_zq,添加“正常”和“故障”标签后分别按照70%和30%划分,组成训练集和测试集,将训练集输入到第五步得到的自编码神经网络模型,将自编码器得到的中间隐含层特征作为支持向量机模型的输入,训练二分类支持向量机模型,最终可以判断出柴油机气门间隙是否异常,利用测试集进行测试,得到的测试结果如图11所示,总体准确率在95%以上。

Claims (1)

1.一种基于无键相整周期信号的往复机械故障诊断方法,其特征在于,该方法包括以下步骤:
第一步,利用往复机械在线监测系统,有键相采集某一缸盖测点正常状态下和故障状态下单个周期的振动加速度数据各m组,组成正常数据集Nm和故障数据集Am;利用z-score方法对两个数据集中的各组数据进行标准化处理,得到处理后的正常数据集N′m和故障数据集A′m;将正常数据集N′m中的m组数据分别生成h1×h2大小的图像,组成正常数据图像集Pm
第二步,根据往复机械的键相信息定位进气冲程、压缩冲程、做功冲程和排气冲程冲击位置,然后按照进气冲程、压缩冲程、做功冲程和排气冲程的顺序,对正常数据图像集Pm中的每张图像进行均分,均分后的每张子图像大小为
Figure FDA0002635170140000011
对子图像进行标记,形成进气冲程图像集J={j1,j2,j3,…,jm},压缩冲程图像集C={c1,c2,c3,…,cm},做功冲程图像集F={f1,f2,f3,…,fm},排气冲程图像集E={e1,e2,e3,…,em},将四个冲程图像集分别划分为训练集和测试集,得到训练图像集Train_C={Jtrain,Ctrain,Ftrain,Etrain},测试图像集Test_C={Jtest,Ctest,Ftest,Etest};
第三步,构建并训练二分类联合卷积神经网络Net;
3.1Net网络的分类类别以0和1表示,0表示输入数据不是整周期数据,1表示输入数据是整周期数据,Net由进气冲程卷积神经网络CNN_J、压缩冲程卷积神经网络CNN_C、做功冲程卷积神经网络CNN_F、排气冲程卷积神经网络CNN_E组成,采用均值交差熵损失函数,均值交叉熵损失函数Mloss具体公式如下:
Figure FDA0002635170140000012
Lj(qi)=-[yi·log2(qi)+(1-yi)·log2(1-qi)]
式中,qi∈[0,1]表示第i个类别所对应的一维向量预测值,Lj(qi)表示对于类别i的交叉熵损失函数,k表示卷积神经网络数量,yi表示第i个类别的真实值,j表示第j个卷积神经网络;
3.2四个卷积神经网络的网络结构设置相同,四个卷积神经网络均由输入层,卷积层1,池化层1,卷积层2,池化层2,全连接层1,全连接层2组成,其中输入层的输入图像为
Figure FDA0002635170140000021
的灰度图,卷积层1、池化层1、卷积层2,池化层2的每一层的输出结果均采用批标准化处理,全连接层1、全连接层2的输出结果利用L2正则化方法进行处理;
3.3将CNN_J、CNN_C、CNN_F、CNN_E输出的预测概率值分别记为gJ,gC,gF,gE,利用概率均值g作为二分类联合卷积神经网络Net的预测概率值,概率均值计算公式如下:
Figure FDA0002635170140000022
将训练图像集Train_C={Jtrain,Ctrain,Ftrain,Etrain}输入到构建好的Net网络模型中进行训练;利用测试集Test_C={Jtest,Ctest,Ftest,Etest}对训练出的网络模型进行测试,得到最终的二分类联合卷积神经网络模型,记为T_Net,测试准确率计算公式如下:
Figure FDA0002635170140000023
式中,Corr为识别正确的数量;Test_m为测试数据总数;
第四步,利用无键相采集方法获取往复机械整周期的数据;
4.1选择往复机械某一缸盖测点,无键相连续采集两个周期以上的正常振动加速度数据Sn={s1,s2,s3,…,sn},和故障振动加速度数据Ab_Sn′={ab_s1,ab_s2,ab_s3,…,ab_sn′},n、n′为采样点数;
4.2根据监测系统采样频率Fs和机组工作转速范围[Rmin,Rmax],由以下公式确定一个完整周期的采样点数范围[Wmin,Wmax]:
Figure FDA0002635170140000024
Figure FDA0002635170140000025
根据[Wmin,Wmax],设置系列窗口长度Wv={Wmin,Wmin+d,Wmin+2d,…,Wmin+αd},α=0,1,2,…共α+1个窗口长度,其中,d为长度变化梯度,Wmin+αd≤Wmax且10<d≤Wmin
4.3利用Wmin窗口以步长Step在数据Sn上进行滑动截取,窗口的截取结果记为Sn1,窗口遍历完数据Sn后得到截取数据集Cut1={Sn11,Sn12,…},利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′,将Cut1′中的每组数据分别生成h1×h2大小的图,将生成的每张图像分别按照从左至右的顺序进行均分,每张子图像大小为
Figure FDA0002635170140000031
每张图像的均分结果记为Sn1_P={img1,img2,img3,img4};依次计算每个窗口的图像集,得到的图像集分别记为Cut1_P={Sn11_P,Sn12_p,…},Cut2_P={Sn21_p,Sn22_p,…},…,Cut(α+1)_P={Sn(α+1)1_p,Sn(α+1)2_p,…};
4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类,如选取图像中含有整周期图像,则继续对剩余的图像进行分类,T_Net分类得到的整周期图像对应的数据点即为整周期数据,记为zqi′;如选择的图像中不包含整周期图像,则停止对Cut1_P中剩余图像的分类,并更换下一窗口;初分类的图像数量由以下公式计算:
Figure FDA0002635170140000032
式中,Win为Wv中的窗口;
4.5按照步骤4.4的方法对所有窗口得到的图像集进行处理,最终得到无键相截取的正常整周期数据集T_zq={zq1,zq2,zq3,…,zqi′},i′=1,2,3,…;
利用步骤4.2~4.5对故障数据Ab_Sn′进行截取,截取周期记为ab_zqi′,最终得到无键相截取的故障整周期数据集Ab_zq={ab_zq1,ab_zq2,ab_zq3,…,ab_zqi′,};
第五步,构建自动提取特征模型:构建自编码神经网络模型,将有键相采集的缸盖振动加速度正常数据Nm和故障数据Am划分为训练集Train和测试集Test,并分别添加“正常”和“故障”标签,自编码神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成;利用训练集Train对初始自编码神经网络模型进行训练,测试集Test对模型进行测试,得到自编码神经网络特征提取模型;
第六步,将第四步中得到的整周期数据集T_zq和Ab_zq,添加“正常”和“故障”标签后分别按照相同比例划分,组成训练集和测试集,将训练集输入到第五步得到的自编码神经网络模型,将自编码神经网络得到的中间隐含层特征作为支持向量机模型的输入,训练二分类支持向量机模型,输出“1”即为正常,输出“0”即为故障,利用训练出的二分类支持向量机模型对往复机械的正常和异常整周期信号进行分类。
CN201911265409.5A 2020-02-19 2020-02-19 一种基于无键相整周期信号的往复机械故障诊断方法 Active CN110954312B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911265409.5A CN110954312B (zh) 2020-02-19 2020-02-19 一种基于无键相整周期信号的往复机械故障诊断方法
US17/165,420 US11454567B2 (en) 2020-02-19 2021-02-02 Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911265409.5A CN110954312B (zh) 2020-02-19 2020-02-19 一种基于无键相整周期信号的往复机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN110954312A CN110954312A (zh) 2020-04-03
CN110954312B true CN110954312B (zh) 2020-11-20

Family

ID=69980855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911265409.5A Active CN110954312B (zh) 2020-02-19 2020-02-19 一种基于无键相整周期信号的往复机械故障诊断方法

Country Status (2)

Country Link
US (1) US11454567B2 (zh)
CN (1) CN110954312B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823543B (zh) * 2019-11-07 2020-09-04 北京化工大学 一种基于往复机械活塞杆轴心轨迹包络与信息熵特征的负荷识别方法
US20230184624A1 (en) * 2020-04-27 2023-06-15 Siemens Aktiengesellschaft Fault Diagnosis Method and Apparatus Therefor
CN111879504B (zh) * 2020-06-30 2021-12-28 西安交通大学 基于振动信号的活塞杆松动故障监测方法及系统
CN112814886B (zh) * 2020-12-06 2022-07-12 北京化工大学 一种往复压缩机信号的无键相角域周期分割方法
CN112818283B (zh) * 2021-02-01 2023-09-15 国家电网有限公司 水电机组智能振动保护方法、装置及电子设备
CN113505531B (zh) * 2021-07-06 2023-11-21 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113705424A (zh) * 2021-08-25 2021-11-26 浙江工业大学 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法
CN113865859B (zh) * 2021-08-25 2024-05-14 西北工业大学 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN113739909A (zh) * 2021-09-08 2021-12-03 上海海事大学 一种基于全尺度时域平均的船舶旋转机械故障诊断方法
CN113918016B (zh) * 2021-10-09 2023-03-28 深圳市恒必达电子科技有限公司 一种户外环境采集室内环境同步还原的vr体感设备
CN114215733B (zh) * 2021-11-02 2022-10-28 西安交通大学 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统
CN114584432B (zh) * 2022-01-17 2023-08-22 西安理工大学 基于改进平滑周期图算法的信号检测方法
CN114638256B (zh) * 2022-02-22 2024-05-31 合肥华威自动化有限公司 基于声波信号及注意力网络的变压器故障检测方法及其系统
CN114658645B (zh) * 2022-03-15 2023-10-24 中国石油化工股份有限公司 一种往复压缩机的多源信号融合预警方法
CN114757239B (zh) * 2022-06-15 2022-08-30 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN115235612B (zh) * 2022-08-09 2023-04-07 爱尔达电气有限公司 伺服电机的故障智能诊断系统及其诊断方法
CN115237037B (zh) * 2022-09-22 2023-09-26 能事达电气股份有限公司 调速器在线监测模拟信号同步采集与处理方法及系统
CN115859210B (zh) * 2023-02-10 2023-05-12 宁波慧声智创科技有限公司 一种带电机设备停机尾音智能检测方法及系统
CN117232577B (zh) * 2023-09-18 2024-04-05 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、系统和光缆交接箱
CN117450054B (zh) * 2023-11-22 2024-06-07 深圳沈鼓测控技术有限公司 基于动态角度域的往复式压缩机状态监测保护方法
CN117974658B (zh) * 2024-03-29 2024-06-11 深圳市明谋科技有限公司 基于图像处理的线缆异常识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105090001A (zh) * 2015-07-20 2015-11-25 北京化工大学 一种基于相似性分析的往复压缩机信号整周期相位校准方法
CN208223630U (zh) * 2018-01-04 2018-12-11 南京南瑞继保电气有限公司 一种设备振动监测装置
CN109540482A (zh) * 2018-10-24 2019-03-29 北京化工大学 一种涡轮机叶片无键相高倍频同步振动参数分析方法及分析装置
CN109598255A (zh) * 2018-12-19 2019-04-09 北京化工大学 一种基于能量算子k-梯度的往复机械振动信号冲击始点自适应提取方法
KR102026065B1 (ko) * 2018-05-28 2019-09-27 서울대학교 산학협력단 유성 기어박스의 고장 진단을 위한 진동 특성 데이터 맵 처리장치
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110493744A (zh) * 2019-08-20 2019-11-22 郑州大学 一种主从式无线传感器的数据同步采集方法与系统
CN110578680A (zh) * 2019-09-29 2019-12-17 深圳市永祥测控技术有限公司 往复压缩机的故障诊断方法、系统及计算机可读存储介质
CN110646138A (zh) * 2019-08-20 2020-01-03 北京化工大学 一种旋转机械无键相无试重动平衡方法和分析装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2537247A4 (en) * 2010-02-16 2018-01-31 CircuLite, Inc. Test controller for a rotary pump
JP5888356B2 (ja) * 2014-03-05 2016-03-22 カシオ計算機株式会社 音声検索装置、音声検索方法及びプログラム
US9977422B2 (en) * 2014-07-28 2018-05-22 Computational Systems, Inc. Intelligent configuration of a user interface of a machinery health monitoring system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105090001A (zh) * 2015-07-20 2015-11-25 北京化工大学 一种基于相似性分析的往复压缩机信号整周期相位校准方法
CN208223630U (zh) * 2018-01-04 2018-12-11 南京南瑞继保电气有限公司 一种设备振动监测装置
KR102026065B1 (ko) * 2018-05-28 2019-09-27 서울대학교 산학협력단 유성 기어박스의 고장 진단을 위한 진동 특성 데이터 맵 처리장치
CN109540482A (zh) * 2018-10-24 2019-03-29 北京化工大学 一种涡轮机叶片无键相高倍频同步振动参数分析方法及分析装置
CN109598255A (zh) * 2018-12-19 2019-04-09 北京化工大学 一种基于能量算子k-梯度的往复机械振动信号冲击始点自适应提取方法
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110493744A (zh) * 2019-08-20 2019-11-22 郑州大学 一种主从式无线传感器的数据同步采集方法与系统
CN110646138A (zh) * 2019-08-20 2020-01-03 北京化工大学 一种旋转机械无键相无试重动平衡方法和分析装置
CN110578680A (zh) * 2019-09-29 2019-12-17 深圳市永祥测控技术有限公司 往复压缩机的故障诊断方法、系统及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Diagnostic method based on the analysis of the vibration and acoustic emission energy for emergency diesel generators in nuclear plants";Jorge Arroyo,et al.;《Applied Acoustics》;20130831;第74卷(第8期);第502-508页 *
"基于特征相关分析的柴油机故障诊断方法研究";杨东 等;《现代制造工程》;20181230(第12期);第147-153页 *

Also Published As

Publication number Publication date
US20210255059A1 (en) 2021-08-19
CN110954312A (zh) 2020-04-03
US11454567B2 (en) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110954312B (zh) 一种基于无键相整周期信号的往复机械故障诊断方法
CN110555479B (zh) 基于1dcnn与gru融合的故障特征学习与分类方法
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
Kumar et al. Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST)
CN111709292B (zh) 基于递归图和深度卷积网络的压气机振动故障检测法
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN111104887B (zh) 一种基于振动机理与深度学习技术的整周期无键相监测方法
CN111259532A (zh) 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法
CN115510926B (zh) 跨机型的柴油机燃烧室故障诊断方法及系统
CN109100648A (zh) 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN113640027A (zh) 基于边缘计算和神经网络的换热机组故障诊断方法及系统
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN117009814A (zh) 一种基于多源信息融合的发动机故障诊断方法及系统
CN111795819A (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN117009916A (zh) 基于多传感器信息融合与迁移学习的促动器故障诊断方法
Kang et al. A dual-experience pool deep reinforcement learning method and its application in fault diagnosis of rolling bearing with unbalanced data
Huang et al. Decoupling identification method of continuous working conditions of diesel engines based on a graph self-attention network
CN110826600B (zh) 基于自适应共振网络在线增量学习的发动机喘振预测方法
Yu et al. Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine
CN114564842A (zh) 一种基于在线寻优的柴油机性能参数预测方法及系统
Pan Corrosion detection method of substation Aboveground Steel Structure Based on deep learning
Zhong et al. Research on fusion diagnosis method of thermal fault of marine diesel engine
Feng et al. Cross-Sensor Correlative Feature Learning and Fusion for Intelligent Fault Diagnosis
Wang et al. Conditional generative adversarial network based data augmentation for fault diagnosis of diesel engines applied with infrared thermography and deep convolutional neural 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