CN111062271A - 建立旋转类设备故障识别模型的方法和装置 - Google Patents
建立旋转类设备故障识别模型的方法和装置 Download PDFInfo
- Publication number
- CN111062271A CN111062271A CN201911204257.8A CN201911204257A CN111062271A CN 111062271 A CN111062271 A CN 111062271A CN 201911204257 A CN201911204257 A CN 201911204257A CN 111062271 A CN111062271 A CN 111062271A
- Authority
- CN
- China
- Prior art keywords
- data set
- sample
- fault
- vibration data
- detection channel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本说明书提供一种建立旋转类设备故障识别模型的方法和装置,方法包括:获取旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集;利用样本数据集中的振动数据构建N阶样本方阵ANN;采用同一时间段获取的每个检测通道的样本数据集对应的N阶样本方阵ANN,以及对应工况作为一训练数据组,训练初始的分类识别模型得到故障识别模型。建立故障识别模型的方法将特征提取和工作模式的匹配识别整合为一个过程,直接建立起各种振动信号特征和对应故障工况的关联关系;后续使用故障识别模型时,可直接将测量得到的实测振动数据集作为输入确定实际的故障类型,无需再依靠专家知识和经验知识。
Description
技术领域
本发明涉及振动检测技术领域,尤其涉及一种建立旋转类设备故障识别模型的方法和装置。
背景技术
依靠旋转完成特定功能的旋转类机械设备使用中,旋转部件转动的不平衡、位置不对中、磨损或者结构松动等微小故障会随着旋转设备的使用而逐渐严重,并可能使旋转设备产生连锁性地故障;为了避免故障进一步地严重和由此可能造成的连锁性故障,及时准确地发现旋转部件的异常微小故障十分重要。
因为旋转类设备在微小故障情况下的振动信号具有非平稳性、复杂性和故障特征弱的特性,所以对微小故障的检测较难。目前,已有的微小故障特征识别方法有时域特征提取方法和频域特征提取方法。
时域特征提取方法通过对测量的振动信号的时域波形进行统计分析而获得时域统计指标;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。这种分析方法需要根据机理知识确定故障类型,对专家知识的依赖度高。
此外,时域特征提取方法和频域特征提取方法均将振动信号的特征提取和故障识别分离,随着工况模式和检测的振动信号的增加,前述的方法可能出现维度灾难和过拟合的问题;即使对数据分析确定旋转类设备出现故障时,也并不能直接关联确定故障类型。
发明内容
针对现有故障识别需要机理知识分析,特征提取和故障识别分离的问题,本说明书提供建立故障识别模型的方法和基于故障识别模型识别旋转类设备故障的方法。
本说明书提供一种建立旋转类设备故障识别模型的方法,包括:
获取所述旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集[x1,…,xN];所述样本数据集[x1,…,xN]包括顺次采集的振动数据;所述各种工况包括正常工况和各种故障工况;
利用所述样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN;所述N阶样本方阵ANN中的元素aij由所述样本数据集[x1,…,xN]中的第i个和第j个振动数据运算得到,i=1,…,N,j=1,…,N;
采用同一时间段获取的每个检测通道的样本数据集对应的所述N阶样本方阵ANN,以及对应工况作为一训练数据组,训练初始的分类识别模型得到所述故障识别模型。
可选的,获取所述旋转类设备在各工况工作时,每个检测通道对应的样本数据集[x1,…,xN],包括:
获取所述旋转设备在各个工况工作一段时间时,每个检测通道的振动数据;
以预设大小窗口按照预设重叠率对所述一段时间内的振动数据进行采样,获得检测通道对应的所述样本数据集[x1,…,xN]。
可选的,所述一段时间至少为所述旋转类设备工作z个周期的时间;z≥5。
可选的,利用所述样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN,包括:
利用各个所述元素对应的极坐标构建N阶样本方阵ANN,所述N阶样本方阵ANN中的元素xlm=cos(φl+φm),l=1,…,N,m=1,…,N。
可选的,所述初始的分类识别模型为卷积神经网络模型、支持向量机模型、k近邻模型、多层感知机模型、长短期记忆网络模型或者迁移学习模型中的一种。
本说明书提供一种确定旋转类设备故障的方法,其特征在于,包括:
采集所述旋转类设备工作时,每个检测通道对应的多个实测振动数据集[y1,…,yN];所述实测振动数据集[y1,…,yN]均包括对应检测通道依次采集的振动数据;
利用所述实测振动数据集[y1,…,yN]中的振动数据构建N阶实测方阵BNN;
将同一时间段每个检测通道的实测振动数据集对应的所述N阶实测方阵BNN输入到故障识别模型,得到所述旋转类设备的故障类型;所述故障识别模型采用权利要求1-5任一项所述的方法得到。
本说明书提供一种建立旋转类设备故障识别模型的装置,包括:
数据集获取单元,用于获取所述旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集[x1,…,xN];每个所述样本数据集[x1,…,xN]均包括检测通道顺次采集的振动数据;所述各种工况包括正常工况和各种故障工况;
样本方阵构建单元,用于利用所述样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN;所述N阶样本方阵ANN中的元素aij由所述样本数据集[x1,…,xN]中的第i个和第j个振动数据运算得到;
模型构建单元,用于采用同一时间段获取的每个检测通道的样本数据集对应的所述N阶样本方阵ANN,以及对应工况作为一组训练数据,训练初始的分类识别模型得到所述故障识别模型。
可选的,所述数据集获取单元包括:
数据获取子单元,用于获取所述旋转设备在各个工况工作一段时间时,每个检测通道的振动数据;
数据集构建子单元,用于以预设大小窗口按照预设重叠率对所述一段时间内的振动数据进行采样,获得检测通道对应的所述样本数据集[x1,…,xN]。
可选的,所述样本方阵构建单元包括:
方阵构建子单元,用于利用各个所述元素对应的极坐标构建N阶样本方阵ANN,所述N阶样本方阵ANN中的元素xlm=cos(φl+φm),l=1,…,N,m=1,…,N。
本说明书提供一种确定旋转类设备故障的装置,包括:
实际数据采集单元,用于采集所述旋转类设备工作时,每个检测通道对应的实测振动数据集[y1,…,yN];每个所述样本数据集[y1,…,yN]均包括对应检测通道依次采集的振动数据;
矩阵构建单元,用于利用所述实测振动数据集[y1,…,yN]中的振动数据构建N阶实测方阵BNN;
故障类型识别单元,用于同一时间段获取的每个检测通道的实测振动数据集对应的所述N阶实测方阵BNN输入到故障识别模型,得到所述旋转类设备的故障类型;所述故障识别模型采用权利要求1-5任一项所述的方法得到。
本说明书实施例提供的建立故障识别模型的方法将特征提取和工作模式的匹配识别整合为一个过程,直接建立起各种振动信号特征和对应故障工况的关联关系;后续使用故障识别模型时,可直接将测量得到的实测振动数据集作为输入确定实际的故障类型,无需再依靠专家知识和经验知识。
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旋转类设备故障识别模型的方法的流程图;
图2是图形化表征各工况下各个检测通道对应的N阶样本方阵的特性;
图3是实施例提供的确定旋转类设备故障的方法的流程图;
图4是实施例提供的建立旋转类设备故障识别模型的装置的结构示意图;
图5是实施例提供的确定旋转类设备故障的装置的结构示意图;
附图标记:11-数据集获取单元,12-样本方阵构建单元,13-模型构建单元,21-实际数据采集单元,22-矩阵构建单元,23-故障类型识别单元。
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旋转类设备故障识别模型的方法的流程图。如图1所示,本实施例提供的构建故障识别模型方法包括步骤S101-S103。
S101:获取旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集。
步骤S101中,样本数据集由N个顺次采集到振动数据组成,其可以采用[x1,…,xN]表示,N的数量可以根据采样频率、数据处理设备根据处理能力以及旋转类设备的转动频率确定。
前述的检测通道代表安装在旋转类设备上的各个振动传感器。在实际采样中,各个传感器均同时工作,同时进行振动数据的采集,以共同表征旋转类设备某一工况下的振动特性。
前述的各种工况包括旋转类设备正常工作工况和各种故障工况。
S102:利用样本数据集中的振动数据构建N阶样本方阵。
利用样本数据集中的振动数据构建N阶样本方阵ANN的过程,是分别使得样本数据集中的第i个振动数据和第j个振动数据运算得到阵列元素,并将阵列元素放置在N阶样本方阵中特定位置的过程;具体地,N阶样本方阵中的元素aij为前述第i个振动数据和第j个振动数据运算得到。
因为N阶样本方阵ANN中的元素由样本数据集中的各个振动数据相互之间采用相同的算法运算得到,所以N阶样本方阵表征了样本数据集[x1,…,xN]中元素的相关性,后续在建立故障识别模型的过程中可以利用模型构建算法挖掘出此类相关性,继而建立样本数据集中振动数据相关性和故障类型的关联性。
此处,本说明书并不对利用样本数据集构建N阶样本方阵ANN时采用了具体算法做限定,其可以采用各种可能的算法,此在后文中再做叙述。
S103:采用同一时间段获取的每个检测通道的样本数据集对应的N阶样本方阵ANN,以及对应工况作为一个训练数据组,训练初始的分类识别模型得到故障识别模型。
步骤S103中,一个训练数据组中的N阶样本方阵ANN是同一时间获取的各个检测通道的振动数据组成的样本数据集训练得到,以确保一个训练数据组反应同一工况下、同一时间段内旋转类设备的特性。
正是因为将同一时间段各个检测通道对应的样本数据集和对应的工况作为一个训练数据组,所以一个训练数据组代表了对应工况下一段时间内旋转类设备在不同位置呈现的共同振动特性;在训练数据组数量足够多,并且训练数据组涵盖旋转类设备在各种工况下的是所有工作状态时,采用训练数据组训练初始分类模型得到的故障识别模型能够表征旋转类设备在各种工况下的工作特性。
另外,本说明书实施例提供的建立故障识别模型的方法将特征提取和工作模式的匹配识别整合为一个过程,直接建立起各种振动信号特征和对应故障工况的关联关系;后续使用故障识别模型时,可直接将测量得到的实测振动数据集作为输入确定实际的故障类型,无需再依靠专家知识和经验知识。
实际应用中,在检测通道为多个的情况下,用于故障识别模型训练的训练数据组包含多个检测通道对应的N阶样本方阵,使得相应工况下不同部件或者多个检测方向的振动特性直接关联,从多个维度体现故障工况的输出特性,因此对故障识别的精度更高。
当然,在一些应用中,也可以仅设置一个检测通道采集振动数据、构建样本数据集和对应的N阶样本方阵,并训练故障识别模型;只是对应情况下故障识别模型的精度和有效性相对于多检测通道振动数据构建的故障识别模型精度要差。
在本说明书具体应用中,获取旋转设备各种工况工作时,每个检测通道对应的样本数据集的过程可以如步骤S201和S202。
S201:获取旋转设备在各个工况工作一段时间时,每个检测通道的振动数据。
前述步骤S201中提及的一段时间应当至少是旋转设备旋转一个周期的时间,以保证旋转设备在各个转动角度时的振动特征均被采集。较为优选的,前述的一段时间为旋转设备工作多个周期的时间;在一个具体应用中,前述的旋转周期数至少为5。
S202:以预设大小窗口按照预设重叠率对前述一段时间内的振动数据进行采样,获得各个检测通道对应的样本数据集。
步骤S202中,为了避免一定角度特征数据的漏采集,在对一段时间内的数据进行采样的过程中,预设大小窗口以一定的重叠率对数据进行采样。前述的预设大小窗口需要根据采样频率和旋转设备的旋转速度确定,保证样本数据集中的振动数据具有足够的关联性;例如,在一个具体应用中,重叠率为0.9。
此外,在其他应用中,也可以以随机采样的方式,随机地截取各个检测通道的振动数据形成样本数据集。
本说明书的一个实施例中,利用样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵的过程如步骤S301-S303。
S301:对样本数据集中的振动数据进行归一化处理,得到归一化数据集。
S302:计算归一化数据集中各个元素对应的极坐标。
在一个具体应用中,可以按照公式一进行归一化处理。
本说明书的一个具体应用中,max(X)和min(X)可以是各个样本数据集[x1,…,xN]中的最大值和最小值,也可以是一个测试通道中所有样本数据集中的最大值和最小值。
步骤S202的极坐标的计算公式可以如公式二。
步骤S202中,将归一化数据集中的元素转换为极坐标考虑到了极坐标具有保留绝对时间关系的特点,并且在[-1,1]之间的所有元素均具有对应的映射值。
S303:利用各个元素对应的极坐标构建N阶样本方阵。
步骤S303中,N阶样本方阵中的元素采用公式三计算得到,使得N阶样本方阵形成如公式四。
aij=cos(φi+φj) 公式三
本说明书具体应用中,可能采用的初始的分类识别模型可以为卷积神经网络模型、支持向量集模型、k近邻模型、多层感知机模型、长短期记忆网络模型或者迁移学习模型。
考虑卷积神经网络模型更适应于二维矩阵的特征提取,因此本说明书优选采用卷积神经网络模型作为初始的分类识别模型,对应的训练得到的故障识别模型也为卷积神经网络模型。请注意,因为对具体数据模型的训练并不是本说明书的核心发明点,所以本说明书不再详细展开模型训练和优化步骤,具体的内容可以参见已有的技术文献。
以下就一个具体设备采用前述模型训练方法得到故障识别模型做介绍。在此具体应用中,旋转类设备为减速齿轮箱,其中主轴上的滚动轴承在长期使用中可能出现各种故障,并造成减速齿轮箱的工作稳定性下降,因此针对此齿轮箱在滚动轴承各个工况下的振动信号进行采集,获得样本数据集,并进行后续操作。
在具体应用中,减速齿轮箱上设置有13个振动信号传感器,获得13个测试通道的测试数据;13个测试数据分别为电机Z方向、行星齿轮箱X方向、行星齿轮箱Z方向、行星架Y方向、行星架Z方向、平行齿轮箱中左Y方向、平行齿轮箱中左Z方向、平行箱底座Z方向、平行齿轮箱中间Y方向、平行齿轮箱中间Z方向、平行齿轮箱入右X方向、平行齿轮箱入右Z方向、平行箱Y方向的振动加速度。滚动轴承的工况类型有4种,分别为正常工况、内圈故障工况、外圈故障工况和滚动体故障工况。
在进行振动信号采集时,减速齿轮箱的主轴转速保持在1000rpm转速,负载为0%,各个振动信号传感器的采样频率均为12800Hz,采样时间5s。
在获得各个测试通道一段时间的振动数据后,采用长度为28的采样窗口,以重叠率为“0.9*采样窗口并向下取整”的长度对5s的采样数据进行采样得到样本数据集。
随后采用前述样本数据集构建N阶样本方阵。图2是图形化表征各工况下各个检测通道对应的N阶样本方阵的特性。观察图2可以发现,不同的工况在不同的检测通道显现出不同的信号特征。
在针对前述减速箱滚动轴承建立故障识别模型的过程中,采用了卷积神经网络模型作为初始训练模型,此模型的结构设置为:卷积层1(6通道3×3卷积核)、池化层(最大化)、卷积层2(16通道5×5卷积核)、池化层(最大化)、全连接层(7×7×120=5880个神经元)、全连接层(84个神经元)、输出层(softmax输出4个节点)。
在对卷积神经网络模型进行训练的过程中,75%的测试数据组组成训练数据集,25%的测试数据组组成验证数据集,对模型进行训练直至精度达到要求,获得了故障识别模型。
除了提供前述的构建旋转类设备故障识别模型的方法外,本说明书还提供一种确定旋转类设备故障的方法。图3是实施例提供的确定旋转类设备故障的方法的流程图。确定旋转类设备故障的方法以前述故障识别模型为基础,其具体的实现过程如步骤S401-S403。
S401:采集旋转类设备工作时,每个检测通道对应的实测振动数据集。
每个实测振动数据集[y1,…,yN]中均包括了对应检测通道依次采集的振动数据。实测振动数据集[y1,…,yN]的建立过程和前述的样本数据集[x1,…,xN]的构建方法相同,此处不再复述,可参见前文表述。应当注意,实测振动数据集的个数较少。
S402:利用实测振动数据集中的振动数据构建N阶实测方阵。
构建N阶实测方阵的过程应当与故障识别模型构建方法中构建N阶样本方阵中的元素的方法一致,此处也不再复述。
S403:将每个检测通道同一时间段的实测振动数据集对应的所述N阶实测方阵输入到故障识别模型,得到所述旋转类设备的故障类型。
本实施例提供的旋转类设备故障识别方法,基于前文方法建立的故障识别模型,只需要按照预定的方法对振动数据进行处理输入故障识别模型,即可以得到故障类型;前述过程不需要专家知识或者经验知识介入,识别方法简单。在故障识别模型具有较好的精度特性、实测振动数据集没有系统误差的情况下,故障识别方法也具有较好的故障识别准确性。
除了提供前述构旋转类设备故障识别模型的方法和旋转类设备故障识别方法外,本说明书还基于前述方法提供一种建立旋转类设备故障识别模型的装置以及一种旋转类设备故障识别装置。因为两个装置和两个方法基于同一发明构思,所以两个装置具有前述方法的优点,以下仅就两装置的结构做介绍,相应的效果可参照前文。
图4是实施例提供的建立旋转类设备故障识别模型的装置的结构示意图。如图4所示,装置包括数据集获取单元11、样本方阵构建单元12和模型构建单元13。
数据集获取单元11,用于获取旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集[x1,…,xN];每个样本数据集[x1,…,xN]均包括检测通道顺次采集的振动数据;各种工况包括正常工况和各种故障工况;
样本方阵构建单元12,用于利用样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN;N阶样本方阵ANN中的元素aij由样本数据集[x1,…,xN]中的第i个和第j个振动数据运算得到;
模型构建单元13,用于采用同一时间段获取的每个检测通道的样本数据集对应的N阶样本方阵ANN,以及对应工况作为一组训练数据,训练初始的分类识别模型得到故障识别模型。
在一个优选应用中,数据集获取单元11包括数据获取子单元和数据集构建子单元。
数据获取子单元,用于获取旋转设备在各个工况工作一段时间时,每个检测通道的振动数据;
数据集构建子单元,用于以预设大小窗口按照预设重叠率对一段时间内的振动数据进行采样,获得检测通道对应的样本数据集[x1,…,xN]。
在一个具体应用中,样本方阵构建单元12可以包括归一化子单元、极坐标构建子单元和方阵构建子单元。
方阵构建子单元,用于利用各个元素对应的极坐标构建N阶样本方阵ANN,N阶样本方阵ANN中的元素xlm=cos(φl+φm),l=1,…,N,m=1,…,N。
图5是实施例提供的确定旋转类设备故障的装置的结构示意图。如图5所示,确定旋转类设备故障的装置包括实际数据采集单元21、矩阵构建单元22和故障类型识别单元23。
实际数据采集单元21,用于采集旋转类设备工作时,每个检测通道对应的实测振动数据集[y1,…,yN];每个样本数据集[y1,…,yN]均包括对应检测通道依次采集的振动数据;
矩阵构建单元22,用于利用实测振动数据集[y1,…,yN]中的振动数据构建N阶实测方阵BNN;
故障类型识别单元23,用于同一时间段获取的每个检测通道的实测振动数据集对应的N阶实测方阵BNN输入到故障识别模型,得到旋转类设备的故障类型;故障识别模型采用前所述的方法得到。
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 (10)
1.一种建立旋转类设备故障识别模型的方法,其特征在于,包括:
获取所述旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集[x1,…,xN];所述样本数据集[x1,…,xN]包括顺次采集的振动数据;所述各种工况包括正常工况和各种故障工况;
利用所述样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN;所述N阶样本方阵ANN中的元素aij由所述样本数据集[x1,…,xN]中的第i个和第j个振动数据运算得到,i=1,…,N,j=1,…,N;
采用同一时间段获取的每个检测通道的样本数据集对应的所述N阶样本方阵ANN,以及对应工况作为一训练数据组,训练初始的分类识别模型得到所述故障识别模型。
2.根据权利要求1所述的方法,其特征在于,获取所述旋转类设备在各工况工作时,每个检测通道对应的样本数据集[x1,…,xN],包括:
获取所述旋转设备在各个工况工作一段时间时,每个检测通道的振动数据;
以预设大小窗口按照预设重叠率对所述一段时间内的振动数据进行采样,获得检测通道对应的所述样本数据集[x1,…,xN]。
3.根据权利要求2所述的方法,其特征在于,
所述一段时间至少为所述旋转类设备工作z个周期的时间;z≥5。
5.根据权利要求1所述的方法,其特征在于,
所述初始的分类识别模型为卷积神经网络模型、支持向量机模型、k近邻模型、多层感知机模型、长短期记忆网络模型或者迁移学习模型中的一种。
6.一种确定旋转类设备故障的方法,其特征在于,包括:
采集所述旋转类设备工作时,每个检测通道对应的多个实测振动数据集[y1,…,yN];所述实测振动数据集[y1,…,yN]均包括对应检测通道依次采集的振动数据;
利用所述实测振动数据集[y1,…,yN]中的振动数据构建N阶实测方阵BNN;
将同一时间段每个检测通道的实测振动数据集对应的所述N阶实测方阵BNN输入到故障识别模型,得到所述旋转类设备的故障类型;所述故障识别模型采用权利要求1-5任一项所述的方法得到。
7.一种建立旋转类设备故障识别模型的装置,其特征在于,包括:
数据集获取单元,用于获取所述旋转类设备在各种工况工作时,每个检测通道对应的多个样本数据集[x1,…,xN];每个所述样本数据集[x1,…,xN]均包括检测通道顺次采集的振动数据;所述各种工况包括正常工况和各种故障工况;
样本方阵构建单元,用于利用所述样本数据集[x1,…,xN]中的振动数据构建N阶样本方阵ANN;所述N阶样本方阵ANN中的元素aij由所述样本数据集[x1,…,xN]中的第i个和第j个振动数据运算得到;
模型构建单元,用于采用同一时间段获取的每个检测通道的样本数据集对应的所述N阶样本方阵ANN,以及对应工况作为一组训练数据,训练初始的分类识别模型得到所述故障识别模型。
8.根据权利要求7所述的装置,其特征在于,所述数据集获取单元包括:
数据获取子单元,用于获取所述旋转设备在各个工况工作一段时间时,每个检测通道的振动数据;
数据集构建子单元,用于以预设大小窗口按照预设重叠率对所述一段时间内的振动数据进行采样,获得检测通道对应的所述样本数据集[x1,…,xN]。
10.一种确定旋转类设备故障的装置,其特征在于,包括:
实际数据采集单元,用于采集所述旋转类设备工作时,每个检测通道对应的实测振动数据集[y1,…,yN];每个所述样本数据集[y1,…,yN]均包括对应检测通道依次采集的振动数据;
矩阵构建单元,用于利用所述实测振动数据集[y1,…,yN]中的振动数据构建N阶实测方阵BNN;
故障类型识别单元,用于同一时间段获取的每个检测通道的实测振动数据集对应的所述N阶实测方阵BNN输入到故障识别模型,得到所述旋转类设备的故障类型;所述故障识别模型采用权利要求1-5任一项所述的方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204257.8A CN111062271A (zh) | 2019-11-29 | 2019-11-29 | 建立旋转类设备故障识别模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204257.8A CN111062271A (zh) | 2019-11-29 | 2019-11-29 | 建立旋转类设备故障识别模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062271A true CN111062271A (zh) | 2020-04-24 |
Family
ID=70299316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204257.8A Pending CN111062271A (zh) | 2019-11-29 | 2019-11-29 | 建立旋转类设备故障识别模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062271A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070103A (zh) * | 2023-03-07 | 2023-05-05 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030207278A1 (en) * | 2002-04-25 | 2003-11-06 | Javed Khan | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
CN103995470A (zh) * | 2014-05-30 | 2014-08-20 | 浙江工业大学 | 一种基于PolSOM神经网络算法的设备故障诊断方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
-
2019
- 2019-11-29 CN CN201911204257.8A patent/CN111062271A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030207278A1 (en) * | 2002-04-25 | 2003-11-06 | Javed Khan | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
CN103995470A (zh) * | 2014-05-30 | 2014-08-20 | 浙江工业大学 | 一种基于PolSOM神经网络算法的设备故障诊断方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
Non-Patent Citations (2)
Title |
---|
CHUANCHAO XU等: "Research on fault diagnosis method of bearing based on image transformation of time series", 《PROCEEDINGS OF GLOBAL POWER AND PROPULSION SOCIETY》 * |
张前图等: "基于图像处理的滚动轴承故障特征提取研究", 《机械传动》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070103A (zh) * | 2023-03-07 | 2023-05-05 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
CN116070103B (zh) * | 2023-03-07 | 2023-06-30 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
Yao et al. | A survey of transfer learning for machinery diagnostics and prognostics | |
CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
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 | |
CN113780412B (zh) | 故障诊断模型训练方法、系统及其诊断方法、系统 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
CN114235415B (zh) | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 | |
CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN114429150A (zh) | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
CN110263767A (zh) | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 | |
CN109100142B (zh) | 一种基于图论的轴承半监督故障诊断方法 | |
Liang et al. | Intelligent fault diagnosis of rolling element bearing based on convolutional neural network and frequency spectrograms | |
CN113065581A (zh) | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 | |
Wang et al. | An end-to-end fault diagnostics method based on convolutional neural network for rotating machinery with multiple case studies | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 | |
CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
Praveen et al. | Using AIG in Verilog HDL, Autonomous Testing in a Family of Wien Bridge Cross Transducers | |
CN111062271A (zh) | 建立旋转类设备故障识别模型的方法和装置 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Zhao et al. | Parallel adversarial feature learning and enhancement of feature discriminability for fault diagnosis of a planetary gearbox under time-varying speed conditions |
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 |