CN111207926B - 一种基于滚动轴承故障诊断方法、电子装置及存储介质 - Google Patents

一种基于滚动轴承故障诊断方法、电子装置及存储介质 Download PDF

Info

Publication number
CN111207926B
CN111207926B CN201911378997.3A CN201911378997A CN111207926B CN 111207926 B CN111207926 B CN 111207926B CN 201911378997 A CN201911378997 A CN 201911378997A CN 111207926 B CN111207926 B CN 111207926B
Authority
CN
China
Prior art keywords
dimensional
states
fault
matrix
different
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
CN201911378997.3A
Other languages
English (en)
Other versions
CN111207926A (zh
Inventor
张锐戈
肖荣辉
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.)
Sanming University
Original Assignee
Sanming University
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 Sanming University filed Critical Sanming University
Priority to CN201911378997.3A priority Critical patent/CN111207926B/zh
Publication of CN111207926A publication Critical patent/CN111207926A/zh
Application granted granted Critical
Publication of CN111207926B publication Critical patent/CN111207926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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

Abstract

本发明公开了一种滚动轴承故障诊断方法、电子装置及存储介质，方法包括获取滚动轴承在不同运行状态下的多个振动加速度信号；运行状态包括故障状态、转速、载荷及故障程度；对每个振动加速度信号经调理放大及采样量化后，获得对应的一维离散数字信号；对一维离散数字信号经双谱计算以及降维后获得二维特征矢量；根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，获得适合当前运行状态的特征向量；通过特征向量训练隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，根据状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。

Description

一种基于滚动轴承故障诊断方法、电子装置及存储介质
技术领域
本发明涉及机械故障诊断领域，尤其涉及一种基于滚动轴承故障诊断方法、装置及存储介质。
背景技术
滚动轴承是旋转装备重要的零部件之一，也是最容易损坏的零部件，其性能状态对生产效益和生产安全起至关重要的作用，当前已有的智能故障诊断方法大多只适合恒定工况，假设故障程度、转速、载荷等不发生变化，但是，在实际工程实践中，滚动轴承往往以变工况方式运行，伴随着转速、载荷、故障程度甚至是三者同时动态发生变化的情形。因此，近年来，有学者关注到变工况故障诊断并提出诊断方法，如：1、在转轴上安装光编码盘或键控装置获取转速信息后，在角度域对信号重采将时间域的非均匀信号转化成等角度采样信号，进而通过阶次谱判别轴承状态。2、利用共振解调或广义解调等信号分析手段，从滚动轴承振动信号中提取轴承转速信息，通过等角度重采后用于轴承状态判别。3、通过经验模态分解(EMD)、变分模态分解(VMD)、奇异值分解(SVD)和主成分分析(PCA)等方法，提取工况变化情形下的信号特征，再用神经网络或支持向量机等方法辩识故障类型。4、基于迁移学习理念，将源域知识迁移到目标域中，以降低工况变化导致的信息不匹配。但这些变工况故障诊断方法仅适合变转速或变载荷使用环境，未能处理变故障程度或者是工况和故障程度同时变化情形，同时也未能从诊断原理上解决因运行状态变化对诊断模型的干扰，存在应用范围受限、运算量大、依赖经验等客观缺点。
发明内容
针对上述问题，本发明的目的在于提供基于滚动轴承故障诊断方法、装置及存储介质，能在转速、载荷、故障程度三种运行参数变化情形下有效诊断故障类型。
本发明实施例提供了一种滚动轴承故障诊断方法，包括：
获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；
对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
对所述一维离散数字信号经双谱计算后，获得二维频谱；
对所述二维频谱进行数据降维，获得二维特征矢量；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
优选地，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：
对所述一维离散数字信号进行预处理操作，以使其均值为零；
对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；
计算每一个数据段的离散傅立叶系数；
根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；
对三重相关系数进行平均值估算，获得二维频谱。
优选地，对所述二维频谱进行数据降维，以获得二维特征矢量，具体为：
基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域；
选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱；
对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
优选地，根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量，具体为：
获取不同状态下的二维特征向量，计算对应的格拉姆矩阵和交叉格拉姆矩阵；
基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
基于不同状态下二维特征向量构造测度矩阵和中心矩阵；
基于核矩阵、测度矩阵和中心矩阵，构造测度矩阵；
对测度矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
通过自适应矩阵对所述二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
优选地，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断，具体为：
将每个特征向量的构成元素分为M类，并定义隐马尔可夫模型的概率初始分布概率和及状态转移概率矩阵：
基于期望最大似然算法以及迭代运算确定当前隐马尔可夫模型参数；
分别采用不同运行状态的特征向量训练对应的隐马尔可夫模型，以确定滚动轴承不同故障状态的隐马尔可夫模型参数；
基于不同故障状态的隐马尔可夫模型，构成状态辨识模型集；
将未知运行状态下获得的特征向量输入状态模型集，计算不同运行状态隐马尔可夫模型后验似然概率；
根据最大似然概率模型对应的运行状态，将其作为待诊断运行状态，以实现滚动轴承在变工况、变故障程度的智能故障诊断。
本发明实施例还提供了一种电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的滚动轴承故障诊断程序，所述滚动轴承故障诊断程序被所述处理器执行时实现如下步骤：：
获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；
对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
对所述一维离散数字信号经双谱计算后，获得二维频谱；
对所述二维频谱进行数据降维，获得二维特征矢量；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
优选地，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：
对所述一维离散数字信号进行预处理操作，以使其均值为零；
对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；
计算每一个数据段的离散傅立叶系数；
根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；
对三重相关系数进行平均值估算，获得二维频谱。
优选地，对所述二维频谱进行数据降维，以获得二维特征矢量，具体为：
基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域；
选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱；
对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
优选地，根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量，具体为：
获取不同状态下的二维特征向量，计算对应的格拉姆矩阵和交叉格拉姆矩阵；
基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
基于不同状态下二维特征向量构造测度矩阵和中心矩阵；
基于核矩阵、测度矩阵和中心矩阵，构造测度矩阵；
对测度矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
通过自适应矩阵对所述二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
本发明第五方面还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的滚动轴承故障诊断方法。
实施本发明实施例，具有如下有益技术效果：
1、本专利能在转速、载荷、故障程度三种运行参数变化情形下有效诊断故障类型，而目前其它的诊断方法仅能满足工况变化，它们不适合故障程度变化或者是工况和故障程度同时变化情形。
2、从数据分析原理上解决变工况引起的智能诊断精度下降甚至失效问题，基于特征参数分布自适应方式，将不同工况下的特征子空间投影到共同子空间，解决了工况变化引起的特征空间扰动问题，能在转速、载荷或者是两者同时变化时有效判别轴承状态。
3、是一种对诊断经验依赖小的可靠方法。诊断过程基于严密的数学基础，诊断过程参数选择不依赖经验，实现简单、可靠。
4、运算量小、易于在工程上实现。投影矩阵的计算基于散度矩阵不变特性，将不易计算的映射转化为核函数形式表征，通过简单的特征分解即可实现；此外，使用快速傅立叶方法计算双谱，并利用双谱的对称特性将数据降维，大大减少了诊断过程运算量。
5、使用工况鲁棒特征参数。选择振动信号双谱作为特征值，其对高斯噪声鲁棒特点适合提取有效轴承状态信息；此外，通过研究发现，双谱还具有不同故障类型时差异大，相同故障类型但工况不同时差异小的优点，适合作为变工况特征参数。
6、采用时间序列建模的隐马尔可夫模型，与智能故障诊断的观察参数可见、状态参数隐藏相吻合，有效判别变工况情形下的轴承故障类型。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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为本发明第一实施例提供的滚动轴承故障诊断方法的流程示意图；
图2为本发明实施例提供的特征域自适应的滚动轴承变工况智能故障诊断流程图；
图3为本发明实施例提供的双谱区域分布特性的结构示意图；
图4为本发明实施例提供的外圈故障的双谱幅度谱图；
图5为本发明实施例提供的内圈故障的双谱双谱幅度谱图；
图6为本发明实施例提供的为滚动体故障的双谱幅度谱图；
图7为本发明实施例提供的工况1的外圈故障的双谱幅度谱图；
图8为本发明实施例提供的工况2的外圈故障的双谱幅度谱图；
图9为本发明实施例提供的工况3的外圈故障的双谱幅度谱图；
图10为本发明实施例提供的工况4的外圈故障的双谱幅度谱图；
图11为本发明一实施例提供的电子装置的内部结构示意图；
图12为本发明一实施例提供的电子装置中基于基于区块链的密码管理程序的模块示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
实施例一：
本发明提供一种基于滚动轴承故障诊断方法。参照图1所示，为本发明一实施例提供的基于滚动轴承故障诊断方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现，本实施例中，所述装置为智能终端。
本发明第一实施例提供一种滚动轴承故障诊断方法，包括：
S1，获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障。
S2，对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号。
在本实施例中，所述加速度传感器安装于靠近轴承位置采集滚动轴承的振动加速度信号，然后对获得的振动加速度信号经调理放大后，送入数据采集卡以fs采样频率进行离散采样，经量化后以数字信号s(n)输出。
S3，对所述一维离散数字信号经双谱计算后，获得二维频谱。
在本实施例中，S3的步骤包括：
S31，对所述一维离散数字信号进行预处理操作，以使其均值为零，例如，对长度为L的信号s(n)作预处理操作，使其均值为零，则预处理操作后的一维离散数字信号为
Figure GDA0002402414490000094
其中，
Figure GDA0002402414490000095
表示s(n)的均值。
S32，对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；如，将预处理操作后的一维离散数字信号分为K个数据段，每个数据段的长为M，满足L＝KM，记作s(1)(n),s(2)(n),…,s(K)(n)；
S33，计算每一个数据段的离散傅立叶系数；离散傅立叶系数表达式为：
Figure GDA0002402414490000091
l＝0,1,…,M/2；k＝1,…,K。
S34，根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；三重相关系数表达式为：
Figure GDA0002402414490000092
k＝1，…，K；0≤l2≤l1，l1+l2≤fs/2；Δ0＝fs/N0fs为信号采样频率，N0和L1应选择为满足M＝(2L1+1)N0的值。
S35，对三重相关系数进行平均值估算，获得二维频谱，平均值估算表达式为：
Figure GDA0002402414490000093
f1＝l1N0fs/M，f2＝l2N0fs/M；B(f1,f2)为一二维谱表征方法，分别用f1和f2表示频率轴。
S4，对所述二维频谱进行数据降维，获得二维特征矢量。
在本实施例中，S4步骤包括：
S41，基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域。
S42，选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱。
在本实施例中，振动加速度信号s(n)为实序列，傅立叶变换满足共轭对称性X(f)＝X*(-f)，因而双谱具有下述特征：
B(f1,f2)＝B(f2,f1)＝B*(-f1,-f2)＝B*(-f2,-f1)
因而双谱分布满足下述对称特性：
|B(f1,f2)|＝|B(f2,f1)|＝|B(-f1,-f2)|＝|B(-f2,-f1)|
例如，过双谱中心原点，依直线x＝0、y＝0、y＝x、和y＝-x，将二维频谱划分为如图所示的8个子区域(如图3)，再利用对称特性降低数据维数，步骤如下：
(1)双谱具有|B(f1,f2)|＝|B(f2,f1)|性质，以直线y＝x呈对称分布，有一半数据冗余。因而保留区域(II)、(III)、(Iv)、(V)数据，其余剔除。
(2)双谱具有|B(f1,f2)|＝|B(-f2,-f1)|性质，表明双谱以直线y＝-x呈镜像分布，数据对称冗余。保留区域(II)和(III)数据，其余剔除。
(3)将区域(III)数据以原点为轴心，向右旋转90度后到达区域(I)位置，使降维后的数据具有正方性质。数据旋转通过下式完成：
Figure GDA0002402414490000101
其中x和y为区域(III)数据的原始坐标位置，x′和y′为旋转后的坐标位置。将通过上述公式获得的双谱记为Φ＝B((II),(III)T)，其中符号T表示图形的转置。
S43，对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
在本实施例中，将Φ作奇异值分解，奇异值分解表达式为：
Figure GDA0002402414490000111
其中，Σ为一包含M个特征值的对角阵，U和V分别为左右奇异矢量。
然后选择矩阵U中前N个二维特征矢量，得到一个P×N维数据矩阵Ψ＝[U1,…,U2]，此为降维后的二维特征矢量，二维特征矢量N由奇异值累积贡献率决定：
Figure GDA0002402414490000112
从而利用双谱的对称特性和奇异值分解手段，降低数据维数以方便后续计算。
S5，根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
在本实施例中，通过计算自适应矩阵，将诊断模型数据特征空间和未知轴承状态、未知工况下的待诊断数据特征空间，投影到一个共同子空间，从原理上解决工况变化引起的数据扰动对辩识精度影响。具体地，S5的步骤包括：
S51，获取不同状态下的二维特征向量，计算对应的格拉姆矩阵和交叉格拉姆矩阵；
S52，基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
在本实施例中，假设两种运行状态获得的二维特征向量分别为Ψ1和Ψ2，分别计算其格拉姆矩阵G1,1、G2,2和交叉格拉姆矩阵G1,3、G2,1。由下式构造两种不同核矩阵：
Figure GDA0002402414490000121
其中
Figure GDA0002402414490000122
n1和n2分别为两种运行状态数据维数。
S53，基于不同状态下二维特征向量构造中心矩阵和测度矩阵。
测度矩阵L的表达式为：
Figure GDA0002402414490000123
中心矩阵H的表达式为；
Figure GDA0002402414490000124
式中，I为单位矩阵，矩阵1是所有元素都为“1”的矩阵。
S54，基于核矩阵、测度矩阵和中心矩阵，构建特征矩阵。
S55，对测度矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
S56，通过自适应矩阵对所述二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
在本实施例中，利用核矩阵G、测度矩阵L和中心矩阵H，构造特征矩阵(KLK+μI)- 1KHK，再将其作特征分解，选取特征矩阵中特征值较大的m个列向量，构成一(n1+n2)×m的自适应矩阵W，根据得到的自适应矩阵W，获得鲁棒特征向量Ε＝ΨW。处理工况变化引起的特征空间扰动，通过特征参数分布自适应方式，将不同运行状态下的特征子空间投影到它们的共同子空间，解决智能识别时源域空间和目标域空间不匹配的问题。
S6，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
在本实施例中，S6步骤包括：
S61，将每个特征向量的构成元素分为M类，并定义隐马尔可夫模型的概率初始分布概率和及状态转移概率矩阵：具体地，将特征向量Ε的构成元素ei,j分为M类，定义隐马尔可夫模型的概率初始分布矩阵π：
π＝[π1,…,πM]
各元素的值πi(i＝1,…,M)初始时随机赋值，但确保
Figure GDA0002402414490000131
定义状态转移矩阵：
Figure GDA0002402414490000132
各元素初始随机赋值，但满足
Figure GDA0002402414490000133
S62，基于期望最大似然算法以及迭代运算确定当前隐马尔可夫模型参数。
具体地，用期望最大似然算法，基于各种状态鲁棒特征向量E，确定轴承正常工况，内圈、外圈和滚动体故障状态隐马尔可夫模型参数，分别用λa、λb、λc和λd表征。
S63，分别采用不同运行状态的特征向量训练对应的隐马尔可夫模型，以确定滚动轴承不同故障状态的隐马尔可夫模型参数；
S64，基于不同故障状态的隐马尔可夫模型，构成状态辨识模型集；
S65，将未知运行状态下获得的特征向量输入状态模型集，计算不同运行状态隐马尔可夫模型后验似然概率；
S66，根据最大似然概率模型对应的运行状态，将其作为待诊断运行状态，以实现滚动轴承在变工况、变故障程度的智能故障诊断。
综上，1、本专利能在转速、载荷、故障程度三种运行参数变化情形下有效诊断故障类型，而目前其它的诊断方法仅能满足工况变化，它们不适合故障程度变化或者是工况和故障程度同时变化情形。2、从数据分析原理上解决变工况引起的智能诊断精度下降甚至失效问题，基于特征参数分布自适应方式，将不同工况下的特征子空间投影到共同子空间，解决了工况变化引起的特征空间扰动问题，能在转速、载荷或者是两者同时变化时有效判别轴承状态。3、是一种对诊断经验依赖小的可靠方法。诊断过程基于严密的数学基础，诊断过程参数选择不依赖经验，实现简单、可靠。4、运算量小、易于在工程上实现。投影矩阵的计算基于散度矩阵不变特性，将不易计算的映射转化为核函数形式表征，通过简单的特征分解即可实现；此外，使用快速傅立叶方法计算双谱，并利用双谱的对称特性将数据降维，大大减少了诊断过程运算量。5、使用工况鲁棒特征参数。选择振动信号双谱作为特征值，其对高斯噪声鲁棒特点适合提取有效轴承状态信息；此外，通过研究发现，双谱还具有不同故障类型时差异大，相同故障类型但工况不同时差异小的优点，适合作为变工况特征参数。6、采用时间序列建模的隐马尔可夫模型，与智能故障诊断的观察参数可见、状态参数隐藏相吻合，有效判别变工况情形下的轴承故障类型。
为了便于说明，以下以实际应用场景进行说明，验证本专利技术的有效性和可靠性，使用凯期西储大学轴承测试中心标准数据进行测量。数据分3种故障程度，每种故障程度又具有4种运行工况，每种工况又涉及转速和载荷的变化，共有12种运行状态。如下表一所示：
表一：
Figure GDA0002402414490000141
Figure GDA0002402414490000151
用每一种状态数据，依本专利方法都能正确辩识所有状态下的轴承正常状态、滚动体、内圈和外圈故障状态，其涉及转速、载荷、故障程度或者是三者同时变化，验证了本专利方法的有效性和可靠性。因篇幅关系，仅列出用状态“1”数据训练模型，用1000组验证数据计算不同轴承状态辩识精度结果，如下表二所示：
表二：
运行状态编号 正常状态(％) 滚动体故障(％) 内圈故障(％) 外圈故障(％)
1 100 92.9 98.9 92.4
2 100 99.3 95.8 98.7
3 99.6 94.2 100 99
4 100 99.2 98.8 98.2
5 99.5 97 99.6 100
6 99.8 95.8 99.7 99.7
7 100 96.2 99.4 98.4
8 100 95.5 99.8 95.8
9 100 99.3 100 99.4
10 100 99.4 100 99.5
11 100 94.2 99.9 100
12 100 100 100 99.1
2、双谱在不同故障类型下差异大，在相同故障类型不同工况下差异小。
A、参见图4至6，三种不同故障状态双谱幅度谱，说明双谱在故障类型不同时具有较大差异性。
B、参见图8至10，0.5334mm直径外圈故障，在四种不同工况下，差异小相似度高。
本发明还提供一种电子装置1。参照图11所示，为本发明一实施例提供的电子装置的内部结构示意图。
在本实施例中，电子装置1可以是电脑、智能终端或服务器。所述电子装置1至少包括存储器11、处理器13，通信总线15以及网络接口17。在本实施例中，所述电子装置1为智能终端。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是电子装置的内部存储单元，例如所述电子装置的硬盘。存储器11在另一些实施例中也可以是电子装置的外部存储设备，例如电子装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器11还可以既包括电子装置的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于电子装置1的应用软件及各类数据，例如基于滚动轴承故障诊断程序111的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据。
通信总线15用于实现这些组件之间的连接通信。
网络接口17可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在电子装置1与其他电子设备之间建立通信连接。
可选地，电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置中处理的信息以及用于显示可视化的用户界面。
图11仅示出了具有组件11～17的电子装置1，本领域技术人员可以理解的是，图11示出的结构并不构成对电子装置的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图11所示的电子装置1的实施例中，存储器11中存储有基于滚动轴承故障诊断程序111；处理器13执行存储器11中存储的基于滚动轴承故障诊断程序111时实现如下步骤：
S1，获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障。
S2，对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号。
在本实施例中，所述加速度传感器安装于靠近轴承位置采集滚动轴承的振动加速度信号，然后对获得的振动加速度信号经调理放大后，送入数据采集卡以fs采样频率进行离散采样，经量化后以数字信号s(n)输出。
S3，对所述一维离散数字信号经双谱计算后，获得二维频谱。
在本实施例中，S3的步骤包括：
S31，对所述一维离散数字信号进行预处理操作，以使其均值为零，例如，对长度为L的信号s(n)作预处理操作，使其均值为零，则预处理操作后的一维离散数字信号为
Figure GDA0002402414490000171
其中，
Figure GDA0002402414490000172
表示s(n)的均值。
S32，对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；如，将预处理操作后的一维离散数字信号分为K个数据段，每个数据段的长为M，满足L＝KM，记作s(1)(n),s(2)(n),…,s(K)(n)；
S33，计算每一个数据段的离散傅立叶系数；离散傅立叶系数表达式为：
Figure GDA0002402414490000181
l＝0,1,…,M/2；k＝1,…,K。
S34，根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；三重相关系数表达式为：
Figure GDA0002402414490000182
k＝1,…,K；0≤l2≤l1,l1+l2≤fs/2；Δ0＝fs/N0，fs为信号采样频率，N0和L1应选择为满足M＝(2L1+1)N0的值。
S35，对三重相关系数进行平均值估算，获得二维频谱，平均值估算表达式为：
Figure GDA0002402414490000183
f1＝l1N0fs/M，f2＝l2N0fs/M；B(f1,f2)为一二维谱表征方法，分别用f1和f2表示频率轴。
S4，对所述二维频谱进行数据降维，获得二维特征矢量。
在本实施例中，S4步骤包括：
S41，基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域。
S42，选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱。
在本实施例中，振动加速度信号s(n)为实序列，傅立叶变换满足共轭对称性X(f)＝X*(-f)，因而双谱具有下述特征：
B(f2,f2)＝B(f2,f1)＝B*(-f1,-f2)＝B*(-f2,-f1)
因而双谱分布满足下述对称特性：
|B(f1,f2)|＝|B(f2,f1)|＝|B(-f1,-f2)|＝|B(-f2,-f1)|
例如，过双谱中心原点，依直线x＝0、y＝0、y＝x、和y＝-x，将二维频谱划分为如图所示的8个子区域，再利用对称特性降低数据维数，步骤如下：
(1)双谱具有|B(f1,f2)|＝|B(f2,f1)|性质，以直线y＝x呈对称分布，有一半数据冗余。因而保留区域(II)、(III)、(Iv)、(V)数据，其余剔除。
(2)双谱具有|B(f1,f2)|＝|B(-f2,-f1)|性质，表明双谱以直线y＝-x呈镜像分布，数据对称冗余。保留区域(II)和(III)数据，其余剔除。
(3)将区域(III)数据以原点为轴心，向右旋转90度后到达区域(I)位置，使降维后的数据具有正方性质。数据旋转通过下式完成：
Figure GDA0002402414490000191
其中x和y为区域(III)数据的原始坐标位置，x′和y′为旋转后的坐标位置。将通过上述公式获得的双谱记为Φ＝B((II),(III)T)，其中符号T表示图形的转置。
S43，对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
在本实施例中，将Φ作奇异值分解，奇异值分解表达式为：
Figure GDA0002402414490000192
其中，Σ为一包含M个特征值的对角阵，U和V分别为左右奇异矢量。
然后选择矩阵U中前N个二维特征矢量，得到一个P×N维数据矩阵Ψ＝[U1,…,U2]，此为降维后的二维特征矢量，二维特征矢量N由奇异值累积贡献率决定：
Figure GDA0002402414490000193
从而利用双谱的对称特性和奇异值分解手段，降低数据维数以方便后续计算。
S5，根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
在本实施例中，通过计算自适应矩阵，将诊断模型数据特征空间和未知轴承状态、未知工况下的待诊断数据特征空间，投影到一个共同子空间，从原理上解决工况变化引起的数据扰动对辩识精度影响。具体地，S5的步骤包括：
S51，获取不同状态下的二维特征向量，计算对应的格拉姆矩阵和交叉格拉姆矩阵；
S52，基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
在本实施例中，假设两种运行状态获得的二维特征向量分别为Ψ1和Ψ2，分别计算其格拉姆矩阵G1,1、G2,2和交叉格拉姆矩阵G1,2、G2,1。由下式构造两种不同核矩阵：
Figure GDA0002402414490000201
其中
Figure GDA0002402414490000202
n1和n2分别为两种运行状态数据维数。
S53，基于不同状态下二维特征向量构造中心矩阵和测度矩阵。
测度矩阵L的表达式为：
Figure GDA0002402414490000203
中心矩阵H的表达式为；
Figure GDA0002402414490000204
式中，I为单位矩阵，矩阵1是所有元素都为“1”的矩阵。
S54，基于核矩阵、测度矩阵和中心矩阵，构建特征矩阵。
S55，对测度矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
S56，通过自适应矩阵对所述二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
在本实施例中，利用核矩阵G、测度矩阵L和中心矩阵H，构造特征矩阵(KLK+μI)- 1KHK，再将其作特征分解，选取特征矩阵中特征值较大的m个列向量，构成一(n1+n2)×m的自适应矩阵W，根据得到的自适应矩阵W，获得鲁棒特征向量Ε＝ΨW。处理工况变化引起的特征空间扰动，通过特征参数分布自适应方式，将不同运行状态下的特征子空间投影到它们的共同子空间，解决智能识别时源域空间和目标域空间不匹配的问题。
S6，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
在本实施例中，S6步骤包括：
S61，将每个特征向量的构成元素分为M类，并定义隐马尔可夫模型的概率初始分布概率和及状态转移概率矩阵：具体地，将特征向量Ε的构成元素ei,j分为M类，定义隐马尔可夫模型的概率初始分布矩阵π：
π＝[π1,…,πM]
各元素的值πi(i＝1,…,M)初始时随机赋值，但确保
Figure GDA0002402414490000211
定义状态转移矩阵：
Figure GDA0002402414490000212
各元素初始随机赋值，但满足
Figure GDA0002402414490000213
S62，基于期望最大似然算法以及迭代运算确定当前隐马尔可夫模型参数。
具体地，用期望最大似然算法，基于各种状态鲁棒特征向量E，确定轴承正常工况，内圈、外圈和滚动体故障状态隐马尔可夫模型参数，分别用λa、λb、λc和λd表征。
S63，分别采用不同运行状态的特征向量训练对应的隐马尔可夫模型，以确定滚动轴承不同故障状态的隐马尔可夫模型参数；
S64，基于不同故障状态的隐马尔可夫模型，构成状态辨识模型集；
S65，将未知运行状态下获得的特征向量输入状态模型集，计算不同运行状态隐马尔可夫模型后验似然概率；
S66，根据最大似然概率模型对应的运行状态，将其作为待诊断运行状态，以实现滚动轴承在变工况、变故障程度的智能故障诊断。
综上，1、本专利能在转速、载荷、故障程度三种运行参数变化情形下有效诊断故障类型，而目前其它的诊断方法仅能满足工况变化，它们不适合故障程度变化或者是工况和故障程度同时变化情形。2、从数据分析原理上解决变工况引起的智能诊断精度下降甚至失效问题，基于特征参数分布自适应方式，将不同工况下的特征子空间投影到共同子空间，解决了工况变化引起的特征空间扰动问题，能在转速、载荷或者是两者同时变化时有效判别轴承状态。3、是一种对诊断经验依赖小的可靠方法。诊断过程基于严密的数学基础，诊断过程参数选择不依赖经验，实现简单、可靠。4、运算量小、易于在工程上实现。投影矩阵的计算基于散度矩阵不变特性，将不易计算的映射转化为核函数形式表征，通过简单的特征分解即可实现；此外，使用快速傅立叶方法计算双谱，并利用双谱的对称特性将数据降维，大大减少了诊断过程运算量。5、使用工况鲁棒特征参数。选择振动信号双谱作为特征值，其对高斯噪声鲁棒特点适合提取有效轴承状态信息；此外，通过研究发现，双谱还具有不同故障类型时差异大，相同故障类型但工况不同时差异小的优点，适合作为变工况特征参数。6、采用时间序列建模的隐马尔可夫模型，与智能故障诊断的观察参数可见、状态参数隐藏相吻合，有效判别变工况情形下的轴承故障类型。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于滚动轴承故障诊断程序111，所述基于滚动轴承故障诊断程序111可被一个或多个处理器执行，以实现如下操作：
S1，获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；
S2，对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
S3，对所述一维离散数字信号经双谱计算后，获得二维频谱；
S4，对所述二维频谱进行数据降维，获得二维特征矢量；
S5，根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
S6，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
本发明计算机可读存储介质具体实施方式与上述电子装置和方法各实施例基本相同，在此不作累述。
可选地，在其他实施例中，所述基于滚动轴承故障诊断程序111还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器13)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述基于滚动轴承故障诊断程序在电子装置中的执行过程。
例如，参照图12所示，为本发明电子装置一实施例中的基于滚动轴承故障诊断程序111的程序模块示意图，该实施例中，基于滚动轴承故障诊断程序111可以被分割为振动加速度信号获取模块10、一维离散数字信号获取模块20、二维频谱获取模块30、二维特征矢量获取模块40、特征向量获取模块50以及故障诊断模块60，示例性地：
振动加速度信号获取模块10，用于获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；
一维离散数字信号获取模块20，用于对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
二维频谱获取模块30，用于对所述一维离散数字信号经双谱计算后，获得二维频谱；
二维特征矢量获取模块40，用于对所述二维频谱进行数据降维，获得二维特征矢量；
特征向量获取模块50，用于根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
故障诊断模块60，用于通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种滚动轴承故障诊断方法，其特征在于，包括：
获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、工况以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；工况包括转速和载荷；
对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
对所述一维离散数字信号经双谱计算后，获得二维频谱；
对所述二维频谱进行数据降维，获得二维特征矢量；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量，具体为：
获取各个状态下的两个不同工况的二维特征矢量，计算各个状态对应的格拉姆矩阵和交叉格拉姆矩阵；
基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
基于不同状态下二维特征矢量构造测度矩阵和中心矩阵；
基于核矩阵、测度矩阵和中心矩阵，构造特征矩阵；
对特征矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
通过自适应矩阵对所述二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：
对所述一维离散数字信号进行预处理操作，以使其均值为零；
对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；
计算每一个数据段的离散傅立叶系数；
根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；
对三重相关系数进行平均值估算，获得二维频谱。
3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，对所述二维频谱进行数据降维，以获得二维特征矢量，具体为：
基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域；
选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱；
对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断，具体为：
将每个特征向量的构成元素分为M类，并定义隐马尔可夫模型的概率初始分布概率和及状态转移概率矩阵：
基于期望最大似然算法以及迭代运算确定当前隐马尔可夫模型参数；
分别采用不同运行状态的特征向量训练对应的隐马尔可夫模型，以确定滚动轴承不同故障状态的隐马尔可夫模型参数；
基于不同故障状态的隐马尔可夫模型，构成状态辨识模型集；
将未知运行状态下获得的特征向量输入状态模型集，计算不同运行状态隐马尔可夫模型后验似然概率；
根据最大似然概率模型对应的运行状态，将其作为待诊断运行状态，以实现滚动轴承在变工况、变故障程度的智能故障诊断。
5.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的滚动轴承故障诊断程序，所述滚动轴承故障诊断程序被所述处理器执行时实现如下步骤：
获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、工况以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；工况包括转速和载荷；
对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；
对所述一维离散数字信号经双谱计算后，获得二维频谱；
对所述二维频谱进行数据降维，获得二维特征矢量；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；
通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断；
根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量，具体为：
获取各个状态下的两个不同工况的二维特征矢量，计算各个状态对应的格拉姆矩阵和交叉格拉姆矩阵；
基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；
基于不同状态下二维特征矢量构造测度矩阵和中心矩阵；
基于核矩阵、测度矩阵和中心矩阵，构造特征矩阵；
对特征矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；
通过自适应矩阵对所述二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。
6.根据权利要求5所述的电子装置，其特征在于，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：
对所述一维离散数字信号进行预处理操作，以使其均值为零；
对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；
计算每一个数据段的离散傅立叶系数；
根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；
对三重相关系数进行平均值估算，获得二维频谱。
7.根据权利要求5所述的电子装置，其特征在于，对所述二维频谱进行数据降维，以获得二维特征矢量，具体为：
基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域；
选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱；
对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有滚动轴承故障诊断程序，所述滚动轴承故障诊断程序可被一个或者多个处理器执行，以实现如权利要求1至4中任一项所述的滚动轴承故障诊断方法的步骤。
CN201911378997.3A 2019-12-27 2019-12-27 一种基于滚动轴承故障诊断方法、电子装置及存储介质 Active CN111207926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911378997.3A CN111207926B (zh) 2019-12-27 2019-12-27 一种基于滚动轴承故障诊断方法、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911378997.3A CN111207926B (zh) 2019-12-27 2019-12-27 一种基于滚动轴承故障诊断方法、电子装置及存储介质

Publications (2)

Publication Number Publication Date
CN111207926A CN111207926A (zh) 2020-05-29
CN111207926B true CN111207926B (zh) 2022-02-01

Family

ID=70784051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911378997.3A Active CN111207926B (zh) 2019-12-27 2019-12-27 一种基于滚动轴承故障诊断方法、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN111207926B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111649940A (zh) * 2020-07-10 2020-09-11 上海三一重机股份有限公司 行走减速机故障模型生成方法、装置和计算机设备
JP7433648B2 (ja) 2020-08-20 2024-02-20 国立大学法人 筑波大学 異常検出方法
CN112179654B (zh) * 2020-09-28 2022-02-01 西南交通大学 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法
CN112665713B (zh) * 2020-12-31 2022-05-20 中国人民解放军92942部队 一种基于实时振动数据的往复机械设备故障检测方法
CN113029567A (zh) * 2021-02-26 2021-06-25 上海电机学院 基于特征融合等势星球图的故障信号诊断方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5477730A (en) * 1993-09-07 1995-12-26 Carter; Duncan L. Rolling element bearing condition testing method and apparatus
CN101776644A (zh) * 2009-12-31 2010-07-14 北京航空航天大学 基于双谱分析的在役16锰钢承力件疲劳损伤状态表征与定量评估系统
WO2014161590A1 (en) * 2013-04-05 2014-10-09 Aktiebolaget Skf Method for processing data obtained from a condition monitoring system
CN104897277A (zh) * 2015-06-02 2015-09-09 北京信息科技大学 一种基于双谱熵的风力发电机组故障诊断方法
CN107817106A (zh) * 2017-10-11 2018-03-20 温州大学 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法
CN107831013A (zh) * 2017-10-11 2018-03-23 温州大学 一种利用概率主分量分析增强循环双谱的轴承故障诊断方法
CN108120598A (zh) * 2017-12-19 2018-06-05 胡文扬 二次相位耦合与改进双谱算法的轴承早期故障检测方法
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN108446629A (zh) * 2018-03-19 2018-08-24 河北工业大学 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法
CN108572075A (zh) * 2018-04-28 2018-09-25 河北工业大学 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法
CN109029999A (zh) * 2018-09-19 2018-12-18 河北工业大学 基于增强调制双谱分析的滚动轴承故障诊断方法
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN109612725A (zh) * 2019-01-24 2019-04-12 上海大学 一种基于弹性支撑的双向加载双向摆动轴承试验机

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505133B (zh) * 2017-08-10 2019-05-28 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN110543860B (zh) * 2019-09-05 2022-06-07 燕山大学 基于tjm迁移学习的机械故障诊断方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5477730A (en) * 1993-09-07 1995-12-26 Carter; Duncan L. Rolling element bearing condition testing method and apparatus
CN101776644A (zh) * 2009-12-31 2010-07-14 北京航空航天大学 基于双谱分析的在役16锰钢承力件疲劳损伤状态表征与定量评估系统
WO2014161590A1 (en) * 2013-04-05 2014-10-09 Aktiebolaget Skf Method for processing data obtained from a condition monitoring system
CN104897277A (zh) * 2015-06-02 2015-09-09 北京信息科技大学 一种基于双谱熵的风力发电机组故障诊断方法
CN107817106A (zh) * 2017-10-11 2018-03-20 温州大学 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法
CN107831013A (zh) * 2017-10-11 2018-03-23 温州大学 一种利用概率主分量分析增强循环双谱的轴承故障诊断方法
CN108120598A (zh) * 2017-12-19 2018-06-05 胡文扬 二次相位耦合与改进双谱算法的轴承早期故障检测方法
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN108446629A (zh) * 2018-03-19 2018-08-24 河北工业大学 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法
CN108572075A (zh) * 2018-04-28 2018-09-25 河北工业大学 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN109029999A (zh) * 2018-09-19 2018-12-18 河北工业大学 基于增强调制双谱分析的滚动轴承故障诊断方法
CN109612725A (zh) * 2019-01-24 2019-04-12 上海大学 一种基于弹性支撑的双向加载双向摆动轴承试验机

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A frequency-shifted bispectrum for rolling element bearing diagnosis;Guangming Dong 等;《Journal of Sound and Vibration》;20150317;第339卷;第396-418页 *
Application of Improved Weighted Fusion Algorithm and Bispectrum Technique in Wind Turbine Bearing Fault Diagnosis;Li Hong 等;《Chinese Journal of Electron Devices》;20180820;第41卷(第4期);第898-904页 *
双谱主成分分析的滚动轴承智能故障诊断;张锐戈 等;《振动工程学报》;20141031;第27卷(第5期);第763-768页第1-5节 *
基于双谱分析的滚动轴承故障诊断;郝少鹏 等;《电子技术与软件工程》;20190630(第11(2019)期);第132-133页 *
滚动轴承双谱特征提取及变工况故障诊断;张锐戈 等;《武汉轻工大学学报》;20170630;第36卷(第2期);第58-65页第1-6节 *
滚动轴承振动信号非平稳、非高斯分析及故障诊断研究;张锐戈;《中国博士学位论文全文数据库 工程科技II辑》;20160315(第3（2016）期);正文第11-25、69-81页以及图6.8 *

Also Published As

Publication number Publication date
CN111207926A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111207926B (zh) 一种基于滚动轴承故障诊断方法、电子装置及存储介质
Wen et al. A new convolutional neural network-based data-driven fault diagnosis method
Galar et al. A survey of fingerprint classification Part I: Taxonomies on feature extraction methods and learning models
JP6167733B2 (ja) 生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラム
CN108345827B (zh) 识别文档方向的方法、系统和神经网络
US20190251467A1 (en) Analytic system for feature engineering improvement to machine learning models
US9697440B2 (en) Method and apparatus for recognizing client feature, and storage medium
US20080285855A1 (en) Image processing apparatus and image retrieval method
US9811760B2 (en) Online per-feature descriptor customization
CN102541954A (zh) 一种商标检索方法及系统
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
Batal et al. A supervised time series feature extraction technique using dct and dwt
Sundara Vadivel et al. An efficient CBIR system based on color histogram, edge, and texture features
CN112070506A (zh) 风险用户识别方法、装置、服务器及存储介质
Zhou et al. Fault diagnosis for rolling bearing under variable conditions based on image recognition
Gao et al. Unsupervised locality-preserving robust latent low-rank recovery-based subspace clustering for fault diagnosis
CN111275070A (zh) 一种基于局部特征匹配的签名验证方法及设备
Bionda et al. Deep autoencoders for anomaly detection in textured images using CW-SSIM
Chen et al. A new patch-based LBP with adaptive weights for gender classification of human face
CN116625654A (zh) 一种振动信号故障诊断方法、装置、设备及存储介质
Speir et al. Frequency filtering to suppress background noise in fingerprint evidence: Quantifying the fidelity of digitally enhanced fingerprint images
CN116188445A (zh) 一种产品表面缺陷的检测定位方法、装置及终端设备
Mahdavi et al. Unsupervised feature selection for noisy data
Bouchemha et al. Multispectral palmprint recognition methodology based on multiscale representation
Bahmed et al. A multimodal hand recognition system based on finger inner-knuckle print and finger geometry

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