CN111325159B - 故障诊断方法、装置、计算机设备和存储介质 - Google Patents
故障诊断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111325159B CN111325159B CN202010115491.XA CN202010115491A CN111325159B CN 111325159 B CN111325159 B CN 111325159B CN 202010115491 A CN202010115491 A CN 202010115491A CN 111325159 B CN111325159 B CN 111325159B
- Authority
- CN
- China
- Prior art keywords
- matrix
- mechanical component
- target mechanical
- convolution network
- feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种故障诊断方法、装置、计算机设备和存储介质。所述方法包括:获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;然后将该特征矩阵输入时间卷积网络中;最后获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。采用本方法能够缩短故障诊断的时长。
Description
技术领域
本申请涉及工业技术领域,特别是涉及一种故障诊断方法、装置、计算机设备和存储介质。
背景技术
在工业技术领域,工业机械对于工业生产的意义非常重要。若工业机械中的重要机械部件出现故障,则会导致工业机械整体故障,进而极大地影响工业生产。因此对于重要机械部件的故障诊断非常重要。
传统技术中,可以通过人工检查的方法判断机械部件是否出现故障。例如,可以通过人工检查电机中轴承的运行状况来判断电机是否出现故障。
然而,由于工业机械往往结构复杂,仅通过人工检查的方法进行故障排查往往会出现检查耗时过长的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够缩短时间的故障诊断方法、装置、计算机设备和存储介质。
第一方面,提供一种故障诊断方法,该方法包括:
获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;
将该特征矩阵输入时间卷积网络中;
获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
在其中一个实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在其中一个实施例中,该获取目标机械部件的特征矩阵,包括:
获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数;
对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵;
对该初始特征矩阵进行特征提取,获得该特征矩阵。
在其中一个实施例中,该对该目标机械部件的运行参数矩阵进行预处理,包括:
对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
在其中一个实施例中,该对该初始特征矩阵进行特征提取,包括:
利用截断奇异值分解法对该初始特征矩阵进行特征提取。
在其中一个实施例中,该将该特征矩阵输入时间卷积网络中之前,该方法还包括:
获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵;
利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络;
利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
在其中一个实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。
第二方面,提供一种故障诊断装置,其特征在于,该装置包括:
第一获取模块,用于获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;
输入模块,用于将该特征矩阵输入时间卷积网络中;
第二获取模块,用于获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
在其中一个实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在其中一个实施例中,该第一获取模块具体用于,获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数;对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵;对该初始特征矩阵进行特征提取,获得该特征矩阵。
在其中一个实施例中,该第一获取模块具体用于,对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
在其中一个实施例中,该第一获取模块具体用于,利用截断奇异值分解法对该初始特征矩阵进行特征提取。
在其中一个实施例中,该装置还包括训练模块,该训练模块用于,获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵;利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络;利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
在其中一个实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。
第三方面,提供一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现上述第一方面任一所述的故障诊断方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面任一所述的故障诊断方法。
上述故障诊断方法、装置、计算机设备和存储介质,通过获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;然后将该特征矩阵输入时间卷积网络中;最后获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。由于本申请提供的故障诊断方法,是将目标机械部件在运行过程中产生的时域特征参数和频域特征参数组成特征矩阵,然后将该特征矩阵输入到时间卷积网络中,由时间卷积网络对特征矩阵进行处理,进而判断目标机械部件是否出现故障,由于时间卷积网络具有并行处理数据的能力,因此,本申请提供的故障诊断方法可以极大的缩短故障诊断的时长。
附图说明
图1为一个实施例中故障诊断方法的应用环境图;
图2为一个实施例中故障诊断方法的流程示意图;
图3为一个实施例中故障诊断方法中获取目标机械部件的特征矩阵的方法的流程示意图;
图4为另一个实施例中故障诊断方法中训练时间卷积网络的方法的流程示意图;
图5为一个实施例中TCN的结构示意图;
图6为一个实施例中故障诊断装置的结构框图;
图7为另一个实施例中故障诊断装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在工业技术领域,工业机械对于工业生产的意义非常重要。如果工业机械出现故障,那么将会大大影响工业生产的效率。例如,工业机械中电机的应用最为广泛,但是电机往往长久处于高环境温度、高湿度以及过载等不利的条件下,导致电机故障,以至于产生较高的维护成本、严重的经济损失和安全危害。
因此,若能对工业机械进行准确的故障判断,则会大大提高工业生产的效率和生产率。传统技术中,可以通过人工检查的方法判断工业机械中的机械部件是否出现故障,以此判断工业机械是否出现故障。以上述电机为例,可以人工检查电机中轴承的运行状况是否正常,以此判断电机是否正常。
但是。由于工业机械往往结构复杂,所以仅依靠人工对机械部件进行故障排查的方法往往会出现检查耗时过长的问题。
本申请提供的故障诊断方法,可以应用于如图1所示的应用环境中。其中,终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在本申请实施例中,如图2所示,提供了一种故障诊断方法,以该方法应用于图1中的终端101为例进行说明,包括以下步骤:
步骤201,终端获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数。
本步骤中的目标机械部件可以是工业机械中的重要机械部件,也可以是其他任何想要检查的机械部件。
一般情况下,大部分机械部件在运行时,都会产生相应的数据,例如,温度变化数据、噪声变化数据和振动变化数据等。机械部件在运行过程中产生的数据可以作为机械部件是否出现故障的重要判断依据。在目前时域时域特征参数和频域特征参数处理技术较为成熟的前提下,本步骤中提取了目标机械部件在运行过程中产生的数据中的时域特征参数和频域特征参数组成了目标机械部件的特征矩阵,并且丰富的时域特征参数和频域特征参数可以很好的反应目标机械部件的运行状况,因此该特征矩阵中的数据更有利于后续过程对目标机械部件是否出现故障进行判断。
步骤202,终端将该特征矩阵输入时间卷积网络中。
时间卷积网络(英文:TCN),可选的,本申请中的时间卷积网络也可以替换成TCN与长短时记忆网络的复合算法。
时间卷积网络有其特殊的获取时序关系的方法,当时间卷积网络需要获取更长的时序关系时,只需要增加扩张卷积的层数,而与序列的长度无关,因此TCN避免了梯度消失和爆炸问题。其次,TCN在每一层里面卷积核是共享的,内存使用更低。最后TCN可以通过多种方式改变其感受野大小,感受野用于表征网络内部每一层输出的特征图上的像素点在输入图片上映射的区域大小,时间卷积网络改变感受野的方式可以是:堆叠更多的扩张(因果)卷积层、使用较大的扩张因子或增加滤波器的尺寸等。因此TCN能够更好地控制模型的内存大小,并且更容易适应不同的领域。
步骤203,终端获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
目标机械部件的特征矩阵经过时间卷积网络的处理之后,会得到时间卷积网络输出的故障诊断信息。该故障诊断信息可以是一个概率值,表示该目标机械部件出现故障的概率。可选的,可以设置概率阈值,若该时间卷积网络输出的概率值大于预设概率阈值,则判定该目标机械部件出现故障,进而,可以判断该目标机械部件所属的工业机械出现故障。
上述故障诊断方法中,通过获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;然后将该特征矩阵输入时间卷积网络中;最后获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。由于本申请提供的故障诊断方法,是将目标机械部件在运行过程中产生的时域特征参数和频域特征参数组成特征矩阵,然后将该特征矩阵输入到时间卷积网络中,由时间卷积网络对特征矩阵进行处理,进而判断目标机械部件是否出现故障,由于时间卷积网络具有并行处理数据的能力,因此,本申请提供的故障诊断方法可以极大的缩短故障诊断的时长。
在本申请实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在本申请实施例中,提供了一种利用时间卷积网络对轴承进行故障诊断方法。常见的,机械部件中电机的应用最为广泛,而电机的故障通常可归因于各种不同类别的故障,包括变频器故障,定子绕组绝缘击穿,轴承故障和气隙偏心,其中轴承是电机驱动系统中最易损坏的组件,因此轴承故障是最常见的故障,所以准确的轴承故障诊断是工业监控系统的一个重要方面。
在轴承的故障诊断领域中,传统的方法主要有噪声分析、温度分析、油液分析和振动分析,其中振动分析是应用最广泛的方法,因为轴承的状态信息一般包含在振动信号中,随着时域、频域特征提取技术的发展,可以从原始的振动信号中提取出大量的时域特征参数和频域特征参数。本申请实施例可以通过传感器采集轴承正常状态、内圈故障、滚动体故障和外圈故障这4种运行状态下的振动数据。
在本申请实施例中,通过针对性的对轴承在运行过程中产生的数据进行精确筛选,选择具有代表性的振动信号作为需要分析的数据,然后利用成熟的时域频域技术提取出振动信号中的时域特征参数和频域特征参数,使得最终对于轴承故障的诊断更加精确。
在本申请实施例中,请参考图3,提供了一种故障诊断方法中获取目标机械部件的特征矩阵的方法,该方法包括:
步骤301,终端获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数。
在获取目标机械部件的特征矩阵时,需要先直接采集目标机械部件在运行过程中产生的初始时域特征参数和初始频域特征参数。初始时域特征参数和初始频域特征参数都是直接采集的未经过任何处理的数据。在后续过程中,还需要进行进一步的处理。
步骤302,终端对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵。
因为初始特征矩阵中的数据是直接采集的,因为,常常会因为采集过程中存在外界因素的影响或者采集仪器自身的误差导致,采集到的数据不符合预想标准。因此,需要对初始特征矩阵进行预处理。
常见的预处理的方式包括,对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
缺失值处理指的是,对采集到的数据中的却缺失的地方进行补全,一般可以利用与缺失数据同性质的其他数据的平均值或者零来代替缺失数据。
异常点处理指的是,对于采集到的数据中明显不符合常规情况的数据进行合理化处理,一般的异常值处理可以利用与缺失数据同性质的其他数据的均值来代替异常数据,或者直接将异常数据舍弃。
归一化处理指的是,将不同尺度,不同单位的数据转化为同一衡量标准,以便于后续的计算和对比。一般情况下,会利用数据的实际值与数据的最小值之差比上数据的最小值与数据的最大值之差。
步骤303,终端对该初始特征矩阵进行特征提取,获得该特征矩阵。
本步骤中,可选的,对初始特征矩阵进行特征提取的方式可以包括
随着时域、频域特征提取技术的发展,可以从原始信号中提取出大量的特征,然而过多的特征参数会增加计算的成本,有时甚至会降低识别的准确性。因此,选择最具代表性的特征作为轴承故障诊断系统的输入是非常必要的。因此,本步骤中需要对初始特征矩阵进行特征提取,以此使得特征矩阵中的数据可以更加具有代表性。常见的特征提取的方式可以包括主成分分析、奇异值分解或截断奇异值分解等。
本申请实施例中,通过对初始特征矩阵进行预处理和特征提取,使得最终得到的特征矩阵中的数据更加具有代表性。
在本申请实施例中,提供了一种故障诊断方法中对该初始特征矩阵进行特征提取的方法,该方法包括:
利用截断奇异值分解法(英文:TSVD)对该初始特征矩阵进行特征提取。
先对截断奇异值分解法的具体过程进行说明,假设初始特征矩阵X∈Rm×n,m表示样本数量,n表示时域、频域的不同特征参数,假设rank(X)=r,r≤m,其奇异值分解可以被表示为:
其中U=(u1,u2,...,um),V=(v1,v2,...,vn)是正交矩阵,ui和vi分别是特征矩阵X的左右奇异值向量,则可以表示为:
其中Λr×r=diag(σ1,σ2,...,σr),σ1≥σ2≥...≥σr为非零奇异值。
由于振动信号中的时域特征参数和频域特征参数在实际测量时通常会受到噪声的影响,因此原始特征矩阵会成为病态矩阵,则所分解出的奇异值会很小或者接近于零,而TSVD算法通过忽略掉初始特征矩阵X的后面(r-k)个小的奇异值,保留前面k个大的奇异值,来改善初始特征矩阵X的病态程度,利用近似的特征矩阵Xk替代初始特征矩阵X,将Xk作为特征矩阵,其中k表示正则化参数,rank(Xk)=k,k≤r。则Xk可表示为:
本申请实施例中,通过利用截断奇异值分解法,去除了初始特征矩阵中的噪声数据,使得最终得到的目标机械部件的特征矩阵中的数据具有更好的代表性。
在本申请实施例中,请参考图4,提供了一种故障诊断方法中训练时间卷积网络的方法,该方法包括:
步骤401,终端获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵。
在使用时间卷积网络之前,有必要对时间卷积网络进行训练。可选的,需要获取训练数据集和验证数据集。一般情况下,训练数据集和验证数据集之间是没有交集的。但是也存在其它一些情况,例如五折交叉验证法,五折交叉验证法的做法具体是将所有经过TSVD处理过的数据样本随机分为5份,每次选择其中4份作为TCN的训练数据集,剩余1份作为TCN的测试数据集,总共实验5次。
步骤402,终端利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络。
经过训练,可以得到TCN的模型参数和训练后的时间卷积网络。
步骤403,终端利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
以上述五折交叉验证法为例对本步骤中得到训练后时间卷积神经网络的具体过程进行说明。在经过步骤401中利用五折交叉验证法得到五次训练数据集和验证数据集之后,利用得到的训练数据集和验证数据集对初始时间卷积网络进行五次训练和验证,最终选取五次准确率的均值作为最终的准确率。诊断准确率P的计算公式如下所示:
其中Nr是正确预测的样本数,Nt是总样本数。可选的,可以设置准确率阈值,若训练后的时间卷积网络的准确率不能达到准确率阈值,则调整模型参数继续对时间卷积网络进行训练。
在本申请实施例中,通过对初始时间卷积网络进行训练和验证,使最终得到的时间卷积网络具有更好的故障诊断能力。
在本申请实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。请参考图5,其给出了TCN的结构示意图。
在本申请实施例中,为了保证网络训练的稳定性,TCN还使用残差连接,将两层扩张因果卷积以及非线性激活函数封装成残差模块,然后将残差模块堆叠成时间卷积网络。在残差模块中选择修正线性单元(ReLU)作为非线性激活函数,使用加权归一化对卷积滤波器进行归一化处理,然后每一层中还利用随机失活(英文:Dropout)进行正则化,Dropout指的是在神经网络中随机删除网络中的部分神经元(包括隐藏神经元和可见神经元),保持输入输出神经元不变,将输入通过修改后的网络进行前向传播,然后将误差通过修改后的网络进行反向传播。Dropout是一种正则化技术,用于解决人工神经网络中的过拟合问题。最后TCN在残差块的恒等映射之间还添加1×1的卷积,保证输入输出之间张量尺度相同。
一般来说,TCN有两个关键的原则,一个是网络要产生一个与输入长度相同的输出,另一个是不能产生从未来到过去的信息泄漏,所以TCN首先使用一维全连接网络(FullConnected Network,FCN)来满足第一点,其中每个隐藏层与输入层的长度相同,并且通过补零操作来保持后续层与前一层的长度相同。然后使用因果卷积来满足第二点,即使用以前观察过的输入来预测某些时间段的输出,来保证不会产生从未来到过去的信息泄漏,这样可以提高预测的精度。
并且TCN可以使用扩张卷积来扩大感受野。具体过程是首先将将特征矩阵中的元素依次展开,得到一个一维序列,所以TCN的输入为一位序列x,滤波器f:序列的元素s上的扩张卷积运算F被定义为:
其中d是扩张因子,l是滤波器的大小,s-d·i代表过去的方向,扩张相当于在每两个相邻的滤波器之间引入固定的步长,使用较大的扩张因子和滤波器可以使得输出能够映射更宽的输入范围,从而有效地扩张卷积网络感受野。
本申请实施例中,由于TCN特有的结构,使得TCN可以快速处理较长的时间序列,提高了故障诊断的效率。
应该理解的是,虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种故障诊断装置,包括:第一获取模块601、输入模块602和第二获取模块603,其中:
第一获取模块601,用于获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;
输入模块602,用于将该特征矩阵输入时间卷积网络中;
第二获取模块603,用于获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
在本申请实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在本申请实施例中,该第一获取模601块具体用于,获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数;对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵;对该初始特征矩阵进行特征提取,获得该特征矩阵。
在本申请实施例中,该第一获取模块601具体用于,对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
在本申请实施例中,该第一获取模块601具体用于,利用截断奇异值分解法对该初始特征矩阵进行特征提取。
在本申请实施例中,请参考图7,提供了另一种故障诊断装置700,该故障诊断装置700除了包括该故障诊断装置600包含的各模块外,可选的,该故障诊断装置700还包括训练模块604。
该训练模块604用于,获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵;利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络;利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
在本申请实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。
关于故障诊断装置的具体限定可以参见上文中对于故障诊断方法的限定,在此不再赘述。上述故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;
将该特征矩阵输入时间卷积网络中;
获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
在本申请实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在本申请实施例中,该处理器执行计算机程序时还实现以下步骤:
获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数;对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵;对该初始特征矩阵进行特征提取,获得该特征矩阵。
在本申请实施例中,该处理器执行计算机程序时还实现以下步骤:
对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
在本申请实施例中,该处理器执行计算机程序时还实现以下步骤:
利用截断奇异值分解法对该初始特征矩阵进行特征提取。
在本申请实施例中,该处理器执行计算机程序时还实现以下步骤:
获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵;利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络;利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
在本申请实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标机械部件的特征矩阵,该特征矩阵包括该目标机械部件在运行状态下的时域特征参数和频域特征参数;
将该特征矩阵输入时间卷积网络中;
获取该时间卷积网络输出的故障诊断信息,该故障诊断信息用于指示该目标机械部件是否出现故障。
在本申请实施例中,该目标机械部件为轴承,该轴承的特征矩阵包括该轴承在运行状态下产生的振动信号中的时域特征参数和该振动信号中的频域特征参数,该振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;该振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
在本申请实施例中,计算机程序被处理器执行时还实现以下步骤:
获取该目标机械部件的运行参数矩阵,该运行参数矩阵包括该目标机械部件运行时的初始时域特征参数和初始频域特征参数;对该目标机械部件的运行参数矩阵进行预处理,获得该目标机械部件的初始特征矩阵;对该初始特征矩阵进行特征提取,获得该特征矩阵。
在本申请实施例中,计算机程序被处理器执行时还实现以下步骤:
对该目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
在本申请实施例中,计算机程序被处理器执行时还实现以下步骤:
利用截断奇异值分解法对该初始特征矩阵进行特征提取。
在本申请实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练数据集和验证数据集,该训练数据集和该验证数据集包括机械部件的多个特征矩阵;利用该训练数据集对初始时间卷积网络进行训练,得到训练后的该时间卷积网络;利用该验证数据集对训练后的该时间卷积网络进行验证,得到训练后的该时间卷积网络的准确率。
在本申请实施例中,该时间卷积网络包括多个残差块,每个该残差块包括两层扩张因果卷积以及非线性激活函数,每个该残差块内的输入输出之间由大小为一的卷积核连接。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种故障诊断方法,其特征在于,所述方法包括:
获取目标机械部件的特征矩阵,所述特征矩阵包括所述目标机械部件在运行状态下的时域特征参数和频域特征参数;
将所述特征矩阵输入时间卷积网络中;
获取所述时间卷积网络输出的故障诊断信息,所述故障诊断信息用于指示所述目标机械部件是否出现故障;
所述将所述特征矩阵输入时间卷积网络中之前,所述方法还包括:通过五折交叉验证法,获取训练数据集和验证数据集,所述训练数据集和所述验证数据集包括机械部件的多个特征矩阵;利用所述训练数据集对初始时间卷积网络进行训练,得到训练后的所述时间卷积网络;利用所述验证数据集对训练后的所述时间卷积网络进行验证,选取验证准确率的均值,作为训练后的所述时间卷积网络的准确率;
所述时间卷积网络包括多个残差块,每个所述残差块包括两层扩张因果卷积以及非线性激活函数,每个所述残差块内的输入输出之间由大小为一的卷积核连接,将所述两层扩张因果卷积以及所述非线性激活函数封装成残差模块,将所述残差模块堆叠成所述时间卷积网络,其中,使用加权归一化对卷积滤波器进行归一化处理,然后每一层中还利用随机失活,保持输入输出神经元不变。
2.根据权利要求1所述的方法,其特征在于,所述目标机械部件为轴承,所述轴承的特征矩阵包括所述轴承在运行状态下产生的振动信号中的时域特征参数和所述振动信号中的频域特征参数,所述振动信号中的时域特征参数包括方差、均方值、偏度、峭度、峰度因子、波形因子、脉冲因子和裕度因子中的至少一种;所述振动信号中的频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少一个。
3.根据权利要求1所述的方法,其特征在于,所述获取目标机械部件的特征矩阵,包括:
获取所述目标机械部件的运行参数矩阵,所述运行参数矩阵包括所述目标机械部件运行时的初始时域特征参数和初始频域特征参数;
对所述目标机械部件的运行参数矩阵进行预处理,获得所述目标机械部件的初始特征矩阵;
对所述初始特征矩阵进行特征提取,获得所述特征矩阵。
4.根据权利要求3所述的方法,其特征在于,所述对所述目标机械部件的运行参数矩阵进行预处理,包括:
对所述目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
5.根据权利要求3所述的方法,其特征在于,所述对所述初始特征矩阵进行特征提取,包括:
利用截断奇异值分解法对所述初始特征矩阵进行特征提取。
6.一种故障诊断装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标机械部件的特征矩阵,所述特征矩阵包括所述目标机械部件在运行状态下的时域特征参数和频域特征参数;
输入模块,用于将所述特征矩阵输入时间卷积网络中;
第二获取模块,用于获取所述时间卷积网络输出的故障诊断信息,所述故障诊断信息用于指示所述目标机械部件是否出现故障;
所述将所述特征矩阵输入时间卷积网络中之前,还包括:通过五折交叉验证法,获取训练数据集和验证数据集,所述训练数据集和所述验证数据集包括机械部件的多个特征矩阵;利用所述训练数据集对初始时间卷积网络进行训练,得到训练后的所述时间卷积网络;利用所述验证数据集对训练后的所述时间卷积网络进行验证,选取验证准确率的均值,作为训练后的所述时间卷积网络的准确率;
所述时间卷积网络包括多个残差块,每个所述残差块包括两层扩张因果卷积以及非线性激活函数,每个所述残差块内的输入输出之间由大小为一的卷积核连接,将所述两层扩张因果卷积以及所述非线性激活函数封装成残差模块,将所述残差模块堆叠成所述时间卷积网络,其中,使用加权归一化对卷积滤波器进行归一化处理,然后每一层中还利用随机失活,保持输入输出神经元不变。
7.根据权利要求6所述的装置,其特征在于,所述第一获取模块具体用于,获取所述目标机械部件的运行参数矩阵,所述运行参数矩阵包括所述目标机械部件运行时的初始时域特征参数和初始频域特征参数;对所述目标机械部件的运行参数矩阵进行预处理,获得所述目标机械部件的初始特征矩阵;对所述初始特征矩阵进行特征提取,获得所述特征矩阵。
8.根据权利要求6所述的装置,其特征在于,第一获取模块具体用于,对所述目标机械部件的运行参数矩阵中的初始时域特征参数和初始频域特征参数进行缺失值处理、异常点处理和归一化处理。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115491.XA CN111325159B (zh) | 2020-02-25 | 2020-02-25 | 故障诊断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115491.XA CN111325159B (zh) | 2020-02-25 | 2020-02-25 | 故障诊断方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325159A CN111325159A (zh) | 2020-06-23 |
CN111325159B true CN111325159B (zh) | 2023-09-08 |
Family
ID=71169005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115491.XA Active CN111325159B (zh) | 2020-02-25 | 2020-02-25 | 故障诊断方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325159B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348124B (zh) * | 2021-01-05 | 2021-04-20 | 北京航空航天大学 | 一种基于数据驱动的微小故障诊断方法及装置 |
CN114492158A (zh) * | 2021-12-22 | 2022-05-13 | 中译语通科技(青岛)有限公司 | 一种用于变频器电机的故障诊断方法 |
CN114662702A (zh) * | 2022-03-31 | 2022-06-24 | 北京百度网讯科技有限公司 | 故障检测方法、装置、电子设备和介质 |
CN114873425B (zh) * | 2022-05-23 | 2023-06-23 | 浙江大学 | 一种基于振动特征增强的扶梯驱动链故障诊断方法 |
CN115508703A (zh) * | 2022-09-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种多源信息融合的电机故障诊断方法及系统 |
CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
-
2020
- 2020-02-25 CN CN202010115491.XA patent/CN111325159B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111325159A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
JP6811276B2 (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
EP3191797B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
CN113343847B (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
CN112257755A (zh) | 航天器运行状态的分析方法和装置 | |
CN114357812B (zh) | 产品可靠性试验方法、装置、计算机设备和存储介质 | |
CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN114840938A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN114553681B (zh) | 设备状态异常检测方法、装置和计算机设备 | |
CN117454190A (zh) | 日志数据分析方法和装置 | |
CN116721097A (zh) | 轴承故障诊断方法、装置及电子设备 | |
EP3839680A1 (en) | Method and device for controlling a machine using principal component analysis | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN115656747A (zh) | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
KR101626581B1 (ko) | 휴대통신 단말의 오류 애플리케이션 진단방법 | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic |
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 |