CN111412977A - 一种机械设备振动感知数据的预处理方法 - Google Patents
一种机械设备振动感知数据的预处理方法 Download PDFInfo
- Publication number
- CN111412977A CN111412977A CN202010156741.4A CN202010156741A CN111412977A CN 111412977 A CN111412977 A CN 111412977A CN 202010156741 A CN202010156741 A CN 202010156741A CN 111412977 A CN111412977 A CN 111412977A
- Authority
- CN
- China
- Prior art keywords
- value
- characteristic value
- characteristic
- vibration
- data
- 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机械设备振动感知数据的预处理方法,包括数据采集、特征值提取、特征值选择和数据存储。在数据采集阶段,采用多个振动传感器进行振动感知数据的采集。在特征值提取阶段,依据采用频率选取合适的滑动窗口并结合二十种时域特征提取方法进行特征值提取,从而降低原始振动数据的数据量和不确定性。在特征值选择阶段,通过粒子群优化算法结合人工神经网络选取最优特征值子集以及对应的输入顺序,从而降低特征值的数量。在数据存储阶段,依据最优特征值子集中对应的特征值进行数据存储,从而获取预处理后的数据。本发明可降低振动感知数据的传输和存储成本,并提高机械故障诊断模型的预测准确率,具有实际应用价值。
Description
技术领域
本发明涉及机械振动感知数据预处理的技术领域,尤其是指一种机械设备振动感知数据的预处理方法。
背景技术
工业化机械设备是制造业和实体经济发展的基础,全球每年因为机器故障就带来了巨大损失。随着通信技术的快速发展以及计算机运算能力的不断提高,依据工业大数据和人工智能技术实现对机械设备故障的预测式维护,能够有效提高维护效率并且降低人力成本。监测机械设备运行状态的数据一般包括振动信号、压力、声音和温度等。其中,振动信号包含了机械设备的大量有用信息,能够较准确地反应机械设备的运行状态。由于机械设备运行环境复杂,采用振动传感器采集的原始感知数据存在噪声污染严重、数据不确定性大的问题。另外,对于部分安全性要求较高的机械设备需要进行运行状态的实时监控和数据采集,导致数据的传输和存储成本大大升高。
对原始振动感知数据进行特征值提取处理,能够有效降低振动感知数据的不确定性。常用的特征提取方法有时域分析、信息熵、经验模式分解和小波包分析等。使用信息熵进行特征提取的实施步骤一般比较复杂,限定条件也比较多。经验模式分解能够较好地提取连续时频信号中的特征,但是一旦信号中断便会混淆时频分布,从而破坏提取的特征值。小波包分析法能够有效处理噪声较大的振动数据,但是小波基的选择比较困难,有时甚至需要自己设计小波基。时域分析受时频信号的中断影响较小,进行特征提取的步骤也比较简单,并且不同的时域特征包含了振动信号中的不同信息。
虽然时域分析能够较方便地进行特征值提取,但是当前已有研究成果中的时域特征提取方法已多达二十种。如果直接选取当前已有的所有时域特征提取方法进行特征值提取,会导致最终的故障预测模型的搭建成本较高。另外,针对众多时域特征提取方法,目前还未出现如何选取合适的时域特征提取方法进行机械设备振动感知数据预处理的研究成果。并且在原始振动感知数据的预处理方面,对海量的实时振动感知数据的存储作考虑的研究成果也很少见。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种机械设备振动感知数据的预处理方法。基于机械设备的原始振动感知数据,选取合适的时域特征提取方法进行特征值提取,从而降低振动感知数据的传输和存储成本,并提高机械故障诊断模型的预测准确率。
为实现上述目的,本发明所提供的技术方案为:一种机械设备振动感知数据的预处理方法,包括以下步骤:
1)数据采集阶段
选定目标机械设备,针对机械设备容易出现故障的部位,分别放置一个振动传感器进行实时的振动感知数据采集,在数据采集过程中,需要设定合理的采集频率;
2)特征值提取阶段
利用数据采集阶段得到的振动感知数据,选定合适的滑动窗口,依次采用峰值、最小值、峰间值、平均值、平均振幅、根振幅、均方值、均方根值、均方根熵估计器、方差、标准差、偏态、峰态、波形熵、脉冲因子、摆动因子、形状因子、波峰因子、间隙因子和变化系数等二十种时域特征提取方法,按照时间序列顺序进行实时的特征值提取;
3)特征值选择阶段
采用二十种不同时域特征值形成的特征值组合子集初始化粒子群优化算法的所有粒子位置向量,并结合人工神经网络选取最优特征值子集。同时,通过人工神经网络的预测准确率和特征值子集中的特征值个数来确定最优特征值子集,并通过人工神经网络的预测准确率确定最优特征值子集中的特征值输入顺序;
4)数据存储阶段
采用特征值选择阶段中得到的最优特征值子集中对应的时域特征值及对应的特征值输入顺序,对特征值提取阶段中提取的二十种特征值进行特征值选择,并把对应的特征值数据传输到服务器进行数据存储。
在步骤1)中,需要重点关注机械设备所处的环境,避免在振动感知数据采集过程中受到外部环境因素的影响。另外,对于目标机械设备需要采用同一类型的振动传感器,避免因传感器类型不同导致产生较大的数据测量误差。
在步骤2)中,采用了二十种不同的时域特征提取方法进行特征值提取,该二十种时域特征提取方法的特点如下:
峰值,能反应振动信号的异常最大值特征;
最小值,能反应振动信号的异常最小值特征;
峰间值,表示选定滑动窗口内振动信号点的峰值和最小值的差;
平均值,能够反应振动信号的平均振幅变化情况;
平均振幅,表示选定滑动窗口内所有振动信号点绝对值的数学平均值;
根振幅,表示选定滑动窗口内振动信号点绝对值的平方根值的累加和;
均方值,表示选定滑动窗口内振动信号点值平方的累加和;
均方根值,能有效测量振动信号能量的静态分量特征,反应机械设备在实际工作中的不平衡性;
均方根熵估计器,选定滑动窗口内多个数学均方根值通过熵公式的估计值,能够降低原始振动信号噪音的影响;
方差,选定滑动窗口内振动信号点的数学方差;
标准差,选定滑动窗口内的数学标准差,能有效测量振动信号能量的动态分量特征;
偏态,能够衡量振动信号分布的对称程度;
峰态,能够衡量振动信号分布的平坦度;
波形熵,是基于均方根熵估计器构建的时域特征提取方法,反映了与一个滑动窗口内振动信号平均值的偏差;
脉冲因子,能够反应振动信号的波峰变化特征;
摆动因子,表示峰值和平均值的比;
形状因子,表示均方根值和平均值的比;
波峰因子,表示峰值和均方根值的比;
间隙因子,表示峰值和均方值的比;
变化系数,表示平均值和标准差的比。
采用的滑动窗口大小越接近振动信号单位变化周期内的振动感知数据时间序列的长度,提取的特征值进行故障诊断的效果一般会越好。
在步骤3)中,采用粒子群优化算法结合人工神经网络对特征值提取阶段得到的二十种不同的时域特征值进行选择,从而降低特征值的数量,其处理原理如下:
依据特征值提取阶段得到的特征值,采用二十种时域特征值得到的不同特征值子集初始化粒子群优化算法的所有粒子,并采用人工神经网络的预测准确率以及特征值子集中的特征值个数来衡量当前特征值子集的优劣,具体策略分为以下两个部分:
a、如果采用对应特征值子集训练的人工神经网络进行故障诊断的预测准确率未下降,且特征值子集中的特征值个数减少,则更新当前粒子所代表的特征值子集;
b、如果对应特征值子集训练的人工神经网络进行故障诊断的预测准确率能够在原有基础上提高百分之五,且特征值子集的个数增加,则更新当前粒子所代表的特征值子集;
依据上述策略结合粒子群优化算法和人工神经网络,自动选取最优特征值子集;此时,依据得到的特征值子集,采用不同的特征值组合顺序初始化粒子群优化算法的所有粒子,并采用人工神经网络进行故障诊断的预测准确率来衡量当前粒子所对应特征值组合顺序的优劣,具体策略为:如果对应粒子的人工神经网络分类预测准确率相对原基础有提高,则更新当前粒子所代表的特征值组合顺序;
通过上述策略,应用粒子群优化算法结合人工神经网络得到最终的最优特征值子集和对应的输入组合顺序。
本发明与现有技术相比,具有如下优点与有益效果:
1、数据处理流程完整,对振动感知数据预处理算法代码部署的机器性能要求较低。
2、通过设计的粒子群优化算法结合人工神经网络的特征值选取策略,能够自动地选取最优特征值组合,无需人工干预。
3、通过振动传感器采集的实时原始振动感知数据的数据量较大,通过本发明能有效减少数据传输量并提高数据传输效率,并能够降低数据的存储成本。
4、通过应用存储的特征值,能够较快地搭建机械故障诊断模型,并能够有效提高机械故障预测准确率。
附图说明
图1为本发明方法的整体框架图。
图2为一个连续时间长度为4000的振动信号变化示意图。
图3为采用均方根值时域特征提取方法对轴承的四种不同状态振动信号进行特征值提取的样本点分布示意图。
图4为采用波形熵时域特征提取方法对轴承的四种不同状态振动信号进行特征值提取的样本点分布示意图。
图5为采用粒子群优化算法结合人工神经网络选取最优特征值子集的运行流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的机械设备振动感知数据的预处理方法,主要由四个部分组成,分别是数据采集阶段、特征值提取阶段、特征值选择阶段和数据存储阶段,具体流程如图1所示。数据采集阶段需把振动传感器放置在机械设备容易出现故障的部位,进行实时的振动感知数据的采集。在数据采集端,可以采用边缘计算的技术把采集到的数据缓存在数据采集处的云处理服务器,并采用二十种时域特征提取方法进行实时的特征值提取。数据采集和特征值提取的工作集中在机械设备处,而本发明的重点在于合理选取合适的特征值子集,从而减少原始振动感知数据传输量和降低数据存储成本,并提高机械故障诊断的预测准确率。下面将具体解释数据采集阶段、特征值提取阶段、特征值选择阶段和数据存储阶段的作用和实现原理。
一、数据采集阶段
在数据采集过程中,需要重点关注机械设备所处的环境,尽量避免在振动感知数据采集过程中受到较强的空气流动或者高温等外部因素的影响。另外,对于目标机械设备需要采用同一类型的振动传感器,避免因传感器类型不同导致产生较大的数据测量误差。
二、特征值提取阶段
采用不同的时域特征提取方法能够得到原始振动感知数据的不同特征,并能够有效降低原始振动感知数据的不确定性。另外,通过时域特征提取方法进行特征值提取能够有效降低原始振动感知数据的传输量和存储成本,并能够提高机械故障诊断的预测准确率。本发明通过分析当前的时域特征提取方法,选取了其中应用比较广泛的二十种时域特征提取方法进行特征值提取,具体的时域特征提取方法公式如下:
序号1表示的公式中max表示求取一组数据中的最大值,序号2表示的公式中min表示求取一组数据中的最小值。序号5和序号6表示的公式中||表示求取一个数字的数学绝对值。所有序号对应的公式中表示最终值的字母下标表示对应特征值英文的简写,例如序号18表示的波峰因子中xcrf的字母下标crf就是波峰因子英文的简写。
上述公式中的所有xi表示采用第i个振动信号点,其中n表示连续n个振动信号点,可以理解为滑动窗口的大小。序号9对应的均方根熵估计器中的m表示采用m个均方根值xrms,其中参数i表示0至m个均方根值中第i个值,该m值和序号14对应的公式中的m一致。计算均方根值xrms的振动信号点的总个数和采用偏态xkur等其它时域特征提取方法的振动信号点的总个数一致。序号14对应的波形熵中的Wi表示在m个连续均方根值xrms中第i个时间段内均方根值xrms和平均振幅xma的比。
采用上述二十种时域特征提取方法进行特征值提取之前,需要选取合适的滑动窗口大小。滑动窗口大小表示在某一时间内连续采集的振动信号点的个数,如图2表示连续4000个轴承振动信号点的振幅变化情况。通过图2可知,该轴承的振动信号点变化情况呈现出周期变化的规律。因此,滑动窗口的大小越接近单位周期内的连续振动信号点的个数,提取的特征值进行故障预测的效果一般会越好。
本发明采用一轴承故障数据集进行特征值提取实验,滑动窗口大小设定分别为120、240、360、480、600、720、840和960。例如,当滑动窗口大小设定为600时,表示采用连续的600个振动信号点进行特征值提取,把原有的600个振动信号数据转换为了最多20个不同的特征值数据,从而大大减少数据的传输量和存储成本。本发明通过采用不同滑动窗口大小的特征值应用人工神经网络进行故障诊断实验,实验结果表明当滑动窗口大小超过840时,最终的故障预测准确率提升不明显,并且还会出现预测准确率下降的情况。因此,对于该轴承故障数据集,采用滑动窗口大小为840进行特征值提取比较合适。
图3展示了应用均方根值时域特征提取方法进行特征值提取的样本点分布图,分别提取轴承正常状态、内圈故障状态、滚珠故障状态和外圈故障状态下的振动信号的特征值。由图3可知,均方根值能够较好地区分四种不同状态下的轴承振动信号。图4展示了应用波形熵值时域特征提取方法进行特征值提取的样本点分布图。由图4可知,波形熵值能够较好地区分外圈故障和正常状态、外圈故障和滚珠故障,以及内圈故障和正常状态、内圈故障和滚珠故障,但是确不能有效区分正常状态和滚珠故障。因此,有必要选取合适的特征值组合进行机械故障诊断,从而提高最终的预测准确率。
三、特征值选择阶段
本部分采用二十种不同时域特征形成的特征值组合子集初始化粒子群优化算法的所有粒子位置向量,并结合人工神经网络选取最优特征值组合,具体运行流程如图5所示。
粒子群优化算法的基本思想是把待优化问题初始化多个随机解,每个解对应一个粒子,通过多个粒子间的协作和信息共享在一个N维空间寻找最优解。每一个粒子都包含一个N维速度向量以及对应的位置向量,其中速度向量用于调节粒子的运动路径,位置向量表示待优化问题的一个解。本发明采用特征值组合子集训练的人工神经网络分类预测准确率以及特征值子集中的特征值个数作为待优化问题,选用不同的特征值子集形成每个粒子的位置向量。
原始的粒子群优化算法存在早熟收敛、容易陷入局部极值的问题。加速度学习常数和惯性权重参数是粒子群优化算法中最重要的可调节参数,对粒子群的全局搜索能力以及最终的收敛能力有较大影响。如果惯性权重参数的设定不理想,可能会使粒子群优化算法陷入局部最优解。本发明中粒子群优化算法的惯性权重参数w的更新策略如下:
其中,wmax取值0.9,表示惯性权重参数w的最大值。wmin取值0.4,表示惯性权重参数w的最小值。iteration表示粒子群优化算法运行过程中当前的迭代次数,iterationmax表示最大迭代次数,最大迭代次数由算法模型初始化时决定。加速度学习常数对粒子间的信息共享能力影响较大,加速度学习常数值越大表示粒子间的信息共享能力越强,反之越弱。依据迭代次数不断降低加速度学习常数的值,能够有效提高粒子群优化算法的收敛性能。本发明中粒子群优化算法的加速度学习常数c的更新策略如下:
其中,cmax取值2.0,表示加速度学习常数的最大值。cmin取值0.5,表示加速度学习常数的最小值。粒子群在迭代寻找最佳位置时,需要依据适应度函数得到的适应度值来判定当前位置的好坏。本发明的粒子群优化结合人工神经网络的应用分为两个部分:
A、采用粒子群优化算法结合人工神经网络,从二十种不同时域特征值组合的子集中,依据故障诊断的预测准确率和特征值子集中的特征值个数选取最优特征值子集。
B、依据A中得到的最优特征值子集,通过改变特征值的输入顺序,选取最优特征值的输入顺序序列。
A和B中的粒子群优化算法结合人工神经网络的运行流程分为以下六个步骤:
a、初始化粒子群:初始化粒子群的规模和最大迭代次数,以及每个粒子速度和位置变化区间,并随机初始化所有粒子的初始速度向量和位置向量。
b、搭建基于粒子群优化算法和人工神经网络的机械故障诊断模型。采用每个粒子的位置向量对应的特征值子集形成的数据集,划分为训练集和测试集,并应用训练集开始训练人工神经网络。
c、计算每个粒子的适应度值:粒子群优化算法结合人工神经网络模型在测试集上的故障预测准确率可作为适应度值的一部分。对于A需要结合特征子集的个数作为适应度函数的考察因素,如果特征子集个数减少,并且故障预测准确率未下降,则更新当前粒子的位置向量;如果特征子集个数增加,并且故障预测准确率相比原预测准确率能够提高百分之五以上,则更新当前粒子的位置向量。对于B如果当前粒子对应的人工神经网络进行故障诊断的预测准确率有所提高,则更新当前粒子的位置向量。
d、更新所有粒子的最佳位置和群体的最佳位置:对当前迭代次数内计算的某一粒子的适应度值进行比较,如果符合更新规则(即上述A和B中的更新策略),则更新该粒子的最佳位置和对应的适应度值。并将该粒子最佳位置的适应度值与已有群体最佳位置的适应度值进行比较,如果符合更新规则,则更新群体最佳位置和对应的适应度值。
e、依据适应度值更新所有粒子的速度向量和位置向量。
f、判断是否达到最优或者最大迭代次数:如果达到最优或者最大迭代次数,则直接结束,并输出粒子群的群体最佳位置对应的粒子位置和适应度值。如果未达到最大迭代次数,则返回到步骤b继续运行。
依据上述步骤对应A中的策略可以得到最优特征值子集,对应B中的策略并结合A的结果可以得到最优特征值子集中的特征值输入顺序。本发明采用一轴承故障数据集进行特征值提取和特征值选择实验表明,相对于直接采用20种不同的时域特征值进行故障诊断,选取偏态、均方根值、标准差、峰值、均方根熵估计器、波形熵、峰态和脉冲因子特征值组合的故障预测效果最好。从实验结果得知,采用本发明的方法把原始的二十种时域特征值降低为了八种时域特征值,并有效提高了机械故障诊断的预测准确率。
四、数据存储阶段
本部分采用特征值选择中得到的最优特征值子集对应的特征值以及输入顺序,从20种时域特征值中选取对应的特征值进行数据的传输和实时存储。从原始振动数据采集,到特征值提取和特征值选择的过程可以有效降低数据的传输量,并高了机械故障诊断模型的预测准确率。
以上所述实施示例只为本发明之较佳实施示例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种机械设备振动感知数据的预处理方法,其特征在于,包括以下步骤:
1)数据采集阶段
选定目标机械设备,针对机械设备容易出现故障的部位,分别放置一个振动传感器进行实时的振动感知数据采集,在数据采集过程中,需要设定合理的采集频率;
2)特征值提取阶段
利用数据采集阶段得到的振动感知数据,选定合适的滑动窗口,依次采用峰值、最小值、峰间值、平均值、平均振幅、根振幅、均方值、均方根值、均方根熵估计器、方差、标准差、偏态、峰态、波形熵、脉冲因子、摆动因子、形状因子、波峰因子、间隙因子和变化系数这二十种时域特征提取方法,按照时间序列顺序进行实时的特征值提取;
3)特征值选择阶段
采用二十种不同时域特征值形成的特征值组合子集初始化粒子群优化算法的所有粒子位置向量,并结合人工神经网络选取最优特征值子集,同时,通过人工神经网络的预测准确率和特征值子集中的特征值个数来确定最优特征值子集,并通过人工神经网络的预测准确率确定最优特征值子集中的特征值输入顺序;
4)数据存储阶段
采用特征值选择阶段中得到的最优特征值子集中对应的时域特征值及对应的特征值输入顺序,对特征提取阶段中提取二十种特征值进行特征值选择,并把对应的特征值数据传输到服务器进行数据存储。
2.根据权利要求1所述的一种机械设备振动感知数据的预处理方法,其特征在于:在步骤1)中,需要重点关注机械设备所处的环境,避免在振动感知数据采集过程中受到外部环境因素的影响,另外,对于目标机械设备需要采用同一类型的振动传感器,避免因传感器类型不同导致产生大的数据测量误差。
3.根据权利要求1所述的一种机械设备振动感知数据的预处理方法,其特征在于:在步骤2)中,采用了二十种不同的时域特征提取方法进行特征值提取,该二十种时域特征提取方法的特点如下:
峰值,能反应振动信号的异常最大值特征;
最小值,能反应振动信号的异常最小值特征;
峰间值,表示选定滑动窗口内振动信号点的峰值和最小值的差;
平均值,能够反应振动信号的平均振幅变化情况;
平均振幅,表示选定滑动窗口内所有振动信号点绝对值的数学平均值;
根振幅,表示选定滑动窗口内振动信号点绝对值的平方根值的累加和;
均方值,表示选定滑动窗口内振动信号点值平方的累加和;
均方根值,能有效测量振动信号能量的静态分量特征,反应机械设备在实际工作中的不平衡性;
均方根熵估计器,选定滑动窗口内多个数学均方根值通过熵公式的估计值,能够降低原始振动信号噪音的影响;
方差,选定滑动窗口内振动信号点的数学方差;
标准差,选定滑动窗口内的数学标准差,能有效测量振动信号能量的动态分量特征;
偏态,能够衡量振动信号分布的对称程度;
峰态,能够衡量振动信号分布的平坦度;
波形熵,是基于均方根熵估计器构建的时域特征提取方法,反映了与一个滑动窗口内振动信号平均值的偏差;
脉冲因子,能够反应振动信号的波峰变化特征;
摆动因子,表示峰值和平均值的比;
形状因子,表示均方根值和平均值的比;
波峰因子,表示峰值和均方根值的比;
间隙因子,表示峰值和均方值的比;
变化系数,表示平均值和标准差的比。
4.根据权利要求1所述的一种机械设备振动感知数据的预处理方法,其特征在于:在步骤2)中,采用的滑动窗口大小越接近振动信号单位变化周期内的振动感知数据时间序列的长度,提取的特征值进行故障诊断的效果会越好。
5.根据权利要求1所述的一种机械设备振动感知数据的预处理方法,其特征在于:在步骤3)中,采用粒子群优化算法结合人工神经网络对特征值提取阶段得到的二十种不同的时域特征值进行选择,从而降低特征值的数量,其处理原理如下:
依据特征值提取阶段得到的特征值,采用二十种时域特征值得到的不同特征值子集初始化粒子群优化算法的所有粒子,并采用人工神经网络的预测准确率以及特征值子集中的特征个数来衡量当前特征值子集的优劣,具体策略分为以下两个部分:
a、如果采用对应特征值子集训练的人工神经网络进行故障诊断的预测准确率未下降,且特征值子集中的特征值个数减少,则更新当前粒子所代表的特征值子集;
b、如果对应特征值子集训练的人工神经网络进行故障诊断的预测准确率能够在原有基础上提高百分之五,且特征值子集的个数增加,则更新当前粒子所代表的特征值子集;
依据上述策略结合粒子群优化算法和人工神经网络,自动选取最优特征值子集;此时,依据得到的特征值子集,采用不同的特征值组合顺序初始化粒子群优化算法的所有粒子,并采用人工神经网络进行故障诊断的预测准确率来衡量当前粒子所对应特征值组合顺序的优劣,具体策略为:如果对应粒子的人工神经网络分类预测准确率相对原基础有提高,则更新当前粒子所代表的特征值子集组合顺序;
通过上述策略,应用粒子群优化算法结合人工神经网络得到最终的最优特征值子集和对应的输入组合顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010156741.4A CN111412977A (zh) | 2020-03-09 | 2020-03-09 | 一种机械设备振动感知数据的预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010156741.4A CN111412977A (zh) | 2020-03-09 | 2020-03-09 | 一种机械设备振动感知数据的预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111412977A true CN111412977A (zh) | 2020-07-14 |
Family
ID=71490948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010156741.4A Pending CN111412977A (zh) | 2020-03-09 | 2020-03-09 | 一种机械设备振动感知数据的预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111412977A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112377401A (zh) * | 2020-09-15 | 2021-02-19 | 昆明理工大学 | 一种基于滑动散布熵的隔膜泵故障状态检测方法及装置 |
CN112525334A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
CN112697267A (zh) * | 2020-11-11 | 2021-04-23 | 杭州未名信科科技有限公司 | 一种工业设备异常振动检测装置 |
CN112781711A (zh) * | 2020-12-18 | 2021-05-11 | 武汉理工大学 | 基于光纤振动传感的地铁上方钻孔设备入侵定位报警方法 |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源系统和方法 |
CN113807716A (zh) * | 2021-09-23 | 2021-12-17 | 宝信软件(武汉)有限公司 | 一种基于人工智能的网络运维自动化方法 |
CN114800036A (zh) * | 2022-06-24 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
CN115144181A (zh) * | 2022-08-30 | 2022-10-04 | 山东梁轴科创有限公司 | 一种轴承多维度缺陷检测方法及系统 |
CN115184016A (zh) * | 2022-09-06 | 2022-10-14 | 江苏东控自动化科技有限公司 | 一种升降机轴承故障检测方法 |
CN116484267A (zh) * | 2023-06-20 | 2023-07-25 | 南方电网科学研究院有限责任公司 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59187229A (ja) * | 1983-04-06 | 1984-10-24 | Nissan Motor Co Ltd | 車両用振動分析装置 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
US20140029932A1 (en) * | 2012-07-25 | 2014-01-30 | Alcatel-Lucent Usa Inc. | Stochastic reflectometer |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
CN108171322A (zh) * | 2017-12-25 | 2018-06-15 | 青岛理工大学 | 一种基于粒子群优化的神经网络学习算法 |
-
2020
- 2020-03-09 CN CN202010156741.4A patent/CN111412977A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59187229A (ja) * | 1983-04-06 | 1984-10-24 | Nissan Motor Co Ltd | 車両用振動分析装置 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
US20140029932A1 (en) * | 2012-07-25 | 2014-01-30 | Alcatel-Lucent Usa Inc. | Stochastic reflectometer |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
CN108171322A (zh) * | 2017-12-25 | 2018-06-15 | 青岛理工大学 | 一种基于粒子群优化的神经网络学习算法 |
Non-Patent Citations (4)
Title |
---|
夏天等: "《基于离散粒子群优化算法的汽车发动机故障特征选择》", 《中国工程机械学报》 * |
孙黎明: "《基于粒子群优化和系统特性的齿轮箱故障诊断研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
张亚龙: "《转子故障数据集的特征选择方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
潘宏侠等: "《基于粒子群优化的故障特征提取技术研究》", 《振动与冲击》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112377401A (zh) * | 2020-09-15 | 2021-02-19 | 昆明理工大学 | 一种基于滑动散布熵的隔膜泵故障状态检测方法及装置 |
CN112697267A (zh) * | 2020-11-11 | 2021-04-23 | 杭州未名信科科技有限公司 | 一种工业设备异常振动检测装置 |
CN112525334A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
CN112781711A (zh) * | 2020-12-18 | 2021-05-11 | 武汉理工大学 | 基于光纤振动传感的地铁上方钻孔设备入侵定位报警方法 |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源系统和方法 |
CN113807716A (zh) * | 2021-09-23 | 2021-12-17 | 宝信软件(武汉)有限公司 | 一种基于人工智能的网络运维自动化方法 |
CN114800036A (zh) * | 2022-06-24 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
CN115144181A (zh) * | 2022-08-30 | 2022-10-04 | 山东梁轴科创有限公司 | 一种轴承多维度缺陷检测方法及系统 |
CN115144181B (zh) * | 2022-08-30 | 2022-11-11 | 山东梁轴科创有限公司 | 一种轴承多维度缺陷检测方法及系统 |
CN115184016A (zh) * | 2022-09-06 | 2022-10-14 | 江苏东控自动化科技有限公司 | 一种升降机轴承故障检测方法 |
CN116484267A (zh) * | 2023-06-20 | 2023-07-25 | 南方电网科学研究院有限责任公司 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
CN116484267B (zh) * | 2023-06-20 | 2023-09-19 | 南方电网科学研究院有限责任公司 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113281048B (zh) | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统 | |
CN113076975A (zh) | 一种基于无监督学习的大坝安全监测数据异常检测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
CN113076920A (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN110261108B (zh) | 基于cnn彩色特征图的额定运转时轴承故障识别法 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN116776726A (zh) | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
CN115901259A (zh) | 基于二维图像与cnn的滚动轴承弱故障诊断方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |
|
RJ01 | Rejection of invention patent application after publication |