CN111597948A - 一种轴承振动信号的故障检测和分类方法 - Google Patents
一种轴承振动信号的故障检测和分类方法 Download PDFInfo
- Publication number
- CN111597948A CN111597948A CN202010394762.XA CN202010394762A CN111597948A CN 111597948 A CN111597948 A CN 111597948A CN 202010394762 A CN202010394762 A CN 202010394762A CN 111597948 A CN111597948 A CN 111597948A
- Authority
- CN
- China
- Prior art keywords
- bearing
- data
- fault
- neural network
- vibration
- 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
- G06F2218/12—Classification; Matching
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种轴承振动信号的故障检测和分类方法,该方法搭建于滚动轴承设备领域,利用振动信号数据和深度神经网络进行轴承设备的故障诊断;轴承设备诊断系统在获取各种故障状态下的轴承振动信号数据后,利用所有类别的故障振动信号训练一个卷积神经网络模型,用于后续轴承的故障检测。相对于传统的设备故障检测方法,本方法采用深度学习的方法,以实际场景为依托大幅提升了车间中轴承设备故障的检测水平,提升了检测和诊断效率,提高了经济效益。
Description
技术领域
本发明涉及一种轴承振动信号的故障检测和分类方法,具体为轴承振动信号的故障检测和分类技术领域。
背景技术
众所周知,信号处理在故障诊断和分类中起着至关重要的作用。随着现场传感器的快速发展,可以更方便地从机械设备收集大量测量数据,这为数据驱动的故障诊断方法提供了新的机遇。其中EMD就是一种传统的信号处理的方法,它将从传感器中采集到的原始信号分解为若干个本征模函数(IMF),通过分析本征模函数来进行特征提取和故障诊断。
然而这个传统的信号处理方法也有他的局限性。首先,它们大多依赖专家知识和特征提取过程,这是一项累赘的工作,对最终结果影响很大。此外,多传感器振动信号的特征提取与分类过程是两个独立的过程,因此效率不高。而这几年发展起来的深度学习方法能够自动学习特征并同时进行分类决策,实现故障检测自动化。卷积神经网络(CNN)是近年来最流行的深度学习模型之一,在图像识别中具有重大优势。卷积神经网络包括输入层(input layer)、卷积层(convolutional layer)、池化层(pooling layer)、全连接层(fully-connected layer)、输出层(output layer)等,其中卷积层和池化层是最重要的特征提取环节,能够实现图像信息特征的自动学习和提取。因此利用振动信号将故障检测问题转为图像识别问题具有实用意义。
目前现有的轴承振动信号的故障检测多数是采用人工进行检测,检测效率低,较为耗费人力资源,本申请的目的是研究一种轴承振动信号的故障检测和分类方法。
发明内容
针对现有轴承振动信号分析的不足,本发明提出了一种轴承振动信号的故障检测和分类方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种轴承振动信号的故障检测和分类方法:该方法搭建于滚动轴承设备领域,利用振动信号数据和深度神经网络进行轴承设备的故障诊断;轴承设备诊断系统在获取各种故障状态下的轴承振动信号数据后,利用所有类别的故障振动信号训练一个卷积神经网络模型,用于后续轴承的故障检测。
其中,对于输入的轴承振动信号,采用一维序列转为二维图像的方法将其转化图像,再利用卷积神经网络(Convolutional Neural Network,CNN)进行图像分类,也就是将故障诊断问题转化为图像识别问题,大量带标签的振动序列信号用于卷积神经网络的学习训练,并用于轴承故障诊断模块。
所述的轴承设备诊断系统包括安装在轴承上的加速度传感器、数据记录仪、数据处理模块、通信模块以及用于信号分析与故障诊断等功能的PC端,加速度传感器与数据记录仪的一端连接,数据记录仪的另一端与数据处理模块的一端连接,数据处理模块的另一端通过通信模块与PC端连接。
所述加速度传感器用于采集轴承振动信号,带有磁力基座的机架上,风扇端和驱动端的轴承座上放各放置一个加速度传感器;
所述数据记录仪用于采集加速度信号,并将采集到的数据传输到数据处理模块用于进一步分析和处理;
所述数据处理模块用于振动信号的转化,在接收到轴承振动信号后,对数据进行优化处理,并发送到PC端用于进一步分析处理;
所述通信模块用于信号处理模块和PC端的通信,在接收到数据处理模块传输的轴承振动信号数据实时发送到PC端用于进一步的处理和分析;
所述PC端作为数据分析终端和人机交互平台,其中PC端包含数据预处理模块、故障分析模块、振动信号存储与检索模块;
所述数据预处理模块用于对振动信号进行转化,将一维振动信号转化为二维图像,也就是将信号处理问题转化为了图像处理问题;
所述的故障分析模块用于振动信号分析处理,利用预先训练好的深度卷积神经网络算法判断振动信号是否是故障信号;
所述的振动信号存储与检索模块用于对接收到的振动信号数据以位置信息和时间信息等进行存储和检索。
所述的振动信号存储与检索模块还用于对振动故障分析模块进行模型再训练和优化。
本发明轴承振动信号的故障检测和分类方法包括以下步骤:
步骤1、利用加速度传感器1采集滚动轴承正常运行与故障时的振动信号并做标签,用于后续深度卷积神经网络的学习训练;
步骤2、每个设备的振动数据样本按指定长度的采样点数分割,并将一维数据数据转化为图像作为卷积神经网络的训练样本,送入预先设置的卷积神经网络进行训练,所述卷积神经网络包括卷积层、池化层、全连接层和输出层;
步骤3、将各个不同滚动轴承对应的卷积神经网络模型应用到PC端5,用于实时故障检测;
步骤4、根据获取关键各个滚动轴承设备位置信息并进行标注,同时设定在各个关键设备位置点的信号采集时间;
步骤5、根据步骤4中接收到的文件,采集相应的轴承数据并传输到PC端5;
步骤6、PC端5接收到加速度传感器1传送的振动信号数据和信息后,根据位置信息确定检测的滚动轴承类型并根据相应的卷积神经网络模型对轴承数据进行分类,判断设备是否发生故障,并对故障设备发出相应的报警信息。
与现有技术相比,本发明的有益效果是:相对于传统的设备故障检测方法,本方法采用深度学习的方法,以实际场景为依托大幅提升了车间中轴承设备故障的检测水平,提升了检测和诊断效率,提高了经济效益。
附图说明
图1为振动信号数据转化为图像的效果图;
图2为卷积神经网络的结构示意图;
图3为轴承设备诊断系统的结构示意图;
图4为卷积神经网络模型进行线下学习和线上监测的示意图。
附图标记:加速度传感器1、数据记录仪2、数据处理模块3、通信模块4、PC端5、数据预处理模块5-1、故障分析模块5-2、振动信号存储与检索模块5-3。
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。
请参阅图1-4,本发明提供一种技术方案:一种轴承振动信号的故障检测和分类方法,如图1所示是振动信号数据转化为图像的效果图,能够将一维振动序列信号转化为二维灰度图像,用于卷积神经网络进行设备故障诊断;
图2所示是用于深度学习的卷积神经网络结构示意图,包括了输入层、卷积层、池化层、全连接层和输出层结构,其中卷积层和池化层的作用是自动特征学习和提取,输出层结合分类器可实现轴承振动状态的分类识别;
图3所示,所述的轴承设备诊断系统包括安装在轴承上的加速度传感器1、数据记录仪2、数据处理模块3、通信模块4以及用于信号分析与故障诊断等功能的PC端5,加速度传感器1与数据记录仪2的一端连接,数据记录仪2的另一端与数据处理模块3的一端连接,数据处理模块3的另一端通过通信模块4与PC端5连接,其中,所述PC端5作为数据分析终端和人机交互平台,其中PC端5包含数据预处理模块5-1、故障分析模块5-2、振动信号存储与检索模块5-3。
所述的加速度传感器1用于采集轴承加速度,可事先根据轴承种类和位置设定振动信号的采集地点和采集时长,采集到的振动信号数据和对应的位置与时间信息均可通过串口实时传输到数据处理模块3以及通信模块4;
数据处理模块3用于对振动信号采集模块采集到的信号进行一定的处理和标注,其主要目的是:①采集到的振动数据包含有环境噪声,需要进行适当的预处理;②振动采集时长往往足够长,直接使用计算量过大影响实时性,根据需要的采样点数进行片段分割,以便进行后续分析处理;③振动数据需要根据采集时间做好标注,以便选择对应的卷积神经网络进行检测,并方便历史数据归档和检索;
通信模块4是车间轴承与PC端5沟通的媒介,可以将数据处理模块3预处理后的振动数据实时发送到PC端5。
PC端5的故障分析模块5-2可通过预先训练好的卷积神经网络算法模型,对接收到的设备振动数据进行实时诊断,判断车间轴承是否出现运行故障,如发现出现异常则发出报警,以便工作人员即使采取合理的故障排除措施;
下面结合图3和图4对轴承振动信号的故障检测和分类方法进行详细说明:
步骤(1)、利用加速度传感器1采集滚动轴承正常运行与故障时的振动信号并做标签,用于后续深度卷积神经网络的学习训练;
步骤(2)、每个设备的振动数据样本按指定长度的采样点数分割,并将一维数据数据转化为图像作为卷积神经网络的训练样本,送入预先设置的卷积神经网络进行训练,所述卷积神经网络包括卷积层、池化层、全连接层和输出层;
步骤(3)、将各个不同滚动轴承对应的卷积神经网络模型应用到PC端5,用于实时故障检测;
步骤(4)、根据获取关键各个滚动轴承设备位置信息并进行标注,同时设定在各个关键设备位置点的信号采集时间;
步骤(5)、根据步骤(4)中接收到的文件,采集相应的轴承数据并传输到PC端5;
步骤(6),PC端5接收到加速度传感器1传送的振动信号数据和信息后,根据位置信息确定检测的滚动轴承类型并根据相应的卷积神经网络模型对轴承数据进行分类,判断设备是否发生故障,并对故障设备发出相应的报警信息。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种轴承振动信号的故障检测和分类方法,其特征在于:该方法搭建于滚动轴承设备领域,利用振动信号数据和深度神经网络进行轴承设备的故障诊断;轴承设备诊断系统在获取各种故障状态下的轴承振动信号数据后,利用所有类别的故障振动信号训练一个卷积神经网络模型,用于后续轴承的故障检测。
2.根据权利要求1所述的一种轴承振动信号的故障检测和分类方法,其特征在于:所述的轴承振动信号,采用一维序列转为二维图像的方法将其转化图像,再利用卷积神经网络进行图像分类,也就是将故障诊断问题转化为图像识别问题,大量带标签的振动序列信号用于卷积神经网络的学习训练,并用于轴承故障诊断模块。
3.根据权利要求1所述的轴承设备诊断系统,其特征在于:所述的轴承设备诊断系统包括安装在轴承上的加速度传感器(1)、数据记录仪(2)、数据处理模块(3)、通信模块(4)以及用于信号分析与故障诊断等功能的PC端(5),加速度传感器(1)与数据记录仪(2)的一端连接,数据记录仪(2)的另一端与数据处理模块(3)的一端连接,数据处理模块(3)的另一端通过通信模块(4)与PC端(5)连接。
4.根据权利要求3所述的轴承设备诊断系统,其特征在于:所述加速度传感器(1)用于采集轴承振动信号,带有磁力基座的机架上,风扇端和驱动端的轴承座上放各放置一个加速度传感器(1);
所述数据记录仪(2)用于采集加速度信号,并将采集到的数据传输到数据处理模块(3)用于进一步分析和处理;
所述数据处理模块(3)用于振动信号的转化,在接收到轴承振动信号后,对数据进行优化处理,并发送到PC端(5)用于进一步分析处理;
所述通信模块(4)用于信号处理模块(3)和PC端(5)的通信,在接收到数据处理模块(3)传输的轴承振动信号数据实时发送到PC端(5)用于进一步的处理和分析。
5.根据权利要求3所述的轴承设备诊断系统,其特征在于:所述PC端(5)作为数据分析终端和人机交互平台,其中PC端(5)包含数据预处理模块(5-1)、故障分析模块(5-2)、振动信号存储与检索模块(5-3)。
6.根据权利要求5所述的PC端,其特征在于:所述数据预处理模块(5-1)用于对振动信号进行转化,将一维振动信号转化为二维图像,也就是将信号处理问题转化为了图像处理问题;
所述的故障分析模块(5-2)用于振动信号分析处理,利用预先训练好的深度卷积神经网络算法判断振动信号是否是故障信号;
所述的振动信号存储与检索模块(5-3)用于对接收到的振动信号数据以位置信息和时间信息等进行存储和检索;
所述的振动信号存储与检索模块(5-3)还用于对振动故障分析模块进行模型再训练和优化。
7.根据权利要求1所述的一种轴承振动信号的故障检测和分类方法,其特征在于:具体方法为:步骤(1)、利用加速度传感器(1)采集滚动轴承正常运行与故障时的振动信号并做标签,用于后续深度卷积神经网络的学习训练;
步骤(2)、每个设备的振动数据样本按指定长度的采样点数分割,并将一维数据数据转化为图像作为卷积神经网络的训练样本,送入预先设置的卷积神经网络进行训练,所述卷积神经网络包括卷积层、池化层、全连接层和输出层;
步骤(3)、将各个不同滚动轴承对应的卷积神经网络模型应用到PC端(5),用于实时故障检测;
步骤(4)、根据获取关键各个滚动轴承设备位置信息并进行标注,同时设定在各个关键设备位置点的信号采集时间;
步骤(5)、根据步骤(4)中接收到的文件,采集相应的轴承数据并传输到PC端(5);
步骤(6)、PC端(5)接收到加速度传感器(1)传送的振动信号数据和信息后,根据位置信息确定检测的滚动轴承类型并根据相应的卷积神经网络模型对轴承数据进行分类,判断设备是否发生故障,并对故障设备发出相应的报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394762.XA CN111597948A (zh) | 2020-05-11 | 2020-05-11 | 一种轴承振动信号的故障检测和分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394762.XA CN111597948A (zh) | 2020-05-11 | 2020-05-11 | 一种轴承振动信号的故障检测和分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597948A true CN111597948A (zh) | 2020-08-28 |
Family
ID=72185285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394762.XA Pending CN111597948A (zh) | 2020-05-11 | 2020-05-11 | 一种轴承振动信号的故障检测和分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597948A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112839349A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
WO2022216522A3 (en) * | 2021-04-06 | 2022-12-22 | Delaware Capital Formation, Inc. | Predictive maintenance of industrial equipment |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205067090U (zh) * | 2015-11-11 | 2016-03-02 | 内蒙古科技大学 | 滚动轴承故障检测与诊断系统 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
-
2020
- 2020-05-11 CN CN202010394762.XA patent/CN111597948A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205067090U (zh) * | 2015-11-11 | 2016-03-02 | 内蒙古科技大学 | 滚动轴承故障检测与诊断系统 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN112839349A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
WO2022216522A3 (en) * | 2021-04-06 | 2022-12-22 | Delaware Capital Formation, Inc. | Predictive maintenance of industrial equipment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
CN108126987B (zh) | 一种高速线材轧机远程在线监测和智能诊断方法 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN111623868B (zh) | 用于钢轨波磨识别的卷积神经网络构建方法 | |
CN111637964B (zh) | 钢轨波磨识别方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN104386449A (zh) | 用于矿用皮带运输机头尾轮在线检测智能保护装置 | |
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 | |
CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
CN114898466A (zh) | 一种面向智慧工厂的视频动作识别方法及系统 | |
CN113847950A (zh) | 基于云计算的智能船舶设备状态监测系统及信息交互方法 | |
CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
CN112487890A (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 |
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 |