CN111677674A - 一种故障检测方法及装置 - Google Patents
一种故障检测方法及装置 Download PDFInfo
- Publication number
- CN111677674A CN111677674A CN202010552928.6A CN202010552928A CN111677674A CN 111677674 A CN111677674 A CN 111677674A CN 202010552928 A CN202010552928 A CN 202010552928A CN 111677674 A CN111677674 A CN 111677674A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- fault
- vector machine
- support vector
- noise reduction
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种故障检测方法及装置,方法包括:通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对原始振动信号的降噪处理得到降噪振动信号;对降噪振动信号的能量谱分析得到能量谱中能量集中的多个目标频段;对多个目标频段一同进行包络谱分析得到故障包络谱;基于支持向量机模型构建支持向量机检测模型,对支持向量机检测模型的优化处理得到优化后的支持向量机检测模型;通过优化后的支持向量机检测模型对故障包络谱的故障分类处理得到故障类别。本发明提高了故障分类的准确性,也提高了分类的效率,节省了计算时间,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
Description
技术领域
本发明主要涉及设备检测技术领域,具体涉及一种故障检测方法及装置。
背景技术
离心泵叶轮的振动信号包含大量的故障信息。机械设备的诊断过程可以分为三步:第一步是诊断信息获取;第二步是故障特征提取;第三步是状态识别和故障诊断。其中,第三步故障分类识别要设计分类器来进行状态识别,所以故障诊断就是一个模式识别的过程。但是对于机械设备而言,故障一旦发生,就会造成巨大的损失,所以就不会存有很多的故障样本。如何在有限的故障样本的情况下进行有效的模式识别是故障诊断中的关键问题。
目前故障诊断中的状态识别方法主要是人工神经网络和统计模式识别方法。由于离心泵故障样本通常为小样本,人工神经网络(ANN)具有自学习功能和具有高度的并行结构和并行实现能力,它的出现推动了状态模式识别的发展。但神经网络的结构设计严重依赖设计者的经验和先验知识,且缺乏理论依据的支撑。同时神经网络和统计模式识别方法面临的同一难题是故障样本数要足够多。SVM的出现有效解决了传统分类方法的缺陷,非常适合小样本的模式识别问题。Samanta等使用PSO优化SVM参数并改善轴承故障检测和识别;徐海龙等提出一种基于PSO的RBF-SVM模型优化新方法;赵鹏等等提出了一种基于经验模式分解的复杂度特征和最小二乘支持向量机的离心泵故障诊断方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种故障检测方法及装置。
本发明解决上述技术问题的技术方案如下:一种故障检测方法,包括如下步骤:
通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
本发明解决上述技术问题的另一技术方案如下:一种故障检测装置,包括:
原始振动信号处理模块,用于通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
能量谱分析模块,用于对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
包络谱分析模块,用于对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
向量机模型优化模块,用于基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
故障分类模块,用于通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
本发明的有益效果是:通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对原始振动信号的降噪处理得到降噪振动信号,对降噪振动信号的能量谱分析得到能量谱中能量集中的多个目标频段,对目标频段一同的包络谱分析得到故障包络谱,基于支持向量机模型构建支持向量机检测模型,对支持向量机检测模型的优化处理得到优化后的支持向量机检测模型,通过优化后的支持向量机检测模型对故障包络谱的故障分类处理得到故障类别,提高了故障分类的准确性,也提高了分类的效率,节省了计算时间,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
附图说明
图1为本发明一实施例提供的故障检测方法的流程示意图;
图2为本发明一实施例提供的人工鱼群视觉示意图;
图3为本发明一实施例提供的故障检测装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明一实施例提供的故障检测方法的流程示意图。
如图1所示,一种故障检测方法,包括如下步骤:
通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
优选地,所述离心泵的型号为Weir/Warman3/2CAH,泵的入口直径和出口直径分别为3英寸和2英寸,配套封闭式叶轮的型号为C2147,叶轮直径为8.5英寸且有5个叶片,所述离心泵系统的采样率为9kHZ,采样时间为20s,使用的转速为1797r/min,采用了3台三轴振动加速度传感器设置在离心泵叶轮上。
具体地,其中一台灵敏度高、采集频率低的所述三轴振动加速度传感器设置于泵的顶部;另外两台所述三轴振动加速度传感器灵敏度低,采集频率高的分别设置在泵的出口处和轴承的顶部。
应理解地,为方便理解,设置了正常状态的叶轮记为F1与三种故障的叶轮,这三种故障叶轮的形式分别为穿孔损伤、边缘损伤、叶片损伤,并将这三种故障模式分别记为F2、F3、F4,使用小波包分解对采集到的原始振动信号进行处理,小波分解分为三层,选择了db11小波,分解后,正常和带有故障的所述降噪振动信号各产生八个子频带,并为每个子频带计算能量值,归一化用于处理所得的能量值,这些能量值以能谱直方图的形式显示,比较F1、F2、F3、F4四种不同状态叶轮的能量谱图,可以分析出故障状态叶轮振动信号能量集中的频带,为了找到信号中的故障源,首先分别将动信号能量集中的频带解调以获得解调包络曲线,然后对该曲线进行处理以获得所述故障包络谱,分析三种所述故障包络谱,参照不同故障状态下叶轮的故障特征频率,可以对F2、F3、F4三种故障叶轮进行分类,由理论计算可得,叶轮穿孔损伤故障频率为69Hz,叶轮边缘损伤故障频率为131Hz,叶轮叶片损伤故障频率为162Hz;为了对比PSO-SVM和所述支持向量机检测模型分类的结果,使用了50组数据,分别为正常叶轮和穿孔损伤、边缘损伤、叶片损伤三种故障叶轮,并使用了200组数据,有100组用于训练,有100组用于测试,数据表明,所述支持向量机检测模型比PSO-SVM更好,并且可以在更短的计算时间内以更小的支持向量数获得更准确的结果。
上述实施例中,通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对原始振动信号的降噪处理得到降噪振动信号,对降噪振动信号的能量谱分析得到能量谱中能量集中的多个目标频段,对目标频段一同的包络谱分析得到故障包络谱,基于支持向量机模型构建支持向量机检测模型,对支持向量机检测模型的优化处理得到优化后的支持向量机检测模型,通过优化后的支持向量机检测模型对故障包络谱的故障分类处理得到故障类别,提高了故障分类的准确性,也提高了分类的效率,节省了计算时间,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
可选地,作为本发明的一个实施例,所述对所述原始振动信号进行降噪处理,得到降噪振动信号过程包括:
利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号。
具体地,小波包分解表示分别为第一式和第二式,所述第一式和所述第二式分别为:
其中,u(k)表示低通滤波器,v(k)表示高通滤波器,n表示分解级数。
小波包重构表示为第三式,所述第三式为:
上述实施例中,利用小波包变换算法对所述原始振动信号的降噪处理得到降噪振动信号,不仅可以有效地过滤原始振动信号的噪声,而且可以将频带进行多层次划分,对多分辨率分析没有细分的高频部分作进一步分解,从而提供频率分辨率。
可选地,作为本发明的一个实施例,所述利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号的过程包括:
利用matlab矩阵实验室工具对小波基进行选取,并通过选取的小波基对所述原始振动信号进行多层小波包分解,得到振动分解信号;
利用matlab矩阵实验室工具对所述振动分解信号进行重构处理,得到降噪振动信号。
应理解地,MATLAB是matrix&laboratory两个词的组合,意为矩阵工厂(矩阵实验室),软件主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中,为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案,并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式。
应理解地,对采集到的所述原始振动信号选用“db11”小波基,进行3层小波包分解得到振动分解信号,再对所述振动分解信号进行重构,从而达到去除噪声干扰的目的,所述原始振动信号经过3层小波包分解,共得到从低频到高频8个所述降噪振动信号。
具体地,在matlab矩阵实验室中的处理步骤为:首先根据振动信号的特点及要求设置确定分解层数,本专利中分解层数设置为3层;之后选取db11小波作为小波基;然后为了保持小波系数整体性连续性好,且不会产生附加振荡,选取软阈值去噪;最后根据计算后的小波包系数重构原信号,得到所述降噪振动信号。
上述实施例中,利用matlab矩阵实验室工具对小波基进行选取,并通过选取的所述小波基对所述原始振动信号的多层小波包分解得到振动分解信号;利用matlab矩阵实验室工具对所述振动分解信号的重构处理得到降噪振动信号,不仅可以有效地过滤原始振动信号的噪声,而且可以将频带进行多层次划分,对多分辨率分析没有细分的高频部分作进一步分解,从而提供频率分辨率,同时,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
可选地,作为本发明的一个实施例,所述对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段的过程包括:
利用matlab矩阵实验室工具对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段。
应理解地,小波包能量谱信号可用于分析所述降噪振动信号并将低频振动信号与高频带分离。
具体地,求取所述降噪振动信号的频段能量值,并对故障信号能量集中的频段进行分析,得到多个目标频段。
上述实施例中,利用matlab矩阵实验室工具对所述降噪振动信号的能量谱分析得到能量谱中能量集中的多个目标频段,为信号分析增加了更大的分辨率,提高了故障分类的准确性,也提高了分类的效率。
可选地,作为本发明的一个实施例,所述对多个所述目标频段一同进行包络谱分析,得到故障包络谱的过程包括:
利用matlab矩阵实验室工具对多个所述目标频段一同进行解调,得到包络曲线;
利用matlab矩阵实验室工具对所述包络曲线进行包络谱处理,得到故障包络谱。
应理解地,所述故障包络谱通常包含有关叶轮故障的特征信息,通常会指示故障的类型。
具体地,分析故障信号能量集中频段的所述故障包络谱,对比离心泵叶轮故障特征频率,对离心泵叶轮故障进行分类。
上述实施例中,利用matlab矩阵实验室工具对多个所述目标频段一同的解调得到包络曲线;利用matlab矩阵实验室工具对所述包络曲线的包络谱处理得到故障包络谱,提高了故障分类的准确性,也提高了分类的效率,节省了计算时间,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
可选地,作为本发明的一个实施例,所述对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型的过程包括:
利用人工鱼群算法对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型。
具体地,支持向量是训练集的关键元素,包含确定分离超平面和SVM分类器的参数C和γ所需的所有必要信息;因此,使用粒子群优化(PSO)和人工鱼群算法(AFSA)来寻找最佳参数(C,γ),Kennedy和Eberhart通过模拟颗粒,鱼群和鸟群的集体行为,提出了解决复杂非线性优化问题的粒子群优化算法,AFSA受到鱼群及其各种种群的社会行为的启发,AFSA是几种智能群算法之一,它遵循鱼类的一系列的本能行为。AF通过其视觉实现外部感知。
如图2所示,X是AF的当前位置,XV是某一时刻的视觉位置。如果视觉位置处的状态好于当前状态,则AF会朝该方向前进,如果AF移动到更好的位置,则Xnext是移动之后的下一个状态;否则,AF会继续在视野范围进行巡视,随着巡视次数的增加,AF会获得更多关于视觉整体状态的知识。
设X=(x1,x2,…,xn)和XV=(xV1,xV2,…,xVn),那么AFSA的过程可以表示为第四式和第五式,所述第四式和第五式分别为:
XV=X+Visual·Rand(),
其中Rand()产生0到1之间的随机数,λ是步长,xi是优化变量,n是变量数。X是AF的当前位置,Xj是AF在视野中随机选择的一个位置,Visual是代表可视距离,W表示拥挤度因子。人工鱼个体之间的距离表示为dij=‖Xi-Xj‖,人工鱼当前所在位置的食物浓度表示为Y=f(x)。
AFSA主要行为描述如下:
1.觅食行为:若AF的当前位置为Xi,并在,如果在求极大问题中,Yi<Yj(若求解极小问题时Yi>Yj,因极大和极小问题同理可证,故以下均以求极大问题讨论),则向该方向前进一步;反之,再重新随机选择状态Xj,判断是否满足前进条件;反复几次后,如果仍不满足前进条件,则随机移动一步。
2.聚群行为:设人工鱼当前状态为Xi,探索当前邻域内(即di,j<Visable)的伙伴数目nf及中心位置Xc,如果Yc/nf>WYi,表明伙伴中心有较多的食物并且不太拥挤,则朝伙伴的中心位置方向前进一步;否则执行觅食行为。
3.追尾行为:设人工鱼当前状态为Xi,探索当前邻域内(即di,j<Visable)的伙伴中Yj为最大的伙伴Xj,如果Yj/nf>WYi,则伙伴Xj的状态具有较高的食物浓度并且其周围不太拥挤,故朝伙伴Xj的方向前进一步;否则执行觅食行为。
上述实施例中,利用人工鱼群算法对所述支持向量机检测模型的优化处理得到优化后的支持向量机检测模型,提高了故障分类的准确性,也提高了分类的效率,节省了计算时间,有效地解决了传统分类方法的缺陷,实现了在有限的故障样本的情况下进行有效的故障检测。
图3为本发明一实施例提供的故障检测装置的模块框图。
可选地,作为本发明的另一个实施例,如图3所示,一种故障检测装置,包括:
原始振动信号处理模块,用于通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
能量谱分析模块,用于对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
包络谱分析模块,用于对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
向量机模型优化模块,用于基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
故障分类模块,用于通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
可选地,作为本发明的一个实施例,所述原始振动信号处理模块具体用于:
利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号。
可选地,作为本发明的一个实施例,所述原始振动信号处理模块具体用于:
利用matlab矩阵实验室工具对小波基进行选取,并通过选取的所述小波基对所述原始振动信号进行多层小波包分解,得到振动分解信号;
利用matlab矩阵实验室工具对所述振动分解信号进行重构处理,得到降噪振动信号。
可选地,作为本发明的一个实施例,所述能量谱分析模块具体用于:
利用matlab矩阵实验室工具对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。用于这样的理解,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,或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种故障检测方法,其特征在于,包括如下步骤:
通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
2.根据权利要求1所述的故障检测方法,其特征在于,所述对所述原始振动信号进行降噪处理,得到降噪振动信号过程包括:
利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号。
3.根据权利要求2所述的故障检测方法,其特征在于,所述利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号的过程包括:
利用matlab矩阵实验室工具对小波基进行选取,并通过选取的小波基对所述原始振动信号进行多层小波包分解,得到振动分解信号;
利用matlab矩阵实验室工具对所述振动分解信号进行重构处理,得到降噪振动信号。
4.根据权利要求1所述的故障检测方法,其特征在于,所述对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段的过程包括:
利用matlab矩阵实验室工具对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段。
5.根据权利要求1-4任一项所述的故障检测方法,其特征在于,所述对多个所述目标频段一同进行包络谱分析,得到故障包络谱的过程包括:
利用matlab矩阵实验室工具对多个所述目标频段一同进行解调,得到包络曲线;
利用matlab矩阵实验室工具对所述包络曲线进行包络谱处理,得到故障包络谱。
6.根据权利要求1所述的故障检测方法,其特征在于,所述对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型的过程包括:
利用人工鱼群算法对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型。
7.一种故障检测装置,其特征在于,包括:
原始振动信号处理模块,用于通过设置在离心泵叶轮上的三轴振动加速度传感器获取原始振动信号,并对所述原始振动信号进行降噪处理,得到降噪振动信号;
能量谱分析模块,用于对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段;
包络谱分析模块,用于对多个所述目标频段一同进行包络谱分析,得到故障包络谱;
向量机模型优化模块,用于基于支持向量机模型构建支持向量机检测模型,对所述支持向量机检测模型进行优化处理,得到优化后的支持向量机检测模型;
故障分类模块,用于通过所述优化后的支持向量机检测模型对所述故障包络谱进行故障分类处理,得到故障类别。
8.根据权利要求7所述的故障检测装置,其特征在于,所述原始振动信号处理模块具体用于:
利用小波包变换算法对所述原始振动信号进行降噪处理,得到降噪振动信号。
9.根据权利要求8所述的故障检测装置,其特征在于,所述原始振动信号处理模块具体用于:
利用matlab矩阵实验室工具对小波基进行选取,并通过选取的所述小波基对所述原始振动信号进行多层小波包分解,得到振动分解信号;
利用matlab矩阵实验室工具对所述振动分解信号进行重构处理,得到降噪振动信号。
10.根据权利要求7所述的故障检测装置,其特征在于,所述能量谱分析模块具体用于:
利用matlab矩阵实验室工具对所述降噪振动信号进行能量谱分析,得到能量谱中能量集中的多个目标频段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552928.6A CN111677674A (zh) | 2020-06-17 | 2020-06-17 | 一种故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552928.6A CN111677674A (zh) | 2020-06-17 | 2020-06-17 | 一种故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111677674A true CN111677674A (zh) | 2020-09-18 |
Family
ID=72455298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010552928.6A Pending CN111677674A (zh) | 2020-06-17 | 2020-06-17 | 一种故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111677674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003036321A (ja) * | 2001-07-24 | 2003-02-07 | Nikkiso Co Ltd | 液化ガス用ポンプの異常診断方法及び装置 |
CN102900675A (zh) * | 2012-11-09 | 2013-01-30 | 昆山北极光电子科技有限公司 | 一种离心泵工作状态检测和故障诊断系统 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
-
2020
- 2020-06-17 CN CN202010552928.6A patent/CN111677674A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003036321A (ja) * | 2001-07-24 | 2003-02-07 | Nikkiso Co Ltd | 液化ガス用ポンプの異常診断方法及び装置 |
CN102900675A (zh) * | 2012-11-09 | 2013-01-30 | 昆山北极光电子科技有限公司 | 一种离心泵工作状态检测和故障诊断系统 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
朱丕亮等: ""基于小波包能量谱和包络分析细化的轴承故障诊断"", 《现代制造工程》 * |
杨宇等: ""基于双树复小波包和改进SVM的轴承故障诊断"", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
CN114972350B (zh) * | 2022-08-01 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111860689B (zh) | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 | |
Hu et al. | Bearing performance degradation assessment based on optimized EWT and CNN | |
CN107341505B (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
CN110991406A (zh) | 一种基于rsvp脑电特征的弱小目标检测方法及系统 | |
Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN111476339A (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN111046969A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
Devi et al. | Analysis & evaluation of Image filtering Noise reduction technique for Microscopic Images | |
Zhou et al. | Fault diagnosis for rolling bearing under variable conditions based on image recognition | |
CN111677674A (zh) | 一种故障检测方法及装置 | |
CN111352926A (zh) | 数据处理的方法、装置、设备及可读存储介质 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN114863223B (zh) | 结合去噪自编码器与场景增强的高光谱弱监督分类方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Wang et al. | First-order differential filtering spectrum division method and information fusion multi-scale network for fault diagnosis of bearings under different loads | |
Xie et al. | Automatic extraction of shape features for classification of leukocytes | |
CN115438698A (zh) | 一种基于图像处理的电力设备声音识别方法及系统 | |
CN113869358A (zh) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 | |
CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 | |
Thelaidjia et al. | Successive variational mode decomposition and blind source separation based on salp swarm optimization for bearing fault diagnosis | |
Kannan et al. | Ball Bearing Fault by Feature Extraction and Fault Diagnosis method based on AI ML Algorithms | |
CN112084896B (zh) | 基于Lp/q-混合范数的联合递归加权空间滤波方法 |
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: 20200918 |
|
RJ01 | Rejection of invention patent application after publication |