CN111679654B - 基于神经网络的电力驱动系统振动信号诊断方法及装置 - Google Patents
基于神经网络的电力驱动系统振动信号诊断方法及装置 Download PDFInfo
- Publication number
- CN111679654B CN111679654B CN202010552708.3A CN202010552708A CN111679654B CN 111679654 B CN111679654 B CN 111679654B CN 202010552708 A CN202010552708 A CN 202010552708A CN 111679654 B CN111679654 B CN 111679654B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- drive system
- electric drive
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障诊断领域,提供一种基于神经网络的电力驱动系统振动信号诊断方法及装置,该方法通过获取电力驱动系统中不同组件的不同信号源的振动信号,将不同信号源的振动信号数据输入经验模态模型进行模态分解为N组固有模态分量IMF,再将N组固有模态分量IMF进行卷积计算,减少输入神经网络模型的输入处理数据量,再将卷积后的M个第一卷积数据输入训练好的神经网络模型,从而输出故障发生点数据与标签数据,本发明还提供了一种装置用于执行该方法,能够从电力驱动系统振动信号中有效诊断潜在的故障点,预测和判断故障可能出现类型与发生点,从而减少电力驱动系统运行过程中可能出现的安全隐患,提高系统的可靠性和稳定性。
Description
技术领域
本发明涉及故障诊断领域,特别涉及一种基于神经网络的电力驱动系统振动信号诊断方法及装置。
背景技术
经验模态分解(Empirical ModeDecomposition,EMD),该方法是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数,在信号处理领域,优于以傅立叶变换为基础的线性和稳态频谱分析,在处理非平稳及非线性数据上具有明显优势。
电力驱动系统是纯能源汽车的重要组成部分,其行驶工况中承受来自多个振动源、多维度的振动冲击载荷,在电力驱动系统上,振动信号耦合程度高,对运行状态的振动信号分析和诊断难度大,采用传统的电机测试平台进行测试,往往忽略了行驶工况下,CN104807534B公开了一种基于在线振动数据的设备固有振动模式自学习识别方法,利用小波包变换算法对设备振动信号x(n)进行一次去噪,得到去噪后的信号利用奇异值分解对信号进行二次去噪,得到二次去噪后的振动信号使用加窗离散傅里叶算法对去噪后的振动信号进行频谱分析,计算得到设备振动频谱;利用自学习算法训练得到设备振动频谱,最后得到设备的固有特征频率及幅值。CN104166804B公开了一种基于时频域单源点稀疏成分分析的工作模态辨识方法,测量得到工作状态下设备目标位置的振动信号;对各混合振动信号进行时频域变换;在时频域中应用单源点法提取用于混合矩阵估计的混合振动信号;利用基于K超线聚类的稀疏成分分析混合矩阵估计法估计混合矩阵;混合矩阵求解出来后,再返回时频域,利用最小化方法重构各阶源信号,提取结构各模态向量;然后通过信号指数表达得到工作模态频率及阻尼比。
由于电力驱动系统集成程度高,振动属于非周期性、非线性信号,传统对设备的运行状态的振动信号分析仍然直接采用傅里叶算法等方法,不仅效率低且计算复杂程度高,且容易出现误判,精度不高;该方法目前不能针对潜在的故障进行预测,导致系统可靠性和稳定性差。
发明内容
由于电力驱动系统结构复杂程度高、机电耦合程度高,且常受到来自地面的冲击、外部撞击等非线性信号的干扰,电机运行过程中产生的信号通常也受到这些信号的叠加,对于汽车控制器来说,有时会因为外部的一些干扰信号叠加后,误判断电机故障,从而进入自保护状态,例如失去加速动力等;有些受到其它信号干扰,不能很好地预测和判断故障可能出现类型与发生点,导致车辆在动力等极值范围能运行,电力驱动系统的可靠性和稳定性低,甚至出现安全隐患。
有鉴于此,本发明旨在提出一种基于神经网络的电力驱动系统振动信号诊断方法,该基于神经网络的电力驱动系统振动信号诊断方法包括,
步骤S1,多组振动传感器获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
步骤S2,将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
步骤S3,将N个固有模态分量IMF数据输入卷积模型,与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
步骤S4,将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系。
优选地,在步骤S1中,根据电力驱动系统动力传输方向,多组所述振动传感器依次设置在电机控制器、电机壳体、电机输出轴、变速器输入轴、变速箱壳体、变速器输出轴、差速器输入轴、差速器壳体、左半轴、右半轴,多个所述振动传感器分别与各部件连接,用于获取不同信号源的振动信号数据。
优选地,所述电机输出轴、变速器输入轴、变速器输出轴、差速器输入轴、左半轴、右半轴的振动传感器包括电涡流传感器,用于测量轴相对轴承振动信号数据。
优选地,在步骤S2中,所述经验模态模型中的残余量为一个单调信号或值小于预先设定的阀值,即停止信号源的振动信号分解。
优选地,在步骤S4中,所述神经网络模型包括隐含层。
优选地,在步骤S4中,所述输入数据包括来自所述电力驱动系统不同部件的振动信号数据经过步骤S2中的经验模态模型进行时域分解,再经过步骤S3中卷积计算后得到。
优选地,在步骤S3中,所述卷积模型为一维卷积神经网络模型。
本发明还提供了一种用于执行上述系统的一种装置,所述装置包括:
获取模块,包括多组振动传感器,用于获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
经验模态分解模块,用于将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
卷积计算模块,用于将N个固有模态分量IMF数据与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
神经网络处理模块,用于将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系。
优选地,多组振动传感器包括声音传感器,用于获取电力驱动系统运行过程中的噪声信号数据。
根据本发明实施例的另一方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的方法。
相对于现有技术,本发明提供的基于神经网络的电力驱动系统振动信号诊断方法,可实现技术效果:获取电力驱动系统中不同组件的不同信号源的振动信号,将不同信号源的振动信号数据输入经验模态模型进行模态分解为N组固有模态分量IMF,再将N组固有模态分量IMF进行卷积计算,减少输入神经网络模型的输入处理数据量,再将卷积后的M个第一卷积数据输入训练好的神经网络模型,从而输出故障发生点数据与标签数据,本发明还提供了一种装置用于执行该方法,能够从电力驱动系统振动信号中有效诊断潜在的故障点,预测和判断故障可能出现类型与发生点,从而减少电力驱动系统运行过程中可能出现的安全隐患,提高系统的可靠性和稳定性。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明的基于神经网络的电力驱动系统振动信号诊断方法一种实施方式的流程图;
图2为本发明的用于执行基于神经网络的电力驱动系统振动信号诊断方法的装置一种实施方式的结构示意图;
图3为本发明方法或装置获取振动信号源的电力驱动系统结构示意图;
图4为本发明经验模态模型分解流程图;
图5为本发明卷积计算模型。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指传统对设备的运行状态的振动信号分析仍然直接采用傅里叶算法等方法,不仅效率低且计算复杂程度高,且容易出现误判,精度不高;该方法目前不能针对潜在的故障进行预测,导致系统可靠性和稳定性差等问题。本发明提供一种基于神经网络的电力驱动系统振动信号诊断方法,如图1所示,所述基于神经网络的电力驱动系统振动信号诊断方法包括,
步骤S1,多组振动传感器获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
步骤S2,将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
步骤S3,将N个固有模态分量IMF数据输入卷积模型,与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
步骤S4,将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系。
通过该基于神经网络的电力驱动系统振动信号诊断方法,先通过获取电力驱动系统中不同组件的不同信号源的振动信号,将不同信号源的振动信号数据输入经验模态模型进行模态分解为N组固有模态分量IMF,再将N组固有模态分量IMF进行卷积计算,减少输入神经网络模型的输入处理数据量,再将卷积后的M个第一卷积数据输入训练好的神经网络模型,从而输出故障发生点数据与标签数据,能够从电力驱动系统振动信号中有效诊断潜在的故障点,预测和判断故障可能出现类型与发生点,从而减少电力驱动系统运行过程中可能出现的安全隐患,提高系统的可靠性和稳定性。
为了更好地获取不同组件的不同信号源的振动信号,如图3所示的电力驱动系统结构示意图,在本发明优选的情况下,在步骤S1中,根据电力驱动系统动力传输方向,多组所述振动传感器依次设置在电机控制器、电机壳体、电机输出轴、变速器输入轴、变速箱壳体、变速器输出轴、差速器输入轴、差速器壳体、左半轴、右半轴,多个所述振动传感器分别与各部件连接,用于获取不同信号源的振动信号数据。
为了更好地测量并获取旋转组件的振动信号,在本发明优选的情况下,所述电机输出轴、变速器输入轴、变速器输出轴、差速器输入轴、左半轴、右半轴的振动传感器包括电涡流传感器,用于测量轴相对轴承振动信号数据。
为了更好地将信号源的原始信号进行经验模态的分解,在本发明优选的情况下,在步骤S2中,所述经验模态模型中的残余量为一个单调信号或值小于预先设定的阀值,即停止信号源的振动信号分解。
Hilbert-Huang变换在处理非线性、非平稳信号具有大的优势,经验模态分解(Empirical Mode Decomposition,EMD)是Hilbert-Huang变换重要组成部分。将采集到的原始信号分解为若干个固有的内禀模式函数(Intrinsic Mode Function,IMF),能够将任意的复杂信号分解为一系列分量,能够快速地筛分出复杂信号中的从高到低不同频率段的特征成分。如图4所示,运用EMD分解内禀模式函数IMF的算法流程包括:
Step1:将x(t)赋值给r,取原始信号x(t)局部极大值点,将极大值点依次连接形成上包络线E1(t);同理,取原始信号x(t)局部极小值点,将极小值点依次连接形成下包络线E2(t)。
Step2:计算上下包络线的平均值m(t),m(t)=[E1(t)+E2(t)]/2,然后求出原始信号x(t)与平均值m(t)的差,h=x(t)-m(t),且判断h是否满足IMF的条件,若满足则算法生成第一个IMF分量h;若不满足IMF的条件,则将h重新赋值给x(t),进入Step1进行计算。
Step3:将h赋值给c(n),将r即x(t)中分离出h的IMF分量后,n=n+1,r=r-c(n),判断r是否满足终止条件,若不满足,将r重新赋值给x(t),进行Step1计算;若r满足终止条件,则算法终止。
判断h是否满足IMF条件需要同时满足:
(1)信号的极值点数目与经过零点数目相等或最多相差一个;
(2)由局部极大值构成的上包络线和由局部最小值构成的下包络线的平均值为0。
终止条件:r值成为一个单调信号或值小于预先设定的阀值。
假设原始信号被分解为n个IMF分量c1,c2,…,cn,余项r=rn,那么原始信号等同于n个IMF分量的叠加与余项rn之和:
式中k=1…n。
为了神经网络预测效果的准确性,在本发明优选的情况下,在步骤S4中,所述神经网络模型包括隐含层。
为了减少神经网络输入参数的数量,在本发明优选的情况下,在步骤S4中,所述输入数据包括来自所述电力驱动系统不同部件的振动信号数据经过步骤S2中的经验模态模型进行时域分解,再经过步骤S3中卷积计算后得到。
为了更好地处理振动的时域信号,在本发明优选的情况下,如图5所示,在步骤S3中,所述卷积模型为一维卷积神经网络模型。本发明提供的卷积模型包括卷积层、pooling层、全连接层,更为优选的情况下,采用LeNet卷积模型,包括输入层、卷积层、降采样层、全连接层、输出层。
本发明还提供了一种用于执行上述方法的装置,如图2所示,所述装置包括:
获取模块,包括多组振动传感器,用于获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
经验模态分解模块,用于将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
卷积计算模块,用于将N个固有模态分量IMF数据与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
神经网络处理模块,用于将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系。
本发明还提供的装置用于执行上述基于神经网络的电力驱动系统振动信号诊断方法,先通过获取电力驱动系统中不同组件的不同信号源的振动信号,将不同信号源的振动信号数据输入经验模态模型进行模态分解为N组固有模态分量IMF,再将N组固有模态分量IMF进行卷积计算,减少输入神经网络模型的输入处理数据量,再将卷积后的M个第一卷积数据输入训练好的神经网络模型,从而输出故障发生点数据与标签数据,该装置能够从电力驱动系统振动信号中有效诊断潜在的故障点,预测和判断故障可能出现类型与发生点,从而减少电力驱动系统运行过程中可能出现的安全隐患,提高系统的可靠性和稳定性。
由于电力驱动系统潜在故障通常还伴随着系统环境中的噪音高频信号,为了更好地获取其它声音信号源,而不单纯为不同组件振动信号源,在本发明优选的情况下,多组振动传感器包括声音传感器,用于获取电力驱动系统运行过程中的噪声信号数据。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可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,例如所述单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述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。
所述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。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(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于神经网络的电力驱动系统振动信号诊断方法,其特征在于,所述基于神经网络的电力驱动系统振动信号诊断方法包括,
步骤S1,多组振动传感器获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
步骤S2,将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
步骤S3,将N个固有模态分量IMF数据输入卷积模型,与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
步骤S4,将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系;
在步骤S1中,根据电力驱动系统动力传输方向,多组所述振动传感器依次设置在电机控制器、电机壳体、电机输出轴、变速器输入轴、变速箱壳体、变速器输出轴、差速器输入轴、差速器壳体、左半轴、右半轴,多个所述振动传感器分别与各部件连接,用于获取不同信号源的振动信号数据;所述电机输出轴、变速器输入轴、变速器输出轴、差速器输入轴、左半轴、右半轴的振动传感器包括电涡流传感器,用于测量轴相对轴承振动信号数据;
在步骤S2中,所述经验模态模型中的残余量为一个单调信号或值小于预先设定的阀值,即停止信号源的振动信号分解;
在步骤S4中,所述神经网络模型包括隐含层;
在步骤S4中,所述输入数据包括来自所述电力驱动系统不同部件的振动信号数据经过步骤S2中的经验模态模型进行时域分解,再经过步骤S3中卷积计算后得到;
在步骤S3中,所述卷积模型为一维卷积神经网络模型。
2.一种装置,其特征在于,所述装置包括:
获取模块,包括多组振动传感器,用于获取电力驱动系统中不同部件的振动信号数据,其中,所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴,所述驱动电机包括电机壳体、电机输出轴,半轴包括左半轴、右半轴,所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源;
经验模态分解模块,用于将不同信号源的振动信号数据分别输入经验模态模型进行时域分解,每一信号源的振动信号分解得到N个固有模态分量IMF数据,其中,所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量,所述经验模态模型为Hilbert-Huang变换模型;
卷积计算模块,用于将N个固有模态分量IMF数据与窗函数进行卷积计算,得到M个第一卷积数据,其中,窗函数包括三角窗或矩形窗,M<N,M、N均为正整数;
神经网络处理模块,用于将M个第一卷积数据输入到训练好的神经网络模型,输出故障发生点数据与标签数据,其中,神经网络模型为经过训练得到的机器学习模型,所述机器学习模型的训练集包括第一数据集和第二数据集,所述第一数据集包括多组输入数据,所述第二数据包括故障发生点数据与标签数据,所述标签数据包括正常标签与故障码标签,所述故障发生点数据与所述故障码标签具有映射关系;
多组振动传感器包括声音传感器,用于获取电力驱动系统运行过程中的噪声信号数据。
3.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552708.3A CN111679654B (zh) | 2020-06-17 | 2020-06-17 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552708.3A CN111679654B (zh) | 2020-06-17 | 2020-06-17 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111679654A CN111679654A (zh) | 2020-09-18 |
CN111679654B true CN111679654B (zh) | 2021-10-08 |
Family
ID=72455313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010552708.3A Active CN111679654B (zh) | 2020-06-17 | 2020-06-17 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679654B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508058B (zh) * | 2020-11-17 | 2023-11-14 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN113049252B (zh) * | 2021-03-25 | 2023-04-14 | 成都天佑路航轨道交通科技有限公司 | 一种列车轴承箱的故障检测方法 |
CN115221769B (zh) * | 2021-04-15 | 2023-10-10 | 广州中国科学院先进技术研究所 | 一种故障预测方法、系统、电子设备和存储介质 |
CN113138005B (zh) * | 2021-05-13 | 2023-07-11 | 华东理工大学 | 基于特征提取和神经网络的车辆随机载荷模式识别系统 |
CN114063643A (zh) * | 2021-11-06 | 2022-02-18 | 山西东高舜博科技有限公司 | 变电站远程监控控制系统及控制方法 |
CN114112017B (zh) * | 2021-11-25 | 2024-06-25 | 国网安徽省电力有限公司电力科学研究院 | 一种gis隔离开关的振动信号提取方法及系统 |
CN114167837B (zh) * | 2021-12-02 | 2023-09-15 | 中国路桥工程有限责任公司 | 一种铁路信号系统的智能故障诊断方法及系统 |
CN117454314B (zh) * | 2023-12-19 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 风力机组件运行状态预测方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137B (zh) * | 2012-12-20 | 2015-05-06 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN106443310B (zh) * | 2016-11-22 | 2018-12-28 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
-
2020
- 2020-06-17 CN CN202010552708.3A patent/CN111679654B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111679654A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111679654B (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
Manhertz et al. | STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis | |
Zheng et al. | Generalized refined composite multiscale fuzzy entropy and multi-cluster feature selection based intelligent fault diagnosis of rolling bearing | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Ma et al. | GNAR-GARCH model and its application in feature extraction for rolling bearing fault diagnosis | |
CN109299705A (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
Zhao et al. | Gearbox fault diagnosis using complementary ensemble empirical mode decomposition and permutation entropy | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
Qiao et al. | Fault diagnosis method of rolling bearings based on VMD and MDSVM | |
CN115096581A (zh) | 基于时频域特征的复杂传动装置故障诊断溯源方法及系统 | |
Liu et al. | Feature extraction and classification algorithm, which one is more essential? An experimental study on a specific task of vibration signal diagnosis | |
Wang et al. | A multiscale convolution neural network for bearing fault diagnosis based on frequency division denoising under complex noise conditions | |
Song et al. | Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE | |
Van et al. | Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
Wang et al. | Fault diagnosis of rolling element bearing based on wavelet kernel principle component analysis-coupled hidden Markov model | |
Chen et al. | Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM | |
CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 | |
CN114543983A (zh) | 振动信号的识别方法及装置 | |
Deng et al. | Soft fault feature extraction in nonlinear analog circuit fault diagnosis | |
Ai et al. | Application of order cepstrum and neural network to gear fault detection | |
Yu | Early fault detection for gear shaft and planetary gear based on wavelet and hidden Markov modeling | |
CN114329905B (zh) | 全范围模拟机可信度评估方法、装置及计算机设备 |
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 |