CN111985380B - 轴承退化过程状态监测方法、系统、设备及存储介质 - Google Patents
轴承退化过程状态监测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111985380B CN111985380B CN202010814211.4A CN202010814211A CN111985380B CN 111985380 B CN111985380 B CN 111985380B CN 202010814211 A CN202010814211 A CN 202010814211A CN 111985380 B CN111985380 B CN 111985380B
- Authority
- CN
- China
- Prior art keywords
- decomposition
- component
- graph structure
- graph
- bearing
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本申请公开了轴承退化过程状态监测方法及系统,包括:获取待监测轴承的振动信号;对所述振动信号进行降采样处理;针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
Description
技术领域
本申请涉及轴承退化过程状态监测技术领域,特别是涉及轴承退化过程状态监测方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
轴承是工业机械中常见的部件,在长期使用过程中,其性能会产生退化。检测轴承动态退化过程中的早期变化对于分析轴承运行状态,剩余使用寿命和潜在故障至关重要。检测轴承运行过程中从正常到异常的变化可以作为退化的开始时间,并且可以预测轴承的剩余使用寿命;一旦检测到变化,就可以根据模式分类技术在初始阶段识别出潜在的故障类型。
在数据收集中已经采用了如振动、声音和温度测量等许多技术,其中,振动信号相比于其他技术手段具有响应速度快、使用范围广等优点,因此在轴承的状态监测中使用振动信号更能反映其特征。信号处理技术的进步使得原始振动数据从时域转换为频域或时频域,为用户提供多种选择,以了解轴承状态的动态行为。
但是,在实际工程场景中,所收集的振动信号是复杂且不稳定的。在初期阶段振动信号的变化信息非常微弱,这种弱信息往往被强环境噪声淹没,给状态识别带来很大困难。因此需要进行适当的建模以提取可表征轴承健康状况的基本信息。
发明内容
为了解决现有技术的不足,本申请提供了轴承退化过程状态监测方法、系统、设备及存储介质;该方法可以考虑振动信号的多尺度特性,能够更精确地感知轴承的动态健康状况,并且具有周期性和连续性,能够在线检测轴承的健康状况,提高检测效率
第一方面,本申请提供了轴承退化过程状态监测方法;
轴承退化过程状态监测方法,包括:
获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;
根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
第二方面,本申请提供了轴承退化过程状态监测系统;
轴承退化过程状态监测系统,包括:
获取模块,其被配置为:获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
图结构构造模块,其被配置为:针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;
相似性计算模块,其被配置为:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
退化判断模块,其被配置为:对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
第三方面,本申请还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本申请的有益效果是:
(1)该系统提出了一种新的构建层次图模型的方法,该方法改进了现有的图模型方法仅从单个维度分析振动信号而忽略了频率分量之间差异的问题,采用层次分解和图模型相结合的层次图模型方法。该方法可以考虑振动信号的多尺度特性,能够更精确地感知轴承的动态健康状况。
(2)在该系统中,为了考虑和利用构造图之间的差异,采用自适应权重计算相似性得分来表征轴承健康状况的动态行为,它能够度量时间序列中变化信息的数量和重要性,可以有效地减少信息的处理时间,提高计算效率。
(3)该系统属于无监督的方法,能利用中值图对历史信息进行描述,并没有使用复杂的建模方法,因此效率较高,实时性更强。
(4)图模型构建的方法仅从多个维度分析轴承的振动信号,而考虑了频率
分量之间的差异,实现轴承退化过程状态的精准监测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图;
图2(a)为第一个实施例的功率谱示意图;
图2(b)为第一个实施例的图模型示意图;
图2(c)为第一个实施例的邻接矩阵示意图;
图3为第一个实施例的Xm的三层HD操作示意图;
图4(a)为第一个实施例的HGM构建示意图;
图4(b)为第一个实施例的HGMs重组示意图;
图5(a)为第一个实施例的原始信号示意图;
图5(b)为第一个实施例的假设检验示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,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。
在本申请本实施例中,“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请的描述中,“多个”是指两个或多于两个。
另外,为了便于清楚描述本申请实施例的技术方案,在本申请实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图模型(GM)是描述非平稳信号之间相互关系的一种有效工具,它可以吸收原始振动信号中的高噪声,近年来在机器监控中得到了广泛的应用。但是,现有的用于图模型构建的方法仅从单个维度分析振动信号,而忽略了频率分量之间的差异,这意味着隐藏在特定频率中的微弱变化将被淹没甚至丢失。这一缺点限制了它在检测本研究中考虑的微弱变化方面的实用价值。
实施例一
本实施例提供了轴承退化过程状态监测方法;
轴承退化过程状态监测方法,包括:
S101:获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
S102:针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;
S103:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
S104:对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
应理解的,所述S101中,对所述振动信号进行降采样处理;可以解决轴承振动信号采集的数据量过于庞大,计算量过大的问题。
作为一个或多个实施例,S102:针对降采样处理后的振动信号,进行层次分解;具体步骤包括:
对将采样处理后的振动信号采用非重叠滑动窗口进行分割,分割成M段,其中M为正整数;
对每个窗口内的信号进行短时傅里叶变换,得到当前信号片段对应的频域信号;
对当前信号片段对应的频域信号,计算周期图,从而得到当前信号片段对应的功率谱。
示例性的,S102:针对降采样处理后的振动信号,进行层次分解;具体步骤包括:
①对收集到的振动信号X={X(t)},t=1,2,···,N我们首先定义平均算子Q0和差分算子Q1,分别对应低频分量和高频分量
②算符Qj,j∈{0,1}的矩阵形式表示如下:
③设k代表HD层的数量,[l1,···,ln,···lk]∈{0,1}是与整数e相对应的唯一向量。整数e为
④对于给定的k层,我们能够定义时间序列的层次组分:
作为一个或多个实施例,S102:根据层次分解的结果构造每个分解分量图结构;进而得到每个分量在所有时间段下的图结构;具体步骤包括:
针对每个时间片段对应的功率谱,将每个频率采样点作为图结构的节点,将所有频率采样点两两之间进行连线,作为图结构的加权边;
计算图结构的加权边两端节点之间的功率谱幅值差,将功率谱幅值差作为加权边的权重;将构造的图结构表达为邻接矩阵;
得到每个分解分量的图结构,由于每个时间片段包括若干个分解分量,进而得到每个时间片段对应的图模型;
将所有的图结构从分段索引重新排列到分量索引;
进而得到每个分解分量在所有时间段下的图结构。
应理解的,所述分段索引,是指:按照时间片段进行索引;
应理解的,所述分量索引,是指:按照分解分量进行索引。
示例性的,S102:根据层次分解的结果构造每个分解分量的图结构;进而得到每个分量在所有时间段下的图结构;具体步骤包括:
按照预先设定好的窗口长度对信号进行短时傅里叶变换,然后对当前时刻片段所对应的频域信号计算周期图从而得到当前时刻功率谱。将所提取的功率谱记为Pm,其中m为时间。值得注意的是Pm包含n=Tfs/2个频率成分,其中fs为采样频率,T为窗函数长度。
针对每个窗口所提取的功率Pm进行图结构建模。如图2(a)-图2(c)所示,具体包含3个步骤。
·将每个频率采样点做为图结构节点,将所有频率采样点(共n个)两两之间进行连线,做为图结构的加权边。
·计算加权边两端节点之间的功率谱幅值差作为加权边的权重di,j,其中i,j为节点编号。
·将上述构造的图模型数学表达为邻接矩阵。具体地,将权重di,j放在矩阵中第i行,第j列,进而将一个图结构表达为一个邻接矩阵。
作为一个或多个实施例,S103:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;具体步骤包括:
针对每一个分解分量,计算其与其他时间段下的同类型分解分量之间的距离;选择距离最小的对应时间段下的分解分量,作为当前分解分量的中值图。
示例性的,S103:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;具体步骤包括:
其中D(·,·)为图的相似性度量。
作为一个或多个实施例,S103:计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;具体步骤包括:
通过计算新片段中每个分解分量的图结构与对应分量的中值图的边缘权重值的差值来计算相似性得分。
示例性的,S103:计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;具体步骤包括:
考虑到本文构造的图是无向加权图,当图的边权向量接近时,我们假设图是相似的。因此,通过计算边缘权重值的差值来计算相似度得分,计算公式如下:
上式中di,j为图G中节点i与节点j之间加权边的权重,di',j为图G'中节点i与节点j之间加权边的权重。
作为一个或多个实施例,S103:进而得到新片段中每个分解向量对应的随时间变化的相似性得分;步骤之后还包括:
将所有分解向量的分量集合起来,得到所有分解向量的相似性得分。
示例性的:由上式计算得到第e个分解分量随时间变化的相似性得分对每个分解后的分量重复上述计算过程,将所有分解后的分量集合起来,把观测到的时间序列表示为一系列相似性得分,即{Lk,1Lk,2,···,Lk,E}。
作为一个或多个实施例,所述S103:将所有分解分量的相似性得分进行融合得到融合后的相似性指标;具体步骤包括:
将每个相似性得分进行标准化处理;
将标准化处理后的得分,计算每个分量的方差;
根据每个分量的方差,计算每个相似性得分的权重;
根据每个相似性得分的权重和标准化处理后的得分,计算出融合后的相似性指标。
示例性的,所述S103:将所有分解分量的相似性得分进行融合得到融合后的相似性指标;具体步骤包括:
在上述研究的基础上,需要一种有效的融合相似性度量来度量时间序列中变化信息的数量和重要性。AIW它通过依据分量的重要性计算权重,将所有分解的组件组合在一起。对于一组第e个分解分量的相似性分数,即Lk,e输入权重如下计算:
①将每个相似性得分标准化,使用最小-最大标准化方法
②计算每个分量的方差,因为具有小方差的相似性得分在决策中起着更重要的作用。
③使用上面计算的方差自适应地计算每个组件的权重:
④使用wk,e将所有成分的相似性结合起来。
作为一个或多个实施例,所述S104中,对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化;具体步骤包括:
判断待监测轴承的振动信号的新片段是否在零假设检验的置信区间范围内,如果是,则表示没发生改变;如果否,则表示发生改变,发生改变,即表示轴承的开始退化。
示例性的,所述S104中,对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化;具体步骤包括:
本申请提出了一种新型实用的基于层次图模型(HGM)和自适应权重(AIW)的轴承退化过程状态监测方法。HGM将层次动力学与图论相结合,首先对原始振动信号进行层次分解(HD),目的是对不同尺度下的轴承健康状况进行检测;然后从HD产生的每个分解分量构建HGMs。HGM利用HD的优点,从物理意义和统计学角度上能更精确地感知轴承的动态健康状况。为了考虑和利用构造的HGMs之间的差异,采用(AIW)并利用高斯模型进行假设检验。如图1所示,该方法主要有四部分组成:1.信号收集(振动信号);2.构造层次图模型;3.计算相似性得分;4.假设检验。
实施例二
本实施例提供了轴承退化过程状态监测系统;
轴承退化过程状态监测系统,包括:
获取模块,其被配置为:获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
图结构构造模块,其被配置为:针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;
相似性计算模块,其被配置为:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
退化判断模块,其被配置为:对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
此处需要说明的是,上述获取模块、图结构构造模块、相似性计算模块和退化判断模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,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。
所提出的系统,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,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,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.轴承退化过程状态监测方法,其特征是,包括:
获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
针对降采样处理后的振动信号,进行层次分解;具体步骤包括:
对将采样处理后的振动信号采用非重叠滑动窗口进行分割,分割成M段,其中M为正整数;
对每个窗口内的信号进行短时傅里叶变换,得到当前信号片段对应的频域信号;
对当前信号片段对应的频域信号,计算周期图,从而得到当前信号片段对应的功率谱;
根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
2.如权利要求1所述的方法,其特征是,根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;具体步骤包括:
针对每个时间片段对应的功率谱,将每个频率采样点作为图结构的节点,将所有频率采样点两两之间进行连线,作为图结构的加权边;
计算图结构的加权边两端节点之间的功率谱幅值差,将功率谱幅值差作为加权边的权重;将构造的图结构表达为邻接矩阵;
得到每个分解分量的图结构,由于每个时间片段包括若干个分解分量,进而得到每个时间片段对应的图模型;
将所有的图结构从分段索引重新排列到分量索引;
进而得到每个分解分量在所有时间段下的图结构。
3.如权利要求1所述的方法,其特征是,根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;具体步骤包括:
针对每一个分解分量,计算其与其他时间段下的同类型分解分量之间的距离;选择距离最小的对应时间段下的分解分量,作为当前分解分量的中值图。
4.如权利要求1所述的方法,其特征是,计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;具体步骤包括:
通过计算新片段中每个分解分量的图结构与对应分量的中值图的边缘权重值的差值来计算相似性得分。
5.如权利要求1所述的方法,其特征是,进而得到新片段中每个分解向量对应的随时间变化的相似性得分;步骤之后还包括:
将所有分解向量的分量集合起来,得到所有分解向量的相似性得分。
6.如权利要求1所述的方法,其特征是,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;具体步骤包括:
将每个相似性得分进行标准化处理;
将标准化处理后的得分,计算每个分量的方差;
根据每个分量的方差,计算每个相似性得分的权重;
根据每个相似性得分的权重和标准化处理后的得分,计算出融合后的相似性指标;
或者,
对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化;具体步骤包括:
判断待监测轴承的振动信号的新片段是否在零假设检验的置信区间范围内,如果是,则表示没发生改变;如果否,则表示发生改变,发生改变,即表示轴承的开始退化。
7.轴承退化过程状态监测系统,其特征是,包括:
获取模块,其被配置为:获取待监测轴承的振动信号;对所述振动信号进行降采样处理;
图结构构造模块,其被配置为:针对降采样处理后的振动信号,进行层次分解;根据层次分解的结果构造每个分解分量的图结构;进而得到每个分解分量在所有时间段下的图结构;
所述针对降采样处理后的振动信号,进行层次分解的具体步骤包括:
对将采样处理后的振动信号采用非重叠滑动窗口进行分割,分割成M段,其中M为正整数;
对每个窗口内的信号进行短时傅里叶变换,得到当前信号片段对应的频域信号;
对当前信号片段对应的频域信号,计算周期图,从而得到当前信号片段对应的功率谱;
相似性计算模块,其被配置为:根据每个分解分量在所有时间段下的图结构,计算每个分解分量的中值图;计算新片段中每个分解分量的图结构与对应分量的中值图的相似性得分;进而得到新片段中每个分解向量对应的随时间变化的相似性得分,将所有分解分量的相似性得分进行融合得到融合后的相似性指标;
退化判断模块,其被配置为:对于待监测轴承的振动信号的新片段,基于假设检验和融合后的相似性指标,判断轴承是否开始发生退化。
8.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-6所述的方法。
9.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814211.4A CN111985380B (zh) | 2020-08-13 | 2020-08-13 | 轴承退化过程状态监测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814211.4A CN111985380B (zh) | 2020-08-13 | 2020-08-13 | 轴承退化过程状态监测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985380A CN111985380A (zh) | 2020-11-24 |
CN111985380B true CN111985380B (zh) | 2022-07-05 |
Family
ID=73434255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814211.4A Active CN111985380B (zh) | 2020-08-13 | 2020-08-13 | 轴承退化过程状态监测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985380B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760266A (zh) * | 2018-05-31 | 2018-11-06 | 西安交通大学 | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 |
CN108955855A (zh) * | 2018-06-08 | 2018-12-07 | 山东大学 | 面向旋转机械的振动信号特征提取方法、监测方法及装置 |
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN111291918A (zh) * | 2020-01-06 | 2020-06-16 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
-
2020
- 2020-08-13 CN CN202010814211.4A patent/CN111985380B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760266A (zh) * | 2018-05-31 | 2018-11-06 | 西安交通大学 | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 |
CN108955855A (zh) * | 2018-06-08 | 2018-12-07 | 山东大学 | 面向旋转机械的振动信号特征提取方法、监测方法及装置 |
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN111291918A (zh) * | 2020-01-06 | 2020-06-16 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111985380A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
Rajabi et al. | Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
Chang et al. | Heterogeneous bi-directional recurrent neural network combining fusion health indicator for predictive analytics of rotating machinery | |
Zheng et al. | Refined time-shift multiscale normalised dispersion entropy and its application to fault diagnosis of rolling bearing | |
CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
Jiang et al. | Dual residual attention network for remaining useful life prediction of bearings | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
Mitoma et al. | Fault diagnosis and condition surveillance for plant rotating machinery using partially-linearized neural network | |
CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
Anwarsha et al. | Recent advancements of signal processing and artificial intelligence in the fault detection of rolling element bearings: A review | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
Leoni et al. | Failure diagnosis of a compressor subjected to surge events: A data-driven framework | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN111985380B (zh) | 轴承退化过程状态监测方法、系统、设备及存储介质 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
Yan et al. | Interpretable sparse learned weights and their entropy based quantification for online machine health monitoring | |
Park et al. | Diagnostic checks for integer-valued autoregressive models using expected residuals | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Ceschini et al. | Optimization of Statistical Methodologies for Anomaly Detection in Gas Turbine Dynamic Time Series |
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 |