CN112146861B - 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 - Google Patents
一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 Download PDFInfo
- Publication number
- CN112146861B CN112146861B CN202010964386.3A CN202010964386A CN112146861B CN 112146861 B CN112146861 B CN 112146861B CN 202010964386 A CN202010964386 A CN 202010964386A CN 112146861 B CN112146861 B CN 112146861B
- Authority
- CN
- China
- Prior art keywords
- sdae
- rcmvmse
- entropy
- sample
- model
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000002131 composite material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000012706 support-vector machine Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000005469 granulation Methods 0.000 claims description 3
- 230000003179 granulation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 22
- 230000001133 acceleration Effects 0.000 description 14
- 239000006185 dispersion Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 241000251169 Alopias vulpinus Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于SDAE‑RCmvMSE的机械故障监测诊断系统建立方法,首先通过n个振动传感器采集设备的振动信号,通过采集到的不同工况下的数字信号训练诊断模型中的SDAE模型,获取SDAE模型的最优参数;提取采集到的数字信号的RCmvMSE值,以此来训练SVM分类器,获取SVM的最优参数;将SDAE、RCmvMSE和SVM部署到嵌入式工控一体机中,完成故障诊断模型部署,即可投入现场使用。通过本发明建立的诊断模型,故障识别准确率高,容错性能好。
Description
技术领域
本发明属于机械故障检测领域,涉及一种基于深度学习的故障检测系统,具体涉及一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法。
背景技术
机械设备中应用最多的是旋转机械零部件,其故障也是较为常见的。对机械设备的故障进行实施监测并准确诊断对保障设备的正常运行具有重要意义。由于实际环境中机械设备的故障类型比较复杂,其振动信号往往出现非稳态和非线性的特征。通过传统的时频分析方法难以进行故障的准确诊断。
常用的非时频分析方法有分形法、样本熵、排列熵、多尺度排列熵、复合多尺度散布熵、多尺度样本熵和精细化复合多尺度散布熵等。分形法、样本熵和排列熵都是基于时间序列的单一尺度分析方法,没有考虑多个时间尺度下的非线性动力学。获取时间序列的特征能力较为有限,无法反映较为复杂特征。多尺度排列熵、复合多尺度散布熵和精细化复合多尺度散布熵属于多尺度分析方法,能够获取时间序列较为复杂的信号特征,因此多尺度分析方法在故障诊断领域应用较为广泛且取得不错的效果。但多尺度样本熵在长时间序列上面,有着计算速度慢、受突变信号影响较大且实时性差,在应用于实际生产环境中存在天然缺陷。ROSTAGHI等提出了散布熵算法,该算法计算速度快且受突变信号影响较小,将其分析生物信号取得了较好的稳定性和更快的计算速度。AZAMI在散布熵的基础上提出的精细化多尺度散布熵算法,在生物信号的特征提取效果、对突变信号的敏感程度以及计算速度等方面具有一定优势,但是在多变量时序信号中仍存在不足。
深度学习是近几年发展较为迅速的一种故障检测方法,其在故障诊断的准确性和泛化性能得到了巨大提高。Vinvent等在Bengio等提出的堆叠自动编码器(Stack AutoEncoder,SAE)基础上引入噪声而形成了SDAE算法。该算法能够从含有噪声的数据中恢复出近似无噪数据,同时也可以提取出深层特征。
鉴于RCMDE算法在提取非线性动力学特征方面的特长,以及SDAE在去噪能力方面的优点,本发明提出将SDAE和精细复合多变量多尺度样本熵(Refined Compositemultivariate Multiscale Sample Entropy,RCmvMSE)结合的机械设备诊断新方法(SDAE-RCmvMSE),采用SDAE去除机械设备振动信号中的噪声,然后使用RCmvMSE提取熵值特征,最后通过SVM对故障进行分类,进而确定设备的故障类型。
发明内容
本发明的目的是为了解决机械设备振动信号平稳性差和实际作业环境中信号噪声较大难以提取信号特征的问题,以便更加精准地提取实际工况中机械设备的非线性特征。将精细复合多尺度散布熵引入到机械设备的故障非线性特征提取,在此基础上提出一种基于多变量堆叠自动编码器(SDAE)与精细复合多尺度散布熵融合的机械设备故障监测系统及其诊断方法。应用时以实际生产环境中机械设备的振动信号作为输入,经SDAE过滤噪声获得去除噪声后的信号,由多变量精细复合多尺度散布熵进行无噪数据的特征提取,最后由支撑向量机完成待监测设备的故障诊断。
为了解决上述技术问题,本发明采用的技术方案如下:
一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法,其特征在于,包括以下步骤:
步骤1、通过使用n个振动传感器采集待诊断机械M个状态下的振动信息Xn,l,其中Xn,l表示第l个状态下的时间序列,将Xn,l分割为多个长度为5120短时间序列Xn,l,i,Xn,l,i表示第l个状态下的第i个短时间时间序列,并将其标记为l;
步骤2、无监督训练SDAE模型,往所有Xn,l,i中添加分布中心为μ0,方差σ=1的高斯噪声得到噪声数据利用编码器得到深层次的特征编码然后通过解码器Yn,l,i=gθ′(h1)=sf(W′h1+b1)得到重构的短时间序列Yn,l,i;通过优化直至所有参数已经收敛;此时,获得DAE1模型初始的最优权值W1和最优偏置值b1,与此同时也得到了原始输入数据的初始深层特征表示h1;同理利用初始深层特征表示h1训练DAE2,得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2;同时,通过RCmvMSE提取的Xn,l,i熵值特征训练M个SVM分类器;
步骤3、将无监督训练好的所有DAE堆叠在一起,得到SDAE模型,然后利用不同的分布中心,方差σ=1的高斯噪声训练堆叠好的SDAE,直至所有参数收敛,从而得到最优的SDAE模型,由此使用SDAE模型去除含噪数据中的噪声;
步骤4、将SDAE去除噪声后的信号,作为RCmvMSE的输入,由RCmvMSE提取多变量多尺度熵值特征;
步骤5、以RCmvMSE提取到的特征作为支撑向量机的输入,由支撑向量机诊断出当前数据样本的故障类别l;
步骤6、将SDAE、RCmvMSE以及SVM部署到嵌入式工控机中,由此得到待诊断机械的机械故障监测诊断系统。
优选的,步骤2和步骤4中,通过RCmvMSE提取的熵值特征的具体步骤如下:
多变量多尺度样本熵和精细化多变量多尺度样本算法都包含了粗粒化过程和计算各尺度因子下的多变量样本熵;
2.1粗粒化过程
上式中,τ为尺度因子。
2.2各尺度因子下的多元样本熵计算
其中,M=[m1,m2,…,mp]为嵌入向量,T=[τ1,τ2,…,τp]为时延向量;
1)计算复合时延向量Xm(i)∈Rm,其中i=1,2,…,N-n,n=max{m}×max{T};
2)计算任意两个复合时延向量Xm(i)和Xm(j)之间的距离作为最大范数;
4)将步骤3)中的复合时延向量的维数从m扩展到m+1(其他变量维数不变);
最后计算,多变量样本熵
优选的,步骤5中,通过支撑向量机诊断出当前数据样本的故障类别具体方法如下:
假设有属于M个类的N个样本的训练集X={(x1,y1),(x2,y2),…,(xN,yN)},其中xi为K维向量;yi∈{1,2,…,M},i=1,2,…,n;
构造一个SVM将第i类与其余M-1类分开,即求解:
其中t表示第t个样本,i∈{1,2,…,M},共需要训练M个SVM;
对于测试样本xnew,使用如下决策函数对xnew进行分类;
当i等于某个类别标记时,使得f(xnew)最大,则该测试样本属于第i类。
本发明有益效果是:
本发明结合SDAE和精细复合多变量多尺度样本熵各自的特点提出一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法,通过本发明建立的诊断模型,故障识别准确率高,容错性能好。
附图说明
图1为本发明机械故障监测诊断系统框图。
图2为本发明故障监测诊断流程图。
图3机械故障监测诊断系统的诊断模型图。
图4为本发明实施例中DAE模型结构图。
图5为本发明实施例中SDAE模型结构。
图6本发明实施例中轴承故障诊断流程图。
图7为本发明实施例中传感器安装示意图,其中图7(a)为脱粒机前端局部示意图,图7(b)为脱粒机后端局部示意图。
图8为本发明实施例中X时域波形。
1-工作轴承,2-脱粒滚筒,3-转速传感器,4-锥齿轮箱,5-脱粒滚筒动力输入轴,6-1号CT1010L型加速度传感器,7-2号CT1010L型加速度传感器,8-3号CT1010L型加速度传感器,9-4号CT1010L型加速度传感器。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
一.系统组成
本项目使用了一种基于SDAE-RCmvMSE的机械故障监测诊断系统,该系统包括加速度传感器单元、嵌入式工控一体机以及声光报警装置。嵌入式工控一体机由工控机、数据采集模块、诊断模型、显示屏等功能模块组成,系统组成如图1所示。
二.系统工作流程
将加速度传感器安装于待监测机械设备的适当位置,系统启动后,嵌入式工控一体机实时采集振动传感器振动信号,并对其进行处理,处理后的信号送至故障诊断模型,其结果即可通过显示屏显示,针对不同状态,系统做出相应处理。如是故障则同时经过声光报警器报警,故障监测诊断流程图如图2所示。
为使系统具有特定的故障诊断能力,在系统投入使用前需先建立故障诊断模型。具体步骤如下:
步骤1:通过安装在待监测机械设备的n个振动传感器采集设备的振动信号,并经采集模块将其转换为数字信号送至计算机处理;
步骤2:通过采集到的不同工况下的数字信号训练诊断模型中的SDAE模型,获取SDAE模型的最优参数;
步骤3:提取采集到的数字信号的RCmvMSE值,以此来训练SVM分类器,获取SVM的最优参数;
步骤4:将SDAE、RCmvMSE和SVM部署到嵌入式工控一体机中,完成故障诊断模型部署,即可投入现场使用。
三.故障诊断模型原理
系统诊断模型如图3所示。
1、堆叠去噪自编码器训练
DAE模型如图4所示,在训练数据中添加噪声,并从添加噪声的训练数据中提取深层特征,然后由深层特征重构原始训练数据,从而提高模型的鲁棒性。如图4所示,给定一个数据样本x,将其添加噪声后得到破坏数据然后通过编码器fθ得到深层特征h,再通过解码器gθ获得数据样本x的重构结果y。最后,最小化数据样本x和重构结果y之间的误差L(x,y)得到DAE模型,将多个DAE堆叠起来,即为SDAE。为了提升模型的泛化性能和去噪能力,本模型训练期间使用了不同分布中心的高斯噪声对试验数据进行破坏,以提高模型的鲁棒性。
本研究在传统单一的高斯噪声SDAE的基础上,引入不同分布中心的高斯噪声。不同分布中心的高斯噪声对数据产生的影响不同,噪声分布中心距离原点0越远,数据破坏程度越重。用这种严重破坏后的数据训练堆叠自编码网络模型,将能够学习到数据的全局粗粒化特征。噪声分布中心靠近原点0时,数据破坏程度较小,运用这种数据,自编码网络模型能够学习到数据的局部细粒化特征。SDAE利用多个不同分布中心的高斯噪声对原始数据进行不同程度的破坏,使SDAE模型可以同时学习到原始输入数据的全局粗粒化特征和局部细粒化特征,从而提高模型的深层特征表示能力。相对于单一的高斯噪声SDAE来说,多个不同分布中心的高斯噪声SDAE能够学习到原始输入数据的更深层次特征表示,通过深层次特征能够更好的恢复去噪数据。
本研究使用的堆叠去噪自编码器结构由图5所示,SDAE由传统的SDAE在多个不同噪声中心的高斯噪声下依次进行训练。其中μi为第i个高斯噪声分布中心,T≥i≥1,为第T个噪声分布中心,μi+1>μi.
1.1 SDAE的无监督预训练过程
1.1.1 初始训练
训练集数据T={x1,x2,…,xn},其中n代表数据集有n个样本。其中第i个xi为5120维数组。
上式中,sf是非线性激活函数,常用sigmoid函数,W1为权重矩阵,b1为偏置向量。
y=gθ′(h1)=sf(W′h1+b1) 公式(2)
通过优化目标函数式(3)完成去噪自编码器的训练。
公式(3)中k为训练样本中元素的个数。直到DAE1模型的所有参数已经收敛;此时,获得DAE1模型初始的最优权值W1和最优偏置值b1,与此同时也得到了原始输入数据的初始深层特征表示h1;同理利用初始深层特征表示h1训练DAE2,得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2。
1.1.2 多噪声混合训练
设第i个高斯噪声的噪声分布中心为μi
2)计算新的噪声中心:
μi=μi-1-Δμ
上式中Δμ是噪声分布中心更新的步长,返回到步骤1)继续对模型进行新一轮的训练,直至第T个噪声分布中心时,结束训练。
将训练好的SDAE模型依次堆叠,得到最终的SDAE网络,并通过添加噪声的数据对网络进行微调,得到最终的SDAE网络。
训练好的SDAE模型可以对试验中采集到振动信号进行去噪处理。
2、复合精细化多变量多尺度样本熵
多变量多尺度样本熵和精细化多变量多尺度样本算法都包含了粗粒化过程和计算各尺度因子下的多变量样本熵。
2.1 粗粒化过程
式中,τ为尺度因子。
2.2 各尺度因子下的多元样本熵计算
其中,M=[m1,m2,…,mp]为嵌入向量,T=[τ1,τ2,…,τp]为时延向量。
1)计算复合时延向量Xm(i)∈Rm,其中i=1,2,…,N-n,n=max{m}×max{T};
2)计算任意两个复合时延向量Xm(i)和Xm(j)之间的距离作为最大范数;
4)将步骤3)中的复合时延向量的维数从m扩展到m+1(其他变量维数不变);
6)最后计算,多变量样本熵
2.3 支撑向量机(SVM)
假设有属于M个类的N个样本的训练集X={(x1,y1),(x2,y2),…,(xN,yB)},其中xi为K维向量。yi∈{1,2,…,M},i=1,2,…,n。
构造一个SVM将第i类与其余M-1类分开,即求解:
其中t表示第t个样本,i∈{1,2,…,M},共需要训练M个SVM。
对于测试样本xnew,使用如下决策函数对xnew进行分类。
当i等于某个类别标记时,使得f(xnew)最大,则该测试样本属于第i类。
基于前述的SDAE-RCmvMSE原理,构建基于SDAE-RCmvMSE机械故障诊断模型,具体步骤如下:
通过使用n个振动传感器采集待诊断机械M个状态下的振动信息Xn,l,其中Xn,l表示第l个状态下的时间序列。将其分割为多个长度为5120短时间序列Xn,l,i,Xn,l,i表示第l个状态下的第i个短时间时间序列,并将其标记为l。
1)无监督训练SDAE模型,往所有Xn,l,i中添加分布中心为μ0,方差σ=1的高斯噪声得到噪声数据利用编码器得到深层次的特征编码然后通过解码器Yn,l,i=gθ′(h1)=sf(W′h1+b1)得到重构的短时间序列Yn,l,i。通过优化直至所有参数已经收敛;此时,获得DAE1模型初始的最优权值W1和最优偏置值b1,与此同时也得到了原始输入数据的初始深层特征表示h1;同理利用初始深层特征表示h1训练DAE2,得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2;同时,通过RCmvMSE提取的Xn,l,i熵值特征训练M个SVM分类器。
2)将无监督训练好的所有DAE堆叠在一起,然后利用不同的分布中心,方差σ=1的高斯噪声训练堆叠好的SDAE,直至所有参数收敛。从而得到最优的SDAE模型。由此可以使用SDAE模型去除含噪数据中的噪声;
3)将SDAE去除噪声后的信号,作为RCmvMSE的输入。由RCmvMSE提取多变量多尺度熵值特征;
4)以RCmvMSE提取到的特征作为支撑向量机(SVM)的输入,由SVM诊断出当前数据样本的故障类别l。
5)将SDAE、RCmvMSE以及SVM部署到集显嵌入式工控机中,由此得到待诊断机械的故障诊断系统。
以下结合实例对本发明作进一步阐述。
本实例以联合收割机脱粒总成实验台上的轴承内外圈故障诊断试验作为实例,该实验台主要由电机驱动部分、脱粒总成和数据采集系统等组成。实验轴承为脱粒滚筒后端6307深沟球轴承,该轴承外圈固定在轴承座,内圈随着脱粒滚筒轴旋转,系统其他轴承为正常轴承。通过电火花点蚀加工技术模拟出不同类型、不同尺寸的轴承故障,表2分别展示了不同内圈、外圈和内外圈复合故障的滚动轴承的故障参数。加速度传感器通过磁性底座固定在测点,1#至4#加速度传感器的电压灵敏度分别为101.6mV/g,99.1mV/g,101.2mV/g和101.3mV/g。分别在脱粒滚筒转速稳定于80r/min、160r/min,240r/min和320r/min四种工况下,通过采集系统采集11种轴承状态不同转速的振动信号。采样频率为5120Hz,每组状态采样时间50s。轴承故障的诊断流程如图6所示。
表1 轴承状态相关参数
具体检测方法包括以下步骤:
(1)通过采集到的数据训练SDAE模型,以及通过RCmvMSE提取到的熵值训练SVM,使其获得最优的参数。SDAE模型相关参数如表2所示。本研究中轴承有11种状态,因此训练11个SVM分类器。
表2 SDAE模型参数
(2)把1号CT1010L型加速度传感器6和2号CT1010L型加速度传感器7相互垂直的安装在待测轴承的壳体表面,3号CT1010L型加速度传感器8和4号CT1010L型加速度传感器9相互垂直的安装在锥齿轮箱的壳体表面,如图7所示。通过4个加速度传感器拾取信号X,数据采集系统的采样频率f=5120Hz.某一短时间X的时域波形如图8所示。
设置阈值r=0.15,尺度因子β=20,时延系数τ=1,嵌入量值m=1
B)对于时延系数τ=1,嵌入量值m=1和某一次尺度因子α=2时,嵌入向量为:
M=1×[1,1,…,1]1×5120
时延向量为:
T=1×[1,1,…,1]1×5120
X2[0]=[0.0155,0.4223,0.194,0.3687]
X2[1]=[0.0204,0.0646,0.0011,0.3295]
X2[2558]=[3.6507,0.0225,0.1462,1.4087]
C)计算任意两个复合时延向量之间的切比雪夫距离作为最大范数,以X2[0]和X2[1]为例
d[X2[0],X2[1]]=max(|0.0155-0.0204|,|0.4223-0.0646|,|0.194-0.0011|,|0.3687-0.3295|)
=0.3577
E)重复步骤1)-4)求出φm+1(r)=0.5715
G)将计算得到的RCmvMSE值作为输入向量传给SVM,通过
判别得到此样本属于故障类型为IRF07,其裂纹深度为3.7mm,裂纹宽度为0.7mm。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法,其特征在于,包括以下步骤:
步骤1:通过使用n个振动传感器采集待诊断机械M个状态下的振动信息Xn,l,其中Xn,l表示第l个状态下的时间序列,将Xn,l分割为多个长度为5120短时间序列Xn,l,i,Xn,l,i表示第l个状态下的第i个短时间时间序列,并将其标记为l;
步骤2、无监督训练SDAE模型,往所有Xn,l,i中添加分布中心为μ0,方差σ=1的高斯噪声得到噪声数据利用编码器得到深层次的特征编码然后通过解码器Yn,l,i=gθ′(h1)=sf(W′h1+b1)得到重构的短时间序列Yn,l,i;通过优化直至所有参数已经收敛;上式中,fθ为编码器的编码函数,sf是非线性激活函数,W1为权重矩阵,b1为偏置向量;为含有噪声的数据;gθ′为解码器重构函数;
此时,获得DAE1模型初始的最优权值W1和最优偏置值b1,与此同时也得到了原始输入数据的初始深层特征表示h1;同理利用初始深层特征表示h1训练DAE2,得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2;同时,通过RCmvMSE提取的Xn,l,i熵值特征训练M个SVM分类器;
步骤3、将无监督训练好的所有DAE堆叠在一起,得到SDAE模型,然后利用不同的分布中心,方差σ=1的高斯噪声训练堆叠好的SDAE,直至所有参数收敛,从而得到最优的SDAE模型,由此使用SDAE模型去除含噪数据中的噪声;
步骤4、将SDAE去除噪声后的信号,作为RCmvMSE的输入,由RCmvMSE提取多变量多尺度熵值特征;
步骤5、以RCmvMSE提取到的特征作为支撑向量机的输入,由支撑向量机诊断出当前数据样本的故障类别l;
步骤6、将SDAE、RCmvMSE以及SVM部署到集显嵌入式工控机中,由此得到待诊断机械的机械故障监测诊断系统。
2.如权利要求1所述基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法,其特征在于:步骤2和步骤4中,通过RCmvMSE提取的熵值特征的具体步骤如下:
多变量多尺度样本熵和精细化多变量多尺度样本算法都包含了粗粒化过程和计算各尺度因子下的多变量样本熵;
2.1粗粒化过程
上式中,τ为尺度因子;
α表示尺度因子;
β表示比例因子;
2.2各尺度因子下的多元样本熵计算
其中,M=[m1,m2,...,mp]为嵌入向量,T=[τ1,τ2,...,τp]为时延向量;
1)计算复合时延向量Xm(i)∈Rm,其中i=1,2,...,N-n,n=max{m}×max{T};
2)计算任意两个复合时延向量Xm(i)和Xm(j)之间的距离作为最大范数;
4)将步骤3)中的复合时延向量的维数从m扩展到m+1;
最后计算,多变量样本熵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964386.3A CN112146861B (zh) | 2020-09-15 | 2020-09-15 | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964386.3A CN112146861B (zh) | 2020-09-15 | 2020-09-15 | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112146861A CN112146861A (zh) | 2020-12-29 |
CN112146861B true CN112146861B (zh) | 2022-03-29 |
Family
ID=73893493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964386.3A Expired - Fee Related CN112146861B (zh) | 2020-09-15 | 2020-09-15 | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112146861B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733692B (zh) * | 2021-01-04 | 2021-11-30 | 润联智慧科技(西安)有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
CN113945380B (zh) * | 2021-09-24 | 2024-04-09 | 江苏大学 | 一种脱粒滚筒轴承振动故障分析方法及系统和联合收割机 |
CN113869289B (zh) * | 2021-12-02 | 2022-03-01 | 西北工业大学深圳研究院 | 基于熵的多通道舰船辐射噪声特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109883692B (zh) * | 2019-04-04 | 2020-01-14 | 西安交通大学 | 基于内置编码器信息的广义差分滤波方法 |
CN111103139A (zh) * | 2019-12-31 | 2020-05-05 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
-
2020
- 2020-09-15 CN CN202010964386.3A patent/CN112146861B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112146861A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112146861B (zh) | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
Gunerkar et al. | Classification of ball bearing faults using vibro-acoustic sensor data fusion | |
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 | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114742115B (zh) | 滚动轴承故障诊断模型的构建方法及诊断方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
CN112016471A (zh) | 一种不完备样本条件下的滚动轴承故障诊断方法 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN117112991A (zh) | 一种基于改进深度残差收缩网络的轴承故障诊断方法 | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
CN112085079B (zh) | 一种基于多尺度多任务学习的滚动轴承故障诊断方法 | |
Yuan et al. | Application of hierarchical symbolic fuzzy entropy and sparse Bayesian ELM to bearing fault diagnosis | |
Husebø et al. | Diagnosis of incipient bearing faults using convolutional neural networks |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |