CN112232212B - 三重并发故障分析方法、系统、大机组设备及存储介质 - Google Patents

三重并发故障分析方法、系统、大机组设备及存储介质 Download PDF

Info

Publication number
CN112232212B
CN112232212B CN202011109278.4A CN202011109278A CN112232212B CN 112232212 B CN112232212 B CN 112232212B CN 202011109278 A CN202011109278 A CN 202011109278A CN 112232212 B CN112232212 B CN 112232212B
Authority
CN
China
Prior art keywords
fault
dimensionless
characteristic
data
follows
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
Application number
CN202011109278.4A
Other languages
English (en)
Other versions
CN112232212A (zh
Inventor
荆晓远
王许辉
陈润航
成明康
张清华
孔晓辉
姚永芳
陈俊均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202011109278.4A priority Critical patent/CN112232212B/zh
Publication of CN112232212A publication Critical patent/CN112232212A/zh
Application granted granted Critical
Publication of CN112232212B publication Critical patent/CN112232212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/08—Feature extraction
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于齿轮故障分析技术领域，公开了一种三重并发故障分析方法、系统、大机组设备及存储介质，进行数据采集以及数据预处理；进行摩擦故障特征提取，包括无量纲与小波分解特征；利用机器学习方法建立故障预测模型；进行未知标签数据预测。本发明是能够有效地提取齿轮故障特征信息,提供了一种油膜涡动、摩擦与转子不平衡三重并发故障诊断方法，本发明提出在大机组摩擦故障诊断过程中提取特征困难的问题，提取出有效的特征能够良好的解决故障预测问题，并且利用双视图方法使得特征更加全面，并且通过cca方法进行特征降维，使得计算过程更加迅速。本发明在大机组摩擦故障诊断问题上取得了良好的结果，并且能够并发的准确的预测三种常见机械故障。

Description

三重并发故障分析方法、系统、大机组设备及存储介质
技术领域
本发明属于齿轮故障分析技术领域，尤其涉及一种三重并发故障分析方法、系统、大机组设备及存储介质。
背景技术
目前，大机化设备的结构复杂，功能完善，设备内部零件之间的联系紧密，使得在生产过程中达到高速化和大型化，这也使得大机化设备出现故障造成损失巨大，这也增加了大机化设备进行故障诊断的难度。
在大机化设备经常出现的故障类型为油膜涡动故障、摩擦故障与转子不平衡故障，这三种占机械故障中的大多数，因此如何在机械设备故障中诊断出是这三个故障中的具体哪个故障，对于故障的诊断以及迅速的修复故障起到很大的作用，能够有效减少机械故障带来的损失。
传统的方法需要大量的前期知识，现在运用机器学习方法解决现实生活的问题应用越来越广泛，适用性强并且不需要大量的专业知识储备。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现在的常用方法存在着特征提取困难，以及特征提取不全面。
(2)现有方法的预测精度不够准确
解决以上问题及缺陷的难度为：提取出全面的特征，并且提高预测精度。
解决以上问题及缺陷的意义为：
本发明提出了一个基于无量纲与小波分解特征学习和梯度增强树的三重并发故障诊断方法。
发明内容
针对现有技术存在的问题，本发明提供了一种三重并发故障分析方法、系统、大机组设备及存储介质，具体涉及一种基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法。
本发明是这样实现的，一种基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法包括：
步骤1，进行数据采集以及数据预处理；
步骤2，进行摩擦故障特征提取，包括无量纲与小波分解特征；
步骤3，利用机器学习方法建立故障预测模型；
步骤4，进行未知标签数据预测；
进一步，所述步骤1中进行数据采集以及数据预处理，具体包括下述步骤：
步骤1.1，安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据。
步骤1.2，探针采集数据后，对两个视图分别进行离散傅里叶变换，窗口大小32*32＝1024个点，根据信号情况设置自适应阈值，降低信号存储量，加速传输。其变换公式具体如下：
Figure BDA0002728045670000021
其中n＝0,…,N-1，N表示数据长度。
所述步骤2中进行特征提取，具体包括下述步骤：
步骤2.1，对步骤1中处理后的数据进行小波包2层分解变换,小波包即利用多次叠代的小波转换分析输入讯号的细节部分，其具体结构图如图2。得到不同尺度下的小波系数，将信号HH层的尺度系数置零。
步骤2.2，计算无量纲特征波性指标Sf，将波性指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000022
其中
Figure BDA0002728045670000023
表示波形数据均方根值，
Figure BDA0002728045670000024
表示波形数据绝对平均；
步骤2.3，计算无量纲特征峰值指标，将峰值指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000031
其中xmax表示波形峰值，
Figure BDA0002728045670000032
表示表示均方根值；
步骤2.4，计算无量纲特征脉冲指标，将脉冲指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000033
其中xmax表示波形峰值，
Figure BDA0002728045670000034
表示波形数据绝对平均；
步骤2.5，计算无量纲特征峭度指标，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000035
其中
Figure BDA0002728045670000036
步骤2.6，计算无量纲特征裕度指标，一般用于检测机械设备的磨损情况。若歪度指标变化不大，有效值与平均值的比值增大，说明由于磨损导致间隙增大，因而振动的能量指标有效值比平均值增加快，其裕度指标也增大了，将无量纲特征裕度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000037
其中
Figure BDA0002728045670000038
步骤2.7，计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000039
其中，t表示数据采集时间，
Figure BDA0002728045670000041
αt为t时刻前后的偏移角。
步骤2.8，计算标准偏差，标准偏差表征的是数据的离散程度，表征的是单个统计量在多次抽样中呈现出的变异性。可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的变异性，具体计算公式如下：
Figure BDA0002728045670000042
步骤2.9，计算平均值的标准偏差，平均值的标准偏差是指一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：
Figure BDA0002728045670000043
步骤2.10，计算样本的样本圆均值(circle_mean)，将样本圆均值做为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000044
其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数,π为圆周率。其中
Figure BDA0002728045670000045
S＝∑i sin (angle)C＝∑i cos (angle)，res＝arctan2(S，C)。
所述步骤3中利用步骤2提取出的两个视图特征进行cca降维，将降维后两个视图的特征进行拼接，作为输入向量，使用机器学习模型进行训练。
本发明的另一目的在于提供一种基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析系统，所述基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析系统包括：
数据预处理模块，进行数据采集以及数据预处理；
摩擦故障特征提取模块，进行摩擦故障特征提取，包括无量纲与小波分解特征；
齿轮故障预测模型获取模块，利用机器学习方法建立齿轮故障预测模型。
未知标签数据预测模块，进行未知标签数据预测。
本发明的另一目的在于提供一种所述基于无量纲与小波分解特征学习和梯度增强树的三重并发故障诊断方法在大机组设备滑动机械故障检测上的应用，所述应用方法包括：
设置两个两个探头进行数据采集，数据为机械轴承每旋转一周采集32个点，然后周期为32转；
一组数据为1024个波形点，转换为波形的长度为1024；
将数据提取出频谱向量以及其他无量纲向量，拼接起来构成一个视图的特征，通过cca对单个视图进行特征降维，将降维后的特征进行拼接，得到最终全面的特征训练机器学习模型，后通过训练好的模型得到故障预测结果。
本发明的另一目的在于提供一种所述应用检测的大机组设备滑动机械。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
所述基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法包括：进行数据采集以及数据预处理；进行摩擦故障特征提取，包括无量纲与小波分解特征；
利用机器学习方法建立齿轮故障预测模型。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
所述基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法包括：进行数据采集以及数据预处理；进行摩擦故障特征提取，包括无量纲与小波分解特征；
利用机器学习方法建立齿轮故障预测模型。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
本发明提出在大机组摩擦故障诊断过程中提取特征困难的问题，提取出有效的特征能够良好的解决故障预测问题，并且利用双视图方法使得特征更加全面，并且通过cca方法进行特征降维，使得计算过程更加迅速。
本发明在大机组摩擦故障诊断问题上取得了良好的结果，并且能够并发的准确的预测三种常见机械故障。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法流程图。
图2是本发明实施例提供的小波包2层分解变换结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法，下面结合附图对本发明作详细的描述。
本发明的实施例提供的基于无量纲与小波分解特征学习和梯度增强树的三重并发故障分析方法如图1所示，具体实施如下：
步骤1，进行数据采集以及数据预处理，具体包括下述步骤：
步骤1.1，安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据。
步骤1.2，探针采集数据后，对两个视图分别进行离散傅里叶变换，窗口大小32*32＝1024个点，根据信号情况设置自适应阈值，降低信号存储量，加速传输。其变换公式具体如下：
Figure BDA0002728045670000071
其中n＝0,…,N-1，N表示数据长度。
步骤2，进行特征提取，具体包括下述步骤：
步骤2.1，对步骤1中处理后的数据进行小波包2层分解变换,小波包即利用多次叠代的小波转换分析输入讯号的细节部分，其具体结构图如图2。得到不同尺度下的小波系数，将信号HH层的尺度系数置零。
步骤2.2，计算无量纲特征波性指标Sf，将波性指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000072
其中
Figure BDA0002728045670000073
表示波形数据均方根值，
Figure BDA0002728045670000074
表示波形数据绝对平均；
步骤2.3，计算无量纲特征峰值指标，将峰值指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000075
其中xmax表示波形峰值，
Figure BDA0002728045670000076
表示表示均方根值；
步骤2.4，计算无量纲特征脉冲指标，将脉冲指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000077
其中xmax表示波形峰值，
Figure BDA0002728045670000078
表示波形数据绝对平均；
步骤2.5，计算无量纲特征峭度指标，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000081
其中
Figure BDA0002728045670000082
步骤2.6，计算无量纲特征裕度指标，一般用于检测机械设备的磨损情况。若歪度指标变化不大，有效值与平均值的比值增大，说明由于磨损导致间隙增大，因而振动的能量指标有效值比平均值增加快，其裕度指标也增大了，将无量纲特征裕度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000083
其中
Figure BDA0002728045670000084
步骤2.7，计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000085
其中，t表示数据采集时间，
Figure BDA0002728045670000086
αt为t时刻前后的偏移角。
步骤2.8，计算标准偏差，标准偏差表征的是数据的离散程度，表征的是单个统计量在多次抽样中呈现出的变异性。可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的变异性，具体计算公式如下：
Figure BDA0002728045670000087
步骤2.9，计算平均值的标准偏差，平均值的标准偏差是指一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：
Figure BDA0002728045670000088
步骤2.10，计算样本的样本圆均值(circle_mean)，将样本圆均值做为提取的特征之一，具体计算公式如下：
Figure BDA0002728045670000091
其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数,π为圆周率。其中
Figure BDA0002728045670000092
S＝∑i sin(angle)C＝∑i cos(angle)，res＝arctan2(S，C)。
步骤3，利用步骤2提取出的两个视图特征进行cca降维，将降维后两个视图的特征进行拼接，作为输入向量，使用机器学习模型进行训练。
本发明的以某大机组设备滑动机械数据为例对本发明作进一步描述。
设置两个两个探头进行数据采集，数据为机械轴承每旋转一周采集32个点，然后周期为32转。一组数据为1024个波形点，转换为波形的长度为1024。将数据提取出频谱向量以及其他无量纲向量，拼接起来构成一个视图的特征，通过cca对单个视图进行特征降维，将降维后的特征进行拼接，得到最终全面的特征训练机器学习模型，后通过训练好的模型得到故障预测结果。预测中的数据及结果如下表1、表2。
表1数据条数
Figure BDA0002728045670000093
表2结果评估
Figure BDA0002728045670000094
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于无量纲与小波分解特征学习的三重并发故障分析方法，其特征在于，所述基于无量纲与小波分解特征学习的三重并发故障分析方法包括：进行数据采集以及数据预处理；进行三种常见摩擦故障特征提取，所述三种常见摩擦故障包括：油膜涡动故障、摩擦故障与转子不平衡故障，包括无量纲与小波分解特征；
利用机器学习方法建立齿轮故障预测模型；所述进行数据采集以及数据预处理，具体包括下述步骤：
步骤(1)，安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据；
步骤(2)，探针采集数据后，对两个视图分别进行离散傅里叶变换，窗口大小32*32＝1024个点，根据信号情况设置自适应阈值；变换公式具体如下：
Figure FDA0003204753460000011
其中n＝0,…,N-1，N表示数据长度；
所述进行特征提取，具体包括下述步骤：
步骤1)，对处理后的数据进行小波包2层分解变换,小波包即利用多次叠代的小波转换分析输入信号的细节部分，得到不同尺度下的小波系数，将信号HH层的尺度系数置零；
步骤2)，计算无量纲特征波性指标Sf，将波性指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000012
其中
Figure FDA0003204753460000013
表示波形数据均方根值，
Figure FDA0003204753460000014
表示波形数据绝对平均；
步骤3)，计算无量纲特征峰值指标Cf，将峰值指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000021
其中xmax表示波形峰值，
Figure FDA0003204753460000022
表示波形数据均方根值；
步骤4)，计算无量纲特征脉冲指标If，将脉冲指标作为提取的特征之一，具体计算公式如下：
Figure FDA0003204753460000023
其中xmax表示波形峰值，
Figure FDA0003204753460000024
表示波形数据绝对平均；
步骤5)，计算无量纲特征峭度指标Kf，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000025
其中
Figure FDA0003204753460000026
Figure FDA0003204753460000027
表示波形数据的均值；
步骤6)，计算无量纲特征裕度指标Lf，将无量纲特征裕度指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000028
其中
Figure FDA0003204753460000029
步骤7)，计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征，具体计算公式如下：
Figure FDA0003204753460000031
其中，t表示数据采集时间，
Figure FDA0003204753460000032
αt为t时刻前后的偏移角；
步骤8)，计算标准偏差，计算公式如下：
Figure FDA0003204753460000033
步骤9)，计算平均值的标准偏差，标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：
Figure FDA0003204753460000034
步骤10)，计算样本的样本圆均值，将样本圆均值做为提取的特征，具体计算公式如下：
Figure FDA0003204753460000035
其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数,π为圆周率；其中
Figure FDA0003204753460000036
res＝arctan2(S,C)。
2.如权利要求1所述的基于无量纲与小波分解特征学习的三重并发故障分析方法，其特征在于，所述利用提取出的两个视图特征进行cca降维，将降维后两个视图的特征进行拼接，作为输入向量，使用机器学习模型进行训练。
3.如权利要求1所述的基于无量纲与小波分解特征学习的三重并发故障分析方法，其特征在于，所述利用机器学习方法建立齿轮故障预测模型后，还需进行未知标签数据预测。
4.一种如权利要求1～3任意一项所述基于无量纲与小波分解特征学习的三重并发故障分析方法运用于大机组设备滑动机械故障检测。
5.一种基于无量纲与小波分解特征学习的三重并发故障分析系统，其特征在于，所述基于无量纲与小波分解特征学习的三重并发故障分析系统包括：
数据预处理模块，进行数据采集以及数据预处理；
摩擦故障三种故障特征提取模块，进行三种常见摩擦故障特征提取，所述三种常见摩擦故障包括：油膜涡动故障、摩擦故障与转子不平衡故障，包括无量纲与小波分解特征；
利用机器学习方法建立齿轮故障预测模型；所述进行数据采集以及数据预处理，具体包括下述步骤：
步骤(1)，安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据；
步骤(2)，探针采集数据后，对两个视图分别进行离散傅里叶变换，窗口大小32*32＝1024个点，根据信号情况设置自适应阈值；变换公式具体如下：
Figure FDA0003204753460000041
其中n＝0,…,N-1，N表示数据长度；
所述进行特征提取，具体包括下述步骤：
步骤1)，对处理后的数据进行小波包2层分解变换,小波包即利用多次叠代的小波转换分析输入信号的细节部分，得到不同尺度下的小波系数，将信号HH层的尺度系数置零；
步骤2)，计算无量纲特征波性指标Sf，将波性指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000042
其中
Figure FDA0003204753460000043
表示波形数据均方根值，
Figure FDA0003204753460000044
表示波形数据绝对平均；
步骤3)，计算无量纲特征峰值指标Cf，将峰值指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000051
其中xmax表示波形峰值，
Figure FDA0003204753460000052
表示波形数据均方根值；
步骤4)，计算无量纲特征脉冲指标If，将脉冲指标作为提取的特征之一，具体计算公式如下：
Figure FDA0003204753460000053
其中xmax表示波形峰值，
Figure FDA0003204753460000054
表示波形数据绝对平均；
步骤5)，计算无量纲特征峭度指标Kf，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000055
其中
Figure FDA0003204753460000056
Figure FDA0003204753460000057
表示波形数据的均值；
步骤6)，计算无量纲特征裕度指标Lf，将无量纲特征裕度指标作为提取的特征，具体计算公式如下：
Figure FDA0003204753460000058
其中
Figure FDA0003204753460000059
步骤7)，计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征，具体计算公式如下：
Figure FDA0003204753460000061
其中，t表示数据采集时间，
Figure FDA0003204753460000062
αt为t时刻前后的偏移角；
步骤8)，计算标准偏差，计算公式如下：
Figure FDA0003204753460000063
步骤9)，计算平均值的标准偏差，标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：
Figure FDA0003204753460000064
步骤10)，计算样本的样本圆均值，将样本圆均值做为提取的特征，具体计算公式如下：
Figure FDA0003204753460000065
其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数,π为圆周率；其中
Figure FDA0003204753460000066
S＝∑isin(angle),C＝∑icos(angle)，res＝arctan2(S,C)；
齿轮故障预测模型获取模块，利用机器学习方法建立齿轮故障预测模型；
未知标签数据预测模块，进行未知标签数据预测。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～3任意一项所述的基于无量纲与小波分解特征学习的三重并发故障分析方法。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～3任意一项所述的基于无量纲与小波分解特征学习的三重并发故障分析方法。
CN202011109278.4A 2020-10-16 2020-10-16 三重并发故障分析方法、系统、大机组设备及存储介质 Active CN112232212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109278.4A CN112232212B (zh) 2020-10-16 2020-10-16 三重并发故障分析方法、系统、大机组设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109278.4A CN112232212B (zh) 2020-10-16 2020-10-16 三重并发故障分析方法、系统、大机组设备及存储介质

Publications (2)

Publication Number Publication Date
CN112232212A CN112232212A (zh) 2021-01-15
CN112232212B true CN112232212B (zh) 2021-09-07

Family

ID=74119057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109278.4A Active CN112232212B (zh) 2020-10-16 2020-10-16 三重并发故障分析方法、系统、大机组设备及存储介质

Country Status (1)

Country Link
CN (1) CN112232212B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393299A (zh) * 2011-08-02 2012-03-28 西安交通大学 一种定量计算滚动轴承运行可靠性的方法
CN107036816A (zh) * 2016-11-17 2017-08-11 重庆工商大学 一种航空发动机轴承故障诊断方法
CN109323860A (zh) * 2018-10-31 2019-02-12 广东石油化工学院 一种旋转机械齿轮箱故障数据集优化方法
CN109858503A (zh) * 2017-11-30 2019-06-07 株洲中车时代电气股份有限公司 基于梯度提升决策树的牵引变流器故障诊断方法
EP2743670B1 (en) * 2012-12-17 2020-04-01 General Electric Company Fault detection system and associated method

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040264094A1 (en) * 2003-05-06 2004-12-30 Rahman Md Azizur Protective control method and apparatus for power devices
US10168248B1 (en) * 2015-03-27 2019-01-01 Tensor Systems Pty Ltd Vibration measurement and analysis
US11188065B2 (en) * 2017-09-23 2021-11-30 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
CN108875279A (zh) * 2018-07-27 2018-11-23 中国计量大学 基于emd和形态滤波的轴承声发射信号特征提取方法
CN110796120A (zh) * 2019-11-21 2020-02-14 杭州电力设备制造有限公司 基于时域特征的断路器机械故障XGBoost诊断方法
CN111044287A (zh) * 2019-12-31 2020-04-21 湖南大学 一种基于概率输出弹性凸包的滚动轴承故障诊断方法
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393299A (zh) * 2011-08-02 2012-03-28 西安交通大学 一种定量计算滚动轴承运行可靠性的方法
EP2743670B1 (en) * 2012-12-17 2020-04-01 General Electric Company Fault detection system and associated method
CN107036816A (zh) * 2016-11-17 2017-08-11 重庆工商大学 一种航空发动机轴承故障诊断方法
CN109858503A (zh) * 2017-11-30 2019-06-07 株洲中车时代电气股份有限公司 基于梯度提升决策树的牵引变流器故障诊断方法
CN109323860A (zh) * 2018-10-31 2019-02-12 广东石油化工学院 一种旋转机械齿轮箱故障数据集优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Gear fault diagnosis based on dual-tree complex wavelet transform and singular value difference spectrum;Y G Xu et al;《Journal of Vibration and Shock》;20140131;第11-16页 *
基于小波包变换和Teager能量算子的齿轮故障诊断研究;陈仕琦等;《机械振动》;20141231;第38卷(第12期);第99-102、106页 *
基于量纲一指标和极限学习机的滚动轴承故障诊断方法;覃爱淞等;《机床与液压》;20191031;第47卷(第19期);第171-175页 *
滚动轴承复合故障的混合协同诊断方法;黄大荣等;《电子科技大学学报》;20181231;第47卷(第6期);第853-863页 *

Also Published As

Publication number Publication date
CN112232212A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112183344B (zh) 基于波形和无量纲学习的大机组摩擦故障分析方法及系统
Wang et al. Traversal index enhanced-gram (TIEgram): A novel optimal demodulation frequency band selection method for rolling bearing fault diagnosis under non-stationary operating conditions
CN108388692B (zh) 基于分层稀疏编码的滚动轴承故障特征提取方法
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
CN109374293B (zh) 一种齿轮故障诊断方法
CN111665050B (zh) 一种基于聚类k-svd算法的滚动轴承故障诊断方法
CN114755017B (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN115238740A (zh) 一种基于时频分布和深度学习的故障诊断方法及装置
CN112232212B (zh) 三重并发故障分析方法、系统、大机组设备及存储介质
CN112232414B (zh) 一种基于x,y双测点频谱数据的三重并发故障分析方法
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN117171547A (zh) 基于大模型的故障诊断方法、装置、设备及存储介质
CN112284721A (zh) 一种大机组摩擦与转子不平衡双重故障分析方法及系统
US11898453B1 (en) Method for extracting natural frequency difference between blades by single blade tip timing sensor or uniformly distributed blade tip timing sensors
CN112734001A (zh) 一种基于阶次谱迁移的风电传动链智能故障诊断方法
CN110991395A (zh) 海工结构实测信号最大能量迭代提取方法
CN110044619A (zh) 一种基于稀疏多周期组套索的多故障特征辨识方法
CN112270227A (zh) 一种油膜涡动与摩擦并发故障分析方法及分析系统
CN114462127A (zh) 基于深度极限学习机的结构损伤识别方法及系统
Zhou et al. Gear fault diagnosis under the run-up condition using fractional fourier transform and hilbert transform
Nguyen et al. Improvements in the Wavelet Transform and Its Variations: Concepts and Applications in Diagnosing Gearbox in Non-Stationary Conditions
CN110489604A (zh) 一种用于燃气轮机试验测量数据的解析方法及系统
CN118583906B (zh) 一种x射线光谱检测系统、方法、设备及存储介质

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