CN112613481A - 一种基于频谱的轴承磨耗预警方法与系统 - Google Patents

一种基于频谱的轴承磨耗预警方法与系统 Download PDF

Info

Publication number
CN112613481A
CN112613481A CN202110004258.9A CN202110004258A CN112613481A CN 112613481 A CN112613481 A CN 112613481A CN 202110004258 A CN202110004258 A CN 202110004258A CN 112613481 A CN112613481 A CN 112613481A
Authority
CN
China
Prior art keywords
spectrogram
data
vibration
feature extraction
extraction 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.)
Pending
Application number
CN202110004258.9A
Other languages
English (en)
Inventor
安达
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.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence Group Co Ltd
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 Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202110004258.9A priority Critical patent/CN112613481A/zh
Publication of CN112613481A publication Critical patent/CN112613481A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于频谱的轴承磨耗预警方法与系统，所述方法包括：获取设备振动的数据，对数据进行处理并转换成第一语谱图；设置步长，按照步长在第一语谱图上进行滑窗，得到若干个第一语谱图片段；根据原始数据对第一语谱图片段打标签，将其作为训练样本；使用triplet loss作为损失函数，resnet50作为特征提取网络，对特征提取网络进行训练，获得基准特征；将测试数据处理为第二语谱图，得到第二语谱图片段，使用训练后的特征提取网络，得到该时间段内的振动特征；计算每一段时间的振动特征与基准特征的欧式距离，根据阈值判断振动是否异常。

Description

一种基于频谱的轴承磨耗预警方法与系统
技术领域
本发明涉及预警技术领域，尤其涉及一种基于频谱的轴承磨耗预警方法与系统。
背景技术
振动是转动机械运转时的重要特性。利用数据采集器对机械设备(例如轴承)运行状态的振动信息进行采集，然后通过振动频谱分析，可以快速、准确地诊断出如转子不平衡、转轴弯曲、轴承损坏与松动、轴系不对中等故障存在的原因，从而做到故障早期发现、诊断迅速及时、结论定点定量、机理清楚明白之目的。
但此方案在传统转动机械检测过程中只能对有无故障进行判断，无法对损失进行定量分析并作出预警。
发明内容
本发明针对上述的无法对轴承损失进行预警的技术问题，提出一种基于频谱的轴承磨耗预警方法与系统。
第一方面，本申请实施例提供了一种基于频谱的轴承磨耗预警方法，包括：
数据转换步骤：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得步骤：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得步骤：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练步骤：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得步骤：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断步骤：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。
上述基于频谱的轴承磨耗预警方法，其中，所述数据转换步骤包括：
时序数据获得步骤：使用所述传感器获取所述设备振动的时序数据；
频域数据获得步骤：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤步骤：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得步骤：将所述高频数据转换为所述第一语谱图。
上述基于频谱的轴承磨耗预警方法，其中，所述训练步骤包括：
数据预处理步骤：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练步骤：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
上述基于频谱的轴承磨耗预警方法，其中，所述数据预处理步骤包括：
尺寸调整步骤：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得步骤：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合步骤：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
上述基于频谱的轴承磨耗预警方法，其中，所述模型训练步骤包括：
加权步骤：对三个所述loss分别计算梯度并进行加权；
特征提取步骤：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得步骤：计算测试集中正常数据的所述特征的均值，得到基准特征。
第二方面，本申请实施例提供了一种基于频谱的轴承磨耗预警系统，包括：
数据转换模块：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得模块：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得模块：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练模块：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得模块：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断模块：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。
上述基于频谱的轴承磨耗预警系统，其中，所述数据转换模块包括：
时序数据获得单元：使用所述传感器获取所述设备振动的时序数据；
频域数据获得单元：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤单元：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得单元：将所述高频数据转换为所述第一语谱图。
上述基于频谱的轴承磨耗预警系统，其中，所述训练模块包括：
数据预处理单元：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练单元：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
上述基于频谱的轴承磨耗预警系统，其中，所述数据预处理单元包括：
尺寸调整单元：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得单元：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合单元：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
上述基于频谱的轴承磨耗预警系统，其中，所述模型训练单元包括：
加权单元：对三个所述loss分别计算梯度并进行加权；
特征提取单元：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得单元：计算测试集中正常数据的所述特征的均值，得到基准特征。
与现有技术相比，本发明的优点和积极效果在于：
本发明不仅能够在传统转动机械检测过程中对是否发生故障进行判断，而且还能对损失进行定量分析并作出预警。
附图说明
图1为本发明提供的一种基于频谱的轴承磨耗预警方法的步骤示意图；
图2为本发明提供的基于图1中步骤S1的流程图；
图3为本发明提供的基于图1中步骤S4的流程图；
图4为本发明提供的基于图3中步骤S41的流程图；
图5为本发明提供的基于图3中步骤S42的流程图；
图6为本发明实施例一中传感器获取设备振动数据图；
图7为本发明实施例一中时序数据转换为频域数据图；
图8为本发明实施例一中过滤后的振动信号图；
图9为本发明实施例一中转换的语谱图；
图10为本发明提供的一种基于频谱的轴承磨耗预警系统的框架图。
其中，附图标记为：
1、数据转换模块；11、时序数据获得单元；12、频域数据获得单元；13、低频数据过滤单元；14、第一语谱图获得单元；2、语谱图片段获得模块；3、训练样本获得模块；4、训练模块；41、数据预处理单元；411、尺寸调整单元；412、P、N对获得单元；413、防过拟合单元；42、模型训练单元；421、加权单元；422、特征提取单元；423、基准特征获得单元；5、振动特征获得模块；6、判断模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前，对本发明的核心发明思想予以概述，并通过下述若干实施例予以详细阐述。
本发明提出一种基于频谱的轴承磨耗预警方法，通过将设备产生的高频数据转换为语谱图得到模型的训练样本，通过提取语谱图片段特征用来表示该时间段内振动信息，根据阈值判断振动是否异常。
语谱图：语谱图就是语音频谱图，一般是通过处理接收的时域信号得到频谱图，语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强。由于振动信号在一定程度上接近语音信息，该专利将振动信号转换为语谱图用于分析振动状态。
实施例一：
参照图1所示，图1为本发明提供的一种基于频谱的轴承磨耗预警方法的步骤示意图。如图1所示，本实施例揭示了一种基于频谱的轴承磨耗预警方法(以下简称“方法”)的具体实施方式。
轴承引起的振动叫做轴承音调，所有滚动轴承产生一定程度的音调，轴承磨损越严重，轴承音调的程度越高。所以去掉低频振动成分得到剩下的震动信号可以用来判断轴承磨损程度。
具体而言，本实施例所揭示的方法主要包括以下步骤：
参照图2，执行步骤S1：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图。
其中，步骤S1具体包括以下内容：
步骤S11：使用所述传感器获取所述设备振动的时序数据；
步骤S12：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
步骤S13：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
步骤S14：将所述高频数据转换为所述第一语谱图。
然后执行步骤S2：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段。
执行步骤S3：根据原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本。
参照图3，执行步骤S4：使用tripletloss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征。
具体而言，输入是一个三元组<a,p,n>，其中，
a：anchor正常数据；
p：positive,与a是同一类别的样本；
n：negative,与a是不同类别的样本。
公式是：
L＝max(d(a,p)-d(a,n)+margin)
所以最终的优化目标是拉近a,p的距离，拉远a,n的距离。
其中，步骤S4具体包括以下内容：
步骤S41：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4。
参照图4，步骤S41具体包括：
步骤S411：将所述第一语谱图片段的尺寸调整为合适尺寸；
步骤S412：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
步骤S413：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
步骤S42：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
参照图5，步骤S42具体包括：
步骤S421：对三个所述loss分别计算梯度并进行加权；
其中，初始学习率:开始0.001最后5％epoch 0.0001。对三个loss分别计算梯度然后进行了加权，其中，verificationloss权重为1，其他两个identifcation loss为0.5。
步骤S422：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征。全连接层为512个节点，对应输出的振动特征512维。
步骤S423：计算测试集中正常数据的所述特征的均值，得到基准特征。基准特征为一个512维向量。
然后执行步骤S5：根据所述步骤S1将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征。其中，振动特征为512维向量。
最后执行步骤S6：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。
以下，请参照图6-9，具体说明本方法的应用流程如下：
1、使用传感器获取设备振动数据，数据图参照图6。
2、对数据进行傅立叶变换，将时序数据转换为频域，如图7所示。
3、使用高通滤波器将低频(500Hz以下)数据过滤，得到的高频数据用于故障预警，如图8所示。
4、将过滤后的数据转换为语谱图，如图9所示。
5、以0.5秒为步长，根据时间顺序在语谱图上滑窗，得到n个长为0.5秒的语谱图片段。并根据原始数据对这些片段打标签，有故障标签为1，没有故障标签为0。这些数据作为训练样本。
6、训练方法
本方法使用triplet loss作为损失函数，使用resnet50作为特征提取网络。
输入是一个三元组<a,p,n>
a：anchor正常数据
p：positive,与a是同一类别的样本
n：negative,与a是不同类别的样本
公式是：
L＝max(d(a,p)-d(a,n)+margin)
所以最终的优化目标是拉近a,p的距离，拉远a,n的距离。
1)数据预处理：
将切割的语谱图片段调整为256*256的尺寸；
对数据集进行了打乱，使用随机的图片顺序，然后选择从相同或不同类别中选择一个张图片与其组成P、N对；
初始negative：positive＝1：1，在每个epoch后乘以1.01直到1:4，来防止过拟合。
2)训练：
初始学习率:开始0.001最后5％epoch 0.0001；
对三个loss分别计算梯度然后进行了加权，verification loss权重为1，其他两个identifcation loss为0.5；
提取语谱图片段特征用来表示该时间段内振动信息，经过训练，我们可以得到特征提取网络，去掉最后的softmax层，用倒数第二层全连接层的输出作为提取的特征。该层为512个节点，对应输出的振动特征512维。
7、根据阈值判断振动是否异常
计算测试集中正常数据特征的均值，得到一个512维向量作为基准特征。
将测试数据处理为语谱图(重复步骤1-4)，使用步骤6训练的模型，每0.5秒的片段作为输入，得到该时间段内振动特征(512维向量)。
计算每一段时间的特征与基准特征的欧式距离d，根据测试，距离d<0.7时为正常振动，d>0.9时为故障，0.7<d<0.9时可以做出预警。
实施例二：
结合实施例一所揭示的一种基于频谱的轴承磨耗预警方法，本实施例揭示了一种基于频谱的轴承磨耗预警系统(以下简称“系统”)的具体实施示例。
参照图10所示，所述系统包括：
数据转换模块1：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得模块2：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得模块3：根据原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练模块4：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得模块5：通过所述数据转换模块1将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断模块6：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。
具体而言，所述数据转换模块1包括：
时序数据获得单元11：使用所述传感器获取所述设备振动的时序数据；
频域数据获得单元12：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤单元13：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得单元14：将所述高频数据转换为所述第一语谱图。
具体而言，所述训练模块4包括：
数据预处理单元41：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练单元42：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
其中，所述数据预处理单元41包括：
尺寸调整单元411：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得单元412：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合单元413：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
其中，所述模型训练单元42包括：
加权单元421：对三个所述loss分别计算梯度并进行加权；
特征提取单元422：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得单元423：计算测试集中正常数据的所述特征的均值，得到基准特征。
本实施例所揭示的一种基于频谱的轴承磨耗预警系统与实施例一所揭示的一种基于频谱的轴承磨耗预警方法中其余相同部分的技术方案，请参实施例一所述，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
综上所述，基于本发明的有益效果在于，本发明不仅能够在传统转动机械检测过程中对是否发生故障进行判断，而且还能对损失进行定量分析并作出预警。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于频谱的轴承磨耗预警方法，其特征在于，包括：
数据转换步骤：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得步骤：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得步骤：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练步骤：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得步骤：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断步骤：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则做出预警。
2.根据权利要求1所述的轴承磨耗预警方法，其特征在于，所述数据转换步骤包括：
时序数据获得步骤：使用所述传感器获取所述设备振动的时序数据；
频域数据获得步骤：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤步骤：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得步骤：将所述高频数据转换为所述第一语谱图。
3.根据权利要求1所述的轴承磨耗预警方法，其特征在于，所述训练步骤包括：
数据预处理步骤：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练步骤：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
4.根据权利要求3所述的轴承磨耗预警方法，其特征在于，所述数据预处理步骤包括：
尺寸调整步骤：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得步骤：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合步骤：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
5.根据权利要求3所述的轴承磨耗预警方法，其特征在于，所述模型训练步骤包括：
加权步骤：对三个所述loss分别计算梯度并进行加权；
特征提取步骤：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得步骤：计算测试集中正常数据的所述特征的均值，得到基准特征。
6.一种基于频谱的轴承磨耗预警系统，其特征在于，包括：
数据转换模块：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得模块：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得模块：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练模块：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得模块：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断模块：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则做出预警。
7.根据权利要求6所述的轴承磨耗预警系统，其特征在于，所述数据转换模块包括：
时序数据获得单元：使用所述传感器获取所述设备振动的时序数据；
频域数据获得单元：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤单元：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得单元：将所述高频数据转换为所述第一语谱图。
8.根据权利要求6所述的轴承磨耗预警系统，其特征在于，所述训练模块包括：
数据预处理单元：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练单元：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。
9.根据权利要求8所述的轴承磨耗预警系统，其特征在于，所述数据预处理单元包括：
尺寸调整单元：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得单元：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合单元：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。
10.根据权利要求8所述的轴承磨耗预警系统，其特征在于，所述模型训练单元包括：
加权单元：对三个所述loss分别计算梯度并进行加权；
特征提取单元：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得单元：计算测试集中正常数据的所述特征的均值，得到基准特征。
CN202110004258.9A 2021-01-04 2021-01-04 一种基于频谱的轴承磨耗预警方法与系统 Pending CN112613481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110004258.9A CN112613481A (zh) 2021-01-04 2021-01-04 一种基于频谱的轴承磨耗预警方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110004258.9A CN112613481A (zh) 2021-01-04 2021-01-04 一种基于频谱的轴承磨耗预警方法与系统

Publications (1)

Publication Number Publication Date
CN112613481A true CN112613481A (zh) 2021-04-06

Family

ID=75253734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110004258.9A Pending CN112613481A (zh) 2021-01-04 2021-01-04 一种基于频谱的轴承磨耗预警方法与系统

Country Status (1)

Country Link
CN (1) CN112613481A (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819846A (zh) * 2015-04-10 2015-08-05 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN108597539A (zh) * 2018-02-09 2018-09-28 桂林电子科技大学 基于参数迁移和语谱图的语音情感识别方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN109256139A (zh) * 2018-07-26 2019-01-22 广东工业大学 一种基于Triplet-Loss的说话人识别方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109903773A (zh) * 2019-03-13 2019-06-18 腾讯音乐娱乐科技（深圳）有限公司 音频处理方法、装置及存储介质
CN110046562A (zh) * 2019-04-01 2019-07-23 湖南大学 一种风电系统健康监测方法及装置
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN110349588A (zh) * 2019-07-16 2019-10-18 重庆理工大学 一种基于词嵌入的lstm网络声纹识别方法
CN110390955A (zh) * 2019-07-01 2019-10-29 东南大学 一种基于深度域适应性卷积神经网络的跨库语音情感识别方法
CN110415728A (zh) * 2019-07-29 2019-11-05 内蒙古工业大学 一种识别情感语音的方法和装置
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人（山东）智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
CN110534118A (zh) * 2019-07-29 2019-12-03 安徽继远软件有限公司 基于声纹识别和神经网络的变压器/电抗器故障诊断方法
CN110570871A (zh) * 2019-09-20 2019-12-13 平安科技（深圳）有限公司 一种基于TristouNet的声纹识别方法、装置及设备
CN110705722A (zh) * 2019-09-12 2020-01-17 华中科技大学 一种工业设备故障诊断的诊断模型及其构建方法和应用
CN110705525A (zh) * 2019-10-24 2020-01-17 北京建筑大学 一种诊断滚动轴承故障的方法及装置
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111048071A (zh) * 2019-11-11 2020-04-21 北京海益同展信息科技有限公司 语音数据处理方法、装置、计算机设备和存储介质
CN111651937A (zh) * 2020-06-03 2020-09-11 苏州大学 变工况下类内自适应轴承故障诊断方法
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
CN112053694A (zh) * 2020-07-23 2020-12-08 哈尔滨理工大学 一种基于cnn与gru网络融合的声纹识别方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819846A (zh) * 2015-04-10 2015-08-05 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN108597539A (zh) * 2018-02-09 2018-09-28 桂林电子科技大学 基于参数迁移和语谱图的语音情感识别方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN109256139A (zh) * 2018-07-26 2019-01-22 广东工业大学 一种基于Triplet-Loss的说话人识别方法
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN109903773A (zh) * 2019-03-13 2019-06-18 腾讯音乐娱乐科技（深圳）有限公司 音频处理方法、装置及存储介质
CN110046562A (zh) * 2019-04-01 2019-07-23 湖南大学 一种风电系统健康监测方法及装置
CN110390955A (zh) * 2019-07-01 2019-10-29 东南大学 一种基于深度域适应性卷积神经网络的跨库语音情感识别方法
CN110349588A (zh) * 2019-07-16 2019-10-18 重庆理工大学 一种基于词嵌入的lstm网络声纹识别方法
CN110415728A (zh) * 2019-07-29 2019-11-05 内蒙古工业大学 一种识别情感语音的方法和装置
CN110534118A (zh) * 2019-07-29 2019-12-03 安徽继远软件有限公司 基于声纹识别和神经网络的变压器/电抗器故障诊断方法
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人（山东）智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
CN110705722A (zh) * 2019-09-12 2020-01-17 华中科技大学 一种工业设备故障诊断的诊断模型及其构建方法和应用
CN110570871A (zh) * 2019-09-20 2019-12-13 平安科技（深圳）有限公司 一种基于TristouNet的声纹识别方法、装置及设备
CN110705525A (zh) * 2019-10-24 2020-01-17 北京建筑大学 一种诊断滚动轴承故障的方法及装置
CN111048071A (zh) * 2019-11-11 2020-04-21 北京海益同展信息科技有限公司 语音数据处理方法、装置、计算机设备和存储介质
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111651937A (zh) * 2020-06-03 2020-09-11 苏州大学 变工况下类内自适应轴承故障诊断方法
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
CN112053694A (zh) * 2020-07-23 2020-12-08 哈尔滨理工大学 一种基于cnn与gru网络融合的声纹识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋建恒: "频谱分析法诊断滚动轴承故障", 《青海科技》, no. 3, 31 December 2007 (2007-12-31) *
苗碧琪 等: "基于频谱分析法的滚动轴承故障诊断", 《内燃机与配件》, no. 7, 31 December 2019 (2019-12-31) *

Similar Documents

Publication Publication Date Title
Glowacz et al. Early fault diagnosis of bearing and stator faults of the single-phase induction motor using acoustic signals
Jiang et al. Bearing fault classification based on convolutional neural network in noise environment
Sinitsin et al. Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model
Rafiee et al. Application of mother wavelet functions for automatic gear and bearing fault diagnosis
CN109657600B (zh) 一种视频区域移除篡改检测方法和装置
CN116383739B (zh) 基于域自适应的多模态数据融合的智能故障诊断方法
CN104301617B (zh) 闪烁检测方法和闪烁检测设备
CN113671361A (zh) 基于多源信号融合的高压断路器特性参数预测方法及系统
CN109100648A (zh) 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN116595317A (zh) 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法
CN114639391A (zh) 机械故障提示方法、装置、电子设备及存储介质
KR102163155B1 (ko) 중첩 산점도를 이용한 데이터 변환 방법 및 장치
CN112613481A (zh) 一种基于频谱的轴承磨耗预警方法与系统
Gomez et al. Incipient fault detection in bearings through the use of WPT energy and neural networks
Glowacz et al. Fault diagnosis of electrical faults of three-phasei nduction motors using acoustic analysis
CN117077815A (zh) 一种在有限样本下基于深度学习的轴承故障诊断方法
CN117330314A (zh) 一种基于二维灰度图和Swin-Transformer的轴承故障诊断方法
Kreuzer et al. Novel features for the detection of bearing faults in railway vehicles
CN114543983A (zh) 振动信号的识别方法及装置
CN114417940A (zh) 检测数据中心的设备、获得设备检测模型的方法及装置
CN113343887A (zh) 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法
Wang et al. Vibration signature analysis for broken rotor bar diagnosis in induction motors based on cyclic modulation spectrum
CN113744756A (zh) 设备质检及音频数据扩充方法和相关装置、设备、介质
Seker et al. Transfer function approach based upon wavelet transform for bearing damage detection in electric motors

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