CN112633098B - 一种旋转机械故障诊断方法、系统及存储介质 - Google Patents

一种旋转机械故障诊断方法、系统及存储介质 Download PDF

Info

Publication number
CN112633098B
CN112633098B CN202011471307.1A CN202011471307A CN112633098B CN 112633098 B CN112633098 B CN 112633098B CN 202011471307 A CN202011471307 A CN 202011471307A CN 112633098 B CN112633098 B CN 112633098B
Authority
CN
China
Prior art keywords
time
fault
short
fault diagnosis
matrix
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
CN202011471307.1A
Other languages
English (en)
Other versions
CN112633098A (zh
Inventor
刘颉
杨超颖
周凯波
张凯锋
李尚元
曹贯男
张昌河
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011471307.1A priority Critical patent/CN112633098B/zh
Publication of CN112633098A publication Critical patent/CN112633098A/zh
Application granted granted Critical
Publication of CN112633098B publication Critical patent/CN112633098B/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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种旋转机械故障诊断方法、系统及存储介质，包括：S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型。本发明以时空图结合拉普拉斯矩阵来提取故障特征，大大提高了计算效率和分类准确率，适用于复杂工况下的故障诊断。

Description

一种旋转机械故障诊断方法、系统及存储介质
技术领域
本发明属于旋转机械故障诊断技术领域，更具体地，涉及一种旋转机械故障诊断方法、系统及存储介质。
背景技术
旋转机械作为机器传动环节的关键组件，被广泛用于现代制造和工业过程中。在大多数实际应用中，旋转机械工作在恶劣或复杂的环境下，例如高温、高压环境，变速和可变负载。旋转机械在长时间运行后可能会出现各种损坏和故障，这些故障将会影响系统性能，严重会损坏机器。
旋转机械故障诊断方法包括基于知识经验特征计算的方法和基于特征自学习的方法。其中，基于知识经验特征计算的方法首先根据先验知识和工程经验来选择和计算故障特征，再将将故障特征输入到分类算法以进行故障诊断。该方法包括信号预处理、特征计算、特征选择、故障分类四个基本步骤。可以看出，该方法主要基于信号处理，例如傅立叶变换和小波变换；然而，由于振动信号的非线性和非平稳性，该方法获取的特征包含的故障信息少，在进行故障分类时无法提供可靠的诊断结果。此外，其中一些方法需要应用多种信号预处理方法和多个统计特征的计算以获得足够的故障特征，这也增加了方法实施的复杂性。而基于特征自学习的方法可利用维度转换方式，将一维原始监测信号转换为二维数据，然后通过深度学习方法，例如卷积神经网络等多尺度网络，自动对二维数据进行特征学习，提取故障信息，最后，使用分类器进行分类。这种方法由于需要对二维数据进行特征学习，需要大量数据样本和时间进行模型训练，模型训练时间长，计算效率低，难以适用复杂工况。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种旋转机械故障诊断方法、系统及存储介质，其目的在于由此解决现有技术计算效率低，难以适用复杂工况的技术问题。
为实现上述目的，第一方面，本发明提供了一种旋转机械故障诊断方法，包括以下步骤：
S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；
S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；
S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；
S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，故障诊断模型为机器学习模型。
进一步优选地，上述振动信号的频谱图表示为：
Figure BDA0002833994310000021
其中，Y(k,m)是在频率为kΔf、时间为mΔM时的频谱幅值；k为频率索引，m为时间索引；x(n)为第n采样时刻的振动信号，N为振动信号的长度，ΔM为时间间隔，Δf为频率间隔，ω为窗函数，*表示共轭运算。
进一步优选地，短时周期图表示为：
Figure BDA0002833994310000031
其中，P(k,m)为在频率索引为k、时间索引为m时的短时周期图幅值；T为窗口长度。
进一步优选地，上述时空图表示为G＝{V,E,W}，其中，V表示时空图节点，节点数量为K，K为最大频率索引；E为两个节点之间的连接边，W为权重矩阵，其第i行第j列的元素
Figure BDA0002833994310000032
m0为振动信号的起始采样时刻所对应的时间索引；mn为振动信号的截止采样时刻所对应的时间索引；ki为第i个节点所对应的频率索引；kj为第j个节点所对应的频率索引；Dis{P(ki,mf),P(kj,mf)}为时间索引为mf时第i个节点和第j个节点的欧式距离。
进一步优选地，故障诊断模型的训练方法包括：
采集正常状态和不同故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号样本；
采用短时傅里叶变换法对各振动信号样本分别进行频谱分析，得到各振动信号的频谱图，分别将各振动信号的频谱图映射为短时周期图；将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，得到各振动信号样本的故障特征向量；
以各振动信号样本的故障特征向量为输入，对应的旋转机械状态为输出，训练故障诊断模型中进行训练，得到预训练好的故障诊断模型。
进一步优选地，故障诊断模型为K近邻分类模型。
第二方面，本发明提供了一种旋转机械故障诊断系统，包括：
信号分解单元，用于将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；
特征向量计算单元，将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；
故障诊断单元，将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，故障诊断模型为机器学习模型。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的旋转机械故障诊断方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供了一种旋转机械故障诊断方法、系统及存储介质，将原始振动信号通过短时傅里叶变换得到频谱图，对频谱图幅值进行计算从而将频谱图映射得到短时周期图，基于短时周期图构建全连接、无向时空图，获取时空图的矩阵表示，即拉普拉斯矩阵，通过对拉普拉斯矩阵正交分解得到特征值作为故障特征向量，最后将故障特征向量送入预训练好的故障诊断模型，从而有效地识别故障类型和故障程度；本发明通过计算得到既包含时域动态信息又包含频域信息的短时周期图，构造基于图理论的拉普拉斯矩阵，从中提取高质量的故障特征；另外，本发明只需要一种分解方法，计算一种故障特征，与多种分解方法或多种特征方法相比，本发明计算效率较高，具有易于实现和能够处理大数据故障诊断的优点，适用于复杂工况下的故障诊断。
2、本发明所提供的旋转机械故障诊断方法、系统及存储介质，通过短时傅里叶变换将原始信号分解为频谱图，通过计算得到既包含时域动态信息又包含频域信息的短时周期图，之后将短时周期图转化为时空图，构造基于图理论的拉普拉斯矩阵，从拉普拉斯矩阵中提取故障特征，使得该故障特征不仅包含了时频域的故障信息，又包含了时空图的几何结构信息(节点和边)，基于所得故障特征进一步使用K近邻分类器进行故障识别和分类，提高了计算效率和分类准确率。
3、本发明所提供的旋转机械故障诊断方法、系统及存储介质，本发明在故障诊断模型的过程中，所提取的振动信号的故障特征为一维数据，学习速度快，计算效率高。
附图说明
图1是本发明实施例1所提供的旋转机械故障诊断方法流程图；
图2是本发明实施例1所提供的原始信号短时傅里叶变换的频谱图；
图3为本发明实施例1所提供的短时周期图；
图4为本发明实施例1所提供的故障诊断多层次混淆矩阵图；
图5为本发明实施例1所提供的对比不同故障诊断方法的分类准确率示意图。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种旋转机械故障诊断方法，如图1所示，包括以下步骤：
S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；
具体的，通过加速度计采集待测旋转机械的振动信号{x(n)}，n∈[0,N-1]振动信号的频谱图表示为：
Figure BDA0002833994310000061
其中，Y(k,m)是在频率为kΔf、时间为mΔM时的频谱幅值；k为频率索引，m为时间索引；x(n)为第n采样时刻的振动信号，N为振动信号的长度，ΔM为时间间隔，Δf为频率间隔或者称为加权函数，ω为窗函数，*表示共轭运算。
根据短时傅里叶变换的结果，短时周期图表示为：
Figure BDA0002833994310000062
其中，P(k,m)为在频率索引为k、时间索引为m时的短时周期图幅值；T为窗口长度。
需要说明的是，一种窗口长度决定了频率索引的长度，同时构造出来的时空图结构随窗口长度变化而变化。
S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；
具体的，时空图表示为G＝{V,E,W}，其中，V表示时空图节点，节点数量为K，K为最大频率索引；E为两个节点之间的连接边，W为权重矩阵，其第i行第j列的元素
Figure BDA0002833994310000063
m0为振动信号的起始采样时刻所对应的时间索引；mn为振动信号的截止采样时刻所对应的时间索引；ki为第i个节点所对应的频率索引；kj为第j个节点所对应的频率索引；Dis{P(ki,mf),P(kj,mf)}为时间索引为mf时第i个节点和第j个节点的欧式距离。
S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；
具体的，对所得时空图，基于图论知识构建时空图的矩阵表示，得到拉普拉斯矩阵L＝D-W，其中，D为度矩阵，其第i行第j列的元素
Figure BDA0002833994310000071
对拉普拉斯矩阵进行正交分解，得到L＝UΛUT，其中，U＝[u0,u1,...,un-1]，表示特征向量；Λ＝diag([λ0,λ1,…,λn-1])表示特征值，这里故障特征向量表示为：F＝[λ0,λ1,…,λn-1]。
S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，故障诊断模型为机器学习模型；本实施例优选为K近邻分类模型。
具体的，故障诊断模型的训练方法包括：
采集正常状态和不同故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号样本；具体的，以轴承为例，分别获取旋转机械典型关键部件轴承处于正常状态和故障状态下的振动信号；其中，轴承故障状态通常包括内圈故障、外圈故障和滚珠故障。
采用短时傅里叶变换法对各振动信号样本分别进行频谱分析，得到各振动信号的频谱图，分别将各振动信号的频谱图映射为短时周期图；将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，得到各振动信号样本的故障特征向量；
以各振动信号样本的故障特征向量为输入，对应的旋转机械状态为输出，训练故障诊断模型中进行训练，得到预训练好的故障诊断模型。
为例进一步说明本发明，下面结合实例进行详述：
实施例1、
为了验证本发明提出的故障诊断方法的有效性，本实施例使用美国凯斯西储大学(Case Western Reserve University,CWRU)旋转机械数据中心的旋转机械数据集进行验证。滚动旋转机械的故障类型为内圈缺陷、外圈缺陷和滚珠缺陷，其中，故障严重程度通过电火花加工模拟，其故障直径分别为7、14、21、28(mil)。采集驱动电机端6点钟位置的振动信号，采样频率为12kHz。实验选取的数据共有4种工况，每种工况下有11种旋转机械状态，旋转机械状态的详细情况如表1所示。
表1
旋转机械状态 故障直径/mil 标签
内圈缺陷 7 1
滚珠缺陷 7 2
外圈缺陷 7 3
内圈缺陷 14 4
滚珠缺陷 14 5
外圈缺陷 14 6
内圈缺陷 21 7
滚珠缺陷 21 8
外圈缺陷 21 9
内圈缺陷 28 10
滚珠缺陷 28 11
具体步骤如下：
(1)数据采集和短时周期图构建
每个旋转机械状态在每个工况下都有30个数据样本，实验所用的数据集共有1320个数据样本，其中每个数据样本的长度为2048个数据点。在实验中随机选取1056个数据点，构成实验数据集，并将剩余的264个数据样本作为测试样本，构成测试数据集。对实验数据集进行短时傅里叶变换，再计算变换之后的幅值，将频谱图映射为短时周期图。
(2)基于短时周期图构建时空图
对步骤(1)中得到的短时周期图构建时空图模型，其中，时空图的节点为短时周期图中的每个频率点，每对节点之间都有一条边连接，同时定义了权重矩阵表示每条边的权重，从而构建全连接的时空图。
(3)故障特征向量提取
对步骤(2)构建的时空图进行图理论分析，构造其矩阵表示形式，即拉普拉斯矩阵，再对拉普拉斯矩阵正交分解获取特征值作为故障特征向量。
(4)状态识别
原始振动信号经过步骤(1)后得到短时傅里叶变换频谱图和其对应的短时周期图，选取了一段采样信号画出其频谱图如图2所示，短时周期图如图3所示。再由步骤(2)构造时空图、步骤(3)提取故障特征向量，将故障特征向量代入K近邻分类器中，得到相应的故障诊断结果，故障诊断多层次混淆矩阵图如图4所示。如图4所示，本发明提出的故障诊断方法对第1、2、3、7、10、11种旋转机械状态类型的分类精度均为100％，对第9种旋转机械状态类型的分类精度为80％，有15％的概率会误诊为第3种旋转机械状态类型，由于测试数据集中不同标签的数据分布不均匀，对总的故障诊断性能影响不大，最终本发明提出的故障诊断方法实现98.94％的分类精度，具有较好的诊断性能。
(5)对比分析
将本发明所提出的方法与其他方法在同一数据集CWRU进行准确率对比，对比结果如图5所示，本发明所提出的方法较其他方法准确率最高达到了98.94％，进一步验证了该方法的可行性。
本发明根据短时傅里叶变换、时空图和拉普拉斯矩阵的特点，实现了从非平稳信号中提取高质量的故障特征，有效地解决了旋转机械故障诊断中的复杂工况问题。本发明所提出的方法是基于短时傅里叶变换、时空图、拉普拉斯矩阵和K近邻的旋转机械故障诊断方法，通过对CWRU数据集的滚动轴承故障诊断为实例验证，本发明具有良好的实用性。
实施例2、
一种旋转机械故障诊断系统，包括：
信号分解单元，用于将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；
特征向量计算单元，将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；
故障诊断单元，将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，故障诊断模型为机器学习模型。
相关技术方案同实施例1，这里不做赘述。
实施例3、
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的旋转机械故障诊断方法。
相关技术方案同实施例1，这里不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种旋转机械故障诊断方法，其特征在于，包括以下步骤：
S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将所述振动信号的频谱图映射为短时周期图；
S2、以所述短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；
S3、采用图论法构建所述时空图的矩阵表示，记为拉普拉斯矩阵，并对所述拉普拉斯矩阵进行正交分解，提取特征值，将提取得到的特征值所构成的一维向量记为故障特征向量；所述拉普拉斯矩阵L＝D-W，其中，W为权重矩阵，其第i行第j列的元素
Figure FDA0004031915570000011
m0为振动信号的起始采样时刻所对应的时间索引；mn为振动信号的截止采样时刻所对应的时间索引；ki为第i个节点所对应的频率索引；kj为第j个节点所对应的频率索引；Dis{P(ki,mf),P(kj,mf)}为时间索引为mf时第i个节点和第j个节点的欧式距离；P(ki,mf)为在频率索引为ki、时间索引为mf时的短时周期图幅值；D为度矩阵，其第i行第j列的元素/>
Figure FDA0004031915570000012
N为振动信号的长度；
S4、将所述故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，所述故障诊断模型为机器学习模型；所述故障诊断模型的训练方法包括：
采集正常状态和不同故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号样本；
采用短时傅里叶变换法对各所述振动信号样本分别进行频谱分析，得到各振动信号的频谱图，分别将各振动信号的频谱图映射为短时周期图；将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，得到各所述振动信号样本的故障特征向量；
以各所述振动信号样本的故障特征向量为输入，对应的旋转机械状态为输出，对所述故障诊断模型进行训练，得到所述预训练好的故障诊断模型。
2.根据权利要求1所述的旋转机械故障诊断方法，其特征在于，所述振动信号的频谱图表示为：
Figure FDA0004031915570000021
其中，Y(k,m)是在频率为kΔf、时间为mΔM时的频谱幅值；k为频率索引，m为时间索引；x(n)为第n采样时刻的振动信号，N为振动信号的长度，ΔM为时间间隔，Δf为频率间隔，ω为窗函数，*表示共轭运算。
3.根据权利要求2所述的旋转机械故障诊断方法，其特征在于，所述短时周期图表示为：
Figure FDA0004031915570000022
其中，P(k,m)为在频率索引为k、时间索引为m时的短时周期图幅值；T为窗口长度。
4.根据权利要求3所述的旋转机械故障诊断方法，其特征在于，所述时空图表示为G＝{V,E,W}，其中，V表示时空图节点，节点数量为K，K为最大频率索引；E为两个节点之间的连接边；W为权重矩阵。
5.根据权利要求1所述的旋转机械故障诊断方法，其特征在于，所述故障诊断模型为K近邻分类模型。
6.一种旋转机械故障诊断系统，其特征在于，包括：
信号分解单元，用于将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；
特征向量计算单元，将所述短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所述时空图的矩阵表示，记为拉普拉斯矩阵，并对所述拉普拉斯矩阵进行正交分解，提取特征值，将提取得到的特征值所构成的一维向量记为故障特征向量；所述拉普拉斯矩阵L＝D-W，其中，W为权重矩阵，其第i行第j列的元素
Figure FDA0004031915570000031
m0为振动信号的起始采样时刻所对应的时间索引；mn为振动信号的截止采样时刻所对应的时间索引；ki为第i个节点所对应的频率索引；kj为第j个节点所对应的频率索引；Dis{P(ki,mf),P(kj,mf)}为时间索引为mf时第i个节点和第j个节点的欧式距离；P(ki,mf)为在频率索引为ki、时间索引为mf时的短时周期图幅值；D为度矩阵，其第i行第j列的元素/>
Figure FDA0004031915570000032
N为振动信号的长度；
故障诊断单元，将所述故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型；
其中，所述故障诊断模型为机器学习模型；所述故障诊断模型的训练方法包括：
采集正常状态和不同故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号样本；
采用短时傅里叶变换法对各所述振动信号样本分别进行频谱分析，得到各振动信号的频谱图，分别将各振动信号的频谱图映射为短时周期图；将所得短时周期图的每个频率作为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，得到各所述振动信号样本的故障特征向量；
以各所述振动信号样本的故障特征向量为输入，对应的旋转机械状态为输出，对所述故障诊断模型进行训练，得到所述预训练好的故障诊断模型。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的旋转机械故障诊断方法。
CN202011471307.1A 2020-12-14 2020-12-14 一种旋转机械故障诊断方法、系统及存储介质 Active CN112633098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011471307.1A CN112633098B (zh) 2020-12-14 2020-12-14 一种旋转机械故障诊断方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011471307.1A CN112633098B (zh) 2020-12-14 2020-12-14 一种旋转机械故障诊断方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112633098A CN112633098A (zh) 2021-04-09
CN112633098B true CN112633098B (zh) 2023-05-30

Family

ID=75313049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011471307.1A Active CN112633098B (zh) 2020-12-14 2020-12-14 一种旋转机械故障诊断方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112633098B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642439B (zh) * 2021-08-05 2023-04-18 国网江苏省电力有限公司电力科学研究院 一种有载分接开关的机械状态异常检测方法、装置及设备
CN115524002B (zh) * 2022-09-19 2023-08-22 国家电投集团河南电力有限公司 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN115683687B (zh) * 2023-01-03 2023-04-18 成都大汇物联科技有限公司 一种水电机械设备动静碰磨故障诊断方法
CN115828087B (zh) * 2023-02-21 2023-05-09 山东大学 一种用于机械设备故障诊断的信号特征提取方法及系统
CN116933024B (zh) * 2023-09-15 2023-11-21 青岛埃恩斯信息技术科技有限公司 旋转类设备运行状态监控方法及系统
CN118171753A (zh) * 2024-05-13 2024-06-11 摩多利智能传动(江苏)有限公司 基于振动分析的电机故障智能诊断系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918379A (zh) * 2017-11-29 2018-04-17 东北大学 基于图半监督代价敏感的工业大数据早期故障检测方法
CN108388860A (zh) * 2018-02-12 2018-08-10 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
CN110081967A (zh) * 2019-05-30 2019-08-02 重庆大学 基于谱图小波变换的机械振动信号阈值降噪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10429419B2 (en) * 2015-03-26 2019-10-01 The University Of Akron System and method for iterative condition monitoring and fault diagnosis of electric machines
US11188065B2 (en) * 2017-09-23 2021-11-30 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN108830127B (zh) * 2018-03-22 2021-08-10 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109858104B (zh) * 2019-01-10 2022-09-02 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
CN111458145A (zh) * 2020-03-30 2020-07-28 南京机电职业技术学院 一种基于路图特征的缆车滚动轴承故障诊断方法
CN111964909A (zh) * 2020-08-24 2020-11-20 山东大学 滚动轴承运行状态检测方法、故障诊断方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918379A (zh) * 2017-11-29 2018-04-17 东北大学 基于图半监督代价敏感的工业大数据早期故障检测方法
CN108388860A (zh) * 2018-02-12 2018-08-10 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
CN110081967A (zh) * 2019-05-30 2019-08-02 重庆大学 基于谱图小波变换的机械振动信号阈值降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multireceptive Field Graph Convolutional Networks for Machine Fault Diagnosis;Tianfu Li et al.;《IEEE Transactions on Industrial Electronics》;1-11 *
图谱理论在齿轮箱故障诊断中的应用研究.《中国博士学位论文全文数据库工程科技Ⅱ辑》.2017,C029-25. *

Also Published As

Publication number Publication date
CN112633098A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112633098B (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN111397896B (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111797567A (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN110243590B (zh) 一种基于主成分分析和宽度学习的转子系统故障诊断方法
CN112232244A (zh) 一种滚动轴承故障诊断方法
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
Lu et al. Bearing fault diagnosis based on clustering and sparse representation in frequency domain
CN113155462A (zh) 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法
Lu et al. Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
Li et al. A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals
Hu et al. Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances
CN111382792B (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
Jianhui et al. New fault diagnosis method for rolling bearing based on PCA
Chen et al. Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery
CN112729825A (zh) 基于卷积循环神经网络的轴承故障诊断模型的构建方法
CN114021275B (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Zhou et al. Study of fault diagnosis for rolling bearing based on clustering algorithms
Zhao et al. Health indicator selection and health assessment of rolling element bearing
Xia et al. Missing data bearing fault diagnosis based on SVT-1DCNN
Zhang et al. TSViT: A Time Series Vision Transformer for Fault Diagnosis

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