CN112683533A - 一种用于轴承故障诊断的信号增强方法及系统 - Google Patents
一种用于轴承故障诊断的信号增强方法及系统 Download PDFInfo
- Publication number
- CN112683533A CN112683533A CN202011503731.XA CN202011503731A CN112683533A CN 112683533 A CN112683533 A CN 112683533A CN 202011503731 A CN202011503731 A CN 202011503731A CN 112683533 A CN112683533 A CN 112683533A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- signal
- time domain
- gray
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005096 rolling process Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000012733 comparative method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种用于轴承故障诊断的信号增强方法,包括:采集轴承在不同故障类别下的故障时域信号数据;利用数据增强与扩展技术对单个所述时域信号数据进行扩充获得足够多的深度学习训练样本,并将其划分为训练集,验证集和测试集;利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像;对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,突出纹理细节与对比度,以增强含噪图像中周期性故障特征,实现故障信号增强。本发明可以突出强干扰环境下微弱的故障特征,有利于提高滚动轴承诊断准确率。
Description
技术领域
本发明涉及滚动轴承故障诊断分类技术领域,具体涉及了一种用于轴承故障诊断的信号增强方法及系统。
背景技术
机械设备正在朝着大型化、精密化方向发展,智能化也日益提高,对设备运行中的可靠性也提出更高要求。作为旋转机械中的核心回转支承部件,其表面的轻微缺陷就可能导致整个装置系统的运行故障,造成巨大人员伤亡和财产损耗。传统的用于滚动轴承检测方法,需要工作人员定期从机械设备上将轴承拆卸下来进行安全检验,耗费大量人力物力,对工业生产进程造成影响。智能维护方案利用先进的传感器和检测技术,获得设备运行的状态信息,当故障发生时,也能通过建立物理与统计模型对设备的剩余寿命进行预测,并在设备完全失效前对设备展开维修工作。因此,开展轴承故障诊断和状态检测对提高设备运行的安全性有着重要意义。
由于振动/声学信号对旋转机械故障较为敏感,而且基于振动/声学信号的故障诊断方法具有诊断速度快、精度高、测量系统简单、故障定位准确等优点,目前已经成为旋转机械故障诊断中应用最广泛、最行之有效的可靠方法。对振动/声学信号的处理与故障特征提取是状态监测和故障诊断的关键,它直接关乎到诊断的准确率和故障早期预报的可靠性。同时由于机械设备的复杂性,系统各组件的振动信号互相调制、叠加,造成测量的振动信号往往表现出非线性非平稳特征,利用传统的滤波降噪方法处理信号,在滤除干扰噪声的同时不可避免的将部分有用的信号一并滤除,导致有用信号的丢失;而且机械设备的故障特征在早期阶段并不显著,反映在信号中十分微弱,因此,将淹没在强背景噪声里的微弱故障信息进行增强是提高滚动轴承故障诊断准确率的有效途径。
发明内容
为解决上述技术问题,本发明提出一种用于轴承故障诊断的信号增强方法,本发明通过采集滚动轴承不同故障类别下的振动信号或噪声信号的时域信号数据,通过数据增强与扩展获得足够多的深度学习训练样本,采用横向插值将一维时域信号转换为二维图像,利用直方图均衡化技术拉伸故障图像中像素之间灰度值差别的动态范围,突出纹理细节与对比度,以增强含噪图像中周期性故障特征。
本发明提出一种用于轴承故障诊断的信号增强方法,包括:
采集轴承在不同故障类别下的故障时域信号数据;
利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像;
对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
在本发明的一个实施例中,所述故障类别至少包括正常轴承、内圈故障、外圈故障和滚动体故障。
在本发明的一个实施例中,所述故障时域信号为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据,所述二维故障图像为二维振动故障图像或二维噪声故障图像
在本发明的一个实施例中,所述数据增强与扩展通过以下公式进行:
在本发明的一个实施例中,所述利用横向插值技术构建二维振动图像,其公式如下:
其中,L(i)表示信号的时域序列,i=1,2,…,M2;P(j,k)(j=1,2,…,M;k=1,2,…,M)表示M×M灰度图中对应(j,k)位置的归一化灰度强度值;round(·)表示整取函数,max(L)表示L(i)的最大值,min(L)表示L(i)的最小值。
在本发明的一个实施例中,进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级,同时压缩像素较少的灰度级,增大像素之间灰度值差别的动态范围。
在本发明的一个实施例中,,灰度直方图的离散形式和图像的概率分布函数分别表示为:
h(i)=ni,i=1,2,…,L-1,
其中,ni是位于i灰度级上的像素个数,L为总灰度级,ri为第i个灰度级,h(i)为灰度直方图,灰度直方图的x轴和y轴分别代表灰度级和像素个数。
在本发明的一个实施例中,所述ri的累计分布函数CDF为:
0≤CDF(ri)≤1。
在本发明的一个实施例中,对CDF(ri)取整扩展,将新灰度替代旧灰度,并合并灰度值相等或相近的每个灰度直方图即可得到直方图均衡化的结果,其公式如下:
CDF(r)=int[(N-1)CDF(ri)+0.5],其中int[·]表示向下取整。
本发明还提出一种用于轴承故障诊断的信号增强系统,应用了上述用于轴承故障诊断的信号增强方法,所述系统包括:
信号采集模块,用于采集轴承在不同故障类别下的振动信号数据或噪声信号数据的时域信号数据;
数据集构建模块,用于利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
数据增强模块,用于利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像,并对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
本发明针对滚动轴承早期故障信号易被噪声干扰淹没,所提出一种用于轴承故障诊断的信号增强方法,通过将采集到的振动/噪声信号构建为二维图像,结合卷积神经网络(ConvolutionalNeuralNetwork,CNN)强大的深度挖掘能力,可以自适应提取滚动轴承振动/噪声信号中微弱的故障特征,避免了使用复杂信号分解的手工特征提取方法带来的故障信息丢失,降低诊断过程的操作难度。
本发明利用直方图均衡化(HistogramEqualization,HE)在图像处理领域能够有效增强图像对比度的优势,突出振动/噪声图像中的纹理细节,从而增强了隐藏在噪声背景下早期微弱故障特征,有效降低卷积神经网络的诊断难度。
本发明分别将转化的二维振动/噪声故障图像经直方图均衡化处理前后的数据作为卷积神经网络模型的输入,故障诊断结果表明直方图均衡化能够有效提高滚动轴承故障诊断效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明提出的一种用于轴承故障诊断的信号增强方法流程图。
图2为不同故障类别的轴承振动信号时域图。
图3为不同故障类别的轴承噪声信号时域图。
图4为数据增强与扩展示意图。
图5为横向插值示意图
图6为正常轴承的二维振动图像经直方图均衡化处理后的对比图。
图7为内圈故障的二维振动图像经直方图均衡化处理后的对比图。
图8为外圈故障的二维振动图像经直方图均衡化处理后的对比图。
图9为滚动体故障的二维振动图像经直方图均衡化处理后的对比图。
图10为正常轴承的二维噪声图像经直方图均衡化处理后的对比图。
图11为内圈故障的二维噪声图像经直方图均衡化处理后的对比图。
图12为外圈故障的二维噪声图像经直方图均衡化处理后的对比图。
图13为滚动体故障的二维噪声图像经直方图均衡化处理后的对比图。
图14为内圈单点故障直方图均衡化对比示意图。
图15为本发明提出的一种用于轴承故障诊断的信号增强方法系统示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了将淹没在强背景噪声里的微弱故障信息进行增强,以提高故障诊断的准确率和效率,本发明提出一种用于轴承故障诊断的信号增强方法,如图1所示,所述方法包括:
S1、采集轴承在不同故障类别下的故障时域信号数据;
S2、利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
S3、利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像;
S4、对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
如图1所示,在步骤S1中,在本实施例中,所述故障时域信号为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据。利用轴承试验台采集不同故障类别下的轴承振动的时域信号数据或噪声信号的时域信号数据,在本实施例中,所述轴承型号采用NU101EM和N1010EM的单列圆柱滚子轴承,所述轴承的具体参数如下表表1所示,
表1轴承的具体参数
现有轴承故障诊断分类方法往往只对轴承内圈、外圈和滚子在单点损伤状态下的故障模式,而在实际工况下,轴承还会出现多点损伤以及内、外圈与滚动体的复合故障等故障类型。因此实验前使用线切割加工方式,分别加工出包括内圈故障、外圈故障、滚动体故障以及正常轴承在内的4种故障参数的轴承数据,上述故障尺寸均为9×0.2mm,转速为2000r/min,以20.48kHz采样频率采集2kN负载下的轴承故障振动信号用于实验分析,图2表示为轴承4种健康状态对应的振动信号时域波形,图3表示为轴承4种健康状态对应的噪声信号时域波形,可以观察到不同故障类型的振动和噪声的时域波形具有一定的差别。
如图1所示,在步骤S2中,采集上述4中故障类别的所述振动信号数据或所述噪声信号数据的所述时域信号数据,并利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集。需要说明的是,转轴每转一圈采集到的点数约为614个点(20480×60÷2000≈614),为了保证每个样本至少覆盖一个故障周期,样本长度设置为1024个采样点。
如图1所示,在本实施例中,在步骤S2中,对单个时域信号数据进行数据增强与扩展,以获得足够多的深度学习样本,提高模型泛化能力。所述数据增强和扩展通过以下公式进行:
其中,m为可得到的最大样本数量;N为采集到的故障信号长度;len为每个样本的采样点;η为重叠率,范围在5%至95%之间,根据信号类型选取。需要说明的是,在本实施例中,η太小,难以获得足够的深度学习样本,且容易破坏原始数据点之间的空间关联性;η太大,导致神经网络模型只能学习到相同的故障信息,降低了模型学习特征的鲁棒性,因此,本例中重叠率η取52%。
在本实施例中,图4显示为数据增强与扩展示意图。在本实施例中,传感器采集到的故障信号长度N=634880点,len设置为1024点,η设置为0.52。为了保证学习到的特征更具鲁棒性,对所述训练集采用上式进行扩展,验证集和测试集采用无重叠采样,这样每种故障类别共得到800组训练数据、100组验证数据和100组测试数据共1000组数据。
如图1所示,在步骤S3中,利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像,所述二维故障图像为二维振动故障图像或二维噪声故障图像,即在本实施例中,利用横向插值技术根据所述学习样本数据集,所述验证集和所述测试集构建二维振动故障图像或二维噪声故障图像,其公式如下:
其中,L(i)(i=1,2,…,M2)表示信号的时域序列;P(j,k)(j=1,2,…,M;k=1,2,…,M)表示M×M灰度图中对应(j,k)位置的归一化灰度强度值;max(L)表示L(i)的最大值,min(L)表示L(i)的最小值,round(·)表示整取函数,即每个像素点都要归一化到0至255之间的灰度值,图5表示为横向插值示意图。在本实施例中,将1024长度的时域信号数据按照上述方式构建为长×宽为32×32的二维灰度图。
如图1所示,在步骤S4中,对所述二维振动故障图像或所述二维噪声故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
在本实施例中,进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级,同时压缩像素较少的灰度级,增大像素之间灰度值差别的动态范围。图6至图9分别显示为正常轴承,内圈故障,外圈故障,滚动体故障二维振动故障图像经直方图均衡化处理后的对比图,图10至图13分别显示为正常轴承,内圈故障,外圈故障,滚动体故障二维噪声故障图像经直方图均衡化处理后的对比图。经过直方图均衡化处理的灰度图纹理特征更加突出,相比原图包含更多的故障信息,因而有利于卷积神经网络提取和分析图像中周期性故障特征,提高故障诊断的识别准确率。
在本实施例中,为了增强振动故障图像/噪声故障图像中微弱的故障信息,本实施例中采用直方图均衡化技术使像素灰度值分布更加均匀,突出纹理细节和对比度,以提高故障诊断精度。直方图均衡化作为一种有效的图像增强技术,通过对直方图中像素数量较多的灰度级进行拉伸,像素较少的灰度级进行压缩,从而增大像素之间灰度值差别的动态范围,使生成图像的直方图尽可能平坦。考虑灰度级为[0,L-1]的数字图像,其中0代表黑色,L-1代表白色,则灰度直方图的离散形式和图像的概率分布函数可以表示为:
h(i)=ni,i=1,2,…,L-1;
其中ni是位于i灰度级上的像素个数,L为总灰度级;ri为第i个灰度级,h(i)为灰度直方图,其中直方图的x轴和y轴分别代表灰度级和像素个数。满足条件下,ri的累计分布函数CDF为:
0≤CDF(ri)≤1
对CDF(ri)取整扩展,将新灰度替代旧灰度,并合并灰度值相等或相近的每个灰度直方图即可得到直方图均衡化的结果:
CDF(r)=int[(N-1)CDF(ri)+0.5],其中int[·]表示向下取整。
如图14表示为内圈单点故障的均衡化前后对比图,未经直方图均衡化处理的灰度图(左侧)其纹理特征不够明显,灰度分布较为集中;而经过直方图均衡化处理后的图像纹理特征更加突出,灰度级分布比较适中,比原图像更加清晰、明朗,因而有利于卷积神经网络提取和分析图像中周期性的故障特征。
为了验证本发明所提方法能够增强滚动轴承振动或噪声信号中早期微弱的故障信息,提高卷积神经网络模型诊断准确率,分别对采集的振动或噪声信号设置实验,利用卷积神经网络自适应学习数据集中深层敏感特征,并结合BP反向传播算法逐层更新网络模型的权值和阈值,得到适应网络模型的最佳参数组合;
将本发明所述的增强方法处理后的二维振动故障图像或二维噪声故障图像作为卷积神经网络模型的输入,即可实现轴承故障诊断。构建的卷积神经网络模型基于LeNet-5架构,包括2层卷积层、2层池化层和全连接层,其中,卷积层通过5×5大小的卷积核构建多个能够提取输入层数据特征的滤波器,并通过这些滤波器逐层提取隐藏在原始数据中的敏感特征;池化层结合参数共享和系数连接机制降低数据维度,实现时间和空间上的降维采样,有效避免模型过拟合;全连接层神经元个数取为120和80个。
为了让模型性能达到最佳,经预实验后选取一次训练所选取的样本数(Batch-size)为128,优化器选择Adam(学习率自适应调整),激活函数选择ReLU,卷积神经网络模型运行在Tensorflow2.0+python3.7软件,计算机采用windows1064位配置,CPU为Inteli5-8300H。为了验证上述方法(本文方法)的优越性,将上述方法与未做直方图均衡化故障增强处理的方法进行对比试验(对比方法采用同样的步骤构建二维振动/噪声故障图像,但不经过直方图均衡化处理),实验结果如表3所示。
表2本文方法与对比方法的识别结果
从表中可以看到,采用本发明所提的直方图均衡化故障增强的诊断方法,在振动信号和噪声信号数据集中可以达到100%和99.3%的识别准确率,相比未经故障增强处理的对比实验,诊断结果分别提高了2.5%和7.1%,验证了本发明所提方法能够增强隐藏在噪声干扰下的微弱故障特征,降低故障类型识别的难度。同时注意到,使用直方图均衡化故障特征增强后,振动/噪声数据集的故障诊断结果提高的程度并不相同,这是因为采用麦克风采集的噪声故障信号比采用加速度传感器采集的振动信号包含更多的设备和环境噪声,早期微弱的故障信息辨识难度更大。而本发明所述方法在噪声比较大的轴承数据中诊断效果提升明显,说明本方法更适合用于被强噪声干扰的滚动轴承实际工况下的故障诊断。
如图15所示,在本实施例中,本发明还提出一种用于轴承故障诊断的振动噪声信号增强系统,应用了上述用于轴承故障诊断的信号增强方法,所述系统包括:信号采集模块10,数据集构建模块20和数据增强模块30。
如图15所示,在本实施例中,所述信号采集模块10设置在轴承试验台上,用于采集轴承在不同故障类别下的故障时域信号数据,所述故障时域信号数据为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据。
如图15所示,在本实施例中,所述数据集构建模块20用于利用数据增强与扩展技术对单个故障时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
如图15所示,在本实施例中,所述数据增强模块30用于利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像,并对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强,所述二维故障图像为二维振动故障图像或二维噪声故障图像。
本发明提出一种用于轴承故障诊断的信号增强方法,通过采集滚动轴承不同故障类别下的振动信号或噪声信号的时域信号数据,通过数据增强与扩展获得足够多的深度学习训练样本,采用横向插值将一维时域信号转换为二维图像,利用直方图均衡化技术拉伸故障图像中像素之间灰度值差别的动态范围,突出纹理细节与对比度,以增强含噪图像中周期性故障特征。本发明针对滚动轴承早期故障信号易被噪声干扰淹没,所提出一种用于轴承故障诊断的信号增强方法,通过将采集到的振动/噪声信号构建为二维图像,结合卷积神经网络强大的深度挖掘能力,可以自适应提取滚动轴承振动/噪声信号中微弱的故障特征,避免了使用复杂信号分解的手工特征提取方法带来的故障信息丢失,降低诊断过程的操作难度。
本发明利用直方图均衡化在图像处理领域能够有效增强图像对比度的优势,突出振动/噪声图像中的纹理细节,从而增强了隐藏在噪声背景下早期微弱故障特征,有效提高卷积神经网络的诊断。
本发明分别将转化的二维振动/噪声故障图像经直方图均衡化处理前后的数据作为卷积神经网络模型的输入,故障诊断结果表明直方图均衡化能够有效提高滚动轴承故障诊断效果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明,本领域技术人员应当理解,本申请中所涉及的范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案,例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外,其余技术特征为本领域技术人员的已知技术,为突出本发明的创新特点,其余技术特征在此不再赘述。
Claims (10)
1.一种用于轴承故障诊断的信号增强方法,其特征在于,包括:
采集轴承在不同故障类别下的故障时域信号数据;
利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像;
对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
2.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法,其特征在于,所述故障类别至少包括正常轴承、内圈故障、外圈故障和滚动体故障。
3.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法,其特征在于,所述故障时域信号为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据,所述二维故障图像为二维振动故障图像或二维噪声故障图像。
6.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法,其特征在于,进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级,同时压缩像素较少的灰度级,增大像素之间灰度值差别的动态范围。
9.根据权利要求8所述的一种用于轴承故障诊断的信号增强方法,其特征在于,对CDF(ri)取整扩展,将新灰度替代旧灰度,并合并灰度值相等或相近的每个灰度直方图即可得到直方图均衡化的结果,其公式如下:
CDF(r)=int[(N-1)CDF(ri)+0.5],其中int[·]表示向下取整。
10.一种用于轴承故障诊断的信号增强系统,其特征在于,包括:
信号采集模块,用于采集轴承在不同故障类别下的故障时域信号数据;
数据集构建模块,用于利用数据增强与扩展技术对单个所述时域信号数据进行扩充,并将其划分为训练集,验证集和测试集;
数据增强模块,用于利用横向插值技术根据所述训练集,所述验证集和所述测试集构建二维故障图像,并对所述二维故障图像进行直方图均衡化处理,以增大像素之间灰度值差别的动态范围,实现故障信号增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503731.XA CN112683533A (zh) | 2020-12-18 | 2020-12-18 | 一种用于轴承故障诊断的信号增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503731.XA CN112683533A (zh) | 2020-12-18 | 2020-12-18 | 一种用于轴承故障诊断的信号增强方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112683533A true CN112683533A (zh) | 2021-04-20 |
Family
ID=75449676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503731.XA Pending CN112683533A (zh) | 2020-12-18 | 2020-12-18 | 一种用于轴承故障诊断的信号增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238763A (zh) * | 2022-06-10 | 2022-10-25 | 西北工业大学 | 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050146714A1 (en) * | 1999-08-26 | 2005-07-07 | Tadashi Kitamura | Pattern inspection apparatus and method |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN110288566A (zh) * | 2019-05-23 | 2019-09-27 | 北京中科晶上科技股份有限公司 | 一种目标缺陷提取方法 |
CN110533614A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工程大学 | 一种结合频域和空域的水下图像增强方法 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
-
2020
- 2020-12-18 CN CN202011503731.XA patent/CN112683533A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050146714A1 (en) * | 1999-08-26 | 2005-07-07 | Tadashi Kitamura | Pattern inspection apparatus and method |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN110288566A (zh) * | 2019-05-23 | 2019-09-27 | 北京中科晶上科技股份有限公司 | 一种目标缺陷提取方法 |
CN110533614A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工程大学 | 一种结合频域和空域的水下图像增强方法 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张龙涛等: "一种图像增强的混合算法研究", 《长江大学学报(自科版)》 * |
曲建岭等: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 《仪器仪表学报》 * |
王俊强等: "基于机器视觉的带钢表面缺陷检测系统", 《邢台职业技术学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238763A (zh) * | 2022-06-10 | 2022-10-25 | 西北工业大学 | 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法 |
CN115238763B (zh) * | 2022-06-10 | 2024-02-13 | 西北工业大学 | 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
Sohaib et al. | Fault diagnosis of rotary machine bearings under inconsistent working conditions | |
Yuan et al. | Intelligent fault diagnosis of rolling element bearings based on HHT and CNN | |
US20230351177A1 (en) | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion | |
CN112633132A (zh) | 基于二维振动图像增强的轴承故障诊断方法及系统 | |
CN113344295A (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN114659790A (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Yeh et al. | Using convolutional neural network for vibration fault diagnosis monitoring in machinery | |
CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN112683533A (zh) | 一种用于轴承故障诊断的信号增强方法及系统 | |
CN114492534A (zh) | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 | |
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 | |
CN116977708A (zh) | 一种基于自适应聚合可视图的轴承智能诊断方法及系统 | |
CN114705427A (zh) | 一种强噪声环境下的滚动轴承智能故障诊断方法 | |
CN115424075A (zh) | 一种流水线状态监测方法和系统 | |
CN115186692A (zh) | 基于经验模态分解和图像转换的智能故障诊断方法 | |
CN113158769A (zh) | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 | |
Tama et al. | An overview of deep learning techniques for fault detection using vibration signal | |
Kannan et al. | Ball Bearing Fault by Feature Extraction and Fault Diagnosis method based on AI ML Algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |