CN112729804A - 旋转机械故障诊断方法和装置 - Google Patents
旋转机械故障诊断方法和装置 Download PDFInfo
- Publication number
- CN112729804A CN112729804A CN202011637563.3A CN202011637563A CN112729804A CN 112729804 A CN112729804 A CN 112729804A CN 202011637563 A CN202011637563 A CN 202011637563A CN 112729804 A CN112729804 A CN 112729804A
- Authority
- CN
- China
- Prior art keywords
- cyclic
- data
- ordinary
- density
- obtaining
- 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.)
- Granted
Links
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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种旋转机械故障诊断方法和装置,该方法包括:获取旋转机械在各个设定时刻的第一振动数据和转速数据;根据所述各个设定时刻的第一振动数据和转速数据,获取所述旋转机械在各个设定角位移处的第二振动数据;根据所述第一振动数据确定第一循环普密度图像;根据所述第二振动数据确定第二循环普密度图像;将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态。本申请可以提高旋转机械故障诊断的准确率。
Description
技术领域
本申请涉及机械设备故障诊断技术,尤其涉及一种旋转机械故障诊断方法和装置。
背景技术
旋转机械是指主要功能是由旋转运动完成的机械设备,例如电动机、离心式压缩机、汽轮发电机组等,被广泛应用于交通运输、生产制造、采矿、油气开采、化工、供排水以及环保等领域,在各种生产、生活系统中起着非常关键的作用。因此,如何对旋转机械的故障进行及时诊断,防止旋转机械的运行故障,避免旋转机械运行故障造成的损失是必须要引起重视的问题。
现有的旋转机械故障诊断的方法有两种。第一种是假设旋转机械运行时匀转速运行,基于该假设进行旋转机械的故障诊断。由于这种假设与旋转机械的实际运行不符,所以基于该假设的故障诊断也容易造成误诊的情况。第二种是人工识别和提取旋转机械的运行特征图上的特征,再根据该特征进行旋转机械的故障诊断。这种故障诊断方法也容易造成误诊的情况。
因此,如何提高旋转机械故障诊断的准确率,依然是需要解决的问题。
发明内容
本申请提供一种旋转机械故障诊断方法和装置,用以解决现有技术中存在的旋转机械故障诊断的准确率低的问题。
一方面,本申请提供一种旋转机械故障诊断方法,包括:
获取旋转机械在各个设定时刻的第一振动数据和转速数据;
根据所述各个设定时刻的第一振动数据和转速数据,获取所述旋转机械在各个设定角位移处的第二振动数据;
根据所述第一振动数据确定第一循环普密度图;
根据所述第二振动数据确定第二循环普密度图;
将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态。
其中一个实施例中,所述根据所述第一振动数据确定第一循环普密度图像包括:
从所述第一振动数据中获取与第一设定时刻对应的第一计算数据;
根据所述第一计算数据获得第一计算数据的循环谱密度;
根据所述第一计算数据的循环谱密度获得第一计算数据的循环谱密度图像。
其中一个实施例中,所述根据所述第一计算数据获得第一计算数据的循环谱密度包括:
将所述第一计算数据划分为K个数据段,每个所述数据段包含M个观测样本;
根据每个所述数据段包含的M个观测样本获得每个所述数据段的傅里叶变换;
根据所述每个所述数据段的傅里叶变换获得所述每个所述数据段对应的循环普密度;
根据所述每个所述数据段对应的循环普密度确定所述第一计算数据的循环普密度;
根据所述第一计算数据的循环普密度得到所述第一循环普密度图像。
其中一个实施例中,所述根据所述第一计算数据的循环普密度得到所述第一循环普密度图像包括:
根据矩阵G(m,n)获得所述第一循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
其中一项实施例中,所述根据所述第二振动数据确定第二循环普密度图像包括:
从所述第二振动数据中获取与第一设定角位移对应的第二计算数据;
根据所述第二计算数据获得第二计算数据的循环谱密度;
根据所述第二计算数据的循环谱密度获得第二计算数据的循环谱密度图像。
其中一个实施例中,所述根据所述第二计算数据获得第二计算数据的循环谱密度包括:
将所述第二计算数据划分为K个数据段,每个所述数据段包含M个观测样本;
根据每个所述数据段包含的M个观测样本获得每个所述数据段的傅里叶变换;
根据所述每个所述数据段的傅里叶变换获得所述每个所述数据段对应的循环普密度;
根据所述每个所述数据段对应的循环普密度确定所述第二计算数据的循环普密度;
根据所述第二计算数据的循环普密度得到所述第二循环普密度图像。
其中一个实施例中,所述根据所述第二计算数据的循环普密度得到所述第二循环普密度图像包括:
根据矩阵G(m,n)获得所述第二循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
其中一个实施例中,所述将所述第一循环普密度图像或和所述第二循环普密度图输入至卷积神经网络,得到所述旋转机械的故障状态之前,所述方法还包括:
获取所述旋转机械的历史循环普密度图像;
以所述历史循环普密度图像作为样本集训练初始卷积神经网络模型;
测试所述初始卷积神经网络模型,当测试合格时得到所述卷积神经网络模型。
其中一个实施例中,将所述第一循环普密度图像或和所述第二循环普密度图输入至卷积神经网络,得到所述旋转机械的故障状态包括:
将所述第一循环普密度图像或和所述第二循环普密度图像输入至所述卷积神经网络,得到所述旋转机械的各个元件的预测值;
当一个所述元件的预测值大于预设值时,确定所述旋转机械的故障状态为所述一个所述元件故障。
另一方面,本申请提供一种旋转机械故障诊断装置,包括:
第一获取模块,用于获取旋转机械在各个设定时刻的振动数据,得到第一振动数据;
第二获取模块,用于获取所述旋转机械在各个设定角位移处的振动数据,得到第二振动数据;其中,一个所述设定角位移对应一个时刻;
第一图像生成模块,用于根据所述第一振动数据确定第一循环普密度图像;
第二图像生成模块,用于根据所述第二振动数据确定第二循环普密度图像;
故障确定模块,用于将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态。
另一方面,本申请提供一种终端设备,包括存储器,处理器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述终端设备执行如第一方面所述的旋转机械故障诊断方法。
另一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当所述指令被执行时,使得计算机执行如第一方面所述的旋转机械故障诊断方法。
另一方面,本申请提供一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如第一方面所述的旋转机械故障诊断方法。
本申请提供的方法采集了旋转机械在不同时刻振动数据和转速数据集合,再根据振动数据和转速集合确定该旋转机械的在不同时刻和不同角位移处的振动数据的循环普密度图像。将循环普密度图像输入至该卷积神经网络(Convolutional Neural Network,简称CNN)后便可以得到该旋转机械的故障状态。该故障状态可以反映该旋转机械是否出现故障,以及出现故障的元件、元件的故障状态等。本申请提供的方法在进行旋转机械的故障诊断时,考虑了旋转机械非匀速转动的实际情况,采集了旋转机械的振动数据和转速数据,再基于旋转机械的振动数据和转速数据生成的循环普密度图像和卷积神经网络对旋转机械的故障状态进行诊断,经过实验证明,本申请提供的方法可以有效提高旋转机械故障诊断的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请提供的旋转机械故障诊断方法的一种应用场景示意图。
图2为本申请的一个实施例提供的旋转机械故障诊断方法的流程示意图。
图3为本申请的另一个实施例提供的旋转机械故障诊断方法的流程示意图。
图4为本申请的又一个实施例三提供的旋转机械故障诊断方法的流程示意图。
图5为本申请的另一个实施例提供的旋转机械故障诊断方法的示意图。
图6为本申请的又一个实施例提供的旋转机械故障诊断方法的示意图。
图7为本申请的一个实施例提供的旋转机械故障诊断装置的示意图。
图8为本申请的一个实施例提供的终端设备的示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
旋转机械例如电动机、离心式压缩机、汽轮发点机组等,被广泛应用于交通运输、生产制造、采矿、油气开发、化工、供排水以及环保等领域,在各种生产、生活系统中起着非常关键的作用。因此,为了防止旋转机械运行故障带来的重大损失,对旋转机械的运行故障进行准确诊断时非常必要的。但是,现有的故障诊断方法都是基于旋转机械匀速转动的前提去进行旋转机械的故障诊断,得到的故障诊断结果就和旋转机械的实际运行状况严重不符。
基于此,本申请提供一种旋转机械故障诊断方法和装置,基于旋转机械在实际中非匀速转动的情况对旋转机械的运行故障进行诊断,分别获取了旋转机械在各个设定时刻的振动状况和转速状况,再引入卷积神经网络对各个设定时刻和各个角位移处的振动状况进行分析,最后得出该旋转机械的故障状态。本申请提供的旋转机械故障诊断方法结合实际情况对旋转机械的运行进行故障诊断,故障诊断的结果更加准确和贴合实际。
本申请提供的旋转机械故障诊断方法应用于终端设备,该终端设备例如计算机、实验室专用的服务器等。图1为本申请提供的旋转机械故障诊断方法的应用示意图,图中,该旋转机械1上设置有振动传感器2和转速传感器3,该振动传感器2和该转速传感器3可以分别采集该旋转机械1的振动信号和转速信号,该振动传感器2和该转速传感器3再将该振动信号和该转速信号发送至终端设备4。该终端设备4获取到该振动信号和该转速信号后,对该振动信号和该转速信号进行分析处理后输出该旋转机械1的故障状态。该终端设备4可以显示该旋转机械1的故障状态,也可以将该旋转机械1的故障状态发送至其他终端进行显示。
请参见图2,本申请的一个实施例提供一种旋转机械故障诊断方法,包括:
S201,获取旋转机械在各个设定时刻的第一振动数据和转速数据。
如图1所示,该振动传感器2采集该旋转机械1在该各个设定时刻的振动信号,再将该振动信号发送至该终端设备4,由该终端设备4将该各个设定时刻对应的振动信号转换为数据,得到该旋转机械1在该各个设定时刻的第一振动数据。该转速传感器3采集该旋转机械1在该各个设定时刻的转速信号,再将该转速信号发送至该终端设备4,由该终端设备4将该各个设定时刻的转速信号转换为数据,得到该旋转机械1在该各个设定时刻的第一转速。该终端设备4在得到该各个设定时刻的第一振动数据后,也可以将该各个设定时刻的第一振动数据进行整合后得到该旋转机械1关于所有设定时刻的时间序列数据。
该设定时刻可以由工作人员根据实际需要进行设置,本申请不做限定。可选地,该设定时刻可以是基于等时间间隔设置的多个时刻,例如iΔt,Δt代表相邻的该设定时刻之间的差值,i是从0开始取值的整数。从起始的该设定时刻开始表示该各个设定时刻则为0,Δt,2Δt,3Δt,……,iΔt。可选地,i也可以是不从0开始取值的整数,例如该各个设定时刻为2Δt,3Δt,4Δt,……,iΔt。
S202,根据该各个设定时刻的第一振动数据和转速数据,获取该旋转机械在各个设定角位移处的第二振动数据。
为了对非匀速转动的该旋转机械的故障状况进行更加准确的判断,本实施例中还获取了该旋转机械在各个设定角位移处的振动数据。
该设定角位移可以由工作人员根据实际需要进行设置。可选地,该各个设定角位移可以是基于等角位移差设置的多个角位移,例如mΔθ,Δθ代表相邻的该设定时刻之间的差值,m是从0开始取值的整数。从起始的该设定角位移开始表示该各个设定角位移则为0,Δθ,2Δθ,3Δθ,……,mΔθ。可选地,m也可以是不从0开始取值的整数,例如该各个设定角位移为2Δθ,3Δθ,4Δθ,……,mΔθ。该各个设定角位移分别对应的振动时刻可以相应的表示为Tm。则,与设定角位移0对应的振动时刻为T0,与设定角位移Δθ对应的振动时刻表示为T1,与设定角位移2Δθ对应的振动时刻表示为T2,依次类推,与mΔθ对应的振动时刻表示为Tm。
由于实际无法直接获取各个设定角位移处的第二振动数据,需要根据实际获取的该各个设定时刻的第一振动数据确定该各个设定角位移处的第二振动数据。可选地,在确定一个该设定角位移的振动时刻后,可以根据该振动时刻和第一振动数据通过插值确定该各个设定角位移处的第二振动数据。
S203,根据该第一振动数据确定第一循环普密度图像。
令该第一振动数据为x(iΔt),其中i为整数,Δt为相邻的该设定时刻之间的差值。由该第一振动数据确定该第一循环普密度图像的过程共包括五个步骤,具体如下:
可选的,如图3所示,步骤S203可以包括:
S2031,从该第一振动数据中获取与第一设定时刻对应的第一计算数据。
该第一计算数据即为该第一设定时刻对应的振动数据。
S2032,根据该第一计算数据获得第一计算数据的循环谱密度。
即,对该第一计算数据进行处理,得到该第一计算数据的循环普密度。
可选的,如图4所示,该处理过程包括:
S20321,将该第一计算数据划分为K个数据段,每个该数据段包含M个观测样本。
假设该第一计算数据共有N个观测样本,则N=K×M。
S20322,根据每个该数据段包含的M个观测样本获得每个该数据段的傅里叶变换。
可选的,根据公式i=1,2,...,K确定每个该数据段的傅里叶变换,即确定每个该数据段的DFT系数,其中i=1,2,...,K。Yi(f)代表与该第i个数据段对应的DFT系数,x(i×K+n)Δt代表与当前数据段和当前设定时刻对应的第一计算数据,i×K代表该当前数据段;n代表该当前设定时刻的时序编号。当然,也可以通过其他计算方式确定该每个该数据段对应的傅里叶变换,本申请不做限定。
S20323,根据该每个该数据段的傅里叶变换获得该每个该数据段对应的循环普密度。
可选的,根据公式i=1,2,...,K确定该当前设定时刻对应的循环普密度;其中,Si(α,f)代表该当前设定时刻对应的循环普密度;和以为间隔遍历其中k∈[0,M-1]。当然,也可以通过其他计算方式确定每个该数据段对应的循环普密度,本申请不做限定。
S20324,根据该每个数据段对应的循环普密度确定该第一计算数据的循环普密度。
该第一计算数据的循环普密度由该第一计算数据中K个数据段对应的K个循环普密度组成,根据该每个数据段对应的循环普密度可以确定该第一计算数据的循环普密度。
S2033,根据该第一计算数据的循环普密度获得第一计算数据的循环普密度图像。
即,确定与Si(α,f)对应的图像,可选的,步骤S2033可以包括:
其中,M、m和n均为大于0的整数。该采样间隔指的是依次获取不同设定时刻的计算数据的数据获取频率。
S20333,根据矩阵G(m,n)获得该第一循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
S204,根据该第二振动数据确定第二循环普密度图。
与步骤S203的具体步骤相似,如图5所示,步骤S204可以包括:
S2041,从该第二振动数据中获取与第一设定角位移对应的第二计算数据。
该第二计算数据即为该第一设定角位移对应的振动数据。
S2042,根据该第二计算数据获得第二计算数据的循环谱密度。
即,对该第二计算数据进行处理,得到该第二计算数据的循环普密度。
可选的,该处理过程包括:
S20421,将该第二计算数据划分为K个数据段,每个该数据段包含M个观测样本。
假设该第二计算数据共有N个观测样本,则N=K×M。
S20422,根据每个该数据段包含的M个观测样本获得每个该数据段的傅里叶变换。
具体的,根据公式i=1,2,...,K确定每个该数据段的傅里叶变换,即确定每个该数据段的DFT系数,其中i=1,2,...,K。Yi(f)代表与该第i个数据段对应的DFT系数,x(i×K+n)Δt代表与当前数据段和当前设定角位移对应的第二计算数据,i×K代表该当前数据段;n代表该当前设定时刻的时序编号。当然,也可以通过其他计算方式确定该每个该数据段对应的傅里叶变换,本申请不做限定。
S20423,根据该每个该数据段的傅里叶变换获得该每个该数据段对应的循环普密度。
具体的,根据公式i=1,2,...,K确定该当前设定角位移对应的循环普密度;其中,Si(α,f)代表该当前设定角位移对应的循环普密度;和以为间隔遍历其中k∈[0,M-1]。当然,也可以通过其他计算方式确定每个该数据段对应的循环普密度,本申请不做限定。
S20424,根据该每个该数据段对应的循环普密度确定该第二计算数据的循环普密度。
该第二计算数据的循环普密度由该第二计算数据中K个数据段对应的K个循环普密度组成,根据该每个数据段对应的循环普密度可以确定该第二计算数据的循环普密度。
S2043,根据该第二计算数据的循环普密度获得第二计算数据的循环普密度图像。
可选的,步骤S2043包括:
其中,M、m和n均为大于0的整数。该采样间隔指的是依次获取不同设定角位移的计算数据的数据获取频率。
S20433,根据矩阵G(m,n)获得该第二循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
S205,将该第一循环普密度图像或和该第二循环普密度图像输入至卷积神经网络,得到该旋转机械的故障状态。
该卷积神经网络是一种前馈神经网络,可以对图像进行分析处理并输出分析结果。可选地,本实施例提供的该卷积神经网络包括3个卷积层、2个全连接层和一个Softmax分类器。该第一循环普密度图像或和该第二循环普密度图像输入至该卷积神经网络后,先由该卷积神经网络中的每一个卷积层对该第一循环普密度图像或和该第二循环普密度图像进行卷积、池化和归一化处理。其中,第一卷积层的卷积核大小是5*5,步长是1*1,该卷积完成后分别从该第一循环普密度图像或和该第二循环普密度图像中提取出64种特征。该池化是使用最大池化,大小为3*3,步长为1*1。第二卷积层和第三卷积层的设置是一样的,卷积核大小为3*3,步长为1*1,池化为最大池化,大小为3*3,步长为2*2。在该3个卷积层对该第一循环普密度图像或和该第二循环普密度图像进行卷积处理得到特征后,将得到的特征展开输入至该2个全连接层后得到该旋转机械的各个元件的标签值和预测值。对该预测值进行判断可以确定该旋转机械中出现故障的元件,对该标签值和该预测值进行比对可以对该卷积神经网络模型的好坏进行评判。
例如,在滚动轴承的故障诊断中,输入一张轴承外圈循环普密度图像,标签值与预测值如表1:
正常 | 内圈故障 | 外圈故障 | 滚动体故障 | 保持架故障 | |
标签值 | 0 | 0 | 1 | 0 | 0 |
预测值 | 0.04 | 0.061 | 0.7 | 0.1 | 0.1 |
对该预测值进行判断可以确定该旋转机械中出现故障的元件。如表1所示的内圈故障的预测值为0.061,外圈故障的预测值为0.7,滚动体故障的预测值为0.1,保持架故障的预测值为0.1。而工作人员根据实际需要设置当预测值大于0.3时即为元件出现故障,则表1中可以判断滚动轴承的轴承外圈出现外圈故障。
L=-(0×log(0.04)+0×log(0.06)+1×log(0.7)+0×log(0.1)+0×log(0.1))=0.36;
理论上L的值越小,该卷积神经网络模型越好。
本实施例提供的旋转机械故障诊断方法获取了该旋转机械在各个设定时刻的第一振动数据,以及获取了该旋转机械在各个设定角位移处的第二振动数据,再分别根据该第一振动数据和该第二振动数据确定了该第一循环普密度图像和该第二循环普密度图像,将该第一循环普密度图像或和该第二循环普密度图像输入至卷积神经网络后得到该旋转机械的故障状态。最终得到的该旋转机械的故障状态是贴合旋转机械非匀速转动的特性确定的故障状态,因此本实施例提供的旋转机械故障诊断方法的故障诊断结果更加准确和贴合实际。
请参见图6,本申请实施例二提供一种旋转机械故障诊断方法,包括:
S301,获取旋转机械在各个设定时刻的第一振动数据和转速数据。
本步骤的具体实现方式参照图2所示的实施例一种步骤S201的描述,此处不再进行详细解释。
S302,获取相邻的该设定时刻之间的差值,得到设定时间间隔。
在本实施例中,该设定时刻是基于等时间间隔设置的多个时刻,任意相邻的该设定时刻之间的差值均为该设定时间间隔。如步骤S201中的描述,该设定时间间隔可以表示为Δt,则该多个设定时刻可以表示为iΔt,i=0,1,2,3...。
S303,根据该设定角位移对应的第一设定时刻,确定该设定角位移对应的第一振动时刻,该第一振动时刻与该第一设定时刻相邻且大于该第一设定时刻。
该设定角位移是该各个设定角位移中的任意一个角位移,如步骤S202中的描述,该设定角位移为mΔθ,且符合θ(iΔt)<mΔθ<θ((i+1)Δt),其中θ(iΔt)代表设定时刻iΔt对应的角位移,θ((i+1)Δt)代表设定时刻(i+1)Δt对应的角位移,则该设定角位移mΔθ对应的该第一设定时刻指的是iΔt。该第一振动时刻Tm满足iΔt<Tm<(i+1)Δt,根据iΔt、iΔt和(i+1)Δt时刻的转速可以确定Tm的值,具体可以为根据公式Tm=iΔt+tm确定Tm,其中tm指的是从设定时刻iΔt时的角位移θ(iΔt)开始转过角位移[mΔθ-θ(iΔt)]所需的时间。
S304,根据该各个设定时刻的第一振动数据、该设定时间间隔、该第一设定时刻和该第一振动时刻确定该设定角位移处的第二振动数据。
如步骤S203中的描述,令该各个设定时刻的第一振动数据为x(iΔt),该设定时间间隔为Δt,该第一设定时刻为iΔt,该设定角位移对应的振动时刻为Tm,该设定角位移为mΔθ,该设定角位移对应的振动时刻的第二振动数据为x(mΔθ)。则可以根据公式(1)~(3)或公式(1)~(3)的变形确定该设定角位移mΔθ的第二振动数据x(mΔθ)。具体的,包括:
根据公式(2)确定该第一振动时刻之后的各个设定时刻的第二振动数据。其中,x(mθ)代表该第二振动数据,mθ代表该第一设定角位移,nΔt代表该各个设定时刻,Δt代表该设定时间间隔,n为整数;Tm代表该第一振动时刻,m为整数;x(nΔt)代表该各个设定时刻的第一振动数据。
再根据该第一振动时刻之前的各个设定时刻的第二振动数据和该第一振动时刻之后的各个设定时刻的第二振动数据的和确定该第一设定角位移对应的第二振动数据,即根据公式(3)x(mΔθ)=x1(mΔθ)+x2(mΔθ)确定x(mΔθ)。
S305,根据该第一振动数据确定第一循环普密度图像。
S306,根据该第二振动数据确定第二循环普密度图像。
S307,将该第一循环普密度图像或和该第二循环普密度图像输入至卷积神经网络,得到该旋转机械的故障状态。
步骤S305~S307的具体实现方式参照图2所示的实施例一种步骤S203~S205的描述,此处不再进行详细解释。
请参见图7,本申请实施例四提供一种旋转机械故障诊断装置10,包括:
第一获取模块11,用于获取旋转机械在各个设定时刻的第一振动数据和转速数据。
第二获取模块12,用于根据该各个设定时刻的第一振动数据,获取该旋转机械在各个设定角位移处的第二振动数据。
第一图像生成模块13,用于根据该第一振动数据确定第一循环普密度图像。
具体的,该第一图像生成模块13用于从该第一振动数据中获取与第一设定时刻对应的第一计算数据;根据该第一计算数据获得第一计算数据的循环谱密度;根据该第一计算数据的循环谱密度获得第一计算数据的循环谱密度图像。
该第一图像生成模块13具体用于将该第一计算数据划分为K个数据段,每个该数据段包含M个观测样本;根据每个该数据段包含的M个观测样本获得每个该数据段的傅里叶变换;根据该每个该数据段的傅里叶变换获得该每个该数据段对应的循环普密度;根据该每个该数据段对应的循环普密度确定该第一计算数据的循环普密度。
该第一图像生成模块13具体用于根据该第一计算数据的循环普密度获得设定循环频率和频率处的循环普密度值这里为该第一计算数据的循环普密度Sx(α,f)在循环频率和频率处的取值,循环频率和频率的采样间隔;根据设定循环频率和频率处的循环普密度值获得矩阵G(m,n)的第m行、第n列的元素值g(m,n),即对进行四舍五入取整运算得到g(m,t),即这里,为四舍五入取整运算符,c为常数;根据矩阵G(m,n)获得该第一循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素F(m,n)的值等于g(m,n)即
第二图像生成模块14,用于根据该第二振动数据确定第二循环普密度图像。
具体的,该第二图像生成模块14用于从该第二振动数据中获取与第一设定角位移对应的第二计算数据;根据该第二计算数据获得第二计算数据的循环谱密度;根据该第二计算数据的循环谱密度获得第二计算数据的循环谱密度图像。
该第二图像生成模块14具体用于将该第二计算数据划分为K个数据段,每个该数据段包含M个观测样本;根据每个该数据段包含的M个观测样本获得每个该数据段的傅里叶变换;根据该每个该数据段的傅里叶变换获得该每个该数据段对应的循环普密度;根据该每个该数据段对应的循环普密度确定该第二计算数据的循环普密度。
该第二图像生成模块13具体用于根据该第二计算数据的循环普密度获得设定循环频率和频率处的循环普密度值这里为该第二计算数据的循环普密度Sx(α,f)在循环频率和频率处的取值,循环频率和频率的采样间隔;根据设定循环频率和频率处的循环普密度值获得矩阵G(m,n)的第m行、第n列的元素值g(m,n),即对进行四舍五入取整运算得到g(m,n),即这里,为四舍五入取整运算符,c为常数;根据矩阵G(m,n)获得该第二循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
故障确定模块15,用于将该第一循环普密度图像或和该第二循环普密度图像输入至卷积神经网络,得到该旋转机械的故障状态。该故障确定模块15具体用于将该第一循环普密度图像或和该第二循环普密度图像输入至该卷积神经网络,得到该旋转机械的各个元件的预测值;当一个该元件的预测值大于预设值时,确定该旋转机械的故障状态为该一个该元件故障。
该旋转机械故障诊断装置10还包括:
第三获取模块16,用于获取该旋转机械的历史循环普密度图像。
训练模块17,用于以该历史循环普密度图像作为样本集训练初始卷积神经网络模型。
测试模块18,测试该初始卷积神经网络模型,当测试合格时得到该卷积神经网络模型。
请参见图8,本申请实施例五提供一种终端设备20,包括存储器21、处理器22和收发器23。该存储器21用于存储指令,该收发器23用于和其他设备通信,该处理器22用于执行该存储器21中存储的指令,以使该终端设备20执行如上图2至图6所示实施例提供的该旋转机械故障诊断方法,具体实现方式和技术效果类似,这里不再赘述。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机执行指令,当该指令被执行时,使得计算机执行指令被处理器执行时用于实现如上任一项实施例提供的该旋转机械故障诊断方法。本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上任一项实施例提供的该旋转机械故障诊断方法。
需要说明的是,上述计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器。也可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种旋转机械故障诊断方法,其特征在于,包括:
获取旋转机械在各个设定时刻的第一振动数据和转速数据;
根据所述各个设定时刻的第一振动数据和转速数据,获取所述旋转机械在各个设定角位移处的第二振动数据;
根据所述第一振动数据确定第一循环普密度图像;
根据所述第二振动数据确定第二循环普密度图像;
将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一振动数据确定第一循环普密度图像包括:
从所述第一振动数据中获取与第一设定时刻对应的第一计算数据;
根据所述第一计算数据获得第一计算数据的循环谱密度;
根据所述第一计算数据的循环谱密度获得第一计算数据的循环谱密度图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一计算数据获得第一计算数据的循环谱密度包括:
将所述第一计算数据划分为K个数据段,每个所述数据段包含M个观测样本;
根据每个所述数据段包含的M个观测样本获得每个所述数据段的傅里叶变换;
根据所述每个所述数据段的傅里叶变换获得所述每个所述数据段对应的循环普密度;
根据所述每个所述数据段对应的循环普密度确定所述第一计算数据的循环普密度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一计算数据的循环普密度得到所述第一循环普密度图像包括:
根据矩阵G(m,n)获得所述第一循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二振动数据确定第二循环普密度图像包括:
从所述第二振动数据中获取与第一设定角位移对应的第二计算数据;
根据所述第二计算数据获得第二计算数据的循环谱密度;
根据所述第二计算数据的循环谱密度获得第二计算数据的循环谱密度图像。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二计算数据获得第二计算数据的循环谱密度包括:
将所述第二计算数据划分为K个数据段,每个所述数据段包含M个观测样本;
根据每个所述数据段包含的M个观测样本获得每个所述数据段的傅里叶变换;
根据所述每个所述数据段的傅里叶变换获得所述每个所述数据段对应的循环普密度;
根据所述每个所述数据段对应的循环普密度确定所述第二计算数据的循环普密度。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第二计算数据的循环普密度得到所述第二循环普密度图像包括:
根据矩阵G(m,n)获得所述第二循环普密度图像,即让由像素f(m,n)构成的图像F(m,n)的第m行,第n列的像素f(m,n)的值等于g(m,n)即
8.根据权利要求1-7任一项所述的方法,其特征在于,所述将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态之前,所述方法还包括:
获取所述旋转机械的历史循环普密度图像;
以所述历史循环普密度图像作为样本集训练初始卷积神经网络模型;
测试所述初始卷积神经网络模型,当测试合格时得到所述卷积神经网络模型。
9.根据权利要求1-7任一项所述的方法,其特征在于,将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态包括;
将所述第一循环普密度图像或和所述第二循环普密度图像输入至所述卷积神经网络,得到所述旋转机械的各个元件的预测值;
当一个所述元件的预测值大于预设值时,确定所述旋转机械的故障状态为所述一个所述元件故障。
10.一种旋转机械故障诊断装置,其特征在于,包括:
第一获取模块,用于获取旋转机械在各个设定时刻的振动数据,得到第一振动数据和转速数据;
第二获取模块,用于根据所述各个设定时刻的第一振动数据和转速数据,获取所述旋转机械在各个设定角位移处的第二振动数据;
第一图像生成模块,用于根据所述第一振动数据确定第一循环普密度图像;
第二图像生成模块,用于根据所述第二振动数据确定第二循环普密度图像;
故障确定模块,用于将所述第一循环普密度图像或和所述第二循环普密度图像输入至卷积神经网络,得到所述旋转机械的故障状态。
11.一种终端设备,其特征在于,包括存储器,处理器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述终端设备执行如权利要求1-9任一项所述的旋转机械故障诊断方法。
12.一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中存储有计算机执行指令,当所述指令被执行时,使得计算机执行如权利要求1-9中任一项所述的旋转机械故障诊断方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-9任一项所述的旋转机械故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637563.3A CN112729804B (zh) | 2020-12-31 | 2020-12-31 | 旋转机械故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637563.3A CN112729804B (zh) | 2020-12-31 | 2020-12-31 | 旋转机械故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729804A true CN112729804A (zh) | 2021-04-30 |
CN112729804B CN112729804B (zh) | 2022-11-29 |
Family
ID=75608805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637563.3A Active CN112729804B (zh) | 2020-12-31 | 2020-12-31 | 旋转机械故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729804B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1026580A (ja) * | 1996-05-08 | 1998-01-27 | Nippon Steel Corp | 変速型回転機械設備の診断方法および装置 |
CN109580224A (zh) * | 2018-12-28 | 2019-04-05 | 北京中科东韧科技有限责任公司 | 滚动轴承故障实时监测方法 |
CN109883705A (zh) * | 2019-03-25 | 2019-06-14 | 西安交通大学 | 电机滚动轴承局部点蚀故障诊断方法及其诊断系统 |
CN110987167A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械设备的故障检测方法、装置、设备及存储介质 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN111259798A (zh) * | 2020-01-16 | 2020-06-09 | 西安电子科技大学 | 基于深度学习的调制信号识别方法 |
CN111797567A (zh) * | 2020-06-09 | 2020-10-20 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
CN112104389A (zh) * | 2020-08-07 | 2020-12-18 | 中国人民解放军海军航空大学青岛校区 | 基于循环平稳特征的分阶段boc信号检测方法 |
-
2020
- 2020-12-31 CN CN202011637563.3A patent/CN112729804B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1026580A (ja) * | 1996-05-08 | 1998-01-27 | Nippon Steel Corp | 変速型回転機械設備の診断方法および装置 |
CN109580224A (zh) * | 2018-12-28 | 2019-04-05 | 北京中科东韧科技有限责任公司 | 滚动轴承故障实时监测方法 |
CN109883705A (zh) * | 2019-03-25 | 2019-06-14 | 西安交通大学 | 电机滚动轴承局部点蚀故障诊断方法及其诊断系统 |
CN110987167A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械设备的故障检测方法、装置、设备及存储介质 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN111259798A (zh) * | 2020-01-16 | 2020-06-09 | 西安电子科技大学 | 基于深度学习的调制信号识别方法 |
CN111797567A (zh) * | 2020-06-09 | 2020-10-20 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
CN112104389A (zh) * | 2020-08-07 | 2020-12-18 | 中国人民解放军海军航空大学青岛校区 | 基于循环平稳特征的分阶段boc信号检测方法 |
Non-Patent Citations (3)
Title |
---|
周徐宁等: "基于谱相关密度-连续HMM的滚动轴承故障诊断", 《矿山机械》 * |
沙美妤等: "基于振动信号的轴承故障诊断技术综述", 《轴承》 * |
陈庆涛: "旋转机械振动信号的循环谱分析", 《贵州大学学报( 自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112729804B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
Liu et al. | Unsupervised fault diagnosis of rolling bearings using a deep neural network based on generative adversarial networks | |
Wang et al. | Cascade convolutional neural network with progressive optimization for motor fault diagnosis under nonstationary conditions | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
Zhang et al. | Intelligent fault diagnosis of mechanical equipment under varying working condition via iterative matching network augmented with selective Signal reuse strategy | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
Jiang et al. | OrbitNet: A new CNN model for automatic fault diagnostics of turbomachines | |
CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN108303255A (zh) | 低速重载设备滚动轴承故障诊断方法、设备及介质 | |
CN112729804B (zh) | 旋转机械故障诊断方法和装置 | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 | |
Cannarile et al. | Elastic net multinomial logistic regression for fault diagnostics of on-board aeronautical systems | |
JP7115346B2 (ja) | 異常検知装置 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
Li et al. | Periodnet: Noise-robust fault diagnosis method under varying speed conditions | |
CN110610027B (zh) | 一种基于短时数据的航空发动机解析余度计算方法 | |
CN117034669A (zh) | 一种旋转机械滚动轴承剩余寿命预测方法及系统 | |
CN107389367B (zh) | 一种基于最优信噪比的信号自适应解包络方法及计算设备 | |
CN113962289A (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及系统 | |
CN113052060A (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 |
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 |