CN112798279B - 一种新的诊断电机轴承故障的检测方法 - Google Patents
一种新的诊断电机轴承故障的检测方法 Download PDFInfo
- Publication number
- CN112798279B CN112798279B CN202011603941.6A CN202011603941A CN112798279B CN 112798279 B CN112798279 B CN 112798279B CN 202011603941 A CN202011603941 A CN 202011603941A CN 112798279 B CN112798279 B CN 112798279B
- Authority
- CN
- China
- Prior art keywords
- data
- bearing
- fault
- ratio
- detection method
- 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
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/25—Fusion techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电机轴承预测性维护技术领域,且公开了一种新的诊断电机轴承故障的检测方法,解决了目前市场上的电机轴承故障检测过程中采用经典谱分析方法、基于深度学习方法和机器学习方法存在的问题;本发明的好处是弥补了基于频谱分析的检测方法无法或者置信度的问题,并且融合了机器学习方法对轴承故障检测,新的融合方法可以提高检测精度,并且出现检测错误时也能通过频谱分析来追根溯源,方法简单实用,具有较强的创新性和新颖性。
Description
技术领域
本发明涉及电机轴承预测性维护技术领域,更具体地说是用于精确诊断轴承故障类型的一种新的检测方法,尤其涉及一种新的诊断电机轴承故障的检测方法。
背景技术
轴承是电机等旋转设备中使用最广泛的机械零部件之一,也是最容易出现故障的关键零部件。据统计在使用滚动轴承的旋转设备中,大约有30%的机械故障是由于滚动轴承引起的,其产生的各种潜在的故障包括内圈故障、外圈故障、滚珠故障和保持架故障等。因此轴承的故障诊断在电机预测性维护中占有举足轻重的作用。
轴承故障诊断目前遇到的主要问题是异常数据难于获取,所以一般标定的故障数据量比较少。经典方法是基于频谱分析,通过轴承固有故障频率来诊断,这类方法较为直观,但基于阈值的分类误差较大,也比较难以获取诊断的置信度;基于深度学习方法因受限于故障数据量也很难训练出精准模型;所以目前更倾向于使用机器学习方法,但准确率也有进一步提升的空间。
发明内容
为了克服现有技术不足,本发明目的在于提供一种新的诊断电机轴承故障的检测方法,它弥补了基于频谱分析的检测方法无法或者置信度的问题,并且融合了机器学习方法对轴承故障检测,新的融合方法可以提高检测精度,并且出现检测错误时也能通过频谱分析来追根溯源。
为实现上述目的,本发明提供如下技术方案:一种新的诊断电机轴承故障的检测方法;包括如下步骤:
S1、准备轴承训练数据,标定0位正常轴承,1为外圈故障,2为内圈故障;
S2、选择多尺度排列熵的参数,对数据训练数据进行特征提取,用PCA进行特征维度压缩;
S3、用Adaboost进行分类模型训练,确定下分类模型参数;
S4、用训练集进行Adaboost模型验证,并且输出置信度;
S5、频谱检测方法,获取检测结果和log(ratio)作为置信度;
S6、融合算法,通过置信度算出准确率,比较准确率来得到最终的诊断结果并记录;
优选的,轴承训练数据包括轴承外圈故障,内圈故障,正常轴承振动数据。
优选的,多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数。
优选的,模型验证使用了轴承竞赛MFPT的数据进行训练和验证。
本发明的技术效果和优点:
本发明弥补了基于频谱分析的检测方法无法获取置信度的问题,并且融合了机器学习方法对轴承故障检测,新的融合方法可以提高检测精度,并且出现检测错误时也能通过频谱分析来追根溯源,而且本发明提供了一种行之有效的方法让两种不同的算法之间的结果可以互相比较,这种融合方法具有普适性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的故障频率,故障类型和log(ratio)的关系示意图;
图2为本发明的故障频率,故障类型和log(ratio)的关系示意图。
图3为本发明的机器学习算法Adaboost在测试集上的示意图。
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,以下结合具体实施例,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种新的诊断电机轴承故障的检测方法,包括以下数量份数据:电机轴承外圈故障振动数据50-100份,电机轴承内圈故障振动数据50-100份,正常轴承振动数据30-50份。
包括如下步骤:
S1、准备轴承训练数据,标定0位正常轴承,1为外圈故障,2为内圈故障;
S2、选择多尺度排列熵的参数,对数据训练数据进行特征提取,用PCA进行特征维度压缩;
S3、用Adaboost进行分类模型训练,确定下分类模型参数,使用Adaboost多分类器对数据进行训练,数据标定本专利中使用0表示正常轴承,1表示外圈故障,2表示内圈故障;训练至Adaboost收敛后输出一个多分类模型,权重系数通过训练确定之后,输入一个长度为N振动数据,输出为它的分类结果和置信度;
S4、用测试集进行Adaboost模型验证,并且输出置信度;
S5、频谱检测方法,获取检测结果和log(ratio),
频谱检测方法包含了以下几个步骤:
(1)计算振动的库尔特图,然后获取谱峭度最大的频率fc;
(2)从库尔特图中获取最优带通滤波器的频宽bw;
(3)计算振动信号的包络;
(4)包络信号使用带通滤波[max(fc-bw/2,0)min(fc+bw/2,fs/2)],获取频率fEnvBpf和振幅pEnvpBpf;
(5)假设deltaf=fEnvBpf(2)–fEnvBpf(1),然后计算内圈故障振幅和外圈故障振幅,分别是BPFIAmplitude=max(pEnvpBpf((fEnvBpf>(BPFI-5*deltaf))&(fEnvBpf<(BPFI+5*deltaf))));BPFOAmplitude=max(pEnvpBpf((fEnvBpf>(BPFO-5*deltaf))&(fEnvBpf<(BPFO+5*deltaf))));
(6)假设ratio=BPFIAmplitude/BPFOAmplitude,故障的判别式是当log(raio)<=-1,5时诊断为外圈故障,当log(ratio)在(-1.5,0.5]时诊断为没有故障,当log(ratio)>0.5诊断为内圈故障;故障频率、故障类型和log(ratio)直接的关系参考图1和图2;
S7、融合算法,通过准确率比较来得到最终的诊断结果并记录,融合算法保括以下几个步骤:
(1)频谱诊断方法只有一个阈值分类,没有诊断置信度,但越靠近阈值临界点,诊断的不确定性越高,通过这种现象可以通过标定数据和相对应的log(ratio)来拟合log(ratio)和诊断准确率的对应关系f1;
(2)拟合Adaboost在测试集上的置信度和诊断准确率的对应关系f2;
(3)输入一个新的测试数据,用频谱分析方法和判别式获取一个log(ratio),然后用f1得到一个准确率的估算p1;用机器学习方法获取一个Adaboost置信度,然后用f2得到一个准确率的估算p2;当p1>p2时,输出为频谱分析的诊断结果,当p1<=p2是,输出为Adaboost模型的诊断结果。
进一步的,轴承训练数据包括轴承外圈故障,内圈故障,正常轴承振动数据;使用的振动传感器的采样率一般高于12000赫兹,轴承的早期故障频率一般在30K到40K赫兹之间,如果用于早期轴承故障诊断,需要准备振动数据的采样率一般要高于100K赫兹。
进一步的,多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数;
(1)数据点N,这个是每次计算一个特征向量使用的数据点个数,这个参数选择可以是根据振动数据的采样率,如果采样率是12000赫兹,那可以使用比如5秒时间窗口,那N就等于60000;
(2)嵌入维度m,也就是计算一次排列熵的维度,计算量和维度之间的关系是指数级增长,一般选择范围是4到8,维度高于8对于准确率没有太多的提升;
(3)时间延迟t,就是使用数据点之间的间隔,这个变量对于轴承诊断结果不敏感,可以选择为1,就是使用的是连续数据,中间没有间隔;
(4)多尺度s,这个变量是对原始数据做了s次降采样,然后每次降采样后计算一个排列熵的特征,这个变量在表现多尺度排列熵的特征中起到了关键作用,目前也没有很好的选择规则;本发明中使用了PCA对s维的特征向量进行主成分提取,这样的好处是可以剔除多余维度,对特征进行压缩并且主成分特征向量是相互正交的,这样的特征对于机器学习分类器更加容易训练,本发明中使用了s=16,然后主成分分析之后使用了前面8个主成分矢量。
进一步的,模型验证使用了轴承竞赛MFPT的数据进行训练和验证;轴承竞赛MFPT的数据,包含了电机25赫兹转速情况下不同负载的故障数据和正常数据,本专利使用了一半数据进行训练和一半数据进行模型验证,验证结果参见图3。
工作原理:本发明提供的一种新的诊断电机轴承故障的检测方法,首先准备轴承训练数据,标定0位正常轴承,1为外圈故障,2为内圈故障,接着选择多尺度排列熵的参数,对数据训练数据进行特征提取,用PCA进行特征维度压缩,再用Adaboost进行分类模型训练,确定下分类模型参数,随后用测试集进行Adaboost模型验证并且输出置信度,再通过采用频谱检测方法,获取检测结果和log(ratio),最后融合算法,通过准确率比较来得到最终的诊断结果并记录,这样通过融合了经典频谱轴承诊断方法和机器学习轴承诊断方法,不仅可以提高轴承诊断的综合准确率,而且提供了一种行之有效的方法让两种不同的算法之间的结果可以互相比较,这种融合方法具有普适性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种新的诊断电机轴承故障的检测方法,包括以下数据:电机轴承外圈故障振动数据,电机轴承内圈故障振动数据,正常轴承振动数据,
包括如下步骤:
S1、准备轴承训练数据,标定0为正常轴承,1为外圈故障,2为内圈故障;
S2、选择多尺度排列熵的参数,对数据训练数据进行特征提取,用PCA进行特征维度压缩;
S3、用Adaboost进行分类模型训练,确定下分类模型参数,使用Adaboost多分类器对数据进行训练,数据标定使用0表示正常轴承,1表示外圈故障,2表示内圈故障;训练至Adaboost收敛后输出一个多分类模型,权重系数通过训练确定之后,输入一个长度为N振动数据,输出为它的分类结果和置信度;
S4、用测试集进行Adaboost模型验证,并且输出置信度;
S5、频谱检测方法,获取检测结果和log(ratio),
频谱检测方法包含了以下几个步骤:
(1)计算振动的库尔特图,然后获取谱峭度最大的频率fc;
(2)从库尔特图中获取最优带通滤波器的频宽bw;
(3)计算振动信号的包络;
(4)包络信号使用带通滤波[max(fc-bw/2,0)min(fc+bw/2,fs/2)],获取频率fEnvBpf和振幅pEnvpBpf;
(5)当deltaf=fEnvBpf(2)–fEnvBpf(1)时,计算内圈故障振幅和外圈故障振幅,分别是BPFIAmplitude=max(pEnvpBpf((fEnvBpf>(BPFI-5*deltaf))&(fEnvBpf<(BPFI+5*deltaf))));BPFOAmplitude=max(pEnvpBpf((fEnvBpf>(BPFO-5*deltaf))&(fEnvBpf<(BPFO+5*deltaf))));
(6)当ratio=BPFIAmplitude/BPFOAmplitude时,故障的判别式是当log(raio)<=-1.5时诊断为外圈故障,当log(ratio)在(-1.5,0.5]时诊断为没有故障,当log(ratio)>0.5诊断为内圈故障;
S6、融合算法,通过准确率比较来得到最终的诊断结果并记录,融合算法保括以下几个步骤:
(1)通过标定数据和相对应的log(ratio)来拟合log(ratio)和诊断准确率的对应关系f1;
(2)拟合Adaboost在测试集上的置信度和诊断准确率的对应关系f2;
(3)输入一个新的测试数据,用频谱分析方法和判别式获取一个log(ratio),然后用f1得到一个准确率的估算p1;用机器学习方法获取一个Adaboost置信度,然后用f2得到一个准确率的估算p2;当p1>p2时,输出为频谱分析的诊断结果,当p1<=p2是,输出为Adaboost模型的诊断结果。
2.根据权利要求1所述的一种新的诊断电机轴承故障的检测方法,其特征在于,轴承训练数据包括轴承外圈故障,内圈故障,正常轴承振动数据;使用的振动传感器的采样率高于12000赫兹。
3.根据权利要求1所述的一种新的诊断电机轴承故障的检测方法,其特征在于,使用的振动传感器的采样率高于100K赫兹。
4.根据权利要求1所述的一种新的诊断电机轴承故障的检测方法,其特征在于,多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数;
(1)数据点N,N是每次计算一个特征向量使用的数据点个数,此参数选择可以是根据振动数据的采样率,当采样率是12000赫兹,则使用5秒时间窗口,N等于60000;
(2)嵌入维度m,即计算一次排列熵的维度,计算量和维度之间的关系是指数级增长,其选择范围是4到8;
(3)时间延迟t,即使用数据点之间的间隔,选择为1,即使用的是连续数据,中间没有间隔;
(4)多尺度s,即对原始数据做了s次降采样,然后每次降采样后计算一个排列熵的特征,使用了PCA对s维的特征向量进行主成分提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603941.6A CN112798279B (zh) | 2020-12-30 | 2020-12-30 | 一种新的诊断电机轴承故障的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603941.6A CN112798279B (zh) | 2020-12-30 | 2020-12-30 | 一种新的诊断电机轴承故障的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112798279A CN112798279A (zh) | 2021-05-14 |
CN112798279B true CN112798279B (zh) | 2022-05-31 |
Family
ID=75804323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011603941.6A Active CN112798279B (zh) | 2020-12-30 | 2020-12-30 | 一种新的诊断电机轴承故障的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798279B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721465B (zh) * | 2012-06-13 | 2014-02-05 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位系统及方法 |
CN103323244B (zh) * | 2013-06-05 | 2016-03-30 | 西安交通大学 | 轴承精度性能测试装置及测试方法和确定轴承精度早期失效部件的方法 |
CN107505133B (zh) * | 2017-08-10 | 2019-05-28 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
CN109117353B (zh) * | 2018-08-20 | 2019-12-20 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
WO2020039565A1 (ja) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | 回転機械に用いられる軸受の異常診断方法 |
CN110991055B (zh) * | 2019-12-08 | 2022-09-16 | 中国航空综合技术研究所 | 一种旋转类机械产品剩余寿命预测系统 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
-
2020
- 2020-12-30 CN CN202011603941.6A patent/CN112798279B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112798279A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
US20060210141A1 (en) | Inspection method and inspection apparatus | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
JP4431163B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN112798279B (zh) | 一种新的诊断电机轴承故障的检测方法 | |
CN113946920A (zh) | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 | |
JP4044837B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
Wißbrock et al. | Cutting through the noise: An empirical comparison of psychoacoustic and envelope-based features for machinery fault detection | |
CN115326242A (zh) | 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 | |
CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN105628380B (zh) | 一种可调式中智模型轴承故障分类器的故障分类方法 | |
CN115917268A (zh) | 基于人耳听觉特性检测轴承故障的方法和设备 | |
CN112595515A (zh) | 一种动力轴系轴承故障检测方法及系统 | |
Peeters et al. | Wind turbine planetary gear fault identification using statistical condition indicators and machine learning | |
CN112326248B (zh) | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 |
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 |