CN112966632B - 一种基于振动信号图像化的故障识别方法及系统 - Google Patents
一种基于振动信号图像化的故障识别方法及系统 Download PDFInfo
- Publication number
- CN112966632B CN112966632B CN202110294965.6A CN202110294965A CN112966632B CN 112966632 B CN112966632 B CN 112966632B CN 202110294965 A CN202110294965 A CN 202110294965A CN 112966632 B CN112966632 B CN 112966632B
- Authority
- CN
- China
- Prior art keywords
- vibration
- phase
- time
- image
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003384 imaging method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 41
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 18
- 238000000819 phase cycle Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007906 compression Methods 0.000 abstract description 10
- 230000006835 compression Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013144 data compression Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动信号图像化的故障识别方法，获取键相传感器采集的键相时域信号序列，以及振动传感器采集的振动时域信号序列，构建任意相位与时间的函数关系，以及振动信号与时间的函数关系；对振动信号与时间的函数关系进行阶次分析得到振动信号与任意相位的函数关系，进行短时傅里叶变换，得到变换后的振动‑相位信号频谱；使用变换后的振动‑相位信号频谱沿着时间顺序构建振动图像，对构成的图像训练样本集特征提取，对振动特征向量进行降维，得到降维后的特征样本集；利用K‑means聚类算法对降维后的特征样本集进行聚类分析，确定故障类别。本发明将振动数据转换为图像数据，进行有损压缩，提高了数据处理的速度和效率。
Description
技术领域
本发明涉及图像数据的产生和处理领域，尤其涉及一种基于振动信号图像化的故障识别方法及系统。
背景技术
振动广泛存在于机械、车辆、建筑、航空航天等各类工程应用中。工程结构和设备在运行过程中产生大量振动信号，其中蕴含着丰富的结构内在特性和设备运行状况信息，是反映系统状态及其变化规律的重要信息表征，直接影响着工程结构和设备的安全运行。
高频率的振动信号需要大量数据来表示，因此必须对其进行数据压缩。但在压缩的过程中，也会对传输介质、传输方法和存储介质等提出较高要求。目前，对于工业设备中的振动数据的压缩，通常采用经典的无损数据压缩方法，如哈夫曼编码等，对二进制数据进行重编码，数据压缩和解压缩的时候，需要使用到大量的计算机资源，极限压缩的能力较低。无损压缩时，振动数据中存在的大量统计性质的多余度，如极高频率的噪音，以及幅值较小的波动，均被完整地保留了下来。这些数据对于分析设备的运行状态、诊断设备的故障等，并没有起到有益的作用，反而会拖累了计算机处理数据的效率。因此，可以在允许保真度的条件下压缩待存储的图像数据，大大节约存储空间，而且在图像传输时也大大减少信道容量。
本发明通过对原始的数字数据压缩成图像的方式，借助图像的有损压缩，可以显著降低数据量。图像压缩是图像存储、处理和传输的基础，它是用尽可能少的数据来进行图像的存储和传输。通过允许图像编码有一定的失真，有效地提高了压缩比，从而实现设备振动数据的高速传输与存储，降低通过机器学习获得设备状态分类模型所需的算力。
发明内容
鉴于此，本发明提供一种基于振动信号图像化的故障识别方法及系统，将设备的振动监测数据转换为图像数据，并进行有损压缩，提高了数据处理和故障分析的速度和效率。
为实现上述目的，本发明提供一种基于振动信号图像化的故障识别方法，所述方法包括：
S1、在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相信号时域序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
S2、对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
S3、根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
S4、重复步骤S1～S3，基于多个采集周期对应得到多张振动图像，并构成图像训练样本集；
S5、对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
S6、利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。
优选的，所述步骤S1包括：
转轴转动一圈为2π，将2π分为n个键相相位，对应各个键相相位点为0,2π/n,2*2π/n,…,2π，在所述各个键相相位点采集对应的时间戳，得到基于键相位的键相时域信号序列
其中，表示键相的相位值，t为时间，t＝τ0,τ1,...,τn为键相所对应的采集时间戳；
在所述键相时域信号序列中选择若干个相邻键相位点/>其对应的时间区间为(ti,ti+1)，采用二次B样条曲线拟合的方法，构建任意相位θ和时间t的函数关系θ(t)和t(θ)。
优选的，所述步骤S1还包括：
设置各个时间序列对应为t0,t1,…,tn，并设置相邻时间序列的时间间隔为Δt，以及设置在所述时间间隔Δt内采集的振动信号个数为k，得到基于所述时间序列的振动时域信号序列DATA(t,s)；
其中，t0,t1,…,tn对应为各个时间序列，Δt为相邻时间序列的时间间隔，k为时间间隔Δt内采集的振动信号个数，s为采集的随时间变化的振动信号；
对所述振动时域信号序列DATA(t，s)采用样条插值的方法构建振动信号与时间的函数关系s(t)。
优选的，所述步骤S2包括：
根据所述时间序列计算对应的相位序列为θ0，θ1，...，θn，设置相邻相位序列间的相位间隔为Δθ，以及设置在所述相位间隔Δθ内等角度采样个数为1，对所述振动信号与时间的函数关系进行等角度重采样，得到基于所述相位序列的重采样后的振动信号与任意相位的函数关系DATA(θ，s)；
其中，t0，t1，...，tn为各个时间序列，θ0，θ1，...，θn为相位序列，Δθ为相邻相位序列间的相位间隔，1为相位间隔Δθ内等角度采样个数。
优选的，所述步骤S2包括；
对所述振动信号与任意相位的函数关系DATA(θ，s)进行短时傅里叶变换，得到所述每一个相位间隔对应的振动-相位信号频谱S(f，θγ)，并进行归一化处理，得到归一化处理后的振动信号频率；
S(f′，θγ)＝∫s(t(θ))r(θ-θγ)e-j2πf′θdθ (4)；
r为一时间窗口函数，定义为：
其中，θγ取值为θ0，θ1，...，θn，相邻的相位序列间的相位间隔为Δθ，f’为归一化处理后的振动信号频率，j为单位虚数。
优选的，所述步骤S3包括：
根据所述振动-相位信号频谱得到各个时间序列所对应的振动-相位信号频谱，基于每一个时间序列对应的振动-相位信号频谱，以归一化后的振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建图像数据集DATA(m，n)；
DATA(m，n)＝[frev·m，trev·n，S(frev·m，θ(trev·n))] (6)；
其中，图像像素点的横坐标为m，其值对应为频率frev*m，frev为图像频率分辨率，图像像素点的纵坐标为n，其值对应为时间trev*n，trev为时间序列分辨率，S为振动信号幅值。
优选的，所述步骤S5包括：
获取每一张振动图像中每一个像素点的灰度值并构为对应的灰度序列，将所有的灰度序列构建为一个灰度样本集X＝[x1，x2，...，xN]，xi为第i张振动图像对应灰度序列，维数为M维，M为振动图像的像素数；
对每一张振动图像中同一个像素点坐标所对应的灰度值进行累加并求平均，得到每一个像素点坐标所对应的平均灰度值，将其构建为一个具有M维的平均灰度向量集。
优选的，所述步骤S5包括：
将每一张振动图像中同一像素点坐标的灰度值与对应该坐标的平均灰度值进行差值运算，得到每一张振动图像的所有像素点与平均灰度向量的灰度偏差向量，将其构建为所述图像训练样本集的偏差矩阵，该偏差矩阵的维数为M×N，N表示振动图像的张数；
计算所述偏差矩阵的协方差矩阵，该协方差矩阵的维数为M×M，计算得到所述协方差矩阵的特征向量和对应的特征值；
将所述特征值按照从大到小的降序排列，获取所述特征值中特征值累计贡献率超过90％的前m个特征值；
将所述m个特征值所对应的特征向量构成变换矩阵；
将所述灰度样本集通过所述变换矩阵进行变换映射后得到降维后的特征样本集，所述特征样本集P中每一个样本为m维，m小于M。
优选的，所述步骤S6包括：
从所述降维后的特征样本集中选择K个特征向量作为K个初始聚类中心；
将所述降维后的特征样本集中每一个特征向量，分别计算其与K个初始聚类中心的距离，并根据最小距离形成初始的聚类中心值，完成一次迭代，重复执行上述迭代过程，直至计算出的聚类中心值等于原中心值，得到每一类的聚类中心；
获取的每一个聚类中心作为对应的故障类别。
为实现上述目的，本发明提供一种基于振动信号图像化的故障识别系统，所述系统包括：
函数构建模块，用于在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相信号时域序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
阶次分析模块，用于对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
图像构建模块，用于根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
样本模块，用于重复执行所述函数构建模块、阶次分析模块以及图像构建模块，得到多个采集周期对应的多张振动图像，并构成图像训练样本集；
降维模块，用于对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
聚类模块，用于利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。
与现有技术相比，本发明提供一种基于振动信号图像化的故障识别方法及系统，所带来的有益效果为：将设备的振动监测数据，转换成了图像数据，并在图像数据的基础上进行有损压缩，保留了主要的振动特征信息，大大加快了设备振动监测数据的传输、处理以及分析的速度；图像化的设备监测数据结合了振动信号的时序数据处理和相位数据数理，图像的每一行信息代表不同时间段的振动特征频谱，并进行了基于相位的阶次分析，揭示了更多的设备运行规律；基于本发明生成特有的图像数据集，利用PCA在保留90％图片信息基础上提取关键特征，实现特征去相关和特征降维处理，提高K-mean故障诊断算法的计算效率。
附图说明
图1是根据本发明的一个实施例的基于振动信号图像化的故障识别方法的流程示意图。
图2是根据本发明的一具体实施例的振动时域信号示意图。
图3是根据本发明的一具体实施例的未使用阶次分析的设备运行示意图。
图4是根据本发明的一具体实施例的使用阶次分析的设备运行示意图。
图5是根据本发明的一实施例的基于振动信号图像化的故障识别系统的系统示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示的本发明的一个实施例，本发明提供一种基于振动信号图像化的故障识别方法，所述方法包括：
S1、在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相信号时域序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
S2、对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
S3、根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
S4、重复步骤S1～S3，基于多个采集周期对应得到多张振动图像，并构成图像训练样本集；
S5、对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
S6、利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。
通过安装在设备传动轴承的键相传感器采集信号，转轴转动一圈为2π，将2π分为n个键相相位，对应各个键相相位点为0,2π/n,2*2π/n,…,2π，在所述各个键相相位点采集对应的时间戳，得到基于键相位的键相时域信号序列用公式(1)进行表示：
其中，表示键相的相位值，t为时间，t＝τ0,τ1,...,τn为键相所对应的采集时间戳；
将所述键相时域信号序列采用样条插值的方法构建任意相位θ与时间的函数关系θ(t)。具体地，在所述键相时域信号序列/>中选择若干个相邻键相位点/>其对应的时间区间为(ti,ti+1)，通过键相传感器在键相相位点采集振动信号的时候，同时也获取了对应的采集时间。采用二次B样条曲线拟合的方法，构建任意相位θ和时间t的函数关系θ(t)和反函数t(θ)。
通过安装在设备上的振动传感器采集振动时域信号序列。本发明中的振动传感器可以是加速度传感器或者速度传感器或者位移传感器，并不局限于振动信号，振动信号也可以为位移信号、加速度信号、速度信号等。设置采样周期，对该采样周期内的振动信号进行监测并采集。设置各个时间序列对应为t0,t1,…,tn，并设置相邻时间序列的时间间隔为Δt，以及设置在所述时间间隔Δt内采集的振动信号个数为k，得到基于所述时间序列的振动时域信号序列DATA(t,s)，
其中，t0,t1,…,tn对应为各个时间序列，Δt为相邻时间序列的时间间隔，k为时间间隔Δt内采集的振动信号个数，s为采集的随时间变化的振动信号。对振动时域信号序列DATA(t,s)采用样条插值的方法构建振动信号与时间的函数关系s(t)，样条插值的方法同上述步骤相同，在此不再做描述。如图2所示的振动时域信号示意图。
对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系到。具体地，上述步骤中设置的各个时间序列对应为t0，t1，...，tn，根据所述时间序列计算对应的相位序列为θ0，θ1，...，θn，在相邻的两个相位序列之间有多个相位，设置相邻相位序列间的相位间隔为Δθ，以及设置在所述相位间隔Δθ内等角度采样个数为1，对所述振动信号与时间的函数关系进行等角度重采样，得到基于所述相位序列的重采样后的振动信号与任意相位的函数关系DATA(θ，s)。
其中，t0，t1，...，tn为各个时间序列，θ0，θ1，...，θn为相位序列，Δθ为相邻相位序列间的相位间隔，1为相位间隔Δθ内等角度采样个数。如图3所示的未使用阶次分析的设备运行示意图。图4所示的使用阶次分析的设备运行示意图。
对所述振动信号与任意相位的函数关系DATA(θ，s)进行短时傅里叶变换，得到变换后的振动信号频谱。具体地，对所述振动信号与任意相位的函数关系DATA(θ，s)进行短时傅里叶变换，得到所述每一个相位间隔对应的振动-相位信号频谱S(f，θγ)，并进行归一化处理，得到归一化处理后的振动信号频率。短时傅里叶变换公式为式(4)。
S(f′，θγ)＝∫s(t(θ))r(θ-θγ)e-j2πf′θdθ (4)；
r为一时间窗口函数，定义为：
其中，θγ取值为θ0，θ1，.....θn，相邻的相位序列间的相位间隔为Δθ，f’为归一化处理后的振动信号频率，j为单位虚数。
根据所述振动-相位信号频谱得到各个时间序列所对应的振动-相位信号频谱，基于每一个时间序列对应的振动-相位信号频谱，以归一化后的振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建图像数据集DATA(m，n)，
DATA(m，n)＝[frev·m，trev·n，S(frev·m，θ(trev·n))] (6)；
其中，图像像素点的横坐标为m，其值对应为频率frev*m，frev为图像频率分辨率，图像像素点的纵坐标为n，其值对应为时间trev*n，trev为时间序列分辨率，S为振动信号幅值。m、n的最小值均为0，最大值默认均为1000。将所述图像数据集通过图像处理软件，如FFMPEG，构建为图像。
重复步骤S1～S3，基于多个采集周期，对每一个采样周期采集获取的键相时域信号序列和振动时域信号序列进行上述方法处理，对应得到多张振动图像，并构成图像训练样本集。得到多张振动图像构成图像训练样本集。
对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量集，并对所述振动特征向量机进行降维，得到低维振动特征向量集。主成分分析(principle component analysis)也称PCA算法，原理是对测量空间中数据，通过变换投影到低维特征空间。获取每一张振动图像中每一个像素点的灰度值并构为对应的灰度序列，将所有的灰度序列构建为一个灰度样本集X＝[x1，x2，......xN]，xi为第i张振动图像对应灰度序列，维数为M维，M为振动图像的像素数；对每一张振动图像中同一个像素点坐标所对应的灰度值进行累加并求平均，得到每一个像素点坐标所对应的平均灰度值，将其构建为一个具有M维的平均灰度向量集；将每一张振动图像中同一像素点坐标的灰度值与对应该坐标的平均灰度值进行差值运算，得到每一张振动图像的所有像素点与平均灰度向量的灰度偏差向量，将其构建为所述图像训练样本集的偏差矩阵，该偏差矩阵的维数为M×N，N表示振动图像的张数；计算所述偏差矩阵的协方差矩阵，该协方差矩阵的维数为M×M，计算得到所述样本集协方差矩阵的特征向量和对应的特征值；将所述特征值按照从大到小的降序排列，获取所述特征值中特征值累计贡献率超过90％的前m个特征值，特征值累计贡献率α计算公式为：
其中，λ为特征值。
将所述m个特征值所对应的特征向量构成变换矩阵W＝[e1，e2……em]，e为特征向量，m小于M。将所述灰度样本集X通过所述变换矩阵进行变换映射后得到降维后的特征样本集P＝[p1，p2……pn]，转换公式为：
P＝WTX (8)；
其中，WT表示变换矩阵的转置，X为灰度样本集，特征样本集P中每一个样本为m维，在最大化保留图片关键信息的前提下，实现数据压缩。
利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。K-means聚类算法是一种基于样本间相似度的间接聚类算法，属于非监督学习方法。此算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。具体地，将所述降维后的特征样本集分为K类，K为聚类数目，该聚类数目可以基于设备的实际工况条件及故障种类确定。从所述降维后的特征样本集中选择K个特征向量作为K个初始聚类中心，将所述降维后的特征样本集中每一个特征向量，分别计算其与K个初始聚类中心的距离，并根据最小距离形成初始的聚类中心值，完成一次迭代，重复执行上述迭代过程，直至计算出的聚类中心值等于原中心值，得到每一类的聚类中心，获取的每一个聚类中心作为对应的故障类别。根据故障类别可以对设备的故障状况进行分析和识别。
如图5所示的本发明的一个实施例，本发明提供一种基于振动信号图像化的故障识别系统，所述系统包括：
函数构建模块50，用于在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相信号时域序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
阶次分析模块51，用于对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
图像构建模块52，用于根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
样本模块53，用于重复执行所述函数构建模块、阶次分析模块以及图像构建模块，得到多个采集周期对应的多张振动图像，并构成图像训练样本集；
降维模块54，用于对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
聚类模块55，用于利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。
函数构建模块获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，采用二次B样条曲线拟合的方法，构建任意相位和时间的函数关系。函数构建模块获取振动传感器采集的基于时间序列的振动时域信号序列，并采用采用样条插值的方法构建得到振动信号与时间的函数关系。阶次分析模块对所述振动信号与时间的函数关系进行阶次分析，利用等角度采样方法，根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换和归一化处理，得到变换后的振动-相位信号频谱，以及归一化处理后的振动信号频率。
图像构建模块根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并通过图像构建软件得到对应的振动图像。样本模块重复执行所述函数构建模块、阶次分析模块以及图像构建模块，得到多个采集周期对应的多张振动图像，并构成图像训练样本集。
降维模块对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并通过PCA算法对所述振动特征向量进行降维，得到降维后的特征样本集。聚类模块利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。
尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。
Claims (9)
1.一种基于振动信号图像化的故障识别方法，其特征在于，所述方法包括步骤：
S1、在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相时域信号序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
S2、对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
S3、根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
S4、重复步骤S1～S3，基于多个采集周期对应得到多张振动图像，并构成图像训练样本集；
S5、对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
S6、利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别；
所述步骤S5包括：
获取每一张振动图像中每一个像素点的灰度值并构为对应的灰度序列，将所有的灰度序列构建为一个灰度样本集X＝[x1,x2,……xN]，xi为第i张振动图像对应灰度序列，维数为M维，M为振动图像的像素数；
对每一张振动图像中同一个像素点坐标所对应的灰度值进行累加并求平均，得到每一个像素点坐标所对应的平均灰度值，将其构建为一个具有M维的平均灰度向量集。
2.如权利要求1所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S1包括：
转轴转动一圈为2π，将2π分为n个键相相位，对应各个键相相位点为0,2π/n,2*2π/n,……,2π，在所述各个键相相位点采集对应的时间戳，得到基于键相位的键相时域信号序列
其中，2π/n,2*2π/n,…,2π表示键相的相位值，t为时间，t＝τ0,τ1,...,τn表示各个键相所对应的采集时间戳；
在所述键相时域信号序列中选择若干个相邻键相位点/>其对应的时间区间为(ti,ti+1)，采用二次B样条曲线拟合的方法，构建任意相位θ和时间t的函数关系θ(t)及其反函数t(θ)。
3.如权利要求2所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S1还包括：
设置各个时间序列对应为t0,t1,…,tn，并设置相邻时间序列的时间间隔为Δt，以及设置在所述时间间隔Δt内采集的振动信号个数为k，得到基于所述时间序列的振动时域信号序列DATA(t,s)；
其中，t0,t1,…,tn对应为各个时间序列，Δt为相邻时间序列的时间间隔，k为每一个时间间隔Δt内采集的振动信号个数，s为采集的随时间变化的振动信号；对所述振动时域信号序列DATA(t,s)采用样条插值的方法构建振动信号与时间的函数关系s(t)。
4.如权利要求3所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S2包括：
根据所述时间序列计算对应的相位序列为θ0，θ1,…,θn，设置相邻相位序列间的相位间隔为Δθ，以及设置在所述相位间隔Δθ内等角度采样个数为l，对所述振动信号与时间的函数关系进行等角度重采样，得到基于所述相位序列的重采样后的振动信号与任意相位的函数关系DATA(θ,s)；
其中，t0,t1,……tn为各个时间序列，θ0，θ1,……θn为相位序列，Δθ为相邻相位序列间的相位间隔，l为相位间隔Δθ内等角度采样个数。
5.如权利要求4所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S2包括：
对所述振动信号与任意相位的函数关系DATA(θ,s)进行短时傅里叶变换，得到所述每一个相位间隔对应的振动-相位信号频谱S(f,θγ)，并进行归一化处理，得到归一化处理后的振动信号频率；
S(f′,θγ)＝∫s(t(θ))r(θ-θγ)e-j2πf′θdθ (4)；
r为一时间窗口函数，定义为；
其中，θγ取值为θ0,θ1,.....θn，相邻的相位序列间的相位间隔为Δθ，f’为归一化处理后的振动信号频率，j为单位虚数。
6.如权利要求5所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S3包括：
根据所述振动-相位信号频谱得到各个时间序列所对应的振动-相位信号频谱，基于每一个时间序列对应的振动-相位信号频谱，以归一化后的振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建图像数据集DATA(m,n)；
DATA(m,n)＝[frev·m,trev·n,S(frev·m,θ(trev·n))] (6)；
其中，图像像素点的横坐标为m，其值对应为频率frev*m，frev为图像频率分辨率，图像像素点的纵坐标为n，其值对应为时间trev*n，trev为时间序列分辨率，S为振动信号幅值。
7.如权利要求6所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S5包括：
将每一张振动图像中同一像素点坐标的灰度值与对应该坐标的平均灰度值进行差值运算，得到每一张振动图像的所有像素点与平均灰度向量的灰度偏差向量，将其构建为所述图像训练样本集的偏差矩阵，该偏差矩阵的维数为M×N，N表示振动图像的张数；
计算所述偏差矩阵的协方差矩阵，该协方差矩阵的维数为M×M，计算得到所述协方差矩阵的特征向量和对应的特征值；
将所述特征值按照从大到小的降序排列，获取所述特征值中特征值累计贡献率超过90％的前m个特征值；
将所述m个特征值所对应的特征向量构成变换矩阵；
将所述灰度样本集通过所述变换矩阵进行变换映射后得到降维后的特征样本集，所述特征样本集P中每一个样本为m维，m小于M。
8.如权利要求7所述的基于振动信号图像化的故障识别方法，其特征在于，所述步骤S6包括：
从所述降维后的特征样本集中选择K个特征向量作为K个初始聚类中心；
将所述降维后的特征样本集中每一个特征向量，分别计算其与K个初始聚类中心的距离，并根据最小距离形成初始的聚类中心值，完成一次迭代，重复执行上述迭代过程，直至计算出的聚类中心值等于原中心值，得到每一类的聚类中心；
获取的每一个聚类中心作为对应的故障类别。
9.一种基于振动信号图像化的故障识别系统，其特征在于，所述系统包括：函数构建模块，用于在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相时域信号序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；
阶次分析模块，用于对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；
图像构建模块，用于根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；
样本模块，用于重复执行所述函数构建模块、阶次分析模块以及图像构建模块，得到多个采集周期对应的多张振动图像，并构成图像训练样本集；
降维模块，用于对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；
聚类模块，用于利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别；
其中，所述降维模块具体用于：
获取每一张振动图像中每一个像素点的灰度值并构为对应的灰度序列，将所有的灰度序列构建为一个灰度样本集X＝[x1,x2,……xN]，xi为第i张振动图像对应灰度序列，维数为M维，M为振动图像的像素数；对每一张振动图像中同一个像素点坐标所对应的灰度值进行累加并求平均，得到每一个像素点坐标所对应的平均灰度值，将其构建为一个具有M维的平均灰度向量集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110294965.6A CN112966632B (zh) | 2021-03-19 | 2021-03-19 | 一种基于振动信号图像化的故障识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110294965.6A CN112966632B (zh) | 2021-03-19 | 2021-03-19 | 一种基于振动信号图像化的故障识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966632A CN112966632A (zh) | 2021-06-15 |
| CN112966632B true CN112966632B (zh) | 2023-12-12 |
Family
ID=76279433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110294965.6A Active CN112966632B (zh) | 2021-03-19 | 2021-03-19 | 一种基于振动信号图像化的故障识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966632B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297569B (zh) * | 2021-11-22 | 2022-09-13 | 国网安徽省电力有限公司马鞍山供电公司 | 一种振动传感器的开关故障检测算法 |
| CN116977438B (zh) * | 2023-09-22 | 2024-04-02 | 广东佳德自动化设备有限公司 | 一种物流用伸缩机振动检测方法、系统及使用设备 |
| CN117094992B (zh) * | 2023-10-17 | 2024-03-12 | 广州长川科技有限公司 | 基于图像处理的电气设备故障检测方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196547A (zh) * | 2013-03-11 | 2013-07-10 | 安徽新力电业科技咨询有限责任公司 | 一种实现旋转机械振动信号同步阶比跟踪分析方法 |
| CN103559392A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于多传感信息融合的机组状态评估方法 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
| CN108871742A (zh) * | 2018-05-03 | 2018-11-23 | 西安交通大学 | 一种改进的无键相故障特征阶次提取方法 |
| CN109063387A (zh) * | 2018-09-26 | 2018-12-21 | 华南理工大学 | 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN109977920A (zh) * | 2019-04-11 | 2019-07-05 | 福州大学 | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 |
| CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
| CN110642109A (zh) * | 2019-04-26 | 2020-01-03 | 深圳市豪视智能科技有限公司 | 升降设备的振动检测方法、装置、服务器及存储介质 |
| CN110688906A (zh) * | 2019-08-31 | 2020-01-14 | 深圳市广宁股份有限公司 | 风电设备的智能检测方法及相关产品 |
| CN111199209A (zh) * | 2019-12-31 | 2020-05-26 | 林龙 | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 |
| CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
| CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
-
2021
- 2021-03-19 CN CN202110294965.6A patent/CN112966632B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196547A (zh) * | 2013-03-11 | 2013-07-10 | 安徽新力电业科技咨询有限责任公司 | 一种实现旋转机械振动信号同步阶比跟踪分析方法 |
| CN103559392A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于多传感信息融合的机组状态评估方法 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
| CN108871742A (zh) * | 2018-05-03 | 2018-11-23 | 西安交通大学 | 一种改进的无键相故障特征阶次提取方法 |
| CN109063387A (zh) * | 2018-09-26 | 2018-12-21 | 华南理工大学 | 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN109977920A (zh) * | 2019-04-11 | 2019-07-05 | 福州大学 | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 |
| CN110642109A (zh) * | 2019-04-26 | 2020-01-03 | 深圳市豪视智能科技有限公司 | 升降设备的振动检测方法、装置、服务器及存储介质 |
| CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
| CN110688906A (zh) * | 2019-08-31 | 2020-01-14 | 深圳市广宁股份有限公司 | 风电设备的智能检测方法及相关产品 |
| CN111199209A (zh) * | 2019-12-31 | 2020-05-26 | 林龙 | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 |
| CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
| CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Fault Diagnosis of Active Magnetic Bearing–Rotor System via Vibration Images;Xunshi Yan 等;《Sensors》;1-21 * |
| Intelligent Fault Diagnosis of Rolling Bearing Using FCM Clustering of EMD-PWVD Vibration Images;Hongwei Fan 等;《IEEE Access》;145194 - 145206 * |
| 基于深度学习理论的异步电机故障诊断方法研究;梁昱;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C042-610 * |
| 基于视觉的振动特征提取算法研究及应用;郭杰;《中国博士论文全文数据库 信息科技辑》;I138-96 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966632A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966632B (zh) | 一种基于振动信号图像化的故障识别方法及系统 | |
| CN108319962B (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
| CN109582003B (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 | |
| Kumar et al. | Dilated convolutional neural network based model for bearing faults and broken rotor bar detection in squirrel cage induction motors | |
| CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
| Kang et al. | Reliable fault diagnosis of multiple induction motor defects using a 2-D representation of Shannon wavelets | |
| CN111476339A (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
| CN113780412A (zh) | 故障诊断模型训练方法、系统及其诊断方法、系统 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 | |
| Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
| CN112229632B (zh) | 一种基于敏感特征迁移学习的轴承故障诊断方法 | |
| Yuan et al. | An improved initialization method of D-KSVD algorithm for bearing fault diagnosis | |
| CN114503131A (zh) | 检索装置、检索方法、检索程序和学习模型检索系统 | |
| Ahmed et al. | Compressive sensing strategy for classification of bearing faults | |
| CN117692649B (zh) | 基于图像特征匹配的船舶远程监控视频高效传输方法 | |
| CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
| CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| Li et al. | Decision fusion for hyperspectral image classification based on minimum-distance classifiers in thewavelet domain | |
| Dong et al. | Rolling bearing fault diagnosis using modified neighborhood preserving embedding and maximal overlap discrete wavelet packet transform with sensitive features selection | |
| Xu et al. | Fault diagnosis on imbalanced data using an adaptive cost-sensitive multiscale attention network | |
| CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
| Wang et al. | Bispectrum texture feature manifold for feature extraction in rolling bear fault diagnosis | |
| CN112345251A (zh) | 基于信号分辨率增强的机械智能故障诊断方法 |
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 |