CN112988714A - 一种轴承故障数据库构建方法、分析方法与系统 - Google Patents
一种轴承故障数据库构建方法、分析方法与系统 Download PDFInfo
- Publication number
- CN112988714A CN112988714A CN202110366694.0A CN202110366694A CN112988714A CN 112988714 A CN112988714 A CN 112988714A CN 202110366694 A CN202110366694 A CN 202110366694A CN 112988714 A CN112988714 A CN 112988714A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- database
- fault identification
- identification result
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种轴承故障数据库构建方法、分析方法与系统,获取历史故障识别结果;根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。本公开建立动车组轴承国产化轴承故障数据库,对轴承的故障原因分析进行记录,对保证运营安全、提高维修效率和避免不必要的损失等都具有重要的意义。
Description
技术领域
本公开属于轴承故障分析技术领域,具体涉及一种轴承故障数据库构建方法、分析方法与系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
轴承作为很多设备的组成部件,具有重要作用,一旦轴承发生故障,对于设备的安全性、可靠性都有较大影响。因此,对于轴承可靠性分析尤为重要。
但据发明人了解,目前一般只是记录轴承安装位置相关信息,及轴承故障的基本信息,往往因为故障原因分析多样性,解决方式的不同,没有对轴承的故障原因分析进行详细记录,无法提升轴承故障识别的准确性和快速性,后期快速化解决故障、轴承的选择决策也会缺少依据,影响设备的正常工作。
发明内容
本公开为了解决上述问题,提出了一种轴承故障数据库构建方法、分析方法与系统,本公开建立动车组轴承国产化轴承故障数据库,对轴承的故障原因分析进行记录,对保证运营安全、提高维修效率和避免不必要的损失等都具有重要的意义。
根据一些实施例,本公开采用如下技术方案:
本公开的第一目的是提供一种轴承故障数据库构建方法,包括以下步骤:
获取历史故障识别结果;
根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。
作为可选择的实施方式,所述故障识别结果利用故障识别网络模型得到。
作为可选择的实施方式,所述故障识别网络模型为2卷积层-32个节点-1全连接层的CNN模型。
作为可选择的实施方式,所述故障识别网络模型的参数经过L2正则化处理。
作为可选择的实施方式,所述故障识别网络模型选用ReLU函数作为激活函数。
作为可选择的实施方式,所述故障识别网络模型中还包括批标准化项,所述批标准化项配置在激活函数之前,用于规范模型批标准化项前面的网络层数据的分布,经过激活函数的非线性映射得到网络层的输出。
作为可选择的实施方式,所述组成单元品级包括但不限于内圈、外圈、滚子、保持架和润滑脂。
作为可选择的实施方式,所述故障模式包括但不限于剥离、电蚀、擦伤和麻点。
作为可选择的实施方式,建立轴承故障字典的具体过程包括:
以轴承最小单元为组成单元建立构型,对轴承子部件构型进行细化;
根据细化后的轴承子部件构型,对轴承故障字典进行细化。
作为可选择的实施方式,所述数据库内还存储有轴承故障检修信息,包括相应编号、安装位置、运行里程、配属路局、轴承故障描述和处置措施。
作为可选择的实施方式,所述数据库接收并存储输入信息,所述输入信息包括设备关键部位所有可能产生的潜在故障、后果、原因、当前控制模式以及严重度、发生概率和可探测度。
本公开的第二目的是提供一种轴承故障分析方法,包括以下步骤:
利用故障识别模型确定故障识别结果;
根据故障识别结果,在由上述轴承故障数据库构建方法中构建的数据库中确定故障信息,得到分析结果。
作为可选择的实施方式,所述故障识别模型的结构和故障识别网络模型相同,也可以不相同。
本公开的第三目的是提供一种轴承故障数据库构建系统,包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。
本公开的第四目的是提供一种轴承故障分析系统包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库;
故障识别模块,被配置为利用故障识别模型确定故障识别结果;
分析模块,被配置为根据故障识别结果,在所述数据库中查找相对应的故障信息,得到分析结果。
本公开的第五目的是提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述一种轴承故障数据库构建方法中的步骤。
本公开的第六目的是提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述一种轴承故障数据库构建方法中的步骤。
本公开的第七目的是提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述一种轴承故障分析方法中的步骤。
本公开的第八目的是提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述一种轴承故障分析方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开通过轴承实例化,以轴承最小单元颗粒度定义故障模式,构建了轴承故障数据库,从而克服了故障原因分析多样性,解决方式的不同带来的无法统一记录的问题,从而为快速化解决故障、轴承的选择决策提供依据。
本公开利用故障识别网络模型获取故障识别结果,且在模型构建/训练过程中,进行参数正则化,有效降低模型的复杂度,抑制过拟合;加入了批标准化过程,提升故障识别网络模型的准确率,降低损失率。
本公开的数据库还可以存储故障信息,使得用户能够对故障的来源、基础数据以及严重度、发生概率及可探测度进行自定义,便于对故障进行的综合分析和评定,便于后期预防性维护计划,以及检修计划的生成。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开的数据库集成过程示意图;
图2是本公开的数据库部署示意图;
图3是本公开集中激活函数的效果对比图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
实施例一:
一种轴承故障数据库构建方法,包括以下步骤:
步骤(1):获取历史故障识别结果,在本实施例中,是利用故障识别网络模型得到识别结果的。
如图1所示,在此步骤中,可以预先进行故障识别网络模型的构建与训练。
当然,在构建模型的过程中,常常会遇到过拟合的问题(低偏差和高方差),模型为了适应训练集的数据拟合出了非常复杂的曲线,该曲线对于训练集的数据识别率极高,但泛化能力差,对于不同于训练集的测试数据执行起来表现很差,准确率大幅降低。
抑制过拟合有几种方式:1.获取更多的样本,例如数据增强技术;2.丢弃一些特征以获得更好地容错能力,例如Dropout机制;3.保留所有的特征,但是减少参数,确保所有的特征都对实际性能有贡献,例如通常所用的L1、L2正则化技术;4.在模型训练即将过拟合时提前终止训练或根据过往经验修改模型的部分参数。
下面详细介绍,本实施例增加优化约束的能力或干扰优化过程。
在构建故障识别网络模型的时候,会遇到诸如应该堆叠多少层网络层、每层包含多少单元、激活函数用哪一种函数、Dropout丢弃率应该选择多少这类的问题,这些在架构层面的参数为了区别于模型反向传播时会自动优化的参数,通常被称为超参数(hyperparameter)。
对于超参数的调节并没有成文的规则,只能依靠直觉或经验来判定,一般会先随机选择一组超参数,将模型在训练数据上拟合,观察验证数据上的模型性能,然后不断尝试不同的超参数进行比对,最终确定最合适的模型,在测试数据上测试模型的最终性能。
在本实施例中,通过训练不同网络结构、不同激活函数、不同数据集训练等方法,对多个模型进行投票抉择的策略。
选择待定卷积层层数、全连接层层数和每层大小,并对三者不同组合的故障识别能力通过验证集上的结果进行比对,选择最优的搭配。通过以下代码来测试全连接层0-2层、卷积层1-3层、每层大小32/64/128时共3的3次方=27种排列组合中性能最优的模型。程序运行完后,在TensorBoard的可视化界面中可以观察27种模型的检测结果,也可以以csv的格式导出实验数据,导出的数据生成折线图。在验证集上,不同模型的损失率和准确率差异较大,多数模型大体趋势比较相近。标签是全连接层层数-卷积层层数-节点个数的简写。综合考虑用时及准确率和损失率的表现,由于2卷积层-32个节点-1全连接层的模型在验证集上准确率和损失率都较优,且训练用时最短,本实施例的最终选定模型为2卷积层-32个节点-1全连接层的CNN模型作为故障识别网络模型。
参数正则化可以有效降低模型的复杂度,抑制过拟合。L1正则化会产生大量的0参数使得参数的数量减少,即产生一个稀疏模型,通常用于特征选择。L2正则化又称权重衰减,减低了参数之间的差距,使参数变的更平滑,模型能适应更多的数据集,所以抑制过拟合通常都会选用L2正则化。
激活函数可以保证神经网络的非线性。在神经网络发展早期,函数应用较多,在AlexNet出现以后,ReLU函数因其不容易产生梯度消失的优点,逐步取代之前常用的激活函数并成为最广泛应用的激活函数。
ReLU函数的神经元计算上更加高效,并且具有很好的稀疏性,更加接近实际生物神经网络,同一时间约有一半的神经元会处在激活状态。在优化上,很多激活函数会将输出值约束在很小的区间内,在激活函数两端较大范围的定义域内梯度为0,造成学习停滞,产生梯度消失,导致权值更新缓慢,训练难度上升,而ReLU函数为左饱和函数,x>0时导数为1,可以缓解神经网络梯度消失的问题,加速梯度下降的收敛速度。但同时ReLU函数也有一些缺点,它会给后一层的神经网络引入偏置偏移,还容易在参数不恰当的更新后导致后续神经元永远无法激活,这个问题被称为Dying ReLU Problem。为了解决上述问题,ReLU产生了一些变种,例如Leaky ReLU、PReLU、ELU等。
在本实施例中,在构建的卷积神经网络中尝试三种不同的激活函数,观察对模型的优化作用。
表1
根据表1、图3可以看出,Logistic函数在模型上效果最差,准确率最低、损失率最高且用时最长。ReLU函数和Tanh函数效果相近,用时也一样,但从验证集的损失率上看,ReLU函数的效果略优于Tanh函数。因此选择ReLU函数作为激活函数。
Dropout丢弃法可以有效抑制神经网络模型的过拟合。针对深度神经网络参数过多导致的过拟合及训练速度缓慢的问题,在训练过程中,随机丢弃一部分神经元及对应的连接边,以阻止神经元之间过多的相互适应。这种方法提高了神经网络在视觉分析、语音识别、数据分类等领域的性能。后续处理,提升模型性能,通常会将数据集统一到同一分布。否则多次参数更新后,各层的数据分布会变化的非常明显,不停地变化会为模型训练带来困难,深层网络需要为了适应数据分布的变化不断调整参数。
标准化(normalization)可以使模型数据分布更紧密,有助于提升模型的泛化能力。最常见的数据标准化形式就是将数据向平均值靠拢,使分布的中心为0,与此同时将方差缩放到1。
批标准化(batch normalization)在训练过程中均值和方差不断变化的情况下也可以保持数据标准化。其原理是训练过程中在内部保存已读取每批数据均值和方差的指数移动平均值。可以确保模型产生相同的输出,相比批标准化更有优势,尤其是在处理小型训练时效果更优秀,且代价没有明显增加。
在本实施例中,批标准化用于模型中激活函数之前,规范前面网络层数据的分布,然后经过激活函数的非线性映射得到网络层的输出。在构建的模型中添加批标准化项,并在验证集上与之前未加批标准化项的识别率进行对比,可以看出,添加了批标准化项后,准确率上升,损失率下降。批标准化可以规范不同网络层的数据,在卷积层的激活函数之前添加批标准化项。
步骤(2)根据历史故障识别结果,以轴承的组成单元品级为最小单元(内圈、外圈、滚子、保持架、润滑脂等),构建轴承产品结构树,对现有、新造轴承实例化;
步骤(3)以最小单元颗粒度定义故障模式(剥离、电蚀、擦伤、麻点等),建立轴承故障字典,形成数据库。
1)细化轴承子部件构型。构建轴承部件构型,以轴承最小单元(内圈、外圈、滚子、保持架、润滑脂等)为组成单元建立构型,轴承构型的创建在现有动车组MRO系统中完成;
2)细化轴承子部件故障字典。定义轴承故障字典,以轴承最小单元颗粒度定义故障信息(剥离、电蚀、擦伤、麻点等),为轴承故障诊断分析提升可靠性建立数据基础,轴承故障字典创建在现有动车组MRO系统中完成。
如图2所示,可以基于MRO系统数据库,使用部分标准功能表单,同时根据轴承数据库功能要求新增定制开发表单,进行业务操作时,直连MRO数据库进行增、删、改、查等操作;系统逻辑层基于构型、故障字典等通过EBS功能逻辑实现;对于轴承故障系统,定义新的业务层;操作层基础功能通过现有OracleEBS操作界面实现;轴承故障库专用功能通过开发全新的操作界面实现,该前端B/S架构操作界面,界面操作优化,界面美观。
当然,在构建数据库,或者轴承实例化的过程中,还可以记录公司厂内检修轴箱轴承、齿轮箱轴承的故障信息,包括动车组列号、装车位置、运行里程、配属路局、轴承故障描述、处置措施;
记录公司厂内新造及检修动车组轴箱轴承、齿轮箱轴承(齿轮箱厂家录入MRO)、牵引电机轴承(牵引电机厂家录入MRO)的序列号;
同时,可以在数据库中加入预防性维护信息:
在基础数据中,用户需要对潜在故障的严重度、发生概率及可探测度等内容进行定义,以便于对故障进行的综合分析和评定;可辅助开展分析,允许用户一一录入设备关键部位所有可能产生的潜在故障、后果以及原因,并判定每一个故障模式的严重度、发生概率以及可探测度等信息。
之后继续补充此部位的潜在故障模式、故障后果、故障原因、目前的控制模式以及严重度、发生概率和可探测度;
用户可以制定相应设备的预防性维护计划。例如定义自常规检查的频率为每月一次。
同时,上述方案将工作代码关联,还可便于追踪预防性维护。由于系统中的所有数据都是相互关联的,系统可将从现场获得的反馈数据结进行深度分析,以支持设备可持续的改进流程。
通过该方式自动触发维护工单的生成,并通过解决方案提醒和指导用户按时执行维护工作,最终减少设备故障的发生,从而达到预防性维护的目的。
实施例二:
一种轴承故障分析方法,包括以下步骤:
利用故障识别模型确定故障识别结果;
根据故障识别结果,在由实施例一提供的轴承故障数据库构建方法中构建的数据库中确定故障信息,得到分析结果。
实施例三:
一种轴承故障数据库构建系统,包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。
实施例四:
一种轴承故障分析系统包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库;
故障识别模块,被配置为利用故障识别模型确定故障识别结果;
分析模块,被配置为根据故障识别结果,在所述数据库中查找相对应的故障信息,得到分析结果。
实施例五:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一提供的一种轴承故障数据库构建方法中的步骤,或实施例二提供的一种轴承故障分析方法的步骤。
实施例六:
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一提供的一种轴承故障数据库构建方法中的步骤,或实施例二提供的一种轴承故障分析方法的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种轴承故障数据库构建方法,其特征是:包括以下步骤:
获取历史故障识别结果;
根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。
2.如权利要求1所述的一种轴承故障数据库构建方法,其特征是:故障识别结果利用故障识别网络模型得到;
所述故障识别网络模型为2卷积层-32个节点-1全连接层的CNN模型;
所述故障识别网络模型的参数经过L2正则化处理;
所述故障识别网络模型选用ReLU函数作为激活函数;
或,所述故障识别网络模型中还包括批标准化项,所述批标准化项配置在激活函数之前,用于规范模型批标准化项前面的网络层数据的分布,经过激活函数的非线性映射得到网络层的输出。
3.如权利要求1所述的一种轴承故障数据库构建方法,其特征是:所述组成单元品级至少包括内圈、外圈、滚子、保持架和润滑脂中的若干项;
所述故障模式包括剥离、电蚀、擦伤和麻点。
4.如权利要求1所述的一种轴承故障数据库构建方法,其特征是:建立轴承故障字典的具体过程包括:
以轴承最小单元为组成单元建立构型,对轴承子部件构型进行细化;
根据细化后的轴承子部件构型,对轴承故障字典进行细化。
5.如权利要求1所述的一种轴承故障数据库构建方法,其特征是:所述数据库内还存储有轴承故障检修信息,包括相应编号、安装位置、运行里程、配属路局、轴承故障描述和处置措施;
或,所述数据库接收并存储输入信息,所述输入信息包括设备关键部位所有可能产生的潜在故障、后果、原因、当前控制模式以及严重度、发生概率和可探测度。
6.一种轴承故障分析方法,其特征是:包括以下步骤:
利用故障识别模型确定故障识别结果;
根据故障识别结果,在由上述轴承故障数据库构建方法中构建的数据库中确定故障信息,得到分析结果。
7.一种轴承故障数据库构建系统,其特征是:包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库。
8.一种轴承故障分析系统,其特征是:包括:
数据采集模块,被配置为获取历史故障识别结果;
产品结构树构建模块,被配置为根据历史故障识别结果,以轴承的组成单元品级为最小单元,构建轴承产品结构树;
故障字典建立模块,被配置为以最小单元颗粒度定义故障模式,建立轴承故障字典,形成数据库;
故障识别模块,被配置为利用故障识别模型确定故障识别结果;
分析模块,被配置为根据故障识别结果,在所述数据库中查找相对应的故障信息,得到分析结果。
9.一种电子设备,其特征是:包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5中任一项所述的一种轴承故障数据库构建方法中的步骤。
10.一种计算机可读存储介质,其特征是:用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5中任一项所述的一种轴承故障数据库构建方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366694.0A CN112988714B (zh) | 2021-04-06 | 2021-04-06 | 一种轴承故障数据库构建方法、分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366694.0A CN112988714B (zh) | 2021-04-06 | 2021-04-06 | 一种轴承故障数据库构建方法、分析方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112988714A true CN112988714A (zh) | 2021-06-18 |
CN112988714B CN112988714B (zh) | 2023-07-07 |
Family
ID=76339287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110366694.0A Active CN112988714B (zh) | 2021-04-06 | 2021-04-06 | 一种轴承故障数据库构建方法、分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112988714B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与系统 |
CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
CN111581739A (zh) * | 2020-04-22 | 2020-08-25 | 中国直升机设计研究所 | 基于故障树和案例推理的直升机智能故障诊断方法 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
CN111680788A (zh) * | 2020-07-14 | 2020-09-18 | 同济大学 | 基于深度学习的设备故障诊断方法 |
CN112364991A (zh) * | 2020-10-30 | 2021-02-12 | 台州学院 | 一种lstm-e轴承故障识别模型训练方法 |
-
2021
- 2021-04-06 CN CN202110366694.0A patent/CN112988714B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与系统 |
CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
CN111581739A (zh) * | 2020-04-22 | 2020-08-25 | 中国直升机设计研究所 | 基于故障树和案例推理的直升机智能故障诊断方法 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
CN111680788A (zh) * | 2020-07-14 | 2020-09-18 | 同济大学 | 基于深度学习的设备故障诊断方法 |
CN112364991A (zh) * | 2020-10-30 | 2021-02-12 | 台州学院 | 一种lstm-e轴承故障识别模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112988714B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN110555273A (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
CN108876034B (zh) | 一种改进的Lasso+RBF神经网络组合预测方法 | |
Huang et al. | Review of data-driven prognostics and health management techniques: lessions learned from PHM data challenge competitions | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN111914897A (zh) | 一种基于孪生长短时间记忆网络的故障诊断方法 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN114091349A (zh) | 一种基于多源领域自适应的滚动轴承寿命预测方法 | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN112732787B (zh) | 面向动车组重要部件的设备画像与个性化运维服务方法 | |
CN112988714A (zh) | 一种轴承故障数据库构建方法、分析方法与系统 | |
CN111122160B (zh) | 一种基于堆栈降噪自编码器的异常信号检测方法 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN115879046A (zh) | 基于改进特征选择和分层模型的物联网异常数据检测方法 | |
CN115601007A (zh) | 一种复杂机电系统全生命周期诊断推理与维护决策方法 | |
Sallehuddin et al. | Forecasting small data set using hybrid cooperative feature selection | |
CN113551904A (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
Chen et al. | Integrated group-based valuable sensor selection approach for remaining machinery life estimation in the future industry 4.0 era | |
CN112365014A (zh) | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 | |
Müller et al. | A Heuristic Approach for Offboard-Diagnostics in Advanced Automotive Systems | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN114358908B (zh) | Ai驱动的协作企业多维信用特征提取与评价方法 | |
CN117578481B (zh) | 一种电压暂降预估模型建立方法、介质及系统 | |
CN112101033B (zh) | 一种汽车口碑的情感分析方法和装置 |
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 |