CN113074940A - 一种基于os-elm的滚动轴承健康状态预估系统及方法 - Google Patents
一种基于os-elm的滚动轴承健康状态预估系统及方法 Download PDFInfo
- Publication number
- CN113074940A CN113074940A CN202110288591.7A CN202110288591A CN113074940A CN 113074940 A CN113074940 A CN 113074940A CN 202110288591 A CN202110288591 A CN 202110288591A CN 113074940 A CN113074940 A CN 113074940A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- elm
- module
- wireless
- data
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 6
- 230000003862 health status Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
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
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于OS‑ELM的滚动轴承健康状态预估系统及方法，属于故障诊断技术领域。本发明包括信号采集模块、无线WIFI传输模块和PC端分析模块。信号采集模块由红外成像仪、A/D转换器和STM32f103芯片构成；无线WIFI传输模块由USR‑C215和无线路由器构成；本发明首先通过信号采集模块的红外摄像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字信号通过SPI接口传输到STM32f103，再由无线WIFI模块传至PC端分析模块上，通过OS‑ELM建立滚动轴承健康状况预估模型，以此来预估滚动轴承的运行状态。本发明具有安全性高、传输性好、准确率高、便捷高效等优点，适合于多种设备的滚动轴承健康状态预估。
Description
技术领域
本发明涉及一种基于OS-ELM的滚动轴承健康状态预估系统及方法，属于故障诊断技术领域。
背景技术
滚动轴承作为旋转机械中最常用的支撑部件，发挥着至关重要的作用，被广泛应用于各个领域的旋转机械中。由于滚动轴承引起的旋转机械故障约30％，一旦出现故障，不仅会给国家和企业造成巨大的生产、经济损失，而且严重时还会造成人员伤亡，因此对滚动轴承进行故障诊断并对其健康状态预估显得十分重要。当发生故障时，仅靠人工巡视检查的成本较高，很难完全避免故障的发生，难以提前预报故障。
通过远程监控滚动轴承的运行状态并进行预估，可以有效地对滚动轴承的故障进行在线诊断，从而预防故障发生。
发明内容
本发明要解决的技术问题是提供一种基于OS-ELM(在线序列极限学习机)的滚动轴承健康状态预估系统及方法，用于解决滚动轴承运行过程中出现的磨损、疲劳剥落、断轴、停机毁机等问题，以实现对滚动轴承运行状态的有效预测，具有较强的实用性和工程意义。
本发明的技术方案是：一种基于OS-ELM的滚动轴承健康状态预估系统，包括信号采集模块、无线WIFI传输模块和PC端分析模块。
号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成。
无线WIFI传输模块由USR-C215和无线路由器组成。
信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，以此来预估滚动轴承运行状态。
滚动轴承的轴向、径向以及垂直方向上分别安装红外热像仪，采用三路拍摄通道并行采集数据，并将采集到的图像信号利用A/D转换器进行模数转换。
基于OS-ELM的滚动轴承健康状态预估系统的使用方法，具体步骤为：
Step1：采集滚动轴承红外图像信号数据，利用LLE算法对原始数据进行维数简约，得到初始数据样本，作为训练样本集。
Step2：利用OS-ELM分类算法对训练集样本进行分类建模，以训练样本集得到的参数作为测试样本集的输入。
Step3：将现场在线实时采集到的滚动轴承的红外图像信号数据维数简约后得到的数据样本，作为测试样本集。
Step4：对测试样本集利用OS-ELM分类算法根据Step2中得到的聚类模型来预测滚动轴承故障产生所属故障类型，实现对滚动轴承的健康状态的预估。
本发明的有益效果是：
1、本发明提出用OS-ELM对训练样本集进行分类建模，将在线实时采集的样本作为测试样本进行测试，根据训练模型的分类故障类型，实现测试集对滚动轴承运行状态的预测。OS-ELM在线优化模型具有在线的优化训练方式，当训练样本集发生变化或者有新的训练样本增加时，不必对全部训练样本重新进行训练，能够实时在线更新，只对新产生的数据样本集进行训练，有效避免了数据的重复训练，显著提高学习效率，弥补了一般分类器在迭代过程中效率低的问题，具有参数选择简单，学习速度快，泛化能力强等优点。
2、本发明提出的信号采集模块，采用红外热像仪对滚动轴承进行拍摄，采用三路拍摄通道并行采集数据，能够全面拍摄到滚动轴承运行过程中的各个状态，有利于PC机对滚动轴承各个运行状态的实时分析，进而更准确地预测滚动轴承的运行状态，并及时提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。
附图说明
图1是本发明的系统结构图；
图2是本发明方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
如图1所示，一种基于OS-ELM的滚动轴承健康状态预估系统，包括信号采集模块、无线WIFI传输模块和PC端分析模块。
号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成。
无线WIFI传输模块由USR-C215和无线路由器组成。
信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，对滚动轴承寿命健康状态的预估，从而判断滚动轴承属于正常状态或故障状态。
滚动轴承的轴向、径向以及垂直方向上分别安装红外热像仪，采用三路拍摄通道并行采集数据，并将采集到的图像信号利用A/D转换器进行模数转换。
本发明所述PC端分析模块为PC机。
本发明系统信号通讯过程：首先将红外热像仪、A/D转换器、STM32f103微控制器、无线WIFI传输模块USR-C215和PC机分别连接在对应的插口上，然后配置WIFI无线传输模块的网络模式及服务器IP地址与端口。STM32f103微控制器与无线WIFI传输模块采用TCP/IP方式连接，PC机开启无线热点，等待WIFI模块连接热点。系统通过TCP/IP把数据发送到PC机上，接收采集到的滚动轴承红外图像信号数据。
本发明方法通过PC机执行，在进行数据分析时，将在线采集到的数据作为测试样本集，以此作为OS-ELM的输入，通过训练好的模型，对滚动轴承的健康状态进行预测。当有故障发生时，对应组的数据通过LMD分解得到若干IMF分量，此时PC机数据分析显示窗口中显示的波形会超出正常范围的波形，系统会自动报警，系统报警提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。
如图2所示，基于OS-ELM的滚动轴承健康状态预估系统的使用方法，具体步骤为：
Step1：采集滚动轴承红外图像信号数据，利用LLE算法对原始数据进行维数简约，得到初始数据样本，作为训练样本集；
Step2：利用OS-ELM分类算法对训练集样本进行分类建模，以训练样本集得到的参数作为测试样本集的输入；
所述OS-ELM分类算法具体为：
Step2.1：初始化阶段：
在初始阶段选取N0个不同的滚动轴承样本数据
其中N0>n；
Step2.1.1：随机产生输入权值矩阵ai和偏置矩阵bi，其中，i＝1,2,…,n；
Step2.1.2：计算初始的隐含层输出矩阵H0；
Step2.1.3：计算初始输出权重矩阵β0；
β0＝E0H0 TT0；
E0＝(H0 TH0)-1
Step2.1.4：设L＝0，L为样本数，表示初始化学习阶段；
Step2.2：在线序列学习阶段：
设第L+1个样本集：
Step2.2.1：计算隐含层输出矩阵HL+1；
Step2.2.2：计算输出权重矩阵βL+1；
Step2.2.3：令L＝L+1，转至在线序列学习阶段1直到结束；
Step2.2.4：将获取的滚动轴承的训练样本X作为OS-ELM分类器的输入进行训练，获取训练模型；
Step3：将现场在线实时采集到的滚动轴承的红外图像信号数据维数简约后得到的数据样本，作为测试样本集；
Step4：对测试样本集利用OS-ELM分类算法根据Step2中得到的聚类模型来预测滚动轴承故障产生所属故障类型，实现对滚动轴承的健康状态的预估。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于OS-ELM的滚动轴承健康状态预估系统，其特征在于：包括信号采集模块、无线WIFI传输模块和PC端分析模块；
号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成；
无线WIFI传输模块由USR-C215和无线路由器组成；
信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，以此来预估滚动轴承运行状态。
2.权利要求1所述的基于OS-ELM的滚动轴承健康状态预估系统的使用方法，其特征在于：
Step1：采集滚动轴承红外图像信号数据，利用LLE算法对原始数据进行维数简约，得到初始数据样本，作为训练样本集；
Step2：利用OS-ELM分类算法对训练集样本进行分类建模，以训练样本集得到的参数作为测试样本集的输入；
Step3：将现场在线实时采集到的滚动轴承的红外图像信号数据维数简约后得到的数据样本，作为测试样本集；
Step4：对测试样本集利用OS-ELM分类算法根据Step2中得到的聚类模型来预测滚动轴承故障产生所属故障类型，实现对滚动轴承的健康状态的预估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110288591.7A CN113074940A (zh) | 2021-03-18 | 2021-03-18 | 一种基于os-elm的滚动轴承健康状态预估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110288591.7A CN113074940A (zh) | 2021-03-18 | 2021-03-18 | 一种基于os-elm的滚动轴承健康状态预估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113074940A true CN113074940A (zh) | 2021-07-06 |
Family
ID=76612743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110288591.7A Pending CN113074940A (zh) | 2021-03-18 | 2021-03-18 | 一种基于os-elm的滚动轴承健康状态预估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113074940A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114509265A (zh) * | 2022-04-20 | 2022-05-17 | 浙江五洲新春集团股份有限公司 | 一种无线供电的智能轴承在线监测装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109357767A (zh) * | 2018-10-22 | 2019-02-19 | 北京康拓红外技术股份有限公司 | 一种基于红外成像温度检测和图像识别的运行列车故障探测系统 |
| CN109443542A (zh) * | 2018-11-06 | 2019-03-08 | 中国矿业大学 | 一种基于红外热成像技术的压风机在线监测装置及监测方法 |
| CN111766511A (zh) * | 2020-01-14 | 2020-10-13 | 北京奔驰汽车有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| CN112196784A (zh) * | 2020-09-18 | 2021-01-08 | 昆明理工大学 | 一种基于elm的高压隔膜泵健康状态预估系统及方法 |
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
| CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
-
2021
- 2021-03-18 CN CN202110288591.7A patent/CN113074940A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109357767A (zh) * | 2018-10-22 | 2019-02-19 | 北京康拓红外技术股份有限公司 | 一种基于红外成像温度检测和图像识别的运行列车故障探测系统 |
| CN109443542A (zh) * | 2018-11-06 | 2019-03-08 | 中国矿业大学 | 一种基于红外热成像技术的压风机在线监测装置及监测方法 |
| CN111766511A (zh) * | 2020-01-14 | 2020-10-13 | 北京奔驰汽车有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| CN112196784A (zh) * | 2020-09-18 | 2021-01-08 | 昆明理工大学 | 一种基于elm的高压隔膜泵健康状态预估系统及方法 |
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
| CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
Non-Patent Citations (2)
| Title |
|---|
| ZHAOLIN ZHANG, ET AL.: "Online Modeling Method of Fault Diagnosis Based on CNN and OS-ELM", RECENT DEVELOPMENTS IN MECHATRONICS AND INTELLIGENT ROBOTICS. ICMIR 2019, pages 495 - 503 * |
| 张朝林: "基于卷积神经网络的滚动轴承故障诊断方法研究", 中国优秀硕士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑, pages 029 - 75 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114509265A (zh) * | 2022-04-20 | 2022-05-17 | 浙江五洲新春集团股份有限公司 | 一种无线供电的智能轴承在线监测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
| CN108331718B (zh) | 风电机组偏航系统在线监测机构及故障诊断系统和方法 | |
| Liu et al. | A novel method for online health prognosis of equipment based on hidden semi-Markov model using sequential Monte Carlo methods | |
| CN111913849B (zh) | 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法 | |
| CN111046564A (zh) | 两阶段退化产品的剩余寿命预测方法 | |
| CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
| CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
| CN108709744B (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
| CN112529036A (zh) | 一种故障预警方法、装置、设备及存储介质 | |
| CN112196784A (zh) | 一种基于elm的高压隔膜泵健康状态预估系统及方法 | |
| CN113074940A (zh) | 一种基于os-elm的滚动轴承健康状态预估系统及方法 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN114297265A (zh) | 基于物联技术的智能运维方法 | |
| CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
| CN112784744B (zh) | 一种具有缺失值的机械构件振动信号预处理方法 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN113487087A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
| Xiao et al. | Knowledge-based Clustering Federated Learning for fault diagnosis in robotic assembly | |
| CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
| CN218439629U (zh) | 一种基于5g+工业互联网的风电机组状态监测系统 | |
| CN111078779A (zh) | 一种大数据数据中心运行监测系统 | |
| CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
| CN116224161A (zh) | 一种基于电压互感器极性反接错误接线异常的判断方法 | |
| Zhou et al. | Robot remote monitoring and fault diagnosis based on industrial internet of things |
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 |