CN113076844B - 一种旋转部件故障诊断模型构建方法及应用 - Google Patents

一种旋转部件故障诊断模型构建方法及应用 Download PDF

Info

Publication number
CN113076844B
CN113076844B CN202110326542.8A CN202110326542A CN113076844B CN 113076844 B CN113076844 B CN 113076844B CN 202110326542 A CN202110326542 A CN 202110326542A CN 113076844 B CN113076844 B CN 113076844B
Authority
CN
China
Prior art keywords
fault diagnosis
model
sample set
sample
training
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
Application number
CN202110326542.8A
Other languages
English (en)
Other versions
CN113076844A (zh
Inventor
孙伟
王昊文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110326542.8A priority Critical patent/CN113076844B/zh
Publication of CN113076844A publication Critical patent/CN113076844A/zh
Application granted granted Critical
Publication of CN113076844B publication Critical patent/CN113076844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种旋转部件故障诊断模型构建方法及应用,包括:S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号,构成样本集;S2、采用样本集训练稀疏过滤模型,并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中,所得结果经过激活函数处理后得到各样本信号的学习特征;S3、分别将各样本信号的学习特征与对应的旋转部件的健康状况一一对应,构成训练样本集;S4、将训练样本集输入到机器学习模型进行训练,得到旋转部件故障诊断模型。本发明采用稀疏过滤模型对特征进行无监督学习,对先验知识和人工的依赖性较低,且在特征学习过程中仅需要调整一个超参数,特征学习的效果较好,故障诊断的准确性较高。

Description

一种旋转部件故障诊断模型构建方法及应用
技术领域
本发明属于旋转设备故障诊断领域,更具体地,涉及一种旋转部件故障诊断模型构建方法及应用。
背景技术
在现代工业中,机器比以往任何时候都更加自动化,精确和高效,这会使他们的健康状况监测更加困难。在众多机械设备当中,旋转设备在众多领域占据着举足轻重的作用,一旦发生故障则会造成巨大损失。滚动轴承、齿轮等旋转部件作为旋转设备中广泛使用的关键通用零部件,其能否安全可靠运行,很大程度关乎整个旋转设备的安全使用。
传统上,智能故障诊断的框架包括三个主要步骤:1)信号采集;2)特征提取与选择;3)故障分类。传统的故障诊断方法都是人工选取信号的时域、频域等特征量来构建的特征向量,这些方法很大程度上依赖专业先验知识和和信号处理技术,具有很强的主观性,不仅十分费事费力,而且当物理对象变化时,原本设计的特征提取方法通常都不再适用,需要重新构建特征量。
随着人工智能技术的发展,无监督特征学习也得到了很大程度的发展。无监督特征学习是一组算法,用于研究如何使用未标记的原始数据很好地训练人工智能技术,从而自动学习分类所需的判别特征。因此,无监督学习不需要利用先验知识而对输入的数据进行自动学习,大大降低了对先验知识和人工的依赖。
当前,许多的无监督特征学习算法应用到旋转部件故障诊断中存在着一定的困难,因为在模型训练过程中需要调节的参数众多,在模型的建立与训练过程中,参数的设置直接关系到学习特征的好坏,从而影响特征学习的效果,进而影响到旋转部件故障诊断的准确性。针对不同的旋转部件,参数的设置往往不同,当旋转部件发生改变时,先前表现效果较好的参数也不再适用,仍需重新设置,不仅费时费力,而且通用性较差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种旋转部件故障诊断模型构建方法及应用,用以解决现有技术存在的旋转部件故障诊断的准确性及通用性较差的技术问题。
为了实现上述目的,第一方面,本发明提供了一种旋转部件故障诊断模型构建方法,包括以下步骤:
S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号,构成样本集;其中,n为正整数;
S2、采用样本集训练稀疏过滤模型,并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中,所得结果经过激活函数处理后得到各样本信号的学习特征;
S3、分别对各样本信号,将其学习特征与其对应的旋转部件的健康状况一一对应,构成训练样本集;
S4、将训练样本集输入到机器学习模型中进行训练,得到旋转部件故障诊断模型。
进一步优选地,上述旋转部件故障诊断模型构建方法还包括步骤S5;步骤S5在步骤S1之后且在步骤S2之前执行,包括:对样本集中的各样本信号分别进行小波包分解与重构后更新样本集。
进一步优选地,步骤S5包括以下步骤:
S51、对样本集中的样本信号xi进行小波包分解:将样本信号xi视为0级低频系数
Figure BDA0002994895500000031
根据公式
Figure BDA0002994895500000032
得到第m层第j个结点系数
Figure BDA0002994895500000033
并基于
Figure BDA0002994895500000034
计算第m层第j个结点的小波包能量,将第m层的小波包节点能量与该层最大节点能量之比小于预设阈值的节点系数置0,其余节点系数不变,得到修改后的第m层第j个节点系数
Figure BDA0002994895500000035
S52、基于公式
Figure BDA0002994895500000036
得到0级低频系数
Figure BDA0002994895500000037
即重构后的样本信号
Figure BDA0002994895500000038
并令
Figure BDA0002994895500000039
以更新样本集;
其中,i=1,2,...,n;m=1,2,...,M,M为小波包分解层数;Gm为第m层小波包分解对应的低通滤波器系数矩阵;Hm为第m层小波包分解对应的高通滤波器系数矩阵;G*m、H*m分别为Gm、Hm的共轭转置矩阵。
进一步优选地,采用样本集训练稀疏过滤模型的过程包括:
S21、初始化稀疏过滤模型的权重矩阵W;
S22、将样本集中的样本信号分别输入到稀疏过滤模型中得到特征向量矩阵F=[f1,f2,...,fn],其中,fi=Wxi,xi为样本集中的第i个样本信号,i=1,2,...,n;
S23、对特征向量矩阵进行标准化,并对标准化后的特征向量矩阵中的各元素的绝对值进行求和,得到稀疏过滤模型的损失函数值;
S24、以最小化稀疏过滤模型的损失函数值为目标,更新权重矩阵W;
S25、重复步骤S22-S24,直至稀疏过滤模型的损失函数值收敛不变。
进一步优选地,样本集中的第i个样本信号xi的学习特征为fi=g(Wxi);其中,g(·)为激活函数;W为稀疏过滤模型的权重矩阵。
进一步优选地,机器学习模型为SVM模型。
进一步优选地,采用上述旋转部件故障诊断模型进行故障诊断,若故障诊断的准确率小于预设值,则改变小波包分解层数、稀疏过滤模型的输入维数和输出维数,并重复步骤S5以及S2-S4,直至准确率大于或等于预设值。
第二方面,本发明提供了一种旋转部件故障诊断方法,包括:
将旋转部件在当前状态下的振动数据输入到采用本发明第一方面所提供的旋转部件故障诊断模型构建方法所构建的旋转部件故障诊断模型中,得到旋转部件故障状况。
第三方面,本发明还提供一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如上所述的任一种旋转部件故障诊断模型构建方法和/或如上所述的旋转部件故障诊断方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
1、本发明提供了一种旋转部件故障诊断模型构建方法,在提取旋转部件振动数据的特征时,采用稀疏过滤模型对特征进行无监督学习,对先验知识和人工的依赖性较低,且在特征学习过程中仅需要调整一个超参数,特征学习的效果较好,旋转部件故障诊断的准确性较高。
2、本发明所提供的旋转部件故障诊断模型构建方法,在对旋转部件振动数据进行特征提取之前,对旋转部件振动数据进行了小波包分解和重构;由于在数据采集现场常常会有噪声干扰,淹没了振动信号中的故障特征,采用小波包分解将振动信号分解到不同频带进行降噪处理,能在保留了原本的故障特征的同时大大降低噪声信号的干扰,提升故障诊断的准确率。
3、本发明所提供的旋转部件故障诊断模型构建方法,基于稀疏过滤模型对旋转部件振动数据的特征进行自适应学习,不受限于旋转部件的种类,通用性较好。
附图说明
图1为本发明所提供的旋转部件故障诊断模型构建方法流程图;
图2为本发明实施例1所提供的电机轴承故障诊断模型结构示意图;
图3为本发明实施例1所提供的在不同的小波分解层数下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图;
图4为本发明实施例1所提供的在不同输入维度下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图;
图5为本发明实施例1所提供的在不同输出维度下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了实现上述目的,本发明提供了一种旋转部件故障诊断模型构建方法,如图1所示,包括以下步骤:
S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号,构成样本集;其中,n为正整数;
S2、采用样本集训练稀疏过滤模型,并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中,所得结果经过激活函数处理后得到各样本信号的学习特征;
S3、分别对各样本信号,将其学习特征与其对应的旋转部件的健康状况一一对应,构成训练样本集;
S4、将训练样本集输入到机器学习模型中进行训练,得到旋转部件故障诊断模型。
其中,旋转部件包括且不限于轴承、齿轮等,下面以电机轴承为例,结合实施例进行详述:
实施例1、
一种电机轴承故障诊断模型构建方法,包括以下步骤:
S1、从采集到的电机轴承在不同状态下的振动数据中选取n段振动数据段作为样本信号,构成样本集;其中,n为正整数;
具体地,本实施例中从采集到的电机轴承在不同状态下的振动数据中随机选取n段长度均为Nin振动数据段作为样本信号;以凯西西储大学公开的电机轴承振动数据作为振动数据集。振动信号是在正常、外圈故障(OF)、内圈故障(IF)和滚珠故障(RF)四种故障状况下从测试装置的电机驱动端收集的。对于外圈故障、内圈故障和滚珠故障这三种故障状况,分别收集了故障半径为0.18mm、0.36mm和0.53mm三个不同故障严重级别下的振动信号,因此共有十种轴承健康状况。每种健康状况下的信号都是在0hp、1hp、2hp和3hp四种负载条件下收集的,采样频率均为12kHz。每种负荷下,每种健康状况有一个按时间顺序排列包含120000个数据点的数据集,电机轴承的振动信号共包含40个数据集。从每个数据集中随机抽取相同长度的500个数据段构成数据集
Figure BDA0002994895500000061
数据段的长度即为后续稀疏滤波的输入维度。将正常运行状况时四种负载条件下的样本视为正常类,其他运行状况时的样本视为故障类。从数据集
Figure BDA0002994895500000062
中随机选取10%作为样本集,其他作为测试集。
S2、采用样本集训练稀疏过滤模型,并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中,所得结果经过激活函数处理后得到各样本信号的学习特征;
具体地,在采用样本集训练稀疏过滤模型时,可以采用有限拟牛顿法、梯度下降法、牛顿法等对稀疏过滤模型的损失函数最小化,其中,稀疏过滤模型的损失函数为
Figure BDA0002994895500000071
Figure BDA0002994895500000072
为标准化后的特征向量矩阵中的第i个元素。
具体地,采用样本集训练稀疏过滤模型的过程包括:
S21、初始化稀疏过滤模型的权重矩阵W;
S22、将样本集中的样本信号分别输入到稀疏过滤模型中得到特征向量矩阵F=[f1,f2,...,fn],其中,fi=Wxi,xi为样本集中的第i个样本信号,i=1,2,...,n;
S23、对特征向量矩阵进行标准化,并对标准化后的特征向量矩阵中的各元素的绝对值进行求和,得到稀疏过滤模型的损失函数值;具体地,本实施例中,对特征向量矩阵首先进行行规范化,对特征矩阵的每一行进行L2范数规范化得到
Figure BDA0002994895500000073
接着进行列规范化
Figure BDA0002994895500000074
最后,对标准化后的特征向量矩阵中的各元素的绝对值进行求和,得到稀疏过滤模型的损失函数值;
S24、以最小化稀疏过滤模型的损失函数值为目标,更新权重矩阵W;具体地,本实施例采用有限拟牛顿法求解损失函数以权重矩阵W;
S25、重复步骤S22-S24,直至稀疏过滤模型的损失函数值收敛不变。
进一步地,样本集中的第i个样本信号xi的学习特征为fi=g(Wxi);其中,g(·)为激活函数;激活函数用来捕捉样本中的非线性特征,提高故障诊断的准确率。常见的激活函数有sigmoid函数、ReLU函数和tanh函数等,本实例中选用软绝对值函数
Figure BDA0002994895500000075
为激活函数;其中,ε为误差项(本实施例中取值为10-8),W为稀疏过滤模型的权重矩阵。
S3、分别对各样本信号,将其学习特征与其对应的电机轴承的健康状况一一对应,构成训练样本集
Figure BDA0002994895500000076
具体地,本实施例中,第i个样本信号xi的学习特征所对应的电机轴承的健康状况为yi∈{-1,1},其中,-1和1分别表示正常状况和故障状况;
S4、将训练样本集
Figure BDA0002994895500000081
输入到机器学习模型中进行训练,得到电机轴承故障诊断模型。
优选地,上述机器学习模型为SVM模型,此时,步骤S4包括以下步骤:
S41、构造并求解最优化问题
Figure BDA0002994895500000082
求得最优解
Figure BDA0002994895500000083
其中,C为惩罚参数,K(·)为核函数,本实施例中选取高斯径向基函数为核函数,具体地,
Figure BDA0002994895500000084
σ为核函数宽度;
S42、选取α*的一个分量
Figure BDA0002994895500000085
据此计算阈值
Figure BDA0002994895500000086
得到分类决策函数为
Figure BDA0002994895500000087
即电机轴承故障诊断模型。
优选地,如图2所示,上述电机轴承故障诊断模型构建方法还包括步骤S5;步骤S5在步骤S1之后且在步骤S2之前执行,包括:对样本集中的各样本信号分别进行小波包分解与重构后更新样本集。
具体地,步骤S5包括以下步骤:
S51、对样本集中的样本信号xi进行小波包分解:将样本信号xi视为0级低频系数
Figure BDA0002994895500000088
本实施例中选择离散Meyer小波作为小波包分解使用的小波,其第m层小波包分解对应的低通滤波器系数矩阵和高通滤波器系数矩阵分别为Gm和Hm,根据公式
Figure BDA0002994895500000091
得到第m层第j个结点系数
Figure BDA0002994895500000092
并基于公式
Figure BDA0002994895500000093
计算第m层第j个结点的小波包能量,将第m层的小波包节点能量与该层最大节点能量之比小于预设阈值的节点系数置0,其余节点系数不变,得到修改后的第m层第j个节点系数
Figure BDA0002994895500000094
本实施例中,预设阈值为20%;
S52、基于公式
Figure BDA0002994895500000095
得到0级低频系数
Figure BDA0002994895500000096
即重构后的样本信号
Figure BDA0002994895500000097
并令
Figure BDA0002994895500000098
以更新样本集;
其中,i=1,2,...,n;m=1,2,...,M,M为小波包分解层数;G*m、H*m分别为Gm、Hm的共轭转置矩阵。
优选地,采用上述电机轴承故障诊断模型进行故障诊断,若故障诊断的准确率小于预设值,则改变小波包分解层数、稀疏过滤模型的输入维数和输出维数,并重复步骤S5以及S2-S4,直至准确率大于或等于预设值;其中,准确率的预设值根据实际情况进行设置。
具体地,本实施例中,为了确定最优的小波包分解的层数,将稀疏过滤模型的输入维度和输出维度分别设置为300和10,改变小波包分解的层数,对样本集中的数据段进行分解和重构,利用重构信号训练稀疏过滤模型和SVM模型直至收敛,得到电机轴承故障诊断模型,再利用电机轴承故障诊断模型对测试集进行故障诊断,记录故障诊断准确率和消耗的时间,得到如图3所示的结果;如图3所示为在不同的小波分解层数下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图;基于图3所示的结果,综合考虑准确率和时间消耗两个因素,本实施例选择小波包分解的层数为4,此时效果最佳。进一步地,从图3可以看出,当小波包分解的层数为1或不进行小波波分解与重构处理时,电机轴承故障诊断模型的准确率较低。本发明利用小波包分解和重构信号降低了原始采集信号中的噪声干扰,大大提高了故障诊断的准确率。
为了确定稀疏过滤模型的最优输入输出维度,选择小波包分解的层数为4,对数据段进行降噪处理,固定稀疏过滤模型输入输出维度的比例为2:1,改变稀疏过滤模型的输入维数进行电机轴承故障诊断模型的训练和测试,记录测试准确率结果和消耗时间,得到如图4所示的结果;如图4所示为在不同输入维度下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图;基于图4所示的结果,综合考虑准确率和消耗时间两个因素选择输入维度为300时效果最佳。进一步地,小波包分解层数为4,稀疏过滤输入维度为300时,改变稀疏过滤模型的输出维度,进行电机轴承故障诊断模型的训练和测试,记录测试准确率结果和消耗时间,得到如图5所示的结果;如图5所示为在不同输出维度下采用电机轴承故障诊断模型进行故障诊断的时间消耗和准确率的结果示意图;基于图5所示的结果,综合考虑准确率和时间消耗两个因素,选择输出维数为25时效果最佳。进一步地,结合图4和图5所示的结果可以看出,本发明所构建的电机轴承故障诊断模型的故障诊断准确性较高。
实施例2、
一种电机轴承故障诊断方法,包括:
将电机轴承在当前状态下的振动数据输入到采用本发明实施例1所提供的电机轴承故障诊断模型构建方法所构建的电机轴承故障诊断模型中,得到电机轴承故障状况。
相关技术方案同实施例1,这里不做赘述。
实施例3、
一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如实施例1所述的电机轴承故障诊断模型构建方法和/或如实施例2所述的电机轴承故障诊断方法。
相关技术方案同实施例1和实施例2,这里不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种旋转部件故障诊断模型构建方法,其特征在于,包括以下步骤:
S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号,构成样本集;其中,n为正整数;
S2、采用所述样本集训练稀疏过滤模型,并将所述样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中,所得结果经过激活函数处理后得到各样本信号的学习特征;
S3、分别对各样本信号,将其学习特征与其对应的旋转部件的健康状况一一对应,构成训练样本集;
S4、将所述训练样本集输入到机器学习模型中进行训练,得到旋转部件故障诊断模型;
所述旋转部件故障诊断模型构建方法还包括步骤S5;所述步骤S5在所述步骤S1之后且在所述步骤S2之前执行,包括:对所述样本集中的各样本信号分别进行小波包分解与重构后更新样本集,具体包括以下步骤:
S51、对所述样本集中的样本信号xi进行小波包分解:将样本信号xi视为0级低频系数
Figure FDA0003559194080000011
根据公式
Figure FDA0003559194080000012
得到第m层第j个节点系数
Figure FDA0003559194080000013
并基于
Figure FDA0003559194080000014
计算第m层第j个节点的小波包能量,将第m层的小波包节点能量与该层最大节点能量之比小于预设阈值的节点系数置0,其余节点系数不变,得到修改后的第m层第j个节点系数
Figure FDA0003559194080000015
S52、基于公式
Figure FDA0003559194080000016
得到0级低频系数
Figure FDA0003559194080000017
即重构后的样本信号
Figure FDA0003559194080000018
并令
Figure FDA0003559194080000019
以更新样本集;
其中,i=1,2,...,n;m=1,2,...,M,M为小波包分解层数;Gm为第m层小波包分解对应的低通滤波器系数矩阵;Hm为第m层小波包分解对应的高通滤波器系数矩阵;G*m、H*m分别为Gm、Hm的共轭转置矩阵;
所述步骤S2中采用所述样本集训练所述稀疏过滤模型的过程包括:
S21、初始化所述稀疏过滤模型的权重矩阵W;
S22、将所述样本集中的样本信号分别输入到所述稀疏过滤模型中得到特征向量矩阵F=[f1,f2,...,fn],其中,fi=Wxi,xi为所述样本集中的第i个样本信号,i=1,2,...,n;
S23、对所述特征向量矩阵进行标准化,并对标准化后的特征向量矩阵中的各元素的绝对值进行求和,得到所述稀疏过滤模型的损失函数值;
S24、以最小化所述稀疏过滤模型的损失函数值为目标,更新所述权重矩阵W;
S25、重复步骤S22-S24,直至所述稀疏过滤模型的损失函数值收敛不变。
2.根据权利要求1所述的旋转部件故障诊断模型构建方法,其特征在于,所述样本集中的第i个样本信号xi的学习特征为fi=g(Wxi);其中,g(·)为激活函数;W为稀疏过滤模型的权重矩阵。
3.根据权利要求1所述的旋转部件故障诊断模型构建方法,其特征在于,所述机器学习模型为SVM模型。
4.根据权利要求1-3任意一项所述的旋转部件故障诊断模型构建方法,其特征在于,采用所述旋转部件故障诊断模型进行故障诊断,若故障诊断的准确率小于预设值,则改变小波包分解层数、所述稀疏过滤模型的输入维数和输出维数,并重复步骤S5以及S2-S4,直至所述准确率大于或等于预设值。
5.一种旋转部件故障诊断方法,其特征在于,包括:将旋转部件在当前状态下的振动数据输入到采用权利要求1-4任意一项所述的旋转部件故障诊断模型构建方法所构建的旋转部件故障诊断模型中,得到旋转部件故障状况。
6.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1-4任意一项所述的旋转部件故障诊断模型构建方法和/或如权利要求5所述的旋转部件故障诊断方法。
CN202110326542.8A 2021-03-26 2021-03-26 一种旋转部件故障诊断模型构建方法及应用 Active CN113076844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110326542.8A CN113076844B (zh) 2021-03-26 2021-03-26 一种旋转部件故障诊断模型构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110326542.8A CN113076844B (zh) 2021-03-26 2021-03-26 一种旋转部件故障诊断模型构建方法及应用

Publications (2)

Publication Number Publication Date
CN113076844A CN113076844A (zh) 2021-07-06
CN113076844B true CN113076844B (zh) 2022-05-20

Family

ID=76610508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110326542.8A Active CN113076844B (zh) 2021-03-26 2021-03-26 一种旋转部件故障诊断模型构建方法及应用

Country Status (1)

Country Link
CN (1) CN113076844B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114217256B (zh) * 2021-11-25 2022-09-16 华中科技大学 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436597A (zh) * 2017-07-17 2017-12-05 华南理工大学 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法
CN108225750A (zh) * 2017-12-12 2018-06-29 南京航空航天大学 一种基于故障特征多相关性的旋转机械故障诊断方法
CN108827605A (zh) * 2018-03-20 2018-11-16 南京航空航天大学 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN111089720A (zh) * 2020-01-16 2020-05-01 山东科技大学 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法
CN111397896A (zh) * 2020-03-08 2020-07-10 华中科技大学 一种旋转机械故障诊断方法、系统及存储介质
CN111476339A (zh) * 2020-04-20 2020-07-31 山东师范大学 滚动轴承故障特征提取方法、智能诊断方法及系统
CN112347588A (zh) * 2020-11-26 2021-02-09 中国舰船研究设计中心 基于小波包分解的旋转机械故障诊断方法
CN112487890A (zh) * 2020-11-17 2021-03-12 山东科技大学 一种基于并行稀疏滤波的轴承声信号故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
US11486925B2 (en) * 2020-05-09 2022-11-01 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436597A (zh) * 2017-07-17 2017-12-05 华南理工大学 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法
CN108225750A (zh) * 2017-12-12 2018-06-29 南京航空航天大学 一种基于故障特征多相关性的旋转机械故障诊断方法
CN108827605A (zh) * 2018-03-20 2018-11-16 南京航空航天大学 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN111089720A (zh) * 2020-01-16 2020-05-01 山东科技大学 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法
CN111397896A (zh) * 2020-03-08 2020-07-10 华中科技大学 一种旋转机械故障诊断方法、系统及存储介质
CN111476339A (zh) * 2020-04-20 2020-07-31 山东师范大学 滚动轴承故障特征提取方法、智能诊断方法及系统
CN112487890A (zh) * 2020-11-17 2021-03-12 山东科技大学 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN112347588A (zh) * 2020-11-26 2021-02-09 中国舰船研究设计中心 基于小波包分解的旋转机械故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Wavelet Packet Transforms and Best Basis Algorithms;Y.Mallet等;《Wavelets in Chemistry》;20001231;第151-164页 *
基于稀疏过滤特征学习的化工过程故障检测方法;江升等;《化工学报》;20191231;第4698-4709页 *

Also Published As

Publication number Publication date
CN113076844A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN110057584B (zh) 一种机车牵引电机轴承退化监测方法
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
Deutsch et al. Using deep learning based approaches for bearing remaining useful life prediction
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
CN113158364B (zh) 循环泵轴承故障检测方法及系统
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及系统
CN115730199B (zh) 一种滚动轴承振动信号降噪和故障特征提取方法和系统
CN115096590A (zh) 一种基于iwoa-elm的滚动轴承故障诊断方法
CN113076844B (zh) 一种旋转部件故障诊断模型构建方法及应用
CN113358357B (zh) 数控机床滚动轴承故障诊断方法
CN115034267A (zh) 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115791174A (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN116911378A (zh) 基于迁移学习和pso算法的水电机组故障诊断方法和系统
CN112683532A (zh) 轴承的跨工况条件对抗诊断方法
CN116702580A (zh) 一种基于注意力卷积自编码器的发酵过程故障监测方法
CN116226613A (zh) 一种滚动轴承剩余寿命预测方法、设备及存储介质
CN116610940A (zh) 一种基于小波变换与深度神经网络的装备故障诊断系统
CN116304587A (zh) 一种基于cae和agru的滚动轴承退化趋势预测方法
CN114118146A (zh) 一种基于信念规则库的滚动轴承故障诊断方法及系统
CN112444395A (zh) 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法
CN115721318B (zh) 一种心电信号降噪处理方法、系统、设备及存储介质
CN117361256B (zh) 一种基于人工智能的电梯安全管理方法及系统

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