CN113295413B - 一种基于间接信号的牵引电机轴承故障诊断方法 - Google Patents
一种基于间接信号的牵引电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113295413B CN113295413B CN202110705416.3A CN202110705416A CN113295413B CN 113295413 B CN113295413 B CN 113295413B CN 202110705416 A CN202110705416 A CN 202110705416A CN 113295413 B CN113295413 B CN 113295413B
- Authority
- CN
- China
- Prior art keywords
- tensor
- signal
- indirect
- signals
- matrix
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于间接信号的牵引电机轴承故障诊断方法。该方法包括:基于Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号;对所述间接信号数据进行降维和降噪处理;提取降维和降噪处理后的间接信号的特征向量;根据所述间接信号的特征向量进行牵引电机轴承的故障识别,采用基于小波时频图的2D‑CNN诊断模型和特征向量的1D‑CNN融合的双模CNN诊断模型鉴别牵引电机故障状态的损伤程度。本发明面向列车牵引电机轴承故障诊断问题形成了从信号选择、高维信号数据降维和降噪、电机轴承故障损伤类别、电子轴承故障辨识等一整套的故障诊断方法。能够为利用振动信号进行轴承故障诊断的常用手段提供补充和校核途径,使得对于轴承的故障诊断更为准确。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及一种基于间接信号的牵引电机轴承故障诊断方法。
背景技术
轨道交通系统具有大运量、高班车频次和准时性等特点,已经成为出行者最倾向选择的交通运输方式。在高负载和恶劣运行工况下,轴承更易于发生故障。北京地铁、上海地铁、广州地铁和西安地铁等车辆故障统计表明,轴承和电机故障占比最大,由此导致的后果和损失也最为严重。保障列车安全健康运行,仅依靠现场的硬件检修往往不能达到系统由定期修向状态修的主导维修策略的要求。随着关键元件和设备的传感器布设和采集工作的开展,沉淀了海量轴承状态数据,并形成了数据集市、数据仓库等。利用采集的轴承状态数据进行轴承故障诊断、状态和寿命预测,对于轴承状态维保、列车健康管理具有越来越大的指导意义。
目前,现有技术中的轴承的故障诊断方法主要以信号处理和深度学习为主要途径。通过信号处理途径进行故障诊断的研究,时频域分析、时域指标分析、经验模态分解(Empirical Mode Decomposition,EMD)、变分模态分解(Variational ModeDecomposition,VMD)和小波变换等是常用的手段。通过分析信号的组成和特征量,在时间坐标轴上展示振动信息。当滚动轴承故障,导致振动信号的频率成分发生变化。根据频率的成分和大小,辨识滚动轴承的不同故障状态。通过将信号从时域变换到频域,在频谱图中通过信号频率成分的幅度来得到故障特征频率,时域波形往往包括了采样信号最全面的信息,在时域分析时,离不开基本统计特征和概率分布,在众多指标中,有效值、峰值、峰值指标、脉冲指标、裕度指标和峭度指标等。当原始信号有多种或者原始信号在同类实验条件下有多组时,利用张量模型表示高维空间的数据,通过张量分解完成数据补全和特征提取,保持数据结构完整性和建模灵活性强的特点,以大幅度提高诊断的计算效率。
近年来,基于机器学习模型和方法的故障诊断得到了长足的进步。最初是利用神经网络与信号处理技术结合构建故障诊断模型,如EMD-BP方法。神经网络与神经网络结合构建故障诊断模型也有报道,如LSTM-BP、SOM-BP方法等。随着轴承状态数据的积累,依靠神经网络自身的诊断模型——卷积神经网络(Convolutional Neural Networks,CNN)在相关领域的应用越来越广泛。随着深度学习的兴起和日益普及,出现了越来越多的深度学习在故障诊断领域的研究报道。通过提取轴承信号的频域特征,构造多通道样本和二维图形样本,结合卷积神经网络进行故障诊断。
但现有技术中的基于CNN的轴承故障诊断方法仍存在如下的缺点:
(1)以传感器采集到的元件、部件和设备的状态直接信号为研究对象,由于轴承的工作环境环境恶劣且涉及到多种机械零件相互作用,传感器采集到的直接信号中包含大量强噪声,必须经过直接信号的预处理才能进行故障诊断,且诊断效果不稳定。
(2)多针对于某一故障诊断环节,而没有形成一套完整的轴承间接信号筛选、降噪、降维、特征提取、损伤辨识和故障诊断方法。
发明内容
本发明的实施例提供了一种基于间接信号的牵引电机轴承故障诊断方法,以实现有效地对牵引电机轴承进行故障诊断。
为了实现上述目的,本发明采取了如下技术方案。
一种基于间接信号的牵引电机轴承故障诊断方法,包括:
基于Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号;
对所述间接信号数据进行降维和降噪处理;
提取降维和降噪处理后的间接信号的特征向量;
根据所述间接信号的特征向量进行牵引电机轴承的故障识别。
优选地,所述的基于Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号,包括:
以传感器采集到的振动信号、电流信号、扭矩信号和径向力信号为对象,所述电流信号、扭矩信号和径向力信号为间接信号,构建以频域为主阶的信号张量模型,信号张量模型的三阶分别是故障状态×工况×频率信号,对轴承的故障状态×工况×频域三阶信号张量模型分别进行Tucker分解,将原始张量分解为核心张量及其在三阶信号模型上的投影;
根据间接信号与振动信号投影矩阵百分比差异衡量信号间全局信息相似性;
按照公式1对各类信号在不同状态下的时-频域因子矩阵进行匹配,选取样本匹配度较高的电流信号和扭矩信号作为轴承故障诊断的间接信号。
优选地,所述的对所述间接信号数据进行降维和降噪处理,包括:
利用截断高阶奇异值分解T-HOSVD保留原始间接信号中的有效信号,将间接信号张量模型的原始张量n-mode矩阵化,分别对每个n-mode矩阵进行奇异值SVD分解,
在对每个n-mode矩阵进行SVD分解的同时,分别对每个n-mode矩阵进行L-曲线正则化求解,分别求出三个对应的截断参数,将三个截断参数分别对应作为每个奇异值分解后左奇异矩阵的截断参数,利用截断参数构建张量分解的核心张量,将所述新的核心张量与各左奇异值矩阵进行重构,得到降维和降噪处理后的间接信号的目标张量。
优选地,所述的对所述间接信号数据进行降维和降噪处理,包括:
将电流信号建模为一个三阶信号张量模型100×2560×14,进行张量分解并选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线截断参数,三个矩阵的T-SVD截断参数分别为4,16,4,构建维度为4×1398×12新的核心张量,利用核心张量和n-mode矩阵SVD分解的左奇异矩阵相乘得到降维和降噪处理后的电流信号的目标张量;
将扭矩信号建模为一个三阶信号张量模型1600×10×14,张量分解过程中,选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线求解截断参数,三个截断参数取整数后分别为5,4,4,则张量分解后这个振动信号的核心张量为5×138×12,根据核心张量重新构造降维和降噪处理后的扭矩信号的目标张量。
优选地,所述的提取降维和降噪处理后的间接信号的特征向量,包括:
将降维和降噪处理后的间接信号和振动信号组成原始信号,将原始信号进行快速傅里叶变换,得到原始信号的张量模型,采用张量-正交矩阵和上三角矩阵T-QR分解算法将原始信号的张量模型分解为正交矩阵和上三角矩阵,对正交矩阵利用HOOI分解得到三阶的核心张量,对核心张量进行向量化,得到一组初始特征向量,针对初始特征向量采用基于不同健康状态之间最大距离的特征选择方法,提取间接信号的特征向量。
优选地,所述的针对初始特征向量采用基于不同健康状态之间最大距离的特征选择方法,提取间接信号的特征向量,包括:
给定c=1,2,…,Nc种故障或者正常状态类别中间接信号的j=1,2,Q个特征值;
选择计算如下:
1)首先将特征值进行归一化;
2)计算各类中j个特征值的平均值mjc
式中,x为特征值;
n为代表样本的数量;
3)计算每个特征数据线i与每类中相同特征值的平均值之间的平方欧式距离di的平均值;
4)使用最大特征分离距离规范特征分离距离,生成性能评估标准;
式中d为特征分离距离。
5)选择性能大于预定阈值的距离;
核心张量的每一层为C(n),核心张量中元素总个数为k,估计核心张量中每个值所占整体信号的权重,与分离距离的乘积作为特征筛选的指标,方法如下:
1)计算核心张量所有元素的平均值mc;
2)将各层中的各元素依次替换为核心张量所有元素的平均值mc,其余元素保持不变;
3)对每种情况下的张量进行重构,计算每个元素参加重构张量的绝对百分误差MAPE1k;
4)计算核心张量每一层各元素的平均值mC(n);
5)将各层中的各元素依次替换为mC(n),其余元素保持不变;
6)对每种情况下的张量进行重构,计算此时的重构张量的绝对百分误差MAPE2k;
7)将每层C(n)中的所有元素依次替换为总元素平均值mc,其余元素保持不变;
8)计算此时的重构张量的绝对百分误差MAPE3k;
9)求出所有元素的在1和2情况下的平均误差
10)计算所有元素在9)中计算的总平均值
12)设置最小误差比平均总误差为各元素被选择的阈值,大于此阈值的特征向量被选取;
优选地,所述的根据所述间接信号的特征向量进行牵引电机轴承的故障识别,包括:
1)每组编号的数据集作为张量模型的一个构建基础;
2)将振动信号、电流信号和扭矩信号三类信号的每类作为张量模型的一层,按照时间段和每转一圈采集到的点数的公倍数为基准,折叠构建每层张量数据;
3)将所述三类信号对应的三类数据叠加成为张量模型;
4)对每个张量模型进行T-QR分解;
5)T-QR分解得到的Q作为HOOI分解的输入;
6)HOOI分解得到核心张量和三个因子矩阵;
7)将每个张量的核心张量进行展开作为初始特征向量;
8)计算距离阈值-计算误差阈值;
9)筛选出每个状态的样本的最终特征向量;
10)给做好的数据集设置标签;
11)将筛选出的样本的最终特征向量作为用于牵引电机轴承的故障识别的分类器的输入,利用分类器中的各种模型对各种状态进行诊断;
12)对各种状态的诊断结果进行对比分析,得到牵引电机轴承的故障诊断结果。
优选地,所述的方法还包括:鉴别牵引电机故障状态的损伤程度,具体包括:
1)将牵引电机故障状态的损伤类型共为10类,按照0和1排列对其设置标签,每种故障类别生成200张时频图,共2000张,按照训练集:验证集:测试集=7:2:1的比例对其进行划分;
2)采用Morlet小波基函数对诊断信号进行小波变换得到时频信号融合图,选取图形的窗口长度为256,得到最佳的时间-频率分辨率;
3)对轴承损伤程度鉴别采用基于小波时频图的2D-CNN诊断模型和特征向量的2D-CNN的双模CNN诊断模型,在时频图时频域特征提取和特征向量全局特征提取的融合样本下,完成对损伤分类和损伤程度鉴别的良好诊断和识别;
3-1)1D-CNN的输入为电流和扭矩融合信号的T-QR-HOOI特征向量,每个信号样本提取出的特征向量长度为163。
3-2)2D-CNN的输入端为电流和扭矩对应状态下的时频图的融合图像,将选择的一维间接信号转化为基于Morlet小波时频图的2D图像,将生成时频图的最小信号长度称为基础信号长度,在每种状态类别下按照采样频率/转频的计算方法将其划归成每转一圈采集到的点数作为最小基础信号长度,根据信号的种类将基础信号种类定为最小基础信号长度的整数倍;
3-3)二维图像输入采用小波时频图,一维特征向量表征了原始信号的全局特征。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例能够为利用振动信号进行轴承故障诊断的常用手段提供补充和校核途径,二者相得益彰,使得对于轴承的故障诊断更为准确。面向列车牵引电机轴承故障诊断问题形成了从信号选择、高维信号数据降维和降噪、电机轴承故障损伤类别、电子轴承故障辨识等一整套的故障诊断方法。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于间接信号的牵引电机轴承故障诊断方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例针对现有的故障诊断模型利用包含大量强噪声的振动信号诊断效果不稳定的问题,尝试基于牵引驱动电机电流和扭矩等间接信号进行轴承故障诊断,为经典故障诊断模型和方法提供有力的补充和校核途径,有助于提高轴承故障诊断的准确性和诊断效率。
当直接传感器失灵或因为各种原因无法获取振动信号数据时,提供新的诊断思路,将间接信号作为主要故障诊断信号,起到了补充和替代作用,使得诊断不会中断,轴承的诊断状态记录不会缺失。
本发明实施例将牵引驱动电机轴承进行故障诊断的各个环节作为发明的主线,对间接信号筛选、降噪、降维、特征提取、损伤辨识和故障诊断等各个环节提出相应的方法。首先基于张量Tucker分解的方法选择反映轴承振动特征的间接信号,用于进行故障诊断,选择出相似性高信号作为故障诊断依据;在不破坏信号特征的前提下,采用张量截断高阶奇异值分解(TruncatedHigh Order Singular Value Decomposition,T-HOSVD)和L-曲线(L_curve)相结合的手段,进行间接诊断信号降维和降噪;对于挑选出的信号应用张量T-QR-HOOI(High-orderorthogonaliteration)算法进行特征提取,得到表征信号全局特征的核心张量输入分类机模型验证;提出双模卷积神经网络(Convolutional Neural Networks,CNN)算法,将信号时频图的2D输入端和特征向量的1D端进行并联卷积池化提取,基于信号特征融合进行牵引电机轴承故障分类诊断。
本发明实施例提供的一种基于间接信号的牵引电机轴承故障诊断方法的处理流程如图1所示,包括如下的处理步骤:
步骤S10:基于轴承信号张量模型的Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号。
以传感器采集到的振动信号、电流信号、扭矩信号和径向力信号为对象,构建以频域为主阶的张量信号模型,张量的三阶分别是故障状态×工况×频率信号,对轴承的故障状态×工况×频域三阶张量信号模型分别进行Tucker分解,将原始张量分解为核心张量及其在三阶信号模型上的投影。
选择时(频)域阶的投影进行分析。因为既有的诊断模型一般对振动信号进行处理得到故障诊断结果的,如果间接信号与振动加速度信号越接近,该信号与加速度信号的匹配度越高,根据间接信号与振动信号投影矩阵百分比差异衡量信号间全局信息相似性。
按照公式1对各类信号在不同状态下的时-频域因子矩阵进行匹配,大量样本匹配度达到75%时,电流信号和扭矩信号识别率高,分别为96.22%和95.36%,而匹配度75%时径向力的识别率仅为56.36%。电流信号和扭矩信号作为轴承故障诊断的间接信号,诊断牵引电机轴承故障可选用电流信号,以及扭矩信号进行诊断。进行诊断时,以构建的电流信号和扭矩信号的三阶张量为处理对象进行诊断。
利用间接信号而非传感器采集到的直接振动信号进行故障诊断;若轴承监测信号参数齐全,使用间接信号作为辅助信号进行故障诊断,与直接振动信号相互校准提高诊断精度;若传感器直接采集的振动信号中断或无法获取时,基于间接信号起替代故障诊断作用。
步骤S20:对选择的间接信号数据进行降维和降噪处理。
对于受到噪声干扰的信号数据,利用截断高阶奇异值分解(T-HOSVD)保留原始间接信号中的有效信号,降低噪声干扰影响。将选择的间接信号张量模型的原始张量n-模矩阵化,分别对每个n-模矩阵进行奇异值(Singular Value Decomposition,SVD)分解,将原始张量和各n-模矩阵SVD分解之后的左奇异值向量进行张量组合生成新的核心张量,新核心张量与各左奇异值矩阵重构得到目标张量。
在每个n-模矩阵进行SVD分解的同时,对奇异矩阵进行截断操作,只保留前k个奇异值进行分解。截断奇异值分解是将容易造成误差的较小奇异值项阶段,逐渐将不适定问题变为适定问题。
在正则化解||xλ||2与残差项||Axλ-b2||2之间寻求一个平衡解。L曲线的这个角落(L-corner)对应于使得正则化解||xλ||2与残差项||Axλ-b2||2都较小的一个均衡解,由此可以确定这个L-corner就对应于一个较好的正则化参数。
算法的流程:
1)按照试验环境条件将包含振动信号和间接信号的数据集划分为三种类型:正常状态数据集IZ、人为损坏数据集IR和加速测试数据集IJ;
2)每类数据集的每个编号样本将作为每个张量模型的一个水平切片,将每转一圈采集到的点数作为每层的一行,取10倍转动采样点为一行,依次往下排列即可铺满整个层,每种类型下各组别的信号按照样本顺序进行层的叠加,对于正常状态数据集,建立40个大小为100×2560×6和20个大小为10×1600×6的张量模型。对于人为损坏数据集建立40个大小为100×2560×12和20个10×1600×12的张量模型。对于加速测试数据集,建立40个大小为100×2560×14和20个10×1600×14的张量模型。
3)将每个张量模型进行n-模矩阵化,将三阶张量矩阵化为mode-1、mode-2、mode-3;
4)将n-mode矩阵分别进行紧缩奇异值分解;
5)对n-mode奇异值分解的同时分别进行L-曲线正则化求解,分别求出三个对应的截断参数;
6)将三个截断参数分别对应作为每个奇异值分解后左奇异矩阵的截断参数;
7)利用截断参数构建张量分解的核心张量;
8)利用新的核心张量进行张量重构,得到降维和降噪处理后的间接信号的目标张量;
9)将重构后的降维和降噪处理后的间接信号的目标张量转化为向量,对其进行时频域和功率谱分析。
间接信号包括电流信号和扭矩信号。将电流信号建模为一个三阶张量100*2560*14。进行张量分解并选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线截断参数,三个矩阵的T-SVD截断参数分别为4,16,4。构建维度为4*1398*12新的核心张量,利用核心张量和n-模矩阵SVD分解的左奇异矩阵相乘得到恢复信号的张量。即将电流信号三阶张量维度由100*2560*14降维至4*1398*12。
通过对L-曲线进行角落定位,获得三个截断参数,进而可以确定新核心张量的维度大小,恢复目标信号张量,将重构后的张量按照之前一维折叠为二维的排列方式对应展开为一维序列。
将扭矩信号建模为一个三阶张量1600*10*14。张量分解过程中,选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线求解截断参数,三个截断参数取整数后分别为5,4,4。则张量分解后这个振动信号的核心张量为5*138*12,即扭矩信号三阶张量维度由1600*10*14降维至5*138*12。然后根据核心张量重新构造目标张量。
步骤S30:提取降维和降噪处理后的牵引电机轴承故障诊断的间接信号的特征向量。
将原始信号进行快速傅里叶变换,构造包含振动信号、电流信号和扭矩信号的张量模型,采用T-QR(张量-正交矩阵和上三角矩阵)分解算法将原始信号分解为正交矩阵和上三角矩阵。正交矩阵利用HOOI分解得到核心张量C。对三阶的核心张量进行向量化,得到一组初始特征向量。面向初始特征向量,采用基于不同健康状态之间最大距离的特征选择方法,提取间接信号的特征向量。定义距离如下:
给定c=1,2,…,Nc种故障或者正常状态类别中间接信号的j=1,2,Q个特征值。
选择计算如下:
1)首先将特征值进行归一化;
2)计算各类中每个特征值j的平均值mjc
式中,x为特征值;
n为代表样本的数量。
3)计算每个特征数据线i与每类中相同特征值的平均值之间的平方欧式距离dj的平均值,
4)使用最大特征分离距离规范特征分离距离,生成性能评估标准
5)选择性能大于预定阈值的距离。
核心张量的每一层为C(n),核心张量中元素总个数为k。估计核心张量中每个值所占整体信号的权重,与分离距离的乘积作为特征筛选的指标,方法如下:
1)计算核心张量所有元素的平均值mc;
2)将各层中的各元素依次替换为核心张量所有元素的平均值mc,其余元素保持不变;
3)对每种情况下的张量进行重构,计算每个元素参加重构张量的绝对百分误差(MAPE1k);
4)计算核心张量每一层各元素的平均值mC(n);
5)将各层中的各元素依次替换为mC(n),其余元素保持不变;
6)对每种情况下的张量进行重构,计算此时的重构张量的绝对百分误差(MAPE2k);
7)将每层C(n)中的所有元素依次替换为总元素平均值mc,其余元素保持不变;
8)计算此时的重构张量的绝对百分误差(MAPE3k);
9)求出所有元素的在1和2情况下的平均误差
10)计算所有元素在9)中计算的总平均值
12)设置最小误差比平均总误差为各元素被选择的阈值,大于此阈值的特征向量可以被选取。
将各层C(n)替换为mC(n)计算出的MAPE3k与所有层的元素替换为mC(n)计算得到的MAPE3k均值之比比较,将比值大于1的各层挑出,也及将权重较大层的特征值筛选出来得到用于诊断的特征向量。
步骤S40:根据间接信号的特征向量进行牵引电机轴承的故障识别。
对故障状态(正常,内圈和外圈、内+外),损伤类型以及损伤程度进行试验。具体步骤为:
1)每组编号的数据集作为张量模型的一个构建基础;
2)将振动信号(直接信号)、电流信号和扭矩信号(间接信号)三类信号的每类作为张量模型的一层,按照时间段和每转一圈可以采集到的点数的公倍数为基准,折叠构建每层张量数据;
3)将三类信号对应的三类数据叠加成为张量模型;
4)对每个张量模型进行T-QR分解;
5)T-QR分解得到的Q作为HOOI分解的输入;
6)HOOI分解得到核心张量和三个因子矩阵;
7)将每个张量的核心张量进行展开作为初始特征向量;
8)计算距离阈值-计算误差阈值;
9)筛选出每个状态的样本的最终特征向量;
10)给做好的数据集设置标签;
11)将筛选出的样本的最终特征向量作为分类器的输入,利用分类器中的各种模型对各种状态进行诊断;
12)对比分析故障分类结果
步骤S50:鉴别牵引电机故障状态的损伤程度。
1)损伤类型共分为10类,其中正常状态也作为一种“特殊”的故障,按照0和1排列对其设置标签。每种故障类别生成200张时频图,共2000张,按照训练集:验证集:测试集=7:2:1的比例对其进行划分。
2)采用Morlet小波基函数对诊断信号进行小波变换得到时频信号融合图,选取图形的窗口长度为256,可以得到最佳的时间-频率分辨率。所述最佳时间-频率分辨率用于修饰时频信号融合图。
3)对轴承损伤程度鉴别采用基于小波时频图的2D-CNN诊断模型和特征向量的2D-CNN的双模CNN诊断模型,在时频图时频域特征提取和特征向量全局特征提取的融合样本下,完成对损伤分类和损伤程度鉴别的良好诊断和识别。
3-1)1D-CNN的输入为电流和扭矩融合信号的T-QR-HOOI特征向量,每个信号样本提取出的特征向量长度为163。
3-2)2D-CNN的输入端为电流和扭矩对应状态下的时频图的融合图像。将选择的一维间接信号转化为基于Morlet小波时频图的2D图像,将生成时频图的最小信号长度称为基础信号长度,在每种状态类别下按照采样频率/转频的计算方法将其划归成每转一圈采集到的点数作为最小基础信号长度,根据信号的种类将基础信号种类定为最小基础信号长度的整数倍。
3-3)二维图像输入采用小波时频图,一维特征向量表征了原始信号的全局特征。
构建2D-CNN和1D-CNN融合的双模CNN模型,特征提取阶段2D-CNN和1D-CNN是并联运行,经过多层卷积池化后,双模提取的特征图将在汇聚层进行融合,融合后的特征图串联进行下面的特征分类和诊断。
本发明基于张量模型、机器学习分类机和卷积神经网络进行牵引电机轴承故障诊断建模,依据上述一整套信号处理方法和网络结构进行实验,针对轴承10类损伤类型,双模CNN的平均诊断准确率达到98.5%,并且随着迭代次数的增加,收敛效果较好。相比于研究报道的小波能量谱-LSTM模型的诊断准确率平均高出13.5%,边际谱-CNN模型的平均诊断正确率为90%,且本发明构成的模型收敛效果更佳。对于轴承损伤程度的评估,双模CNN也达到了97%的准确率。
综上所述,本发明实施例基于张量模型、机器学习分类机和卷积神经网络进行牵引电机轴承故障诊断建模,依据上述一整套信号处理方法和网络结构进行实验,针对轴承10类损伤类型,双模CNN的平均诊断准确率达到98.5%,并且随着迭代次数的增加,收敛效果较好。相比于研究报道的小波能量谱-LSTM模型的诊断准确率平均高出13.5%,边际谱-CNN模型的平均诊断正确率为90%,且本发明构成的模型收敛效果更佳。
本发明实施例能够为利用直接信号进行轴承故障诊断的常用手段提供补充和校核途径,二者相得益彰,使得对于轴承的故障诊断更为准确。面向列车牵引电机轴承故障诊断问题形成了从信号选择、高维信号数据降维和降噪、电机轴承故障损伤类别、电子轴承故障辨识等一整套的故障诊断方法。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于间接信号的牵引电机轴承故障诊断方法,其特征在于,包括:
基于Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号;
对所述间接信号数据进行降维和降噪处理;
提取降维和降噪处理后的间接信号的特征向量;
根据所述间接信号的特征向量进行牵引电机轴承的故障识别;
所述的根据所述间接信号的特征向量进行牵引电机轴承的故障识别,包括:
1)每组编号的数据集作为张量模型的一个构建基础;
2)将振动信号、电流信号和扭矩信号三类信号的每类作为张量模型的一层,按照信号采集批次和每转一圈采集到的点数的公倍数为基准,折叠构建每层张量数据;
3)将所述三类信号对应的三类数据叠加成为信号张量模型;
4)对每个张量模型进行T-QR分解;
5)T-QR分解得到的正交矩阵(Q)作为高阶正交迭代(HOOI)分解的输入;
6)HOOI分解得到核心张量和三个因子矩阵;
7)将每个张量的核心张量进行展开作为初始特征向量;
8)计算距离阈值-计算误差阈值;
9)筛选出每个状态的样本的最终特征向量;
10)给做好的数据集设置标签;
11)将筛选出的样本的最终特征向量作为用于牵引电机轴承的故障识别的分类器的输入,利用分类器中的各种模型对各种状态进行诊断;
12)对各种状态的诊断结果进行对比分析,得到牵引电机轴承的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述的基于Tucker分解因子矩阵匹配选取用于牵引电机轴承故障诊断的间接信号,包括:
以传感器采集到的振动信号、电流信号、扭矩信号和径向力信号为对象,所述电流信号、扭矩信号和径向力信号为间接信号,构建以频域为主阶的信号张量模型,张量的三阶分别是故障状态×工况×频率信号,对轴承的三阶信号张量模型分别进行Tucker分解,将原始张量分解为核心张量及其在三阶信号模型上的投影;
根据间接信号与振动信号投影矩阵百分比差异衡量信号间全局信息相似性;
按照公式1对各类信号在不同状态下的时-频域因子矩阵进行匹配,选取样本匹配度较高的电流信号和扭矩信号作为轴承故障诊断的间接信号。
3.根据权利要求1所述的方法,其特征在于,所述的对所述间接信号数据进行降维和降噪处理,包括:
利用截断高阶奇异值分解T-HOSVD保留原始间接信号中的有效信号,将间接信号张量模型的原始张量n-mode矩阵化,分别对每个n-mode矩阵进行奇异值SVD分解,
在对每个n-mode矩阵进行SVD分解的同时,分别对每个n-mode矩阵进行L-曲线正则化求解,分别求出三个对应的截断参数,将三个截断参数分别对应作为每个奇异值分解后左奇异矩阵的截断参数,利用截断参数构建张量分解的核心张量,将所述核心张量与各左奇异值矩阵进行重构,得到降维和降噪处理后的间接信号的目标张量。
4.根据权利要求3所述的方法,其特征在于,所述的对所述间接信号数据进行降维和降噪处理,包括:
将电流信号建模为一个三阶张量100×2560×14,进行张量分解并选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线截断参数,三个矩阵的T-SVD截断参数分别为4,16,4,构建维度为4×1398×12新的核心张量,利用核心张量和n-mode矩阵SVD分解的左奇异矩阵相乘得到降维和降噪处理后的电流信号的目标张量;
将扭矩信号建模为一个三阶张量1600×10×14,张量分解过程中,选取张量三个n-mode矩阵化后的矩阵,分别对其求L曲线求解截断参数,三个截断参数取整数后分别为5,4,4,则张量分解后这个扭矩信号的核心张量为5*138*12,根据核心张量重新构造降维和降噪处理后的扭矩信号的目标张量。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述的提取降维和降噪处理后的间接信号的特征向量,包括:
将降维和降噪处理后的间接信号和振动信号组成原始信号,将原始信号进行快速傅里叶变换,得到原始信号的张量模型,采用张量-正交矩阵和上三角矩阵T-QR分解算法将原始信号的张量模型分解为正交矩阵和上三角矩阵,对正交矩阵利用HOOI分解得到三阶的核心张量,对核心张量进行向量化,得到一组初始特征向量,针对初始特征向量采用基于不同健康状态之间最大距离的特征选择方法,提取间接信号的特征向量。
6.根据权利要求5所述的方法,其特征在于,所述的针对初始特征向量采用基于不同健康状态之间最大距离的特征选择方法,提取间接信号的特征向量,包括:
给定c=1,2,…,Nc种故障或者正常状态类别中间接信号的j=1,2,Q个特征向量;
选择计算如下:
1)首先将特征值进行归一化;
2)计算各类中j个特征向量的平均值mjc
式中,x为特征值;
n为代表样本的数量;
3)计算每个特征数据点i与每类中相同特征值的平均值之间的平方欧式距离dj的平均值;
4)使用最大特征分离距离规范特征分离距离,生成性能评估标准;
5)选择性能大于预定阈值的距离;
信号核心张量权重误差评估:
核心张量的每一层为C(n),核心张量中元素总个数为k,估计核心张量中每个值所占整体信号的权重,与分离距离的乘积作为特征筛选的指标,方法如下:
1)计算核心张量所有元素的平均值mc;
2)将信号张量模型各层中的核心张量各元素依次替换为核心张量所有元素的平均值mc,其余元素保持不变,构建初始张量;
3)对原始和初始张量进行重构,计算每个元素参加重构张量的绝对百分误差MAPE1k;
4)计算核心张量每一层各元素的平均值mC(n);
5)将各层中的各元素依次替换为mC(n),其余元素保持不变,构建特征评估张量;
6)对上述张量进行重构,计算此时的重构张量的绝对百分误差MAPE2k;
7)将每层C(n)中的所有元素依次替换为总元素平均值mc,其余元素保持不变,构建特征筛选张量;
8)计算此时的重构张量的绝对百分误差MAPE3k;
9)求出所有元素在初始张量和特征评估张量重构下的平均误差
10)计算所有元素在9)中计算的总平均值
12)设置最小误差比平均总误差为各元素被选择的阈值,大于此阈值的特征向量被选取;
7.根据权利要求1所述的方法,其特征在于,所述的方法还包括:鉴别牵引电机故障状态的损伤程度,具体包括:
1)将牵引电机故障状态的损伤类型共为10类,按照0和1排列对其设置标签,每种故障类别生成200张时频图,共2000张,按照训练集:验证集:测试集=7:2:1的比例对其进行划分;
2)采用Morlet小波基函数对诊断信号进行小波变换得到时频信号融合图,选取图形的窗口长度为256,得到最佳的时间-频率分辨率;
3)对轴承损伤程度鉴别采用2D-CNN和1D-CNN融合的双模CNN诊断模型,2D图像输入采用小波时频图,完全反映了信号的时频域特征,1D特征向量是原始信号全局特征的表现,在特征提取阶段2D-CNN和1D-CNN并联运行,提取的特征在汇聚层融合,融合后的特征图串联完成对损伤分类和损伤程度鉴别的良好诊断和识别;
3-1)1D-CNN的输入为电流和扭矩融合信号的T-QR-HOOI特征向量,每个信号样本提取出的特征向量长度为163;
3-2)2D-CNN的输入端为电流和扭矩对应状态下的时频图的融合图像,将间接信号转化为基于Morlet小波时频图的2D图像,将生成时频图的最小信号长度称为基础信号长度,在每种状态类别下按照采样频率/转频的计算方法将其划归成每转一圈采集到的点数作为最小基础信号长度,根据信号的种类将基础信号种类定为最小基础信号长度的整数倍;
3-3)二维图像输入采用小波时频图,一维特征向量表征了原始信号的全局特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705416.3A CN113295413B (zh) | 2021-06-24 | 2021-06-24 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705416.3A CN113295413B (zh) | 2021-06-24 | 2021-06-24 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113295413A CN113295413A (zh) | 2021-08-24 |
CN113295413B true CN113295413B (zh) | 2022-10-25 |
Family
ID=77329533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705416.3A Active CN113295413B (zh) | 2021-06-24 | 2021-06-24 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295413B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113899550B (zh) * | 2021-09-28 | 2022-08-02 | 新黎明科技股份有限公司 | 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817106A (zh) * | 2017-10-11 | 2018-03-20 | 温州大学 | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104990709B (zh) * | 2015-08-07 | 2017-10-13 | 杨玉娇 | 用于检测机车轴承故障的方法 |
KR101823746B1 (ko) * | 2016-02-05 | 2018-01-30 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN110457979A (zh) * | 2018-05-08 | 2019-11-15 | 西北农林科技大学 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
CN111275007B (zh) * | 2020-02-24 | 2021-10-22 | 山东大学 | 基于多尺度信息融合的轴承故障诊断方法及系统 |
-
2021
- 2021-06-24 CN CN202110705416.3A patent/CN113295413B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817106A (zh) * | 2017-10-11 | 2018-03-20 | 温州大学 | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113295413A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN105678343B (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
Liu et al. | Multidimensional feature fusion and ensemble learning-based fault diagnosis for the braking system of heavy-haul train | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
CN111476339A (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
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 | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN113177357A (zh) | 一种电力系统暂态稳定评估方法 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
Liu et al. | A novel dual-attention optimization model for points classification of power quality disturbances | |
CN113743010A (zh) | 基于eemd能量熵的滚动轴承运行状态评估方法 | |
CN113780160A (zh) | 一种电能质量扰动信号分类方法和系统 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 |
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 |