CN113392739A - 滚动轴承状态的监测方法、装置、设备及存储介质 - Google Patents

滚动轴承状态的监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113392739A
CN113392739A CN202110617693.9A CN202110617693A CN113392739A CN 113392739 A CN113392739 A CN 113392739A CN 202110617693 A CN202110617693 A CN 202110617693A CN 113392739 A CN113392739 A CN 113392739A
Authority
CN
China
Prior art keywords
information
target
preset
network model
neural network
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
Application number
CN202110617693.9A
Other languages
English (en)
Other versions
CN113392739B (zh
Inventor
尹帆
李嘉晖
李子茂
路松峰
王江晴
吴俊军
丁凤
朱建新
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
South Central Minzu University
Original Assignee
Huazhong University of Science and Technology
South Central University for Nationalities
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, South Central University for Nationalities filed Critical Huazhong University of Science and Technology
Priority to CN202110617693.9A priority Critical patent/CN113392739B/zh
Publication of CN113392739A publication Critical patent/CN113392739A/zh
Application granted granted Critical
Publication of CN113392739B publication Critical patent/CN113392739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及机械监测技术领域，公开了一种滚动轴承状态的监测方法、装置、设备及存储介质，所述方法包括：采集滚动轴承的运行状态信息和预设时间序列，根据预设时间序列将运行状态信息映射到目标图像域中，根据预设数据融合算法对映射得到的图像信息进行特征向量提取，得到对应的特征向量信息，将特征向量信息进行融合，提取融合得到的目标图像信息中的特征信息，根据预设神经网络模型对特征信息进行预测，基于预测得到的目标学习状态特征和预设神经网络模型；根据得到的目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，相较于现有技术基于深度学习的监测模型对滚动轴承的运行状态，能够有效提高监测效率和准确率。

Description

滚动轴承状态的监测方法、装置、设备及存储介质
技术领域
本发明涉及机械监测技术领域，尤其涉及滚动轴承状态的监测方法、装置、设备及存储介质。
背景技术
滚动轴承作为旋转机械中最常用、工况消耗最大以及最核心的部件，其状态是否良好不仅直接影响到整个机械设备的性能，甚至还会威胁到工人的安全问题，因此，轴承状态监测技术的研究具有重要的经济价值和社会效益，当前，滚动轴承的故障类型主要分为外圈故障、内圈故障以及滚动体故障，而目前针对上述不同故障类型的监测方法为长短期记忆网络(Long Short-Term Memory，LSTM)，通过LSTM网络对滚动轴承的运行状态进行监测会缓解循环神经网络在预测时存在的梯度问题，但由于LSTM网络的迭代速度慢，导致对滚动轴承的运行状态的监测效率较低，且监测的运行状态会出现较大的误差。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种滚动轴承状态的监测方法及方法，旨在解决现有技术无法有效提高对滚动轴承的监测效率以及监测准确率较低的技术问题。
为实现上述目的，本发明提供了一种滚动轴承状态的监测方法，所述滚动轴承状态的监测方法包括以下步骤:
采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息；
获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息；
提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息；
基于所述目标学习状态特征信息和所述预设神经网络模型，得到目标神经网络模型；
根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
可选地，所述采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息，包括：
采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列；
对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息；
将所述故障运行状态信息和所述正常运行状态信息进行拼接，得到目标运行状态信息；
根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
可选地，所述根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息，包括：
根据所述预设时间序列得到当前排列顺序；
获取预设矩阵构造策略，根据所述预设矩阵构造策略对所述当前排列顺序进行调整，得到目标排列顺序；
基于所述目标排列顺序将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
可选地，所述获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息，包括：
对所述图像信息进行解析，得到所述图像信息对应的类别信息；
获取预设图像类别，根据所述预设图像类别对所述类别信息进行筛选，得到目标类型对应的当前图像信息；
获取预设降维算法，根据所述预设降维算法对所述当前图像信息进行降维，得到降维后的图像信息；
获取预设数据融合算法，根据所述预设数据融合算法对所述降维后的图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
可选地，所述提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息，包括：
对所述目标图像信息进行压缩，得到压缩后的目标图像信息；
获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息；
获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
可选地，所述获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息之后，还包括：
基于所述目标学习状态特征信息对所述预设神经网络模型进行自学习，得到目标神经网络模型；
获取预设优化策略，根据所述预设优化策略对所述目标神经网络模型进行优化，得到优化后的目标神经网络模型；
根据所述优化后的目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果。
可选地，所述根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果之后，还包括：
获取所述滚动轴承的目标运行状态，判断所述目标运行状态与所述监测结果中的运行状态是否一致；
若所述目标运行状态与所述监测结果中的运行状态一致，则将所述监测结果中的运行状态记录在所述滚动轴承的运行状态统计表中。
此外，为实现上述目的，本发明还提出一种滚动轴承状态的监测装置，所述滚动轴承状态的监测装置包括：
采集模块，用于采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息；
提取模块，用于获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息；
预测模块，用于提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息；
获取模块，用于基于所述目标学习状态特征和所述预设神经网络模型，得到目标神经网络模型；
监测模块，用于根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
此外，为实现上述目的，本发明还提出一种滚动轴承状态的监测设备，所述滚动轴承状态的监测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的滚动轴承状态的监测程序，所述滚动轴承状态的监测程序配置为实现如上文所述的滚动轴承状态的监测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有滚动轴承状态的监测程序，所述滚动轴承状态的监测程序被处理器执行时实现如上文所述的滚动轴承状态的监测方法。
本发明提出的滚动轴承状态的监测方法，通过采集滚动轴承的运行状态信息和预设时间序列，根据预设时间序列将运行状态信息映射到目标图像域中，根据预设数据融合算法对映射得到的图像信息进行特征向量提取，得到对应的特征向量信息，将特征向量信息进行融合，提取融合得到的目标图像信息中的特征信息，根据预设神经网络模型对特征信息进行预测，基于预测得到的目标学习状态特征和预设神经网络模型；根据得到的目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，相较于现有技术基于深度学习的监测模型对滚动轴承的运行状态，能够有效提高监测效率和准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的滚动轴承状态的监测设备的结构示意图；
图2为本发明滚动轴承状态的监测方法第一实施例的流程示意图；
图3为本发明滚动轴承状态的监测方法第二实施例的流程示意图；
图4为本发明滚动轴承状态的监测方法一实施例的整体流程示意图；
图5为本发明滚动轴承状态的监测方法第三实施例的流程示意图；
图6为本发明滚动轴承状态的监测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的滚动轴承状态的监测设备结构示意图。
如图1所示，该滚动轴承状态的监测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对滚动轴承状态的监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及滚动轴承状态的监测程序。
在图1所示的滚动轴承状态的监测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明滚动轴承状态的监测设备中的处理器1001、存储器1005可以设置在滚动轴承状态的监测设备中，所述滚动轴承状态的监测设备通过处理器1001调用存储器1005中存储的滚动轴承状态的监测程序，并执行本发明实施例提供的滚动轴承状态的监测方法。
基于上述硬件结构，提出本发明滚动轴承状态的监测方法实施例。
参照图2，图2为本发明滚动轴承状态的监测方法第一实施例的流程示意图。
在第一实施例中，所述滚动轴承状态的监测方法包括以下步骤：
步骤S10，采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息。
需要说明的是，本实施例的执行主体为滚动轴承状态的监测设备，还可为其他可实现相同或相似功能的设备，例如运行状态检测器等，本实施例对此不作限制，在本实施例中，以运行状态检测器为例进行说明。
应当理解的是，运行状态信息指的是滚动轴承当前运行的状态信息，该运行状态信息的采集可以通过布设在滚动轴承上的振动传感器，通过振动传感器可以实时采集到滚动轴承的运行状态信息，预设时间序列指的是采集滚动轴承运行状态信息的先后顺序，例如，此时滚动轴承的运行状态信息有A和B，而B是在第一时间获取到的，A是第二时间获取到的，那么预设时间序列为B、A，目标图像域是可以将状态信息转换为图像信息的作用域，例如，在得到滚动轴承的运行状态信息后，将运行状态信息映射在目标作用域上，就会得到与运行状态信息对应的图像信息。
可以理解的是，在采集到滚动轴承的运行状态信息后，根据采集的先后顺序得到对应的预设时间序列，此时的预设时间序列具有时间相关性和依赖性，由于滚动轴承的运行状态信息是通过振动传感器得到的，在振动传感器得到滚动轴承的振动后，以振动信号的方式将振动情况进行传输，以分析出对应的运行状态信息，振动信号分为正常信号、内圈故障信号、外圈故障信号、滚动体故障信号。
在具体实施中，运行状态检测器采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息。
步骤S20，获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
应当理解的是，在得到图像信息后，对图像信息进行解析，以得到图像信息对应的类别信息，通过预设图像类别对类别信息进行筛选，得到目标类型对应的当前图像信息，根据预设降维算法对当前图像信息进行降维，得到降维后的图像信息，通过预设数据融合算法对降维后的图像信息进行特征提取，得到对应的特征向量信息，对得到的特征向量信息进行融合，得到目标图像信息。
可以理解的是，预设数据融合算法指的是将图像信息中的特征提取的算法，预设降维算法指的是将当前图像信息中的维度降低的算法，该预设降维算法可以为主成分分析降维算法，也可以为机器学习降维算法，还可以为其他降维算法，本实施例对此不作限制，以主成分分析降维算法为例进行说明，由于图像信息中的存在无效图像信息和异常图像信息，因此，需要将图像信息进行分类，以得到对应的类别信息，通过预设图像类别将无效图像信息和异常图像信息去除，其中，预设图像类别指的是正常图像信息的类别，预设图像类别可以通过在图像大数据平台上直接获取，该特征向量信息是对运行状态信息的判断和预设神经网络模型的识别起着决定的作用。
在具体实施中，运行状态检测器获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
步骤S30，提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
应当理解的是，提取到的特征信息指的是在目标图像信息中最具代表性的特征信息，例如，此时的目标图像信息中的特征信息有三种，分别为A特征信息、B特征信息和C特征信息，而B特征信息为最具代表性的特征信息，即B特征信息与目标图像信息为一对一的关系，此时需要提取的特征信息为B特征信息。
可以理解的是，通过当前神经网络模型对目标图像信息进行提取，得到对应的特征信息，该预设神经网络模型可以为卷积神经网络(Convolutional Neural Networks,CNN)模型，也可以为其他神经网络模型，本实施例对此不作限制，以CNN网络模型为例进行说明，根据CNN网络模型对特征信息进行提取，得到对应的特征信息，预设神经网络模型为双层双向长短期记忆网络模型，通过双层双向长短期记忆网络模型对特征信息进行预测，得到目标学习状态特征信息。
在具体实施中，运行状态检测器提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
步骤S40，基于所述目标学习状态特征信息和所述预设神经网络模型，得到目标神经网络模型。
应当理解的是，在得到目标学习状态特征信息和预设神经网络模型后，将目标学习状态特征信息输入至预设神经网络模型中，以使预设神经网络模型根据目标学习状态特征信息进行学习，此时的预设神经网络模型的参数信息会根据目标学习状态特征信息中的参数信息进行调整，在参数信息调整完成后即得到目标神经网络模型。
在具体实施中，运行状态检测器基于所述目标学习状态特征信息和所述预设神经网络模型，得到目标神经网络模型。
步骤S50，根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
可以理解的是，在得到目标神经网络模型后，根据目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，由于该监测结果是基于目标神经网络模型单独监测得到的，可能会出现误差，因此需要获取滚动轴承的目标运行状态，该目标运行状态可基于滚动轴承的历史运行信息得到，将目标运行状态与监测结果中的运行状态进行比较，若目标运行状态与监测结果中的运行状态一致，则表明通过目标神经网络模型监测到的目标运行状态记录在对应的运行状态统计表中，其中，目标运行状态与监测结果中的运行状态一致指的是在预设时间段内的运行状态完全一致。
在具体实施中，运行状态检测器根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
本实施例通过采集滚动轴承的运行状态信息和预设时间序列，根据预设时间序列将运行状态信息映射到目标图像域中，根据预设数据融合算法对映射得到的图像信息进行特征向量提取，得到对应的特征向量信息，将特征向量信息进行融合，提取融合得到的目标图像信息中的特征信息，根据预设神经网络模型对特征信息进行预测，基于预测得到的目标学习状态特征和预设神经网络模型；根据得到的目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，相较于现有技术基于深度学习的监测模型对滚动轴承的运行状态，能够有效提高监测效率和准确率。
在一实施例中，如图3所述，基于第一实施例提出本发明滚动轴承状态的监测方法第二实施例，所述步骤S10，包括：
步骤S101，采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列。
应当理解的是，在采集滚动轴承的运行状态时，将采集的时间信息与对应的运行状态一一记录，此时提取出运行状态信息中的采集时间信息，由于时间信息是记录有时分秒的，通过时分秒的大小将时间信息按照从小到大的顺序进行排列，同时将时间信息对应的运行状态信息随着时间信息的排列规则进行排序即可得到对应的预设时间序列。
在具体实施中，运行状态检测器采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列。
步骤S102，对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息。
可以理解的是，由于振动传感器发出的振动信号分为正常信号、内圈故障信号、外圈故障信号、滚动体故障信号，根据振动信号得到的运行状态分为两者，一种为正常运行状态信息，另一种为故障运行状态信息，因此，在得到运行状态信息后，需要对运行状态信息进行识别，得到故障运行状态信息和正常在运行状态信息。
在具体实施中，运行状态检测器对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息。
步骤S103，将所述故障运行状态信息和所述正常运行状态信息进行拼接，得到目标运行状态信息。
应当理解的是，在得到故障运行状态信息和正常运行状态信息后，根据预设拼接规则将故障运行状态信息和正常运行状态信息进行拼接，得到目标运行状态信息，其中，预设拼接规则可以为将故障运行状态信息拼接在正常运行状态信息前面的拼接规则，也可以为将故障运行状态信息拼接在正常运行状态信息后面的拼接规则，本实施例对此不作限制，以将故障运行状态信息拼接在正常运行状态信息前面的拼接规则为例进行说明，在拼接完成后得到目标运行状态信息。
在具体实施中，运行状态检测器对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息。
步骤S104，根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
可以理解的是，在得到预设时间序列和目标运行状态信息后，按照预设时间序列的顺序将目标运行状态信息映射在目标图像域上，目标图像域将目标运行状态信息根据映射的先后顺序进行转换，得到对应的图像信息。
进一步的，为了有效提高得到图像信息的准确性，还需要根据所述预设时间序列得到当前排列顺序；获取预设矩阵构造策略，根据所述预设矩阵构造策略对所述当前排列顺序进行调整，得到目标排列顺序；基于所述目标排列顺序将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
应当理解的是，由于传感器布置的位置与得到的数据之间存在差异，使得根据预设时间序列得到的当前排列顺序需要进行调整，此时需要通过目标图像域得到对应的预设矩阵构造策略，预设矩阵构造策略指的是目标运行状态信息通过矩阵排列的策略，通过预设构造策略将当前排列顺序进行调整，得到目标排列顺序，此时可将目标运行状态信息根据目标排列顺序映射在目标图像域上，得到对应的图像信息。
在具体实施中，运行状态检测器根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
参照图4，图4为本发明滚动轴承状态的监测方法一实施例的整体流程示意图，具体流程为：响应于对滚动轴承的运行状态的开始监测指令，基于开始监测指令采集滚动轴承的运行状态信息和采集时的预设时间序列，根据矩阵构造方式对预设时间序列进行重构，根据重构后的时间序列将运行状态信息映射在目标图像域，得到对应的目标图像信息，将目标图像信息输入至当前神经网络模型，以使当前神经网络模型对目标图像信息进行预测，得到对应的目标学习状态特征信息，预设神经网络模型根据目标学习状态特征信息进行自学习，得到目标神经网络模型，根据目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，基于监测结果评估目标神经网络模型的质量，在检测结果中的运行状态与目标运行状态一致时，则此时的目标神经网络模型的质量合格。
本实施例通过采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列；对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息；将所述故障运行状态信息和所述正常运行状态信息进行拼接，得到目标运行状态信息；根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息；通过对运行状态信息进行识别，将识别得到的故障运行状态信息和正常运行状态信息进行拼接，得到目标运行状态信息，根据预设时间序列将目标运行状态信息映射在目标图像域，得到对应的图像信息，从而能够有效提高得到图像信息的准确性。
在一实施例中，如图5所述，基于第一实施例提出本发明滚动轴承状态的监测方法第三实施例，所述步骤S30，包括：
步骤S301，对所述目标图像信息进行压缩，得到压缩后的目标图像信息。
可以理解的是，在得到目标图像信息后，需要对目标图像信息进行压缩，以筛选掉不同格式的图像信息，该不同格式指的是通道数，数据格式、大小以及分辨率，在筛选完成后即可得到压缩后的目标图像信息。
在具体实施中，运行状态检测器对所述目标图像信息进行压缩，得到压缩后的目标图像信息。
步骤S302，获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息。
可以理解的是，当前神经网络模型指的是对提取到的特征信息进行预测的网络模型，该当前神经网络模型为CNN网络模型，由于CNN网络模型的卷积层中的每个卷积核都代表着一个特征图，卷积核通过一组权重来卷积前一层的输入并组成一组特征输出，成为下一层的输入，在得到目标图像信息后，将目标图像信息输入至当前神经网络模型中的卷积层，卷积层通过权重提取对应的特征信息。
在具体实施中，运行状态检测器获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息。
步骤S303，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
可以理解的是，预设神经网络模型指的是双层双向长短期记忆网络模型，双层双向长短期记忆网络模型的本质是基于长短期记忆网络模型改进得到的，通过双层双向长短期记忆网络模型能够有效特征捕获效率，由于双层双向长短期记忆网络模型中的卷积层可以对输入的目标图像信息进行正向扫描和逆向扫描，以减小提取特征信息的依赖性，其中，正向扫描和逆向扫描的顺序是完全相反的，通过两种扫描方式对特征信息进行扫描，以得到目标学习状态特征信息。
在具体实施中，运行状态检测器获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
进一步的，为了有效提高得到目标学习状态特征信息的效率，在得到目标学习状态特征信息之后，还需要基于所述目标学习状态特征信息对所述预设神经网络模型进行自学习，得到目标神经网络模型；获取预设优化策略，根据所述预设优化策略对所述目标神经网络模型进行优化，得到优化后的目标神经网络模型；根据所述优化后的目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果。
应当理解的是，在得到目标学习状态特征信息后，预设神经网络模型会对目标学习状态特征信息进行自学习，得到目标神经网络模型，此时的自学习是对预设神经网络模型的参数信息进行调整，以使该参数信息与目标学习状态特征信息中的参数信息一致，以得到目标神经网络模型，还需要通过预设优化策略对目标神经网络模型进行优化，此时的优化策略为丢弃策略(Drop Out，DP)，通过对目标神经网络模型中的隐含层的神经元从网络中丢弃，避免因隐含层神经元之间的相互适应而导致提取到的特征重复，从而有效提高网络收敛速度，增强状态监测模型的泛化能力，避免模型出现过拟合现象。
本实施例通过对所述目标图像信息进行压缩，得到压缩后的目标图像信息；获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息；获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息；通过当前神经网络模型中的卷积层对压缩后的目标图像信息进行特征提取，得到对应的特征信息，根据预设神经网络模型对特征信息进行预测，得到目标学习状态特征信息，从而有效提高得到目标学习状态特征信息的效率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有滚动轴承状态的监测程序，所述滚动轴承状态的监测程序被处理器执行时实现如上文所述的滚动轴承状态的监测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图6，本发明实施例还提出一种滚动轴承状态的监测装置，所述滚动轴承状态的监测装置包括：
采集模块10，用于采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息。
应当理解的是，运行状态信息指的是滚动轴承当前运行的状态信息，该运行状态信息的采集可以通过布设在滚动轴承上的振动传感器，通过振动传感器可以实时采集到滚动轴承的运行状态信息，预设时间序列指的是采集滚动轴承运行状态信息的先后顺序，例如，此时滚动轴承的运行状态信息有A和B，而B是在第一时间获取到的，A是第二时间获取到的，那么预设时间序列为B、A，目标图像域是可以将状态信息转换为图像信息的作用域，例如，在得到滚动轴承的运行状态信息后，将运行状态信息映射在目标作用域上，就会得到与运行状态信息对应的图像信息。
可以理解的是，在采集到滚动轴承的运行状态信息后，根据采集的先后顺序得到对应的预设时间序列，此时的预设时间序列具有时间相关性和依赖性，由于滚动轴承的运行状态信息是通过振动传感器得到的，在振动传感器得到滚动轴承的振动后，以振动信号的方式将振动情况进行传输，以分析出对应的运行状态信息，振动信号分为正常信号、内圈故障信号、外圈故障信号、滚动体故障信号。
在具体实施中，运行状态检测器采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息。
提取模块20，用于获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
应当理解的是，在得到图像信息后，对图像信息进行解析，以得到图像信息对应的类别信息，通过预设图像类别对类别信息进行筛选，得到目标类型对应的当前图像信息，根据预设降维算法对当前图像信息进行降维，得到降维后的图像信息，通过预设数据融合算法对降维后的图像信息进行特征提取，得到对应的特征向量信息，对得到的特征向量信息进行融合，得到目标图像信息。
可以理解的是，预设数据融合算法指的是将图像信息中的特征提取的算法，预设降维算法指的是将当前图像信息中的维度降低的算法，该预设降维算法可以为主成分分析降维算法，也可以为机器学习降维算法，还可以为其他降维算法，本实施例对此不作限制，以主成分分析降维算法为例进行说明，由于图像信息中的存在无效图像信息和异常图像信息，因此，需要将图像信息进行分类，以得到对应的类别信息，通过预设图像类别将无效图像信息和异常图像信息去除，其中，预设图像类别指的是正常图像信息的类别，预设图像类别可以通过在图像大数据平台上直接获取，该特征向量信息是对运行状态信息的判断和预设神经网络模型的识别起着决定的作用。
在具体实施中，运行状态检测器获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
预测模块30，用于提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
应当理解的是，提取到的特征信息指的是在目标图像信息中最具代表性的特征信息，例如，此时的目标图像信息中的特征信息有三种，分别为A特征信息、B特征信息和C特征信息，而B特征信息为最具代表性的特征信息，即B特征信息与目标图像信息为一对一的关系，此时需要提取的特征信息为B特征信息。
可以理解的是，通过当前神经网络模型对目标图像信息进行提取，得到对应的特征信息，该预设神经网络模型可以为卷积神经网络(Convolutional Neural Networks，CNN)模型，也可以为其他神经网络模型，本实施例对此不作限制，以CNN网络模型为例进行说明，根据CNN网络模型对特征信息进行提取，得到对应的特征信息，预设神经网络模型为双层双向长短期记忆网络模型，通过双层双向长短期记忆网络模型对特征信息进行预测，得到目标学习状态特征信息。
在具体实施中，运行状态检测器提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
获取模块40，用于基于所述目标学习状态特征和所述预设神经网络模型，得到目标神经网络模型。
应当理解的是，在得到目标学习状态特征信息和预设神经网络模型后，将目标学习状态特征信息输入至预设神经网络模型中，以使预设神经网络模型根据目标学习状态特征信息进行学习，此时的预设神经网络模型的参数信息会根据目标学习状态特征信息中的参数信息进行调整，在参数信息调整完成后即得到目标神经网络模型。
在具体实施中，运行状态检测器基于所述目标学习状态特征信息和所述预设神经网络模型，得到目标神经网络模型。
监测模块50，用于根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
可以理解的是，在得到目标神经网络模型后，根据目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，由于该监测结果是基于目标神经网络模型单独监测得到的，可能会出现误差，因此需要获取滚动轴承的目标运行状态，该目标运行状态可基于滚动轴承的历史运行信息得到，将目标运行状态与监测结果中的运行状态进行比较，若目标运行状态与监测结果中的运行状态一致，则表明通过目标神经网络模型监测到的目标运行状态记录在对应的运行状态统计表中，其中，目标运行状态与监测结果中的运行状态一致指的是在预设时间段内的运行状态完全一致。
在具体实施中，运行状态检测器根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
本实施例通过采集滚动轴承的运行状态信息和预设时间序列，根据预设时间序列将运行状态信息映射到目标图像域中，根据预设数据融合算法对映射得到的图像信息进行特征向量提取，得到对应的特征向量信息，将特征向量信息进行融合，提取融合得到的目标图像信息中的特征信息，根据预设神经网络模型对特征信息进行预测，基于预测得到的目标学习状态特征和预设神经网络模型；根据得到的目标神经网络模型对滚动轴承的运行状态进行实时监测，得到对应的监测结果，相较于现有技术基于深度学习的监测模型对滚动轴承的运行状态，能够有效提高监测效率和准确率。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的滚动轴承状态的监测方法，此处不再赘述。
在一实施例中，所述采集模块10，还用于采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列；对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息；将所述故障运行状态信息和所述正常运行状态信息进行拼接，得到目标运行状态信息；根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
在一实施例中，所述采集模块10，还用于根据所述预设时间序列得到当前排列顺序；获取预设矩阵构造策略，根据所述预设矩阵构造策略对所述当前排列顺序进行调整，得到目标排列顺序；基于所述目标排列顺序将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
在一实施例中，所述融合模块20，还用于对所述图像信息进行解析，得到所述图像信息对应的类别信息；获取预设图像类别，根据所述预设图像类别对所述类别信息进行筛选，得到目标类型对应的当前图像信息；获取预设降维算法，根据所述预设降维算法对所述当前图像信息进行降维，得到降维后的图像信息；获取预设数据融合算法，根据所述预设数据融合算法对所述降维后的图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
在一实施例中，所述预测模块30，还用于对所述目标图像信息进行压缩，得到压缩后的目标图像信息；获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息；获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
在一实施例中，所述预测模块30，还用于基于所述目标学习状态特征信息对所述预设神经网络模型进行自学习，得到目标神经网络模型；获取预设优化策略，根据所述预设优化策略对所述目标神经网络模型进行优化，得到优化后的目标神经网络模型；根据所述优化后的目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果。
在一实施例中，所述监测模块50，还用于获取所述滚动轴承的目标运行状态，判断所述目标运行状态与所述监测结果中的运行状态是否一致；若所述目标运行状态与所述监测结果中的运行状态一致，则将所述监测结果中的运行状态记录在所述滚动轴承的运行状态统计表中。
本发明所述滚动轴承状态的监测装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种滚动轴承状态的监测方法，其特征在于，所述滚动轴承状态的监测方法包括以下步骤：
采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息；
获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息；
提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息；
基于所述目标学习状态特征信息和所述预设神经网络模型，得到目标神经网络模型；
根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
2.如权利要求1所述的滚动轴承状态的监测方法，其特征在于，所述采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息，包括：
采集滚动轴承的运行状态信息，提取所述运行状态信息中的采集时间信息，根据所述采集时间信息得到预设时间序列；
对所述运行状态信息进行识别，得到故障运行状态信息和正常运行状态信息；
将所述故障运行状态信息和所述正常运行状态信息进行拼接，得到目标运行状态信息；
根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
3.如权利要求2所述的滚动轴承状态的监测方法，其特征在于，所述根据所述预设时间序列将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息，包括：
根据所述预设时间序列得到当前排列顺序；
获取预设矩阵构造策略，根据所述预设矩阵构造策略对所述当前排列顺序进行调整，得到目标排列顺序；
基于所述目标排列顺序将所述目标运行状态信息映射到目标图像域中，得到所述目标运行状态对应的图像信息。
4.如权利要求1所述的滚动轴承状态的监测方法，其特征在于，所述获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息，包括：
对所述图像信息进行解析，得到所述图像信息对应的类别信息；
获取预设图像类别，根据所述预设图像类别对所述类别信息进行筛选，得到目标类型对应的当前图像信息；
获取预设降维算法，根据所述预设降维算法对所述当前图像信息进行降维，得到降维后的图像信息；
获取预设数据融合算法，根据所述预设数据融合算法对所述降维后的图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息。
5.如权利要求1所述的滚动轴承状态的监测方法，其特征在于，所述提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息，包括：
对所述目标图像信息进行压缩，得到压缩后的目标图像信息；
获取当前神经网络模型，将所述压缩后的目标图像信息输入至所述当前神经网络模型中的卷积层，以使所述卷积层提取所述压缩后的目标图像信息中的特征信息；
获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息。
6.如权利要求5所述的滚动轴承状态的监测方法，其特征在于，所述获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息之后，还包括：
基于所述目标学习状态特征信息对所述预设神经网络模型进行自学习，得到目标神经网络模型；
获取预设优化策略，根据所述预设优化策略对所述目标神经网络模型进行优化，得到优化后的目标神经网络模型；
根据所述优化后的目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果。
7.如权利要求1至6中任一项所述的滚动轴承状态的监测方法，其特征在于，所述根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果之后，还包括：
获取所述滚动轴承的目标运行状态，判断所述目标运行状态与所述监测结果中的运行状态是否一致；
若所述目标运行状态与所述监测结果中的运行状态一致，则将所述监测结果中的运行状态记录在所述滚动轴承的运行状态统计表中。
8.一种滚动轴承状态的监测装置，其特征在于，所述滚动轴承状态的监测装置包括：
采集模块，用于采集滚动轴承的运行状态信息和预设时间序列，根据所述预设时间序列将所述运行状态信息映射到目标图像域中，得到所述运行状态对应的图像信息；
提取模块，用于获取预设数据融合算法，根据所述预设数据融合算法对所述图像信息进行特征向量提取，得到对应的特征向量信息，将所述特征向量信息进行融合，得到目标图像信息；
预测模块，用于提取所述目标图像信息中的特征信息，获取预设神经网络模型，根据所述预设神经网络模型对所述特征信息进行预测，得到目标学习状态特征信息；
获取模块，用于基于所述目标学习状态特征和所述预设神经网络模型，得到目标神经网络模型；
监测模块，用于根据所述目标神经网络模型对所述滚动轴承的运行状态进行实时监测，得到对应的监测结果，以实现对所述滚动轴承状态的监测。
9.一种滚动轴承状态的监测设备，其特征在于，所述滚动轴承状态的监测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的滚动轴承状态的监测程序，所述滚动轴承状态的监测程序配置有实现如权利要求1至7中任一项所述的滚动轴承状态的监测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有滚动轴承状态的监测程序，所述滚动轴承状态的监测程序被处理器执行时实现如权利要求1至7中任一项所述的滚动轴承状态的监测方法。
CN202110617693.9A 2021-06-02 2021-06-02 滚动轴承状态的监测方法、装置、设备及存储介质 Active CN113392739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110617693.9A CN113392739B (zh) 2021-06-02 2021-06-02 滚动轴承状态的监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110617693.9A CN113392739B (zh) 2021-06-02 2021-06-02 滚动轴承状态的监测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113392739A true CN113392739A (zh) 2021-09-14
CN113392739B CN113392739B (zh) 2022-09-30

Family

ID=77619899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617693.9A Active CN113392739B (zh) 2021-06-02 2021-06-02 滚动轴承状态的监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113392739B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716664A (zh) * 2016-04-12 2016-06-29 国家电网公司 基于标幺化算法的电缆状态监测多参数关联分析方法
WO2018157862A1 (zh) * 2017-03-02 2018-09-07 腾讯科技（深圳）有限公司 车型的识别方法和装置、存储介质、电子装置
CN108647136A (zh) * 2018-05-10 2018-10-12 南京道熵信息技术有限公司 基于smart信息和深度学习的硬盘损坏预测方法及装置
CN109360097A (zh) * 2018-09-28 2019-02-19 中山大学 基于深度学习的股票预测方法、装置、设备及存储介质
WO2019179024A1 (zh) * 2018-03-20 2019-09-26 平安科技（深圳）有限公司 机场跑道智能监控方法、应用服务器及计算机存储介质
US20190377972A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
CN111242202A (zh) * 2020-01-07 2020-06-05 燕山大学 基于度量学习的车削加工刀具磨损状态监测方法
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN112051062A (zh) * 2020-08-10 2020-12-08 华中科技大学 一种滚动轴承的故障诊断方法、装置、设备和存储介质
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN112686317A (zh) * 2020-12-30 2021-04-20 北京迈格威科技有限公司 神经网络训练方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716664A (zh) * 2016-04-12 2016-06-29 国家电网公司 基于标幺化算法的电缆状态监测多参数关联分析方法
WO2018157862A1 (zh) * 2017-03-02 2018-09-07 腾讯科技（深圳）有限公司 车型的识别方法和装置、存储介质、电子装置
WO2019179024A1 (zh) * 2018-03-20 2019-09-26 平安科技（深圳）有限公司 机场跑道智能监控方法、应用服务器及计算机存储介质
CN108647136A (zh) * 2018-05-10 2018-10-12 南京道熵信息技术有限公司 基于smart信息和深度学习的硬盘损坏预测方法及装置
US20190377972A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
CN109360097A (zh) * 2018-09-28 2019-02-19 中山大学 基于深度学习的股票预测方法、装置、设备及存储介质
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN111242202A (zh) * 2020-01-07 2020-06-05 燕山大学 基于度量学习的车削加工刀具磨损状态监测方法
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN112051062A (zh) * 2020-08-10 2020-12-08 华中科技大学 一种滚动轴承的故障诊断方法、装置、设备和存储介质
CN112686317A (zh) * 2020-12-30 2021-04-20 北京迈格威科技有限公司 神经网络训练方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨勇: "EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN113392739B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
CN111382623B (zh) 一种直播审核的方法、装置、服务器和存储介质
CN112631240A (zh) 航天器故障主动检测方法及装置
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
CN111524118B (zh) 变压器的运行状态检测方法、装置、计算机设备和存储介质
KR102416474B1 (ko) 기계학습 기반 고장 진단 장치 및 방법
CN112906775B (zh) 一种设备故障预测方法及系统
CN112857669A (zh) 压力传感器的故障检测方法、装置、设备及存储介质
CN111539358A (zh) 工作状态确定方法、装置、计算机设备和存储介质
CN113723184A (zh) 基于智能网关的场景识别系统、方法、装置和智能网关
CN112396250A (zh) 一种柴油机故障预测方法、装置、设备及存储介质
CN117112336B (zh) 智能通信设备异常检测方法、设备、存储介质及装置
CN113392739B (zh) 滚动轴承状态的监测方法、装置、设备及存储介质
CN116628564B (zh) 用于检测发电机状态的模型训练方法和系统
CN116091976A (zh) 一种站房缺陷识别检测方法、系统、装置及存储介质
CN113284600A (zh) 故障预测方法、装置、计算机设备和存储介质
CN114582012A (zh) 一种骨架人体行为识别方法、装置及设备
CN113362069A (zh) 风控模型的动态调整方法、装置、设备及可读存储介质
CN117539674B (zh) 异常处理方法、装置、设备及存储介质
CN112417450B (zh) 基于动态行为序列和深度学习的恶意行为实时检测系统
CN116166966B (zh) 一种基于多模态数据融合的水质劣化事件检测方法
CN117722461A (zh) 高速轴制动器状态检测方法、装置、设备以及存储介质
CN116541196A (zh) 一种水电厂智能巡检诊断方法、系统、装置和介质
CN117149552A (zh) 自动化接口检测方法、装置、电子设备及存储介质
CN116644341A (zh) 基于卷积神经网络的发电机状态检测方法和系统

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