CN113516023A - 设备振动异常诊断方法和系统 - Google Patents
设备振动异常诊断方法和系统 Download PDFInfo
- Publication number
- CN113516023A CN113516023A CN202110446682.9A CN202110446682A CN113516023A CN 113516023 A CN113516023 A CN 113516023A CN 202110446682 A CN202110446682 A CN 202110446682A CN 113516023 A CN113516023 A CN 113516023A
- Authority
- CN
- China
- Prior art keywords
- vibration
- equipment
- vibration signal
- tested
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000005856 abnormality Effects 0.000 title claims description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 238000002405 diagnostic procedure Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Discrete Mathematics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种设备振动异常诊断方法和系统,所述方法包括:实时采集待测设备的振动信号,对所述振动信号进行时频变换;采用降噪自编码器提取时频变换后的振动信号的特征数据;利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值;根据所述概率值判断所述待测设备振动是否异常。本发明通过利用降噪自编码模块消除振动信号耦合的噪声,同时采用自注意力机制模型得到振动信号的诊断结果,能够有效提高设备异常诊断结果的准确性和及时性。
Description
技术领域
本发明涉及设备检测领域,特别涉及一种设备振动异常诊断方法和系统。
背景技术
在自动化的电能计量检定生产线上,各种旋转部件被应用,齿轮和滚动轴承作为旋转机械设备中常见的零部件,是生产线中关键的受力部件,由于运行工况复杂多变,齿轮和轴承长期工作在交变负荷下,极易发生故障。
旋转传动部件在运行过程中会产生振动信号,而机械故障会直接体现在振动信号异常上,因此可通过分析振动信号,对机械故障进行诊断和预警。
然而,现有的设备异常诊断方法容易受到周围环境振动带来的干扰,难以及时、准确地检测出设备振动异常信息,轻则影响检定生产效率,重则将导致计量设备损坏,从而带来经济损失。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,为此,本发明提出一种设备振动异常诊断方法和系统,能够去除环境噪声对设备检测的影响,提高设备异常检测的准确率。
第一方面,本发明提出一种设备振动异常诊断方法,包括:
实时采集待测设备的振动信号,对所述振动信号进行时频变换;
采用降噪自编码器提取时频变换后的振动信号的特征数据;
利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值;
根据所述概率值判断所述待测设备振动是否异常。
本发明上述的设备振动异常诊断方法至少具有如下有益效果:
本发明通过实时采集设备的振动信号,并对振动信号进行时频变换,得到振动信号频域特征,再利用降噪自编码模块消除振动信号耦合的噪声,最后采用自注意力机制模型得到振动信号的诊断结果,自注意力机制模型能够处理长序列数据,一方面能实时、充分地挖掘振动信号的内在特征,另一方面可以抵抗短时的电压冲击和持续噪声的影响,提高诊断结果的准确性和及时性。
可选的,本发明提供的设备振动异常诊断方法中,所述对所述振动信号进行时频变换,包括:
利用下述公式对所述振动信号进行短时傅里叶变换,将所述振动信号转换至频域,得到时-频域特征Mely(t):
Mely(t)=E(STFT(y(t)))*Mel_Bias
其中,STFT表示短时傅里叶运算,E表示取能量谱,Mel_Bias为Mel算子。
可选的,本发明提供的设备振动异常诊断方法中,所述降噪自编码器由多层前馈神经网络构成,计算公式包括:
hi+1=σ(hi*Wi+biasi),i={1,2,..K}
其中,σ表示激活函数,Wi表示第i层的权重,biasi表示第i层的权重偏移,K表示降噪自编码器的深度,hi表示输出结果。
可选的,本发明提供的设备振动异常诊断方法中,所述待测设备的不同运行状态的概率值总和为1,所述待测设备的不同运行状态,包括:正常状态、异常状态和故障状态。
可选的,本发明提供的设备振动异常诊断方法中,根据所述概率值判断所述待测设备振动是否异常之后,还包括:
当判断所述待测设备振动处于异常或故障状态时,利用指示灯和/或扬声器进行示警。
第二方面,本发明提出一种设备振动异常诊断系统,包括:采集单元,用于实时采集待测设备的振动信号,对所述振动信号进行时频变换;
提取单元,用于采用降噪自编码器提取时频变换后的振动信号的特征数据;
计算单元,用于利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值;
诊断单元,用于根据所述概率值判断所述待测设备振动是否异常。
本发明上述的设备振动异常诊断系统,至少具有如下有益效果:
本发明采用深度学习中对序列数据建模最为强大的自注意力机制和基于深度学习的降噪自编码器实现对设备振动信号的精准诊断,且整个设备振动异常诊断系统无需经验值的干预,确保了系统的鲁棒性,极大提高了诊断结果的准确性和可信度。
第三方面,本发明提供一种数据处理装置,包括:
处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述装置执行上述任意的设备振动异常诊断方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述任意的设备振动异常诊断方法。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1是本发明实施例提供的设备振动异常诊断方法流程图;
图2是本发明实施例提供的设备振动异常诊断系统结构框图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开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用以解释本公开,并不用于限定本公开。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。
在电力领域,为使设备能够安全、稳定且长周期运行,需实时了解设备的运行状态,及时预防设备异常或故障情况,杜绝事故发生,从而延长设备运行周期。
基于此,本发明提出一种设备振动异常诊断方法和系统,通过实时采集设备的振动信号,并利用自编码器和自注意力机制模块对振动信号进行实时计算分析,能够去除环境噪声对诊断结果的干扰,得到准确性更高的实时诊断结果。
第一方面,本发明实施例提供了一种设备振动异常诊断方法。
参照图1,本发明一些实施例提供的设备振动异常诊断方法具体包括如下步骤:
S1:实时采集待测设备的振动信号,对所述振动信号进行时频变换。
S2:采用降噪自编码器提取时频变换后的振动信号的特征数据。
S3:利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值。
S4:根据所述概率值判断所述待测设备振动是否异常。
设备的旋转传动部件在运行的过程中会产生连续振动信号,而机械故障会直接反应在振动信号上,实际工况中,存在有设备故障还没有发生时,比如齿轮磨损、裂纹,但设备的振动信号已经反馈异常的情形。因此,可通过对振动信号进行实时监测分析实现对设备的机械故障进行诊断和预警。
在S1中,可通过振动传感器实时监测和采集待测设备的振动信号Y(t),并对所采集的振动信号Y(t)做时域-频域变换,将时域的振动信号Y(t)转换到频域,此时振动信号记作Mely(t),频域特征采用梅尔频谱图,振动信号频域特征相较于时域特征更为稳健,同时可以减少计算量。
在S2中,将获得的振动信号Mely(t)输入到降噪自编码器(DenoisingAutoEncoder,DAE)中,以对输入特征进行降噪和变换,得到转换后的振动信号特征Tmel,有Tmel=DAE(Mely(t)),振动信号经降噪自编码器转换后可去除振动信号耦合的噪声。
在S3中,自注意力机制模型是一种基于自注意力的分类模型,自注意力机制是注意力机制的改进,其减少了对外部信息的依赖,能够更有效捕捉振动信号的内部相关性,同时还能处理长序列数据,提高模型计算效率。
将振动信号输入至预设的自注意力机制模型中,可输出待测设备当前处于每个运行状态的概率值。
上述设备异常诊断方法可对设备运行过程中实时采集的不间断振动信号进行连续诊断,以确保对设备运行状况进行实时监测,及时发现设备异常或故障情况。
在一些实施例中,对振动信号进行时频变换具体包括:
利用下述公式对所述振动信号进行短时傅里叶变换,将所述振动信号转换至频域,得到时-频域特征Mely(t):
Mely(t)=E(STFT(y(t)))*Mel_Bias
其中,STFT表示短时傅里叶运算,E表示取能量谱,Mel_Bias为Mel算子。
在一些实施例中,降噪自编码器由多层前馈神经网络构成,计算公式包括:
hi+1=σ(hi*Wi+biasi),i={1,2,..K}
其中,σ表示激活函数,Wi表示第i层的权重,biasi表示第i层的权重偏移,K表示降噪自编码器的深度,hi表示输出结果,此时振动信号特征Tmel=hK。
在振动信号处理过程中采用降噪自编码器能有效对抗噪声对诊断结果的影响。
在一些实施例中,待测设备的不同运行状态的概率值总和为1。
具体地,待测设备的不同运行状态,包括:正常状态(normal)、异常状态(abnormal)和故障状态(failure),此时,自注意力机制模型的输出结果可表示为:
output={normal:pnormal,abnormal:pabnormal,failure:pfailure}
其中,sum(pnormal,pabnormal,pfailure)=1。
利用待测设备当前处于每个运行状态的概率值,可直观判断当前待测设备的振动信号属于正常信号、异常信号还是故障信号。
在一些实施例中,S4中根据所述概率值判断所述待测设备振动是否异常之后,当判断所述待测设备振动处于异常或故障状态时,利用指示灯和/或扬声器进行示警,提醒技术人员及时对设备进行检修。
第二方面,本发明实施例还提供了用于执行第一方面实施例中提到的方法的设备振动异常诊断系统。
在一些实施例中,如图2所示,设备振动异常诊断系统包括采集单元101、提取单元102、计算单元103以及诊断单元104。
采集单元101用于实时采集待测设备的振动信号,对所述振动信号进行时频变换。
提取单元102用于采用降噪自编码器提取时频变换后的振动信号的特征数据。
计算单元103用于利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值。
诊断单元104用于根据所述概率值判断所述待测设备振动是否异常。
在一些实施例中,上述设备振动异常诊断系统还包括示警单元105,可用于当判断所述待测设备振动处于异常时,利用指示灯和/或扬声器进行示警。
上述系统内的各单元之间信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明第一方面实施例中的叙述,此处不再赘述。
在一个具体实施例中,设备振动异常诊断系统包括待测设备、振动传感器和诊断模块,其中诊断模块包括采集单元101、提取单元102、计算单元103、诊断单元104和示警单元105。
其中,待测设备为振动信号发生设备,设备运行过程中产生的连续振动信号可通过设置在设备壳体表面的振动传感器进行硬接线传输,也利用无线信道对振动传感器获取的信号进行传输。
诊断模块接收所采集的振动信号后,依次进行特征转换、降噪和计算,最后输出设备异常诊断结果,并对异常运行状态下的设备进行实时示警。
第三方面,本发明实施例还提供了一种数据处理装置。
在一些实施例中,电子设备包括:至少一个处理器,以及与至少一个处理器通信连接或耦合的存储器;其中,存储器存储有程序,程序被至少一个处理器执行,以使数据处理装置执行程序时,实现本发明实施例中任一项设备振动异常诊断方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本发明实施例描述的设备振动异常诊断方法。
处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述的设备振动异常诊断方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储执行上述设备振动异常诊断方法。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的设备振动异常诊断方法所需的非暂态软件程序以及指令存储在存储器中,当被一个或者多个处理器执行时,执行上述第一方面实施例中提到的设备振动异常诊断方法。
第四方面,本发明实施例还提供了一种计算机存储介质。
在一些实施例中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于执行第一方面实施例中提到的设备振动异常诊断方法。
在一些实施例中,该存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,比如,被上述电子设备中的一个处理器执行,可使得上述一个或多个处理器执行上述设备振动异常诊断方法。
以上所描述的装置实施例仅仅是示意性的,其中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,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可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术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做出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种设备振动异常诊断方法,其特征在于,包括:
实时采集待测设备的振动信号,对所述振动信号进行时频变换;
采用降噪自编码器提取时频变换后的振动信号的特征数据;
利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值;
根据所述概率值判断所述待测设备振动是否异常。
2.根据权利要求1所述的设备振动异常诊断方法,其特征在于,所述对所述振动信号进行时频变换,包括:
利用下述公式对所述振动信号进行短时傅里叶变换,将所述振动信号转换至频域,得到时-频域特征Mely(t):
Mely(t)=E(STFT(y(t)))*Mel_Bias
其中,STFT表示短时傅里叶运算,E表示取能量谱,Mel_Bias为Mel算子。
3.根据权利要求1所述的设备振动异常诊断方法,其特征在于,所述降噪自编码器由多层前馈神经网络构成,计算公式包括:
hi+1=σ(hi*Wi+biasi),i={1,2,..K}
其中,σ表示激活函数,Wi表示第i层的权重,biasi表示第i层的权重偏移,K表示降噪自编码器的深度,hi表示输出结果。
4.根据权利要求1所述的设备振动异常诊断方法,其特征在于,所述待测设备的不同运行状态的概率值总和为1。
5.根据权利要求1所述的设备振动异常诊断方法,其特征在于,
所述待测设备的不同运行状态,包括:正常状态、异常状态和故障状态。
6.根据权利要求5所述的设备振动异常诊断方法,其特征在于,根据所述概率值判断所述待测设备振动是否异常之后,还包括:
当判断所述待测设备振动处于异常或故障状态时,利用指示灯和/或扬声器进行示警。
7.一种设备振动异常诊断系统,其特征在于,包括:
采集单元,用于实时采集待测设备的振动信号,对所述振动信号进行时频变换;
提取单元,用于采用降噪自编码器提取时频变换后的振动信号的特征数据;
计算单元,用于利用自注意力机制模型计算所述特征数据对应的所述待测设备处于不同运行状态的概率值;
诊断单元,用于根据所述概率值判断所述待测设备振动是否异常。
8.根据权利要求7所述的设备振动异常诊断系统,其特征在于,还包括:
示警单元,用于当判断所述待测设备振动处于异常状态时,利用指示灯和/或扬声器进行示警。
9.一种数据处理装置,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述装置执行如权利要求1至6中任一项所述的设备振动异常诊断方法。
10.一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述权利要求1至6中任一项所述的设备振动异常诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446682.9A CN113516023B (zh) | 2021-04-23 | 设备振动异常诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446682.9A CN113516023B (zh) | 2021-04-23 | 设备振动异常诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516023A true CN113516023A (zh) | 2021-10-19 |
CN113516023B CN113516023B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330431A (zh) * | 2021-12-23 | 2022-04-12 | 天津工业大学 | 基于动态自注意力的托辊故障诊断方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110550518A (zh) * | 2019-08-29 | 2019-12-10 | 电子科技大学 | 一种基于稀疏去噪自编码的电梯运行异常检测方法 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110550518A (zh) * | 2019-08-29 | 2019-12-10 | 电子科技大学 | 一种基于稀疏去噪自编码的电梯运行异常检测方法 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
王丽华 等: "采用深度学习的异步电机故障诊断方法", 《西安交通大学学报》, vol. 51, no. 10, pages 128 - 134 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330431A (zh) * | 2021-12-23 | 2022-04-12 | 天津工业大学 | 基于动态自注意力的托辊故障诊断方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CN111509847A (zh) | 一种电网机组状态的智能检测系统及方法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及系统 | |
WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN111457958A (zh) | 港机设备态势监控方法、装置、计算机设备及存储介质 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
Nacib et al. | A comparative study of various methods of gear faults diagnosis | |
CN113516023B (zh) | 设备振动异常诊断方法和系统 | |
CN113516023A (zh) | 设备振动异常诊断方法和系统 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
Liu et al. | Machine health monitoring and prognostication via vibration information | |
Saputra et al. | On Automatic Fault Diagnosis in Wind Turbine Condition Monitoring | |
CN114252810B (zh) | 变压器声振故障监测方法、系统、设备及可读存储介质 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
Vijaykumar et al. | Improving Reliability of 2 Wheelers Using Predictive Diagnostics | |
CN107941327B (zh) | 一种机械设备的监测方法和监测装置 | |
Sarita et al. | Fault Detection of Smart Grid Equipment Using Machine Learning and Data Analytics | |
BUI et al. | Vibration-based early detection of plastic gear faults using Fourier decomposition and deep learning |
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 |