CN113686576A - 基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 - Google Patents
基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 Download PDFInfo
- Publication number
- CN113686576A CN113686576A CN202110940548.4A CN202110940548A CN113686576A CN 113686576 A CN113686576 A CN 113686576A CN 202110940548 A CN202110940548 A CN 202110940548A CN 113686576 A CN113686576 A CN 113686576A
- Authority
- CN
- China
- Prior art keywords
- filter
- nonlinear
- rotary machine
- fault
- filtering
- 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
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
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,涉及旋转机械早期故障诊断领域。该方法首先采集齿轮箱的振动信号,进行归一化,并构造故障信号的Hankel矩阵;然后建立非线性卷积稀疏滤波模型,将归一化后的振动信号直接输入到模型中进行训练,得到滤波器组;最后对滤波器进行降维,并对输入样本滤波,进行包络分析,判断故障的特征周期、特征频率,定位故障类型。本方法通过搭建并优化非线性卷积稀疏滤波模型,实现滤波器的优化与降为,与早期故障特征诊断方法相比,具有更好的噪声适应能力、计算效率和鲁棒性。
Description
技术领域
本发明涉及旋转机械早期故障诊断领域,具体涉及基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法。
背景技术
齿轮箱作为工程车辆、轨道交通、航空航天、发电系统、冶金采矿等高端装备的重要动力传递系统,经常在复杂恶劣的载荷环境下工作,其中轴承、齿轮等关键旋转部件非常容易产生疲劳、破坏,造成重大经济损失和安全事故。建立可靠的健康监测系统,尽早的发现故障并采取相应的维修措施,是保证这些设备高效、安全运行的必要举措,对合理延长机械设备使用寿命和保证设备运行的安全性都具有重要的意义。例如,当齿轮、轴承发生初始故障后,破坏了机器本身的边界条件,机械设备继续运转,可能会导致齿轮、轴承的加速破坏,而且会诱发其他零部件的故障,产生严重的事故。然而,由于故障早期的信号较弱,且往往被淹没在环境噪声之中,通过常规的采集和分析方法很难直接获得故障特征。综上,提高故障诊断模型特征提取能力和噪声适应能力,能够在背景噪声下准确的提取故障特征,是当前故障诊断领域中的热点和难点问题。
要在故障早期识别出故障特征,首先诊断模型需要有强大的噪声适应能力,能够排除干扰,准确提取故障信息,同时,为防止漏报、误报等情况,需要保证算法的鲁棒性和稳定性。综上,轴承齿轮等零部件的初期故障较弱,容易被背景噪声掩盖,漏报后会错过最佳的维护时期,使机械设备处于高危运行状态。要实现对高端装备最关键零部件进行在线监测,在故障初期阶段识别并预警,需要改善监测模型的泛化能力,提高在故障特征提取过程中的噪声适应能力、计算效率和鲁棒性。
发明内容
本发明的目的是针对上述不足,提出了一种基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,该诊断方法主要应用于旋转机械的故障诊断中,通过自动学习滤波器,并实现故障模式的诊断识别。
本发明具体采用如下技术方案:
基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,包括以下步骤:
(1)输入信号前处理:对采集的旋转机械的振动信号样本进行Z-Score归一化,确定滤波器的长度并构造故障信号的Hankel矩阵,作为模型的输入。
(2)非线性特征激活:确定尺度因子和平移因子,通过广义Sigmoid函数,对输入进行非线性激活。
(3)构建目标函数:先对特征向量的行进行L2范数归一化,然后对列进行L2范数归一化,对滤波器能量进行约束,求出L1范数,作为模型的目标函数。
(4)模型训练:通过拟牛顿法对模型进行迭代优化,得到滤波器组。
(5)滤波器降维:对滤波器进行频谱分析,然后计算频谱峭度,选择峭度最大值对应的滤波器作为最优滤波器。
(6)滤波和包络分析:通过最优滤波器对采集的原始样本进行滤波,并进行Hilbert包络谱分析。
(7)故障类型判断:根据包络谱的峰值、频率和谐波个数,判断故障类型。
优选地,步骤1中,测试的旋转机械振动样本为x∈R1×N需要经过Z-Score归一化,即Z=(f-μx)/σx,其中μx为均值,σf为标准差;这样每个样本的特征都被归一化到均值为0,标准差为1的分布中,然后构造故障信号的Hankel矩阵其中Ns=N-L+1,其中N为输入信号的长度,L为滤波器的长度。
优选地,步骤2中,通过广义Sigmoid函数对样本进行非线性激活,具体激活过程为其中f∈RM×L为滤波器,ε=1×10-8,a和b分别为伸缩因子和平移因子,Y为非线性特征,y为线性特征,M为滤波器维数。
优选地,在步骤3中,先对特征向量的行进行L2范数归一化,然后对列进行L2范数归一化,对滤波器能量进行约束,目标函数为式(1)所示:
其中||·||1和||·||2分别表示L1和L2范数。
本发明具有如下有益效果:
本申请记载的基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,通过最小化特征向量的广义非线性L1/2范数,提高了目标函数在噪声环境下的故障表达能力和噪声适应能力,并根据滤波器的频谱峭度,选择最优滤波器,提高滤波器的质量,对轴承故障的早期诊断具有更好的噪声适应性、计算效率和鲁棒性。
附图说明
图1为基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法流程框图;
图2为原始信号示意图;
图3为非线性卷积稀疏滤波示意图,(a)表示时域波形,(b)表示包络谱;
图4为原始卷积稀疏滤波示意图,(a)表示时域波形,(b)表示包络谱。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1,基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,包括以下步骤:
(1)输入信号前处理:对采集的旋转机械的振动信号样本进行Z-Score归一化,确定滤波器的长度并构造故障信号的Hankel矩阵,作为模型的输入。
测试的旋转机械振动样本为x∈R1×N需要经过Z-Score归一化,即Z=(f-μx)/σx,其中μx为均值,σf为标准差;这样每个样本的特征都被归一化到均值为0,标准差为1的分布中,然后构造故障信号的Hankel矩阵其中Ns=N-L+1,其中N为输入信号的长度,L为滤波器的长度。
(2)非线性特征激活:确定尺度因子和平移因子,通过广义Sigmoid函数,对输入进行非线性激活。
(3)构建目标函数:先对特征向量的行进行L2范数归一化,然后对列进行L2范数归一化,对滤波器能量进行约束,求出L1范数,作为模型的目标函数。
在步骤3中,先对特征向量的行进行L2范数归一化,然后对列进行L2范数归一化,对滤波器能量进行约束,目标函数为式(1)所示:
其中||·||1和||·||2分别表示L1和L2范数。
(4)模型训练:通过拟牛顿法对模型进行迭代优化,得到滤波器组。
(5)滤波器降维:对滤波器进行频谱分析,然后计算频谱峭度,选择峭度最大值对应的滤波器作为最优滤波器。
(6)滤波和包络分析:通过最优滤波器对采集的原始样本进行滤波,并进行Hilbert包络谱分析。
(7)故障类型判断:根据包络谱的峰值、频率和谐波个数,判断故障类型。
通过XJTU-SY滚动轴承加速寿命试验公开数据集的外圈早期故障诊断,对本申请记载的方法作进一步描述。
试验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成,水平和竖直方向上通过两个PCB加速度传感器获取测试轴承的全寿命周期监测数据。选择Bearing 1_1的竖直方向数据,采样频率为25.6khz,数据长度为25600点,每1分钟记录123个样品,轴承的实际工作寿命为123min,选择75min的数据进行分析,此时轴承的故障较弱,属于早期阶段。分析结果如图2-4所示,可以看出时频分布中冲击出现的周期约为0.92s,包络谱出现108.6Hz及其倍频的频率成分,该频率接近外圈故障特征频率理论值107.91Hz。通过时频图和滤波器频率可以判断系统的共振频率约为1200Hz。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法,其特征在于,包括以下步骤:
(1)输入信号前处理:对采集的旋转机械的振动信号样本进行Z-Score归一化,确定滤波器的长度并构造故障信号的Hankel矩阵,作为模型的输入;
(2)非线性特征激活:确定尺度因子和平移因子,通过广义Sigmoid函数,对输入进行非线性激活;
(3)构建目标函数:先对特征向量的行进行L2范数归一化,然后对列进行L2范数归一化,对滤波器能量进行约束,求出L1范数,作为模型的目标函数;
(4)模型训练:通过拟牛顿法对模型进行迭代优化,得到滤波器组;
(5)滤波器降维:对滤波器进行频谱分析,然后计算频谱峭度,选择峭度最大值对应的滤波器作为最优滤波器;
(6)滤波和包络分析:通过最优滤波器对采集的原始样本进行滤波,并进行Hilbert包络谱分析;
(7)故障类型判断:根据包络谱的峰值、频率和谐波个数,判断故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940548.4A CN113686576B (zh) | 2021-08-17 | 2021-08-17 | 基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940548.4A CN113686576B (zh) | 2021-08-17 | 2021-08-17 | 基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113686576A true CN113686576A (zh) | 2021-11-23 |
CN113686576B CN113686576B (zh) | 2023-08-29 |
Family
ID=78580193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940548.4A Active CN113686576B (zh) | 2021-08-17 | 2021-08-17 | 基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113686576B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN115524150A (zh) * | 2022-09-13 | 2022-12-27 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
CN117970105A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大学 | 基于信号融合的电机轴承早期故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
-
2021
- 2021-08-17 CN CN202110940548.4A patent/CN113686576B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
Non-Patent Citations (1)
Title |
---|
苗乃树;王东岳;杨化伟;王树城;卢绪振;: "基于卷积稀疏滤波的轴承微弱故障检测方法", 农业装备与车辆工程, no. 09, pages 135 - 138 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN114781466B (zh) * | 2022-06-21 | 2022-09-27 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN115524150A (zh) * | 2022-09-13 | 2022-12-27 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
CN115524150B (zh) * | 2022-09-13 | 2024-04-05 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
CN117970105A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大学 | 基于信号融合的电机轴承早期故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113686576B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Train axle bearing fault detection using a feature selection scheme based multi-scale morphological filter | |
Jayaswal et al. | Machine fault signature analysis | |
Zappalá et al. | Side‐band algorithm for automatic wind turbine gearbox fault detection and diagnosis | |
CN113686576B (zh) | 基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法 | |
CN110987502B (zh) | 盾构设备及其主驱动在线状态的监测诊断系统与方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
CN103048135A (zh) | 一种柔性转子滚动轴承基础系统多故障耦合实验器及故障辨识方法 | |
CN111881736A (zh) | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 | |
Shi et al. | Generalized variable-step multiscale lempel-ziv complexity: A feature extraction tool for bearing fault diagnosis | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
CN105784364A (zh) | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
CN112861275A (zh) | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
CN116644672A (zh) | 一种基于残差网络的航空发动机滚动轴承故障诊断方法 | |
Caesarendra | Vibration and acoustic emission-based condition monitoring and prognostic methods for very low speed slew bearing | |
CN113743585B (zh) | 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 | |
CN110633686A (zh) | 一种基于振动信号数据驱动的设备转速识别方法 | |
EP3953580B1 (en) | A method for computer-implemented monitoring of a component of a wind turbine | |
Wu et al. | A fault diagnosis method of rotating machinery based on multi-scale fuzzy entropy |
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 |