CN113743585B - 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 - Google Patents
基于快速非线性盲解卷积的旋转机械早期故障诊断方法 Download PDFInfo
- Publication number
- CN113743585B CN113743585B CN202110940661.2A CN202110940661A CN113743585B CN 113743585 B CN113743585 B CN 113743585B CN 202110940661 A CN202110940661 A CN 202110940661A CN 113743585 B CN113743585 B CN 113743585B
- Authority
- CN
- China
- Prior art keywords
- filter
- fault
- norm
- frequency
- objective function
- 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
Classifications
-
- 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
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法,涉及基于振动信号的旋转机械早期故障诊断技术领域。方法包括以下步骤:输入信号前处理:对采集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。非线性特征激活:确定尺度因子和平移因子,通过广义非线性Sigmoid函数,对样本进行激活。构建目标函数:对特征向量进行L2范数归一化,约束滤波器能量,求出L1范数,并添加滤波器L1/2范数惩罚项,构造出目标函数。模型训练并输出故障特征;故障类型诊断。本发明通过最小化特征向量的广义非线性L1/2范数,并引入L1/2范数惩罚项并约束滤波器能量,具有更好的噪声适应能力、计算效率和鲁棒性。
Description
技术领域
本发明涉及基于振动信号的旋转机械早期故障诊断技术领域,具体涉及一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法。
背景技术
随着现代工业技术的发展和进步,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正朝着高速、高精、高效方向发展,建立可靠的健康监测系统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、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。齿轮箱具有结构紧凑,传递精度高,传递扭矩大的特点,是高端装备传动系统必不可少的关键部件。这些装备经常在复杂恶劣的载荷环境下工作,齿轮箱中的旋转部件如轴承、齿轮等非常容易产生疲劳、破坏,而这些故障信号往往被淹没在环境噪声之中,尤其是对于较弱的早期故障,通过常规的时频分析方法很难直接通过采集到的信号识别故障特征。
因此,能够监测到早期故障,并定位故障结构,从而做出相对应的处理并持续监测故障状态,对提高交通运输设备的可靠性、保障设备健康运行、提高生产效率、避免重大经济损失和人身伤害具有非常重要的现实意义。如何能够在强大的背景噪声中识别微弱故障特征一直是车辆旋转机械故障诊断的热点问题。其核心主要包括三点:首先,为了能够在强大的干扰下识别故障信息,算法必须具备较强的噪声适应能力;第二,要达到在线状态监测的目的,算法要具备较高的计算效率,计算时间小于信号采集时间;第三,为了保证诊断结果的准确性,算法必须具备较强的鲁棒性,防止漏报、误报等情况。虽然对于早期故障诊断的方法已经研究了很多,然而现存的方法很难同时保证以上三点,故障特征提取过程中难以保证准确性、高效性和稳定性。
发明内容
本发明的目的是针对上述不足,提出了一种于基于快速非线性盲解卷积的旋转机械早期故障诊断方法,该方法基于广义非线性L1/2范数和滤波器稀疏惩罚项的盲解卷积模型,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:
基于快速非线性盲解卷积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;
(2)非线性特征激活:确定尺度因子和平移因子,通过广义非线性Sigmoid函数,对输入矩阵进行激活;
(3)构建目标函数:对特征向量进行L2范数归一化,约束滤波器能量,求出L1范数,并添加滤波器L1/2范数惩罚项,构造出目标函数;
(4)模型训练并输出故障特征:通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,进行时频分析和包络分析,对滤波器进行频谱分析;
(5)故障类型诊断:根据时频分布判断故障的特征周期、包络谱判断特征频率、频分布和滤波器频谱判断中心频率,定位故障类型。
优选地,在步骤(1)中,采集的振动信号样本为x∈R1×N,根据转速信息确定滤波器长度L,对样本进行Z-Score归一化,构造故障信号的Hankel矩阵其中Ns=N-L+1。
优选地,在步骤(2)中,通过广义Sigmoid函数对输入矩阵进行非线性激活,并保证激活前后特征的0值分布一致,具体激活过程为其中/>f∈R1×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为激活后的特征。
优选地,步骤(3)中,目标函数由非线性特征的L1/2范数滤波器的稀疏惩罚项/>组成,且滤波器被约束为单位能量;即:
其中,‖·‖1和‖·‖2分别表示L1和L2范数,λ为惩罚项的调整系数,Yi指第i个特征,fj指滤波器的第j个元素。
优选地,在步骤(4)中,通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,对滤波后的信号进行同步提取变换时频分析和Hilbert包络分析,对滤波器进行频谱分析。
本发明具有如下有益效果:
本发明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,并引入L1/2范数惩罚项并约束滤波器能量,提高滤波器的质量,提升滤波后信号的冲击特性,对旋转机械的早期诊断具有更好的噪声适应能力、计算效率和鲁棒性。
附图说明
图1为基于快速非线性盲解卷积的旋转机械早期故障诊断方法流程图;
图2为测试效果对比图,(a)为原始信号,(b)为诊断结果时频图;(c)诊断结果包络谱;(d)滤波器波形和频谱。
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,基于快速非线性盲解卷积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;
假设采集的振动信号样本为x∈R1×N,根据转速信息确定滤波器长度L,对样本进行Z-Score归一化,即Z=(f-μf)/σf,其中μf为特征的均值,σf为特征的标准差;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;构造故障信号的Hankel矩阵其中Ns=N-L+1。
(2)非线性特征激活:确定尺度因子和平移因子,通过广义非线性Sigmoid函数,对输入矩阵进行激活;
通过广义Sigmoid函数对输入矩阵进行非线性激活,并保证激活前后特征的0值分布一致,具体激活过程为其中/>f∈R1×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为激活后的特征。
(3)构建目标函数:对特征向量进行L2范数归一化,约束滤波器能量,求出L1范数,并添加滤波器L1/2范数惩罚项,构造出目标函数;
目标函数由非线性特征的L1/2范数滤波器的稀疏惩罚项/>组成,且滤波器被约束为单位能量;即:
其中,‖·‖1和‖·‖2分别表示L1和L2范数,λ为惩罚项的调整系数,Yi指第i个特征,fj指滤波器的第j个元素。
(4)模型训练并输出故障特征:通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,进行时频分析和包络分析,对滤波器进行频谱分析;
通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,对滤波后的信号进行同步提取变换(Synchroextracting Transform,SET)时频分析和Hilbert包络分析,对滤波器进行频谱分析。
(5)故障类型诊断:根据时频分布判断故障的特征周期、包络谱判断特征频率、频分布和滤波器频谱判断中心频率,定位故障类型。
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,对本发明作进一步描述。
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(即1.28s),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。
通过实验结果可以看出提出的方法可以在轴承出现早期故障时,提取出故障的特征,提高了早期故障诊断的噪声适应能力和鲁棒性
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 (2)
1.基于快速非线性盲解卷积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;
(2)非线性特征激活:确定伸缩因子和平移因子,通过广义非线性Sigmoid函数,对输入矩阵进行激活;
(3)构建目标函数:对特征向量进行L2范数归一化,约束滤波器能量,求出L1范数,并添加滤波器L1/2范数惩罚项,构造出目标函数;
(4)模型训练并输出故障特征:通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,进行时频分析和包络分析,对滤波器进行频谱分析;
(5)故障类型诊断:根据时频分布判断故障的特征周期、包络谱判断特征频率、频分布和滤波器频谱判断中心频率,定位故障类型;
在步骤(1)中,采集的振动信号样本为x∈R1×N,其中R1×N表示1行N列的矩阵,根据转速信息确定滤波器长度L,对样本进行Z-Score归一化,构造故障信号的Hankel矩阵其中Ns=N-L+1;
在步骤(2)中,通过广义Sigmoid函数对输入矩阵进行非线性激活,并保证激活前后特征的0值分布一致,具体激活过程为其中/>f∈R1×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为激活后的特征;
步骤(3)中,目标函数由非线性特征的L1/2范数滤波器的稀疏惩罚项/>组成,且滤波器被约束为单位能量;即:
其中||fj||2=1
其中,||·||1和||·||2分别表示L1和L2范数,λ为惩罚项的调整系数,Yi指第i个特征,fj指滤波器的第j个元素。
2.如权利要求1所述的基于快速非线性盲解卷积的旋转机械早期故障诊断方法,其特征在于,在步骤(4)中,通过拟牛顿法优化目标函数,利用训练好的滤波器对输入样本进行滤波,对滤波后的信号进行同步提取变换时频分析和Hilbert包络分析,对滤波器进行频谱分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940661.2A CN113743585B (zh) | 2021-08-17 | 2021-08-17 | 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940661.2A CN113743585B (zh) | 2021-08-17 | 2021-08-17 | 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743585A CN113743585A (zh) | 2021-12-03 |
CN113743585B true CN113743585B (zh) | 2023-10-13 |
Family
ID=78731379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940661.2A Active CN113743585B (zh) | 2021-08-17 | 2021-08-17 | 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743585B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635349A (zh) * | 2018-11-16 | 2019-04-16 | 重庆大学 | 一种噪声增强最小化克拉美罗界的方法 |
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 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 |
WO2021145222A1 (ja) * | 2020-01-16 | 2021-07-22 | 株式会社日立産機システム | 電力変換装置、回転機システム、及び診断方法 |
-
2021
- 2021-08-17 CN CN202110940661.2A patent/CN113743585B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635349A (zh) * | 2018-11-16 | 2019-04-16 | 重庆大学 | 一种噪声增强最小化克拉美罗界的方法 |
WO2021145222A1 (ja) * | 2020-01-16 | 2021-07-22 | 株式会社日立産機システム | 電力変換装置、回転機システム、及び診断方法 |
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 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 |
Non-Patent Citations (1)
Title |
---|
General normalized sparse filtering: A novel unsupervised learning method for rotating machinery fault diagnosis;Zongzhen Zhang et al.;《Mechanical Systems and Signal Processing》;第第124卷卷;第596–612页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113743585A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Jayaswal et al. | Machine fault signature analysis | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN113008559A (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN111680665B (zh) | 基于数据驱动的采用电流信号的电机机械故障诊断方法 | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
Wen et al. | Feature extraction of bearing vibration signals using second generation wavelet and spline-based local mean decomposition | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Zare et al. | Convolutional neural networks for wind turbine gearbox health monitoring. | |
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 | |
CN112686279B (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
Teng et al. | Experimental study on gearbox prognosis using total life vibration analysis | |
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 | |
CN110646199B (zh) | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 | |
CN115750341A (zh) | 一种罗茨式压缩机故障诊断方法及系统 | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
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 | |
Wu et al. | Discovering new prognostic features for the harmonic reducer in remaining useful life prediction | |
Ertunç | A combined decision algorithm for diagnosing bearing faults using artificial intelligent techniques | |
CN110836770A (zh) | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 | |
Zhen | Rotating machinery fault diagnosis based on adaptive vibration signal processing under safety environment conditions | |
BOZEK et al. | DEVELOPMENT OF A SYSTEM FOR PREDICTIVE DIAGNOSTICS OF TRACTION ASYNCHRONOUS ELECTRIC DRIVE FOR TRAINS. |
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 |