CN114077850B - 一种变工况下的基于图数据的旋转机械设备状态监测方法 - Google Patents
一种变工况下的基于图数据的旋转机械设备状态监测方法 Download PDFInfo
- Publication number
- CN114077850B CN114077850B CN202111382208.0A CN202111382208A CN114077850B CN 114077850 B CN114077850 B CN 114077850B CN 202111382208 A CN202111382208 A CN 202111382208A CN 114077850 B CN114077850 B CN 114077850B
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- graph
- signals
- signal
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Abstract
一种变工况下的基于图数据的旋转机械设备状态监测方法,首先获得旋转机械设备的振动信号,利用时频变换和能量校正的方法从振动信号中估计转速;利用估计出的转速信号对振动信号完成等角度重采样,并将重采样后的信号分成若干个子信号;然后将子信号转换为阶次谱表达,并完成归一化处理;将得到的阶次谱数据,利用自适应邻居聚类方法构建图数据;将图数据作为图自编码器的输入,训练模型,以重构误差作为判别指标,实现对变工况下的旋转机械设备的状态监测;本发明提出的方法可以有效处理转速负载波动的变工况问题,利用图数据的表征能力挖掘数据间的深层关系,能够较好的应用于旋转机械设备的变工况运行环境中。
Description
技术领域
本发明属于旋转机械装备的状态监测技术领域,特别涉及一种变工况下的基于图数据的旋转机械设备状态监测方法。
背景技术
旋转机械设备在生产生活中有广泛用途,一旦停机或发生故障会造成很大的经济损失和安全事故,因此,监测其健康状态具有现实与经济意义。随着信息技术的发展,传感器的广泛应用与机器学习和深度学习技术的快速发展,数据驱动模型成为旋转机械设备状态监测的有效方法。考虑到旋转机械设备常用于变工况条件下,研究适用于旋转机械设备在变工况中的状态监测方法已成为国内外研究的热点和难点。
常见的基于等时间采样间隔的旋转机械状态监测方法对变工况的处理主要依赖于两种思路:(1)基于特征工程的思路:利用信号处理的方法对原始信号进行消噪,然后对消噪后的信号进行时域、频域、时频域变换处理提取特征。这类方法包括频谱分析、包络谱分析、奇异值分解、谱峭度等故障频率提取方法,以及基于短时傅里叶变换、小波分解、经验模式分解等方法。然而,以上方法对专家经验的依赖较大,不具有泛化性,并且难以量化损坏程度;而且在使用大批量信号进行状态监测时需要耗费大量的人力成本。
(2)基于数据驱动模型的方法对样本进行学习,其主要原理是利用其强大的非线性建模能力实现对信号的准确分类来进行状态监测。此类方法包括使用支持向量机、神经网络等方法对所提取的不同指标进行分析来判断故障,但是浅层模型难以在变工况条件下挖掘信号与健康状态间的耦合关系,深层模型又存在计算量大、模型复杂的缺点。
阶次谱是由等角度间隔采样的信号得到的,相较于等时间间隔采样得到的信号浓缩了设备运转信息,能够很好的反应旋转机械设备的工作状态。然而,即使如此,其对信号中的信息挖掘仍有限,所开展的状态监测方法效果仍不太理想。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种变工况下的基于图数据的旋转机械设备状态监测方法,对变工况下等时间间隔采样的数据转为等角度采样下的数据,统一表达尺度,以图结构数据作为数据表征,反映了信息内部的拓扑结构,利用图数据相较于其他数据结构有着更强的表征能力,构建图自编码的无监督学习方法,对旋转机械设备进行变工况下的状态监测。
为达到上述目的,本发明采用的技术方案为:
一种变工况下的基于图数据的旋转机械设备状态监测方法,包括以下步骤:
步骤1:获取旋转机械设备不同状态下的振动数据集{Di,Yi|i∈m},其中,D,Y分别代表振动信号及其标签,m代表不同的状态;并根据振动信号D,利用STFT等时频分析方法搜索局部峰值fr,再通过频率校正方法获得估计转速S;
步骤2:根据估计转速序列S积分得到角度与时间的函数关系;根据等角度采样的间隔角度,得到对应的时间序列,利用插值法得到等角度采样信号振动数据集并将其分割为多段子信号集/>其中d,y分别代表等角度重采样后的子信号及其对应的标签,n代表样本的个数;
步骤3:对子信号做阶次谱变换,进行能量标准归一化处理,得到阶次谱数据集{Fi,Yi|i∈m}即其中f,y分别代表能量归一化后的阶次谱子信号及其对应的标签;利用自适应邻居方法构建图数据G=(X,A),其中X是顶点集合,A是边集合,得到/>其中,g,y分别代表构建的图数据样本及其标签;
步骤4:将图数据的邻接矩阵N与特征矩阵S作为图自编码器E的输入,训练网络,得到重构误差阈值λ,作为判别当前状态的指标;测试当前阈值λ是否稳定,当稳定时,部署到工作状态下开始监测任务,反之,则重复步骤4继续进行训练;
步骤5:对监测数据执行步骤1至步骤3;使用步骤4中训练的图自编码器E和重构误差阈值λ对监测数据进行判别,若超越阈值λ,则发出报警,监测任务结束,反之,继续对下一段监测数据进行判别。
所述步骤3中,使用自适应聚类的方法构建图数据,具体是:以每个子信号fi作为一个样本进行处理,设定超参数邻居个数k;遍历整个样本的所有数据点,为所有数据点找到k个邻居构建边关系,其中,fii为子信号fi的第i个数据点,以fii为基准,遍历子信号fi中的所有数据点,以||fii-fij||为距离度量标准选择距离最近的k个数据点,作为fii的k个邻居构建边关系;遍历完成后将所有边关系融合到一起构建出图数据所生成的图数据结构对齐,表征的数据间差异明显。
本发明的有益效果为:本发明通过图数据强大的表征能力,探索阶次谱数据的内部数据关系,利用无监督的图自编码器对变工况下的旋转机械设备进行状态监测,弱化了工况条件变换所带来的影响,能够较好的应用于旋转机械设备的变工况运行环境。
附图说明
图1是基于图数据的旋转机械设备状态监测方法的流程图。
图2是图数据的构建方法流程图。
图3是图自编码器的示意图。
具体实施方式
下面结合附图对本发明进一步详细描述。
如图1所示,一种变工况下的基于图数据的旋转机械设备状态监测方法,包括以下步骤:
步骤1:参照图2,获取旋转机械设备的不同状态下的振动数据集{Di,Yi|i∈m};并根据振动信号D利用STFT等时频分析方法搜索局部峰值fr,利用频率校正方法解决频率分辨率低的问题,获得估计转速S;其中,D,Y分别代表振动信号及其标签,m代表不同的状态。
步骤2:参照图2,根据估计转速序列S积分得到角度与时间的函数关系;根据等角度采样的间隔角度间隔,得到对应的时间序列,利用插值法得到等角度采样信号振动数据集并将其分割为多段子信号集/>其中d,y分别代表等角度重采样后的子信号及其对应的标签,n代表样本的个数。
步骤3:参照图2,对子信号做FFT变换得到阶次谱,进行能量标准归一化处理,得到阶次谱数据集{Fi,Yi|i∈m}即其中f,y分别代表能量归一化后的阶次谱子信号及其对应的标签;利用自适应邻居方法构建图数据G=(X,A),其中X是顶点集合,A是边集合,得到/>其中,g,y分别代表构建的图数据样本及其标签。
所述步骤3中,使用自适应聚类的方法构建图数据,具体是:以每个子信号fi作为一个样本进行处理,设定超参数邻居个数k;遍历整个样本的所有数据点,为所有数据点找到k个邻居构建边关系,以fii为例说明如何找到k个邻居构建边关系,其中,fii为子信号fi的第i个数据点:以fii为基准,遍历子信号fi中的所有数据点,以||fii-fij||为距离度量标准选择距离最近的k个数据点,作为fii的k个邻居构建边关系;遍历完成后将所有边关系融合到一起构建出图数据所生成的图数据结构对齐,表征的数据间差异明显。
步骤4:参照图3,将图数据G=(X,A)的邻接矩阵N与特征矩阵S作为图自编码器E的输入,训练网络,经过编码器q(Z|X,A)与解码器p(A|Z)重构出图数据与输入的图数据G=(X,A)相比较,得到重构误差阈值λ,作为判别当前状态的指标;测试当前阈值λ是否稳定,当稳定时,部署到工作状态下开始监测任务,反之,则重复步骤4继续进行训练。
步骤5:对监测数据执行步骤1至步骤3;使用步骤4中训练的图自编码器E和重构误差阈值λ对监测数据进行判别,若超越阈值λ,则发出报警,监测任务结束,反之,继续对下一段监测数据进行判别。
Claims (2)
1.一种变工况下的基于图数据的旋转机械设备状态监测方法,其特征在于,包括以下步骤:
步骤1:获取旋转机械设备不同状态下的振动数据集{Di,Yi|i∈m},其中,D,Y分别代表振动信号及其标签,m代表不同的状态;并根据振动信号D利用STFT时频分析方法搜索局部峰值fr,再通过频率校正方法获得估计转速S;
步骤2:根据估计转速序列S积分得到角度与时间的函数关系;根据等角度采样的间隔角度,得到对应的时间序列,利用插值法得到等角度采样信号振动数据集并将其分割为多段子信号集/>其中d,y分别代表等角度重采样后的子信号及其对应的标签,n代表样本的个数;
步骤3:对子信号做阶次谱变换,进行能量标准归一化处理,得到阶次谱数据集{Fi,Yi|i∈m}即其中f,y分别代表能量归一化后的阶次谱子信号及其对应的标签;利用自适应邻居方法构建图数据G=(X,A),其中X是顶点集合,A是边集合,得到其中,g,y分别代表构建的图数据样本及其标签;
具体是:以每个子信号fi作为一个样本进行处理,设定超参数邻居个数k;遍历整个样本的所有数据点,为所有数据点找到k个邻居构建边关系,其中,fii′为子信号fi的第i′个数据点,以fii′为基准,遍历子信号fi中的所有数据点,以||fii′-fij′||为距离度量标准选择距离最近的k个数据点,作为fii′的k个邻居构建边关系;遍历完成后将所有边关系融合到一起构建出图数据所生成的图数据结构对齐,表征的数据间差异明显;
步骤4:将图数据的邻接矩阵N与特征矩阵S作为无监督的图自编码器E的输入,训练网络,得到重构误差阈值λ,作为判别当前状态的指标;测试当前阈值λ是否稳定,当稳定时,部署到工作状态下开始监测任务,反之,则重复步骤4继续进行训练;
步骤5:对监测数据执行步骤1至步骤3;使用步骤4中训练的图自编码器E和重构误差阈值λ对监测数据进行判别,若超越阈值λ,则发出报警,监测任务结束,反之,继续对下一段监测数据进行判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111382208.0A CN114077850B (zh) | 2021-11-22 | 2021-11-22 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111382208.0A CN114077850B (zh) | 2021-11-22 | 2021-11-22 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114077850A CN114077850A (zh) | 2022-02-22 |
CN114077850B true CN114077850B (zh) | 2023-06-20 |
Family
ID=80284040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111382208.0A Active CN114077850B (zh) | 2021-11-22 | 2021-11-22 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077850B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389247B (zh) * | 2022-11-01 | 2023-02-03 | 青岛睿发工程咨询服务合伙企业(有限合伙) | 一种基于速度自适应自编码器的旋转机械故障监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN111964909A (zh) * | 2020-08-24 | 2020-11-20 | 山东大学 | 滚动轴承运行状态检测方法、故障诊断方法及系统 |
CN113008559A (zh) * | 2021-02-23 | 2021-06-22 | 西安交通大学 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
KR20210074541A (ko) * | 2019-12-12 | 2021-06-22 | 한국전자기술연구원 | 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법 |
EP3350992B1 (en) * | 2015-09-18 | 2021-07-14 | Sisvel Technology S.r.l. | Methods and apparatuses for encoding and decoding digital images or video streams |
-
2021
- 2021-11-22 CN CN202111382208.0A patent/CN114077850B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3350992B1 (en) * | 2015-09-18 | 2021-07-14 | Sisvel Technology S.r.l. | Methods and apparatuses for encoding and decoding digital images or video streams |
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
KR20210074541A (ko) * | 2019-12-12 | 2021-06-22 | 한국전자기술연구원 | 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법 |
CN111964909A (zh) * | 2020-08-24 | 2020-11-20 | 山东大学 | 滚动轴承运行状态检测方法、故障诊断方法及系统 |
CN113008559A (zh) * | 2021-02-23 | 2021-06-22 | 西安交通大学 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
Non-Patent Citations (4)
Title |
---|
A novel weak fault diagnosis method for rolling bearings based on LSTM considering quasi-periodicity;Dawei Gao等;《Knowledge-Based Systems》;第231卷;第1-15页 * |
Rotating Machine Systems Fault Diagnosis Using Semisupervised Conditional Random Field-Based Graph Attention Network;Yao Tang等;《IEEE Transactions on Instrumentation and Measurement》;第70卷;第1-10页 * |
改进Alexnet的滚动轴承变工况故障诊断方法;赵小强等;《振动、测试与诊断》;第40卷(第3期);第472-480页 * |
采用多变量耦合网络与变分图自编码器的机械设备异常检测方法;张聪等;《西安交通大学学报》;第55卷(第2期);第20-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114077850A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
CN112461537B (zh) | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN105678343A (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 | |
CN114077850B (zh) | 一种变工况下的基于图数据的旋转机械设备状态监测方法 | |
CN113008559A (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
Cheng et al. | Adaptive sparsest narrow-band decomposition method and its applications to rolling element bearing fault diagnosis | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN103646013A (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN111795819A (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
Ding et al. | Gear fault diagnosis based on VMD sample entropy and discrete hopfield neural network | |
CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
Ren et al. | Research on the noise reduction method of the vibration signal of the hydrogenerator unit based on ITD-PE-SVD | |
CN112561306B (zh) | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 | |
CN115186692A (zh) | 基于经验模态分解和图像转换的智能故障诊断方法 |
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 |