CN114414245A - 轴承故障检测方法与计算机可读存储介质 - Google Patents
轴承故障检测方法与计算机可读存储介质 Download PDFInfo
- Publication number
- CN114414245A CN114414245A CN202210042776.4A CN202210042776A CN114414245A CN 114414245 A CN114414245 A CN 114414245A CN 202210042776 A CN202210042776 A CN 202210042776A CN 114414245 A CN114414245 A CN 114414245A
- Authority
- CN
- China
- Prior art keywords
- signal
- detected
- signals
- amplitude
- bearing
- 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.)
- Pending
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
- G06N20/00—Machine 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种轴承故障检测方法与计算机可读存储介质。该方法包括:获取多个待检测信号,并将每个待检测信号分为多个子段信号;针对每个待检测信号,计算每个子段信号的频谱信息;将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。该方法中,获取的待检测信号可以是固定时间间隔或随机时间获取,无需根据轴承的转速来获取待检测信号,即不需要知道轴承精确的实时转速;同时利用训练收敛的机器学习网络对待检测信号的频谱信息进行分类,大大提高了轴承故障类别结果的准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种轴承故障检测方法与计算机可读存储介质。
背景技术
在工业领域中,轴承是支撑机械设备旋转运行的重要部件,在机械设备运转过程中若轴承发生故障,将会影响整个设备的工作状态。因此,有效的对机械设备中轴承进行故障检测,可以提高机械设备的运转安全性,减小事故发生的机率。
传统技术中,通常根据机械设备的转速,采集轴承震动或音频的时域信号,将时域信号转换为频域信号后,再从频域信号中计算对应的特征频率,然后根据确定的特征频率与轴承在各种故障下的特征频率进行对比,以确定轴承当前的故障情况。但是,传统技术需要在机械设备转速恒定或转速精确的条件下,采集轴承震动或音频的时域信号。
然而,当前很少有机械设备上安装精确的转速仪,因此传统技术确定的轴承故障情况准确率较低。
发明内容
基于此,有必要针对传统技术确定的轴承故障情况准确率较低的问题,提供一种轴承故障检测方法与计算机可读存储介质。
第一方面,本申请实施例提供一种轴承故障检测方法,包括:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
针对每个待检测信号,计算每个子段信号的频谱信息;
将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
第二方面,本申请实施例提供一种轴承故障检测装置,包括:
获取模块,用于获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
计算模块,用于针对每个待检测信号,计算每个子段信号的频谱信息;
确定模块,用于将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
针对每个待检测信号,计算每个子段信号的频谱信息;
将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
针对每个待检测信号,计算每个子段信号的频谱信息;
将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
上述轴承故障检测方法与计算机可读存储介质,首先获取多个待检测信号,并将每个待检测信号分为多个子段信号;然后计算每个子段信号的频谱信息,将该频谱信息输入预设的机器学习网络中即可得到轴承的故障类别。该方法中,获取的待检测信号可以是固定时间间隔或随机时间获取,无需根据轴承的转速来获取,即不需要知道轴承精确的实时转速;同时利用训练收敛的机器学习网络对待检测信号的频谱信息进行分类,可以大大提高轴承故障类别结果的准确度。
附图说明
图1为一个实施例提供的轴承故障检测方法的流程示意图;
图2为另一个实施例提供的轴承故障检测方法的流程示意图;
图3为又一个实施例提供的轴承故障检测方法的流程示意图;
图4a为一个实施例提供的待检测信号示意图;
图4b为一个实施例提供的振幅数组MSA示意图;
图4c为一个实施例提供的多振幅矩阵MSAJ示意图;
图4d为一个实施例提供的多振幅数组MMSAJ示意图;
图5为一个实施例提供的轴承故障检测装置的结构示意图;
图6为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的轴承故障检测方法,可以适用于各种机械设备上轴承的故障检测,如可以是医疗设备、工业设备,还可以是机械设备上的部件故障检测,如冷却泵、水泵,并可以在发生紧急故障的情况下及时发出警告提醒,减少机械设备事故发生的机率。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是轴承故障检测装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的轴承故障检测方法的流程示意图。本实施例涉及的是计算机设备对获取的多个待检测信号进行分析计算,确定轴承的故障类别的具体过程。如图1所示,该方法包括:
S101,获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号。
具体的,计算机设备首先从传感器上获取多个时域信号,作为待检测信号。可选的,计算机设备可以在固定的时间周期从传感器上获取待检测信号,也可以在随机时间从传感器上获取待检测信号,本实施例对此不做限制。
对于每个待检测信号,计算机设备可以将其分为多个子段信号,其中,每个子段信号的长度相等。假设一待检测信号为x(t),长度为L,将其分为I个长度为l的子段信号,那么该待检测信号可以表示为x(t)=[x1,x2,...,xi-1,xi](其中,i<I),每一子段信号xi=[xi(1),xi(2),...,xi(l-1),xi(l)]。可选的,该子段信号的长度可以满足以下条件其中,fs为采集待检测信号的频率,fre为采集待检测信号时轴承的旋转频率,因为轴承为变速旋转的,因此这里选取fre的最小值,上述条件可使得子段信号的长度包含至少两个轴承旋转周期的信号。
S102,针对每个待检测信号,计算每个子段信号的频谱信息。
具体的,时域信号的频谱为频率的分布曲线,不同时刻频率不同便会出现振幅,那么计算机设备可以针对每个待检测信号,计算其每个子段信号的频谱信息,该频谱信息可以表征子段信号在不同时刻的频率变化情况。可选的,频谱信息可以包括频谱振幅,表征子段信号的频谱变化幅度。
S103,将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
具体的,由于子段信号的频谱信息可以表征子段信号在不同时刻的频率变化情况,那么机器学习网络可以根据该频谱信息确定其对应的故障类别。例如,当轴承的滚珠越过故障位置时能量会增加,在频谱信息中其频率会发生较大变化,那么机器学习网络可以根据此原理确定轴承的故障类别。
可选的,该机器学习网络可以为基于支持向量机算法的网络、基于自适应增强森林算法的网络,也可以为分类神经网络。其中,该机器学习网络是由大量包含故障的轴承信号及对应的故障类别标签进行训练得到的。
可选的,轴承的故障类别可以包括外环缺陷(Ball Passing Frequency OuterRace,BPFO)、内环缺陷(Ball Passing Frequency Inner Race,BPFI)、滚珠缺陷(BallFault Frequency,BFF)以及轴承保持架缺陷(Fundamental Train Frequency,FTF),等等。
本实施例提供的轴承故障检测方法,计算机设备首先获取多个待检测信号,并将每个待检测信号分为多个子段信号;然后计算每个子段信号的频谱信息,将该频谱信息输入预设的机器学习网络中即可得到轴承的故障类别。该方法中,获取的待检测信号可以是固定时间间隔或随机时间获取,无需根据轴承的转速来获取,即不需要知道轴承精确的实时转速;同时利用训练收敛的机器学习网络对待检测信号的频谱信息进行分类,可以大大提高轴承故障类别结果的准确度。
图2为另一个实施例提供的轴承故障检测方法的流程示意图。本实施例涉及的是计算机设备计算每个子段信号的频谱信息的具体过程。可选的,在上述实施例的基础上,S102可以包括:
S201,针对每个子段信号,将子段信号转换为频域信号。
具体的,由于计算机设备获取的待检测信号为时域信号,可以先将每个子段信号转换为频域信号Xi。可选的,计算机设备可以采用傅里叶变换方法将子段信号转换为频域信号,如离散时间傅立叶变换(DTFT)、快速傅氏变换(FFT)等;在变换过程中,可以只采用数据的实数部分,也可以采用实数部分及虚数部分的绝对值,其对后续的特征序列结果影响较小。例如,计算机设备可以采用的关系式进行子段信号的傅里叶变换,得到频域信号。
S202,根据子段信号对应的频域信号与子段信号的长度,计算子段信号的频谱振幅;其中,频谱信息包括频谱振幅。
具体的,计算机设备可以根据每个子段信号的频域信号与其长度,计算子段信号的频谱振幅SAi。可选的,计算机设备可以根据包含的关系式计算子段信号的频谱振幅,其中l为子段信号的长度,对于不同的待检测信号,所得到的子段信号的长度l可以不同,Xi为第i段子段信号对应的频域信号。
本实施例提供的轴承故障检测方法,计算机设备先将子段信号转换为频域信号,再根据频域信号与子段信号的长度计算子段信号的频谱振幅,由此可提高得到的频谱振幅的准确度,进而提高后续特征序列的准确度。
图3为另一个实施例提供的轴承故障检测方法的流程示意图。在上述实施例的基础上,可选的,该方法还可以包括:
S301,根据每个子段信号的频谱振幅,确定多个待检测信号的多振幅数组。
具体的,计算机设备可以根据上述确定的子段信号的频谱振幅,确定多个待检测信号的多振幅数组MMSAJ。
可选的,计算机设备可以根据属于同一个待检测信号的每个子段信号的频谱振幅SAi,确定待检测信号的振幅数组MSA,由此,每个待检测信号都会得到对应的振幅数组。可选的,计算机设备可以将每个子段信号的频谱振幅进行合并,得到待检测信号的振幅数组。然后根据每个待检测信号的振幅数组MSA,确定所述多个待检测信号的多振幅数组MMSAJ。
可选的,计算机设备还可以将属于同一个待检测信号的多个子段信号的频谱振幅先进行合并,得到该待检测信号的振幅矩阵SA。由上述可知,每一子段信号可以表示为xi=[xi(1),xi(2),...,xi(l-1),xi(l)],那么其频谱振幅SAi可表示为SAi=[SAi,1,SAi,2,...,SAi,l],若将同一待检测信号的多个子段信号的频谱振幅进行合并,可以得到振幅矩阵为即为I×l的矩阵,每一行为一个子段信号的频谱振幅SAi。然后计算机设备可以将该振幅矩阵中的每一列求平均值,便得到该待检测信号的振幅数组MSA,即通过求平均值方式可以过滤待检测信号中携带的部分噪音以及轴承转速对结果的影响,以提高最终检测结果的准确度。
可选的,计算机设备得到每个待检测信号的振幅数组MSA后,可以根据各振幅数组确定获取的多个待检测信号的多振幅数组MMSAJ,该多振幅数组MMSAJ可以为根据每个振幅数组MSA求平均所得到。可选的,计算机设备可以将每个待检测信号的振幅数组MSA进行合并,得到多个待检测信号的多振幅矩阵MSAJ,即即为J×l的矩阵,每一行为一个待检测信号的振幅数组,J为待检测信号的个数。然后计算机设备可以将该多振幅矩阵的每一列求平均值,便得到多个待检测信号的多振幅数组此处通过求平均值方式同样可以过滤待检测信号中携带的部分噪音以及轴承转速对结果的影响,以提高最终检测结果的准确度。
S302,根据多振幅数组,计算多个待检测信号的特征向量,将特征向量输入预设的机器学习网络,得到轴承的故障类别。
具体的,计算机设备可以根据得到的多振幅数组确定多个待检测信号的特征向量,通常情况下,多振幅数组的前半行和后半行数值相等,顺序相反,因此可选的,计算机设备可以先按降序顺序对多振幅数组的前半行排序,再确定多个待检测信号的特征向量。
可选的,计算机设备可以首先根据多振幅数组,确定多个待检测信号的特征序列F,然后根据特征序列F和多振幅数组MMSAJ,计算多个待检测信号的特征向量,可选的,可以将特征序列F作为中心聚类向量,求得其与多振幅数组MMSAJ的几何距离,然后将该几何距离作为特征向量。可选的,计算机设备可以计算特征序列F和多振幅数组MMSAJ的欧几里得距离,并将其作为特征向量。可选的,计算机设备还可以将上述多振幅数组MMSAJ排序后确定的特征序列F作为特征向量。
然后,计算机设备将确定的特征向量输入预设的机器学习网络中,可以得到轴承的故障类别。
本实施例提供的轴承故障检测方法,计算机设备先根据上述每个子段信号的频谱振幅确定多个待检测信号的多振幅数组,然后根据该多振幅数组,计算多个待检测信号的特征向量,将该特征向量输入上述机器学习网络得到轴承的故障分类。由此逐层递进,采用特征向量进行故障检测,可以进一步提高得到的故障类别的准确性。
可选的,在其中一些实施例中,上述根据多振幅数组确定多个待检测信号的特征序列可以包括:根据多振幅数组以及采集多个待检测信号时轴承的旋转频率,确定多个待检测信号的特征序列。
可选的,计算机设备可以根据的关系式确定多个待检测信号的特征序列,其中,fre为采集多个待检测信号时轴承的旋转频率,可以为从多个待检测信号对应的旋转频率中随机选取的一个旋转频率,也可以为多个待检测信号对应的平均旋转频率。
可选的,上述轴承故障检测方法可以应用于医疗设备的故障检测过程,该医疗设备可以为核磁共振仪(Nuclear Magnetic Resonance,MR)、电子计算机断层扫描仪(Computed Tomography,CT),也可以为其他医疗设备。可选的,上述轴承故障检测方法可以应用于医疗设备相关部件的故障检测过程,如冷却泵。可选的,上述轴承故障检测方法还可以应用于其他可转动的工业设备等。
可选的,在其中一些实施例中,当计算机设备确定了轴承的故障类别后,可以从包括不同故障类别与对应的故障等级的关联关系的故障等级库中,获取对应的故障等级,然后根据故障等级进行警告提醒。如当轴承发生严重故障时,可以给出警鸣,提醒工作人员断开机械设备的工作状态,由此减少事故的发生机率。
示例性的,假设采集待检测信号的频率为10kHz,轴承的转速在10Hz-20Hz之间变化;采集待检测信号的时长为1s,待检测信号的长度L为10000,子段信号的长度为1024。采集的其中3个待检测信号可以参见图4a所示,计算机设备对待检测信号进行处理后得到的振幅数组MSA图可以参见图4b所示,多振幅矩阵MSAJ图可以参见图4c所示,多振幅数组MMSAJ图可以参见图4d所示。可以看出,MMSAJ的数据辨识度更高,利用其得到的特征序列确定特征向量时的准确度也越高。该示例中(a)为正常信号,(b)为内环缺陷信号,(c)为外环缺陷信号。
应该理解的是,虽然图1-图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为一个实施例提供的轴承故障检测装置的结构示意图。如图5所示,该装置包括:获取模块11、计算模块12和确定模块13。
具体的,获取模块11,用于获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号。
计算模块12,用于针对每个待检测信号,计算每个子段信号的频谱信息。
确定模块13,用于将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
本实施例提供的轴承故障检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述计算模块12,具体用于针对每个子段信号,将子段信号转换为频域信号;以及根据子段信号对应的频域信号与子段信号的长度,计算子段信号的频谱振幅;其中,频谱信息包括频谱振幅。
在其中一个实施例中,上述计算模块12,还用于根据每个子段信号的频谱振幅,确定多个待检测信号的多振幅数组。
确定模块13,还用于根据多振幅数组,计算多个待检测信号的特征向量,将特征向量输入机器学习网络,得到轴承的故障类别。
在其中一个实施例中,上述计算模块12,具体用于根据属于同一个待检测信号的每个子段信号的频谱振幅,确定待检测信号的振幅数组;以及根据每个待检测信号的振幅数组,确定多个待检测信号的多振幅数组。
在其中一个实施例中,上述计算模块12,具体用于将每个待检测信号的振幅数组进行合并,得到多个待检测信号的多振幅矩阵;以及计算多振幅矩阵中每一列的平均值,得到多个待检测信号的多振幅数组。
在其中一个实施例中,上述确定模块13,具体用于根据多振幅数组,确定多个待检测信号的特征序列;根据特征序列与多振幅数组,确定多个待检测信号的特征向量。
在其中一个实施例中,上述确定模块13,具体用于将特征序列作为中心聚类向量,计算特征序列与多振幅数组的几何距离,将几何距离作为多个待检测信号的特征向量。
在其中一个实施例中,轴承故障检测方法应用于医疗设备的故障检测过程。
在其中一个实施例中,上述确定模块13,还用于根据轴承的故障类别与预设的故障等级库,确定轴承的故障等级,并根据轴承的故障等级进行警告提醒;故障等级库包括不同故障类别与对应的故障等级的关联关系。
关于轴承故障检测装置的具体限定可以参见上文中对于轴承故障检测方法的限定,在此不再赘述。上述轴承故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种轴承故障检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
针对每个待检测信号,计算每个子段信号的频谱信息;
将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对每个子段信号,将子段信号转换为频域信号;
根据子段信号对应的频域信号与子段信号的长度,计算子段信号的频谱振幅;其中,频谱信息包括频谱振幅。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据每个子段信号的频谱振幅,确定多个待检测信号的多振幅数组;
根据多振幅数组,计算多个待检测信号的特征向量,将特征向量输入机器学习网络,得到轴承的故障类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据属于同一个待检测信号的每个子段信号的频谱振幅,确定待检测信号的振幅数组;
根据每个待检测信号的振幅数组,确定多个待检测信号的多振幅数组。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将每个待检测信号的振幅数组进行合并,得到多个待检测信号的多振幅矩阵;
计算多振幅矩阵中每一列的平均值,得到多个待检测信号的多振幅数组。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据多振幅数组,确定多个待检测信号的特征序列;
根据特征序列与多振幅数组,确定多个待检测信号的特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将特征序列作为中心聚类向量,计算特征序列与多振幅数组的几何距离,将几何距离作为多个待检测信号的特征向量。
在一个实施例中,轴承故障检测方法应用于医疗设备的故障检测过程。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据轴承的故障类别与预设的故障等级库,确定轴承的故障等级,并根据轴承的故障等级进行警告提醒;故障等级库包括不同故障类别与对应的故障等级的关联关系。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;待检测信号为时域信号;
针对每个待检测信号,计算每个子段信号的频谱信息;
将每个子段信号的频谱信息输入预设的机器学习网络,得到轴承的故障类别。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每个子段信号,将子段信号转换为频域信号;
根据子段信号对应的频域信号与子段信号的长度,计算子段信号的频谱振幅;其中,频谱信息包括频谱振幅。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据每个子段信号的频谱振幅,确定多个待检测信号的多振幅数组;
根据多振幅数组,计算多个待检测信号的特征向量,将特征向量输入机器学习网络,得到轴承的故障类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据属于同一个待检测信号的每个子段信号的频谱振幅,确定待检测信号的振幅数组;
根据每个待检测信号的振幅数组,确定多个待检测信号的多振幅数组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将每个待检测信号的振幅数组进行合并,得到多个待检测信号的多振幅矩阵;
计算多振幅矩阵中每一列的平均值,得到多个待检测信号的多振幅数组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据多振幅数组,确定多个待检测信号的特征序列;
根据特征序列与多振幅数组,确定多个待检测信号的特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将特征序列作为中心聚类向量,计算特征序列与多振幅数组的几何距离,将几何距离作为多个待检测信号的特征向量。
在一个实施例中,轴承故障检测方法应用于医疗设备的故障检测过程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据轴承的故障类别与预设的故障等级库,确定轴承的故障等级,并根据轴承的故障等级进行警告提醒;故障等级库包括不同故障类别与对应的故障等级的关联关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种轴承故障检测方法,其特征在于,包括:
获取多个待检测信号,并将每个待检测信号分为多个子段信号;所述待检测信号为时域信号;
对所述每个待检测信号中的每个子段信号进行时频转换处理,确定所述每个子段信号的频谱振幅;
根据所述每个子段信号的频谱振幅,确定所述多个待检测信号的多振幅数组;
通过所述多振幅数组和预设的机器学习网络,得到所述轴承的故障类别。
2.根据权利要求1所述的方法,其特征在于,所述对所述每个待检测信号中的每个子段信号进行时频转换处理,确定所述每个子段信号的频谱振幅,包括:
针对所述每个子段信号,将所述子段信号转换为频域信号;
根据所述子段信号对应的频域信号与所述子段信号的长度,计算所述子段信号的频谱振幅。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述每个子段信号的频谱振幅,确定所述多个待检测信号的多振幅数组,包括:
根据属于同一个待检测信号的每个子段信号的频谱振幅,确定所述待检测信号的振幅数组;
根据每个待检测信号的振幅数组,确定所述多个待检测信号的多振幅数组。
4.根据权利要求3所述的方法,其特征在于,所述根据每个待检测信号的振幅数组,确定所述多个待检测信号的多振幅数组,包括:
将所述每个待检测信号的振幅数组进行合并,得到所述多个待检测信号的多振幅矩阵;
计算所述多振幅矩阵中每一列的平均值,得到所述多个待检测信号的多振幅数组。
5.根据权利要求1所述的方法,其特征在于,所述通过所述多振幅数组和预设的机器学习网络,得到所述轴承的故障类别,包括:
根据所述多振幅数组,确定所述多个待检测信号的特征序列;
根据所述特征序列与所述多振幅数组,确定所述多个待检测信号的特征向量;
将所述特征向量输入所述预设的机器学习网络,得到所述轴承的故障类别。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多振幅数组,确定所述多个待检测信号的特征序列,包括:
根据多振幅数组以及采集多个待检测信号时轴承的旋转频率,确定多个待检测信号的特征序列。
7.根据权利要求5或6所述的方法,其特征在于,所述根据所述特征序列与所述多振幅数组,确定所述多个待检测信号的特征向量,包括:
将所述特征序列作为中心聚类向量,计算所述特征序列与所述多振幅数组的几何距离,将所述几何距离作为所述多个待检测信号的特征向量。
8.根据权利要求1、5或6所述的方法,其特征在于,所述方法还包括:
根据所述轴承的故障类别与预设的故障等级库,确定所述轴承的故障等级,并根据所述轴承的故障等级进行警告提醒;所述故障等级库包括不同故障类别与对应的故障等级的关联关系;其中,所述轴承为变速旋转的。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042776.4A CN114414245A (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042776.4A CN114414245A (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
CN201910933037.2A CN110672326B (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933037.2A Division CN110672326B (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114414245A true CN114414245A (zh) | 2022-04-29 |
Family
ID=69080025
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042776.4A Pending CN114414245A (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
CN201910933037.2A Active CN110672326B (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933037.2A Active CN110672326B (zh) | 2019-09-29 | 2019-09-29 | 轴承故障检测方法与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114414245A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117817652A (zh) * | 2023-07-28 | 2024-04-05 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178327A (zh) * | 2020-01-16 | 2020-05-19 | 佛山科学技术学院 | 一种基于深度学习的轴承状态识别方法及系统 |
CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160076970A1 (en) * | 2014-09-17 | 2016-03-17 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
CN108731921A (zh) * | 2017-12-26 | 2018-11-02 | 保定风赢新能源技术服务有限公司 | 一种设备连接件故障监测方法及系统 |
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596766B (zh) * | 2014-12-24 | 2017-02-22 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法及装置 |
US20160245686A1 (en) * | 2015-02-23 | 2016-08-25 | Biplab Pal | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data |
CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
CN109916628B (zh) * | 2019-04-04 | 2020-11-06 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
CN110243603B (zh) * | 2019-05-30 | 2020-11-24 | 沈阳化工大学 | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 |
-
2019
- 2019-09-29 CN CN202210042776.4A patent/CN114414245A/zh active Pending
- 2019-09-29 CN CN201910933037.2A patent/CN110672326B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160076970A1 (en) * | 2014-09-17 | 2016-03-17 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
CN108731921A (zh) * | 2017-12-26 | 2018-11-02 | 保定风赢新能源技术服务有限公司 | 一种设备连接件故障监测方法及系统 |
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
周川等: "基于EMD和模糊C均值聚类的滚动轴承故障诊断", 昆明理工大学学报(理工版), vol. 34, no. 6, pages 34 - 39 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117817652A (zh) * | 2023-07-28 | 2024-04-05 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
CN117817652B (zh) * | 2023-07-28 | 2024-04-30 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110672326A (zh) | 2020-01-10 |
CN110672326B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672326B (zh) | 轴承故障检测方法与计算机可读存储介质 | |
KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Kang et al. | A hybrid feature selection scheme for reducing diagnostic performance deterioration caused by outliers in data-driven diagnostics | |
Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
US9122273B2 (en) | Failure cause diagnosis system and method | |
EP3444724B1 (en) | Method and system for health monitoring and fault signature identification | |
Neupane et al. | Bearing fault detection using scalogram and switchable normalization-based CNN (SN-CNN) | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
JP2013140135A (ja) | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム | |
US20130338965A1 (en) | Anomaly Detection Method, Program, and System | |
WO2022252454A1 (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN107909156B (zh) | 一种设备状态检测方法及计算设备 | |
CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
JPH11338848A (ja) | データ異常検出装置 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
Zhang et al. | A bearing fault diagnosis method based on multiscale dispersion entropy and GG clustering | |
Haroun et al. | Feature selection for enhancement of bearing fault detection and diagnosis based on self-organizing map | |
Ou et al. | A deep sequence multi-distribution adversarial model for bearing abnormal condition detection | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
Li et al. | A chaotic system-based signal identification Technology: Fault-diagnosis of industrial bearing system | |
JP7115346B2 (ja) | 異常検知装置 | |
CN114002332B (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生系统 |
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 |