CN114462480A - 基于非均衡数据集下的多源传感器轧机故障诊断的方法 - Google Patents

基于非均衡数据集下的多源传感器轧机故障诊断的方法 Download PDF

Info

Publication number
CN114462480A
CN114462480A CN202111599158.1A CN202111599158A CN114462480A CN 114462480 A CN114462480 A CN 114462480A CN 202111599158 A CN202111599158 A CN 202111599158A CN 114462480 A CN114462480 A CN 114462480A
Authority
CN
China
Prior art keywords
fault
neural network
improved
convolutional neural
rolling mill
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
Application number
CN202111599158.1A
Other languages
English (en)
Other versions
CN114462480B (zh
Inventor
时培明
于越
许学方
华长春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202111599158.1A priority Critical patent/CN114462480B/zh
Publication of CN114462480A publication Critical patent/CN114462480A/zh
Application granted granted Critical
Publication of CN114462480B publication Critical patent/CN114462480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Acoustics & Sound (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，对轧机的振动信号数据和声音信号数据进行融合从而实现轧机的故障诊断；该方法能够摆脱单一传感器的局限性，通过融合多传感器的数据，从而进行有用信息的互补，达到更高的诊断精度，解决非均衡数据集问题。用改进的一维卷积神经网络对轧机设备诊断系统采集的声音信号进行特征提取，利用改进的二维卷积神经网络对轧机设备诊断系统采集的振动信号的峰度图进行特征提取，最后在进行总的特征融合，该方法可以对充分信息提取，能够很好的应对轧机实际生产过程中所遇到的故障状态过少的问题，实现高诊断率以及准确率。

Description

基于非均衡数据集下的多源传感器轧机故障诊断的方法
技术领域
本发明涉及轧机的故障诊断技术领域，具体提出了一种基于非均衡数据集下的多源传感器轧机故障诊断的方法。
背景技术
随着我国制造业的快速发展，对钢铁的需求量持续增加，轧机的健康状况也因此受到广泛关注。其中轧机作为冶铁业的重要设备之一，由于其结构复杂，工作环境恶劣等原因，其轧辊轴承很容易出现故障，严重时造成轧机停机，增加企业生产成本，造成重大的经济损失。因此，及时地对轧机的轧辊轴承的工作状态进行检测，是有必要的。因此研究解决轧机的诊断技术和方法，确保轧机正常工作是非常具有实际意义的。
随着科学技术的进步与发展，轧机朝着高速化、自动化及智能化的方向发展，但也会使轧机出现许多故障。因此，传统的故障诊断技术已经难以满足现代生产发展的需要，机器学习在故障诊断领域的应用愈加广泛，基本达到商业化的要求。作为机器学习的分支，深度学习解决了机器学习需要手动提取特征、耗时等缺点，而且随着对这些诊断方法的深入研究和不断完善，最后的诊断效果也愈加趋于理想。因此，对故障诊断方法进行多方面、深层次的研究和改进是十分有必要的。
而且随着网络不断地进步，利用多源传感数据进行的故障诊断越来越受欢迎。多源信号中携带的不同类型的信息在描述机器性能时表现出不同的特点。可以更好地实现轧机的轧辊轴承的故障诊断。
作为深度学习模型中的一种。CNN(卷积神经网络)在故障诊断方面应用广泛，它具有强大的数据提取的能力，卷积神经网络产生于对大脑视觉皮层的研究，并已被广泛应用于故障诊断方面。CNN是标准神经网络的衍生物。它没有采用常规神经网络中完全连接的隐藏层，而是引入了一种特殊的网络结构，它由卷积层和池化层组成，从而提取故障特征。它具有三个结构特性，即局部接受场、共享权重和池化。由于这些特性，使它的精度一般也远优于其他神经网络。一维卷积神经网络(一维卷积神经网络)可以应用于各种一维信号，对序列具有很强的处理能力，不需要复杂的特征提取，直接对序列进行运算。二维卷积神经网络(二维卷积神经网络)是一种具有前馈结构的神经网络。它具有局部连接、权重共享和空间域的子采样三个重要特征，这使得它在二维振动图像分析中具有极强的功能。
训练CNN网络需要大量的标注的训练数据，但是在实际的钢铁生产中，在轧钢机不同的运行条件下，单一传感器很难获得足够的标注故障数据。因此采取多源传感器进行收集数据。但是也无法满足网络训练需要，而且导致轧机各健康状态的数据分布不一致，对于数据集的故障诊断方法的性能相对来说更具挑战性，因此需要提出新的故障模型进行故障预测，从而达到提高准确率的目的。
发明内容
为了解决现有技术的不足，本发明提出了一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其能够高效准确的判断出轧机轧辊轴承运行过程中的故障类型，并取得理想的诊断识别效果。该网络分为两部分，一部分为改进的一维卷积神经网络，用于提取一维声音信号数据信息；另一部分为改进的二维卷积神经网络，用于提取二维声音信号数据信息；该方法可以减少样本不均衡带来的诊断率过低的问题，实现轧机的高故障诊断率。
具体地，本发明提供一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其包括如下步骤：
S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；
S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；
S3、对一维卷积神经网络和二维卷积神经网络进行改进：
将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；
S4、故障特征融合：
在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；
S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft-max分类层并对该网络进行整体训练，具体包括以下子步骤：
S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：
Figure BDA0003432454050000031
其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，fConv为收敛层的输出；f1D,l-1和f2D,L-1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数；
Figure BDA0003432454050000032
表示改进的一维卷积神经网络的参数，
Figure BDA0003432454050000033
表示改进的二维卷积神经网络的参数；
Figure BDA0003432454050000034
Figure BDA0003432454050000035
其中，(·)表示Dropout层的激活函数，
Figure BDA0003432454050000036
是Dropout层的参数，fFC(·)是全连接层的输出，
Figure BDA0003432454050000037
代表全连接层的参数；
Figure BDA0003432454050000038
其中，OL代表Soft-max层的输出，即网络的输出；
S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：
Figure BDA0003432454050000039
其中，yj表示网络的输出，y表示故障的标签，K表示分类的数目，m表示训练样本的个数，g(·)表示网络的全连接层的输出，θ表示网络的参数；
S6、以以步骤S2得到的频谱图和峭度图的信息作为所提出的网络的输入，以频谱图和峭度图所对应的故障状态作为所提出的网络的输出，进行训练，训练完成后，得到轧机轧辊轴承的故障诊断模型，该故障诊断模型包括提取的声音信号的频谱图的改进后的一维卷积神经网络和提取的振动信号的峭度图的改进后的二维卷积神经网络；
S7、将步骤S6训练后的故障诊断模型的诊断结果进行对比分析，对模型的准确度进行评估。
优选地，步骤S7具体包括以下步骤：
将训练后的故障诊断模型的诊断结果与实际故障模式进行对比，得出故障诊断模型的准确率；
所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障、滚动体故障和正常4种状态。
优选地，步骤S62中，训练集分别为Dataset I、Dataset II和Dataset III，Dataset I中具有140个正常状态样本，140个内圈故障样本，140个外圈故障样本和140个滚动体故障样本，共计560个样本；Dataset II中具有140个正常状态样本，100个内圈故障样本，90个外圈故障样本，80个滚动体故障样本，共计410个样本；Dataset III中具有140个正常状态样本，80个内圈故障样本，90个外圈故障样本，100个滚动体故障样本，共计410个样本。
优选地，所述步骤S6中测试已经训练的该网络时，使用的轧辊轴承的测试集为400个。
优选地，步骤S1具体包括以下子步骤：
S11、通过安装在轧机轧辊轴承上的加速度传感器进行采集轧机轴承的振动信号，靠近轴承的声音传感器进行采集轧机轴承的声音信号：
S12、通过PC端对收集到的振动信号和声音信号进行存储，不同故障状态的故障信号和声音信号进行分类存储。
与现有技术相比，本发明的有益效果如下：
(1)本发明通过多源传感器轧机故障诊断的方法能够有效地提取数据中的有效信息，实现高的准确率，通过改进的二维网络，可以减少样本不均衡带来的诊断率过低的问题，实现轧机的高故障诊断率。
(2)本发明通过多源传感器轧机故障诊断的方法能够有效地界解决样本非均衡的问题，实现高的准确率。并且根据模型诊断结果能够及时查询到轧机故障的位置，进行部件调换。可以极大地降低轧机故障率，减少轧机停机带来的经济损失和人生安全风险。
附图说明
图1a是本发明的多源传感器轧机故障诊断诊断方法的流程图；
图1b是本发明实施例中轧机故障诊断方法的流程图；
图2a是本发明轧机轧辊轴承内圈故障的声音信号时域波形图；
图2b是本发明轧机轧辊轴承内圈故障的声音信号频域波形图；
图3a是本发明轧机轧辊轴承内圈故障的振动信号时域波形图；
图3b是本发明轧机轧辊轴承内圈故障的振动信号时频域封度图；
图4是本发明的多源传感器轧机故障诊断的方法；
图5是本发明中轧机故障中轧辊轴承故障诊断准确率与其他神经网络的准确率比较示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明提供一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其包括如下步骤：
S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；
S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；
S3、对一维卷积神经网络和二维卷积神经网络进行改进：
将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；
S4、故障特征融合：
在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；
S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft-max分类层并对该网络进行整体训练，具体包括以下子步骤：
S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：
Figure BDA0003432454050000061
其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，fConv为收敛层的输出；f1D,l-1和f2D,L-1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数；
Figure BDA0003432454050000062
表示改进的一维卷积神经网络的参数，
Figure BDA0003432454050000063
表示改进的二维卷积神经网络的参数；
Figure BDA0003432454050000064
Figure BDA0003432454050000065
其中，(·)表示Dropout层的激活函数，
Figure BDA0003432454050000066
是Dropout层的参数，fFC(·)是全连接层的输出，
Figure BDA0003432454050000067
代表全连接层的参数；
Figure BDA0003432454050000068
其中，OL代表Soft-max层的输出，即网络的输出；
S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：
Figure BDA0003432454050000071
其中，yj表示网络的输出，y表示故障的标签，K表示分类的数目，m表示训练样本的个数，g(·)表示网络的全连接层的输出，θ表示网络的参数；
S6、以以步骤S2得到的频谱图和峭度图的信息作为所提出的网络的输入，以频谱图和峭度图所对应的故障状态作为所提出的网络的输出，进行训练，训练完成后，得到轧机轧辊轴承的故障诊断模型，该故障诊断模型包括提取的声音信号的频谱图的改进后的一维卷积神经网络和提取的振动信号的峭度图的改进后的二维卷积神经网络；
S7、将步骤S6训练后的故障诊断模型的诊断结果进行对比分析，对模型的准确度进行评估。或者在别的实施例中也可以与其他现有的故障诊断模型的诊断结果进行比较。
下面结合具体实施例对本发明的过程进行进一步解释：
如图1a所示，本发明提供一种针对样本非均衡的多源传感器的轧机故障诊断方法，其包括如下步骤：
S1、采集轧机轧辊轴承的故障声音信号和振动信号：
通过轧机设备诊断系统在获取各种故障状态下的轧辊故障的声音信号和振动信号，具体步骤如图1b所示。
S2、通过PC端故障振动信号的特征提取：
通过PC端，利用快速傅里叶变换(FFT)能够实现声音信号时域到频域的快速变换，从而实现声音信号特征的提取，如图2。利用快速谱峭度分析(kurtogram)能够实现振动信号时域到时频域的快速变换，从而实现振动信号特征的提取，具体步骤如图3所示。
S3、利用特征向量作为输入，相应的轧辊轴承故障作为输出，进行神经网络的训练，得到神经网络故障诊断模型，具体步骤如图4所示。
S4、获取待诊断的轧机轧辊轴承的故障，将其执行步骤S1-S3后得到的特征向量输入S3中得到的神经网络故障诊断模型中，得到轧机轧辊轴承的诊断结果。
S5、对诊断模型的诊断结构进行对比：
将多源传感器轧机故障诊断的方法与其他的深度学习网络在相同的输出特征向量下，比较准确率。
使用多源传感器的轧机故障诊断方法与深度学习方法进行比较，使用轧机轧辊轴承的非均衡样本中训练集为Dataset Ⅰ、Dataset Ⅱ、Dataset Ⅲ，测试集400个，进行准确率比较。如表1所示。
表1轧机轧辊轴承故障
Figure BDA0003432454050000081
准确率是指正确分类的故障样本数占所有样本总数的比例，它表示所提出的方法的整体故障诊断性能。计算出的Acc分说明了每个故障类别可以被正确分类的能力，实验进行了10次，以防止随机性影响实验结果，如图5所示。
Figure BDA0003432454050000082
式中TP为预测正确，且预测为正面；FP为预测错误，且预测为正面；FN为预测错误，且预测为负面。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：其包括如下步骤：
S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；
S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；
S3、对一维卷积神经网络和二维卷积神经网络进行改进：
将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；
S4、故障特征融合：
在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；
S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft-max分类层并对该网络进行整体训练，具体包括以下子步骤：
S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：
Figure FDA0003432454040000011
其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，fConv为收敛层的输出；f1D,l-1和f2D,L-1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数；
Figure FDA0003432454040000012
表示改进的一维卷积神经网络的参数，
Figure FDA0003432454040000013
表示改进的二维卷积神经网络的参数；
Figure FDA0003432454040000014
Figure FDA0003432454040000021
其中，(·)表示Dropout层的激活函数，
Figure FDA0003432454040000022
是Dropout层的参数，fFC(·)是全连接层的输出，
Figure FDA0003432454040000023
代表全连接层的参数；
Figure FDA0003432454040000024
其中，OL代表Soft-max层的输出，即网络的输出；
S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：
Figure FDA0003432454040000025
其中，yj表示网络的输出，y表示故障的标签，K表示分类的数目，m表示训练样本的个数，g(·)表示网络的全连接层的输出，θ表示网络的参数；
S6、以步骤S2得到的频谱图和峭度图的信息作为所提出的网络的输入，以频谱图和峭度图所对应的故障状态作为所提出的网络的输出，进行训练，训练完成后，得到轧机轧辊轴承的故障诊断模型，该故障诊断模型包括提取的声音信号的频谱图的改进后的一维卷积神经网络和提取的振动信号的峭度图的改进后的二维卷积神经网络；
S7、将步骤S6训练后的故障诊断模型的诊断结果进行对比分析，对模型的准确度进行评估。
2.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S7具体包括以下步骤：
将训练后的故障诊断模型的诊断结果与实际故障模式进行对比，得出故障诊断模型的准确率；
所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障、滚动体故障和正常4种状态。
3.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S62中，训练集分别为Dataset I、Dataset II和Dataset III，Dataset I中具有140个正常状态样本，140个内圈故障样本，140个外圈故障样本和140个滚动体故障样本，共计560个样本；Dataset II中具有140个正常状态样本，100个内圈故障样本，90个外圈故障样本，80个滚动体故障样本，共计410个样本；Dataset III中具有140个正常状态样本，80个内圈故障样本，90个外圈故障样本，100个滚动体故障样本，共计410个样本。
4.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：所述步骤S6中测试已经训练的该网络时，使用的轧辊轴承的测试集为400个。
5.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S1具体包括以下子步骤：
S11、通过安装在轧机轧辊轴承上的加速度传感器进行采集轧机轴承的振动信号，靠近轴承的声音传感器进行采集轧机轴承的声音信号：
S12、通过PC端对收集到的振动信号和声音信号进行存储，不同故障状态的故障信号和声音信号进行分类存储。
CN202111599158.1A 2021-12-24 2021-12-24 基于非均衡数据集下的多源传感器轧机故障诊断的方法 Active CN114462480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111599158.1A CN114462480B (zh) 2021-12-24 2021-12-24 基于非均衡数据集下的多源传感器轧机故障诊断的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111599158.1A CN114462480B (zh) 2021-12-24 2021-12-24 基于非均衡数据集下的多源传感器轧机故障诊断的方法

Publications (2)

Publication Number Publication Date
CN114462480A true CN114462480A (zh) 2022-05-10
CN114462480B CN114462480B (zh) 2024-08-27

Family

ID=81407275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111599158.1A Active CN114462480B (zh) 2021-12-24 2021-12-24 基于非均衡数据集下的多源传感器轧机故障诊断的方法

Country Status (1)

Country Link
CN (1) CN114462480B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143128A (zh) * 2022-06-28 2022-10-04 浙江石水泵业科技有限公司 小型潜水电泵的故障诊断方法及其系统
CN116842418A (zh) * 2023-05-31 2023-10-03 浙江中屹纺织机械科技有限公司 智能喷水织机及其控制系统
CN117782588A (zh) * 2024-02-28 2024-03-29 江苏国茂减速机股份有限公司 一种减速机的智能故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112160877A (zh) * 2020-09-03 2021-01-01 中国长江三峡集团有限公司福建分公司 一种基于sfa和cnn的风机轴承故障诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN113111752A (zh) * 2021-04-01 2021-07-13 燕山大学 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
US20210255059A1 (en) * 2020-02-19 2021-08-19 Beijing University Of Chemical Technology Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal
CN113392773A (zh) * 2021-06-17 2021-09-14 齐丰科技股份有限公司 基于图谱信息融合的卷积神经网络的变压器故障诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210255059A1 (en) * 2020-02-19 2021-08-19 Beijing University Of Chemical Technology Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal
CN112160877A (zh) * 2020-09-03 2021-01-01 中国长江三峡集团有限公司福建分公司 一种基于sfa和cnn的风机轴承故障诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN113111752A (zh) * 2021-04-01 2021-07-13 燕山大学 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
CN113392773A (zh) * 2021-06-17 2021-09-14 齐丰科技股份有限公司 基于图谱信息融合的卷积神经网络的变压器故障诊断系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
时培明等: "基于S变换与深度学习相结合的滚动轴承故障诊断方法研究", 《现代制造工程》, 18 July 2019 (2019-07-18) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143128A (zh) * 2022-06-28 2022-10-04 浙江石水泵业科技有限公司 小型潜水电泵的故障诊断方法及其系统
CN116842418A (zh) * 2023-05-31 2023-10-03 浙江中屹纺织机械科技有限公司 智能喷水织机及其控制系统
CN116842418B (zh) * 2023-05-31 2024-01-05 浙江中屹纺织机械科技有限公司 智能喷水织机及其控制系统
CN117782588A (zh) * 2024-02-28 2024-03-29 江苏国茂减速机股份有限公司 一种减速机的智能故障检测方法
CN117782588B (zh) * 2024-02-28 2024-05-24 江苏国茂减速机股份有限公司 一种减速机的智能故障检测方法

Also Published As

Publication number Publication date
CN114462480B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN114462480B (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
Kuncan et al. A novel feature extraction method for bearing fault classification with one dimensional ternary patterns
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111046945B (zh) 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111539152B (zh) 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法
CN111222458A (zh) 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN108982107B (zh) 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法
CN113375941A (zh) 高速动车组轴承的开集故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN113378725A (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN109034076A (zh) 一种机械故障信号的自动聚类方法及自动聚类系统
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115221973A (zh) 一种基于增强加权异质集成学习的航空轴承故障诊断方法
CN114354184A (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和系统
CN117191396A (zh) 一种基于两阶段迁移的齿轮箱故障诊断方法
Ning et al. An intelligent device fault diagnosis method in industrial internet of things
Duan et al. Rolling bearing fault diagnosis method based on multi-information fusion characteristics under complex working conditions
CN115114956A (zh) 一种故障诊断方法及系统

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
GR01 Patent grant
GR01 Patent grant