CN114742115A - 基于温振特征融合的滚动轴承故障诊断模型及诊断方法 - Google Patents
基于温振特征融合的滚动轴承故障诊断模型及诊断方法 Download PDFInfo
- Publication number
- CN114742115A CN114742115A CN202210659312.8A CN202210659312A CN114742115A CN 114742115 A CN114742115 A CN 114742115A CN 202210659312 A CN202210659312 A CN 202210659312A CN 114742115 A CN114742115 A CN 114742115A
- Authority
- CN
- China
- Prior art keywords
- temperature
- vibration
- characteristic
- fault diagnosis
- 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.)
- Granted
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
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明涉及新一代信息技术领域,具体涉及一种基于温振特征融合的滚动轴承故障诊断模型及诊断方法,将轴承振动信号和温度信号同时作为轴承故障诊断的依据,将温度特征与振动特征依次作为模型的输入,通过主成分分析方法提取深层特征并实现特征降维,经实例验证,相较于仅使用温度信号或仅使用振动信号的轴承故障诊断方法,本发明提出的温振特征融合的滚动轴承故障诊断方法提高了滚动轴承故障诊断的准确率,可保证设备平稳安全的运行,同时,本发明在温度特征的提取中引入了自编码器间接提取温度范数特征,对其它基于温度信号的部件故障诊断技术具有参考意义。
Description
技术领域
本发明涉及新一代信息技术领域,具体涉及一种基于温振特征融合的滚动轴承故障诊断模型及诊断方法。
背景技术
滚动轴承被称为“工业的关节”,是现代机械设备重要的基本组成部件。但因其处于恶劣的工作环境和高负荷的工作状态,因此成为了机械设备最易损坏的关键零部件之一。因此需要对滚动轴承进行实时监测及故障诊断。
目前,关于滚动轴承故障诊断的方法,如中国专利公开号CN111351664A公开的一种基于LSTM模型的轴承温度预测和报警诊断方法:首先生成轴承温度预测模型,再根据实时监测温度获取模型输入数据,然后预测目标轴位温度数据;最后根据温度报警机制判断轴承运行状态,输出报警结果。又比如中国专利公开号CN113780056A公开的一种基于振动信号的滚动轴承故障诊断方法,采用CEEMDAN算法对振动信号进行分解,对得到的本征模态函数进行去趋势波动分析,计算各IMF分量的标度函数值,选取出噪声主导的IMF分量进行去噪处理;能够更好地去除噪声,并降低信号的失真度;计算各阶IMF分量的相关系数和峭度值,选取相关系数和峭度值较大的IMF分量进行信号重构,并对重构信号进行希尔伯特包络谱分析,提取故障特征频率,引入灰狼算法对多尺度排列熵的初始参数进行优化,再对重构信号进行MPE值计算,并选择合适的MPE值构建滚动轴承故障特征集,将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别,使熵值区分度高,构建故障特征向量更好,识别率更高。
现有故障诊断方法往往是基于振动传感器、温度传感器或声音传感器采集的单一信号进行判断的。其中,基于温度信号的轴承故障诊断方法和基于振动加速度信号的轴承故障诊断方法已发展得较为成熟,并在大多数情况下取得了不错的效果,但其弊端也随之暴露。基于温度信号的轴承故障诊断方法往往仅对润滑状态不良与严重的机械损伤有效,而无法诊断轴承的早期故障与故障部位;基于振动信号的轴承故障诊断方法可识别轴承的早期故障与故障部位,但却无法反映轴承润滑状态。
综上所述,若在轴承故障诊断时同时考虑温度信号与振动加速度信号或将提高滚动轴承故障诊断的准确率。为此,本发明提供了一种基于温振特征融合的滚动轴承故障诊断模型及诊断方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于温振特征融合的滚动轴承故障诊断模型及诊断方法,有效避免轴承故障诊断中监测信号单一导致诊断信息不全面的情况发生,通过融合轴承温度信息和振动信息并结合深度学习方法,稳定提高轴承故障诊断准确率。
本发明的目的是通过以下技术方案来实现的:
一种基于温振特征融合的滚动轴承故障诊断模型,基于自编码器模型、主成分分析算法和K最近邻算法,通过包括以下步骤的方法建立滚动轴承故障诊断模型,
步骤S100:分别获取轴承的温度特征向量和振动特征向量;
获取温度特征向量的过程具体包括:
(1)收集轴承温度信号数据,并筛分为正常轴承的温度信号数据和故障模式下的温度信号数据,对故障模式下的温度信号数据进行切片处理,形成样本长度为m的数据集A1;对正常轴承的温度信号数据进行切片处理,形成样本长度为m的数据集A2,然后从数据集A2中随机选取60%~80%的数据作为训练集,剩下的数据作为测试集,训练正常轴承温度信号重构模型;
(2)依次将数据集A1中各样本作为待检测信号输入正常轴承温度信号重构模型中进行重构,得到数据集A1中各样本相应的重构信号;
(3)量化数据集A1中各样本的重构误差,得到温度范数特征T 2;
(4)使用规定时间段内的最大温升率T mr 反馈轴承服役状态,结合温度范数特征T 2与原始温度信号X,形成温度特征向量X temp ,
式中:x i 为原始温度信号X中的第i个时序数据,i=1、2、3、…、m;
获取振动特征向量的过程具体包括,收集轴承振动加速度信号数据,提取其时域信号的均值p 1、方差p 2、峰值p 3、最小值p 4、峰-峰值p 5、峭度系数p 6、偏度系数p 7、均方根p 8、波形因子p 9、峰值因子p 10、脉冲因子p 11、方根幅值p 12、裕度因子p 13作为其振动特征,形成振动特征向量Y vib ,
步骤S200:利用主成分分析对温度特征向量和振动特征向量进行融合与降维,得到降维后的温振融合特征Z temp_vib ;
步骤S300:采用K最近邻算法对温振融合特征Z temp_vib 进行轴承故障模式分类,得到滚动轴承故障诊断模型。
进一步地,在获取温度特征向量的过程中,训练正常轴承温度信号重构模型,具体包括:
步骤S110:设置学习率λ,设定隐藏层神经元个数N、可接受代价函数值J min 和循环上限n s ,初始化循环次数n=0,初始化代价函数值J(w),初始化输入层至隐藏层的权值矩阵W (1)、偏置矩阵b (1),初始化隐藏层至输出层的权值矩阵W (2)、偏置矩阵b (2),
式中:m为输入数据长度,w ij (1)为权值矩阵W (1)中第i行第j列的元素,i为代表行数的变量,j为代表列数的变量,i=1、2、3、…、N,j=1、2、3、…、m;w ij (2)为权值矩阵W (2)中第i行第j列的元素,i=1、2、3、…、m,j=1、2、3、…、N;b i (1)为偏置矩阵b (1)中第个i元素,i=1、2、3、…、N;b i (2)为偏置矩阵b (2)中第个i元素,i=1、2、3、…、m;T为矩阵转置的符号;
步骤S120:编码器提取特征;根据输入的原始温度信号X,计算重构模型中隐藏层各神经元的输入加权和z (2),
而后计算其激活值a (2),
式中:g(·)为激活函数,a (2)为隐藏层各神经元值构成的矩阵,也是提取的特征;
步骤S130:解码器重构信号;计算输出层各神经元的输入加权和z (3),
并计算其激活值a (3),
进而计算代价函数值J(w),
步骤S140:判断n是否小于n s 且J(w)是否大于J min ,
若是,则更新权值矩阵W *(k)、偏置矩阵b *(k),
式中:W (k)为更新前的权值矩阵,b (k)为更新前的偏置矩阵,k=1或2,W *(k)为更新后的权值矩阵,b *(k)为更新后的偏置矩阵;*用于区分更新前、更新后这两者状态,当k=1时,W (1)为更新前输入层至隐藏层的权值矩阵,b (1)为更新前输入层至隐藏层的偏置矩阵,W *(1)为更新后输入层至隐藏层的权值矩阵,b *(1)为更新后输入层至隐藏层的偏置矩阵;当k=2时,W (2)为更新前隐藏层至输出层的权值矩阵,b (2)为更新前隐藏层至输出层的偏置矩阵,W *(2)为更新后隐藏层至输出层的权值矩阵,b *(2)为更新后隐藏层至输出层的偏置矩阵,∂为偏微分符号,λ为学习率;
然后返回步骤S120;
若不是,则训练结束。
进一步地,对故障模式下的温度信号数据进行切片处理,形成样本长度为m的数据集A1,对正常轴承的温度信号数据进行切片处理,形成样本长度为m的数据集A2。
进一步地,从数据集A2中随机选取70%的数据作为训练集,剩下30%的数据作为测试集,训练正常轴承温度信号重构模型。
进一步地,在获取温度特征向量的过程步骤(3)中,量化数据集A1中各样本的重构误差,使用L-2范数将经正常轴承温度信号重构模型得到的重构信号与原始信号之间的重构差异量化,得到温度范数特征T 2,公式如下:
进一步地,在获取温度特征向量的过程步骤(4)中,使用规定时间段内的最大温升率T mr 反馈轴承服役状态,计算公式为:
式中:x i 为原始温度信号X中的第i个元素,
结合温度范数特征T 2与原始温度信号X,形成温度特征向量X temp 。
进一步地,在步骤S200中,以温度特征向量X temp 与振动特征向量Y vib 作为原始指标,利用主成分分析对温度特征向量和振动特征向量进行融合与降维,具体包括:
步骤S201:将获取的温度特征向量X temp 与振动特征向量Y vib 连接,并随机打乱,形成初始化的温振融合特征样本矩阵Z',
式中:Z' i 表示随机打乱的温、振特征中的第i个特征向量,i=1、2、3、…、p,p为温度特征与振动特征总个数;z' ji 表示随机打乱的温、振特征中的第i个特征向量中的第j个元素, j=1、2、3、…、N 0 ,N 0 为样本个数;
步骤S202:计算Z'的样本相关矩阵R,
式中,s i 为公式指代,指代下面的公式:
步骤S203:求解样本相关矩阵R的特征值λ 1≥λ 2≥…≥λ p ,由此计算累积贡献率ω q ,
并以ω q ≥85%且ω q-1<85%为指标,判断温振特征降维后的温振融合特征的个数q,此处降维后的温振融合特征称为主成分,式中,λ i 为样本相关矩阵R的特征值从大到小排序后的第i个值,i=1、2、3、…、p;
步骤S204:计算样本相关矩阵R的前q个特征值对应的特征向量l (1)、l (2)、…、l (q),将其作为系数,求出第一主成分Z 1至第q主成分Z q ,
得到降维后的温振融合特征Z temp_vib ,
进一步地,在步骤S300中,采用K最近邻算法对温振融合特征Z temp_vib 进行轴承故障模式分类,具体包括:
步骤S310:划分数据集;将步骤S200得到的温振融合特征数据集进行划分,从中随机选取70%的温振融合特征样本作为训练点,即故障分类的先验信息来源,剩余30%的温振融合特征样本作为检验样本,并设定K值;
上述K最近邻算法是一种分类方法,所谓K最近邻,是指K个最近的邻居,每个待检验的温振融合特征样本都可用与它距离最近的K个训练点来代表;
K:表示待检验温振融合特征样本Z temp_vib 的分类过程中选用的邻近训练点的个数;
步骤S320:计算待检验温振融合样本z temp_vib 到每个训练点的欧式距离;
步骤S330:对每个距离进行排序,筛选出距离待检验温振融合样本z temp_vib 最近的K个训练点;
步骤S340:找出筛选的K个最近邻的训练点隶属的轴承故障模式类别;
步骤S350:根据少数服从多数的原则,将待检验温振融合样本z temp_vib 归入在K个训练点中占比最高的那一类轴承故障模式,完成轴承故障模式分类。
一种基于温振特征融合的滚动轴承故障诊断方法,基于上述滚动轴承故障诊断模型,将轴承振动信号和温度信号同时作为轴承故障诊断的依据,将温度特征与振动特征依次作为模型的输入,对滚动轴承进行故障诊断。
本发明的有益效果是:本发明提出的基于温振特征融合的滚动轴承故障诊断模型及诊断方法,将轴承振动信号和温度信号同时作为轴承故障诊断的依据,将温度特征与振动特征依次作为模型的输入,通过主成分分析方法提取深层特征并实现特征降维,经实例验证,相较于仅使用温度信号或仅使用振动信号的轴承故障诊断方法,本发明提出的温振特征融合的滚动轴承故障诊断方法提高了滚动轴承故障诊断的准确率,可保证设备的平稳安全的运行,同时,本发明在温度特征的提取中引入了自编码器间接提取温度范数特征,对其它基于温度信号的部件故障诊断技术具有参考意义。
附图说明
图1为本发明滚动轴承故障诊断模型的示意图;
图2为本发明归一化后的正常轴承的振动特征展示图;
图3为本发明归一化后的滚动体故障轴承的振动特征展示图;
图4为本发明归一化后的外圈故障轴承的振动特征展示图;
图5为本发明归一化后的内圈故障轴承的振动特征展示图;
图6为本发明温度信号重构模型隐藏层神经元个数筛选对比图;
图7为本发明采用的自编码器结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
现有轴承故障诊断研究方法往往是基于振动信号或温度信号等单一信号进行的,基于温度信号的诊断方法往往是基于阈值进行判断的,尽管现已发展的较为成熟,但无法避免的是,温度信号无法反映轴承的故障部件,相反的,基于振动信号的轴承故障诊断方法往往以识别故障模式为目的展开,并形成了基于时域或频域或时频域的诊断方法,可惜的是,振动信号的采样频率往往较大,导致轴承状态实时监测中所需要的储存量很大,因此,大部分情况下需要转化为特征值储存,难免丢失原始信号中包含的部分信息。
在本实施例中,为避免轴承故障诊断中监测信号单一,导致诊断信息不全面的情况发生,本发明提供一种基于温振特征融合的滚动轴承故障诊断模型,如图1所示,基于自编码器模型、主成分分析算法和K最近邻算法,通过包括以下步骤的方法建立滚动轴承故障诊断模型,本发明采用的自编码器如图7所示。
步骤S100:分别获取轴承的温度特征向量和振动特征向量;
获取温度特征向量的过程具体包括:
(1)收集轴承温度信号数据,并筛分为正常轴承的温度信号数据和故障模式下的温度信号数据,对故障模式下的温度信号数据进行切片处理,形成样本长度为m的数据集A1;对正常轴承的温度信号数据进行切片处理,形成样本长度为m的数据集A2,然后从数据集A2中随机选取60%~80%的数据作为训练集,剩下的数据作为测试集,训练正常轴承温度信号重构模型,具体包括:
步骤S110:设置学习率λ,设定隐藏层神经元个数N、可接受代价函数值J min 和循环上限n s ,初始化循环次数n=0,初始化代价函数值J(w),初始化输入层至隐藏层的权值矩阵W (1)、偏置矩阵b (1),初始化隐藏层至输出层的权值矩阵W (2)、偏置矩阵b (2),
式中:m为输入数据长度,w ij (1)为权值矩阵W (1)中第i行第j列的元素,i为代表行数的变量,j为代表列数的变量,i=1、2、3、…、N,j=1、2、3、…、m;w ij (2)为权值矩阵W (2)中第i行第j列的元素,i为代表行数的变量,j为代表列数的变量,i=1、2、3、…、m,j=1、2、3、…、N;b i (1)为偏置矩阵b (1)中第个i元素,i为代表行数的变量,i=1、2、3、…、N;b i (2)为偏置矩阵b (2)中第个i元素,i为代表行数的变量,i=1、2、3、…、m;T为矩阵转置的符号;
步骤S120:编码器提取特征;根据输入的原始温度信号X,计算重构模型中隐藏层各神经元的输入加权和z (2),
而后计算其激活值a (2),
式中:X为原始温度信号,z (2)为隐藏层各神经元的输入加权和,g(·)为激活函数,a (2)为隐藏层各神经元值构成的矩阵,也是提取的特征;
步骤S130:解码器重构信号;计算输出层各神经元的输入加权和z (3),
并计算其激活值a (3),
进而计算代价函数值J(w),
步骤S140:判断n是否小于n s 且J(w)是否大于J min ,
若是,则更新权值矩阵W *(k)、偏置矩阵b *(k),
式中:W (k)为更新前的权值矩阵,b (k)为更新前的偏置矩阵,k=1或2,W *(k)为更新后的权值矩阵,b *(k)为更新后的偏置矩阵;*用于区分更新前、更新后这两者状态,具体地,当k=1时,W (1)为更新前输入层至隐藏层的权值矩阵,b (1)为更新前输入层至隐藏层的偏置矩阵,W *(1)为更新后输入层至隐藏层的权值矩阵,b *(1)为更新后输入层至隐藏层的偏置矩阵;当k=2时,W (2)为更新前隐藏层至输出层的权值矩阵,b (2)为更新前隐藏层至输出层的偏置矩阵,W *(2)为更新后隐藏层至输出层的权值矩阵,b *(2)为更新后隐藏层至输出层的偏置矩阵,∂为偏微分符号,λ为学习率;
然后返回步骤S120;
若不是,则训练结束。
(2)依次将数据集A1中各样本作为待检测信号输入正常轴承温度信号重构模型中进行重构,得到数据集A1中各样本相应的重构信号;
(3)量化数据集A1中各样本的重构误差,使用L-2范数将经正常轴承温度信号重构模型得到的重构信号与原始信号之间的重构差异量化,得到温度范数特征T 2,公式如下:
(4)使用规定时间段内的最大温升率T mr 反馈轴承服役状态,计算公式为:
式中:T mr 为规定时间段内的最大温升率;
结合温度范数特征T 2与原始温度信号X,形成温度特征向量X temp ,
式中:X temp 为温度特征向量,x i 为原始温度信号X中的第i个时序数据,i=1、2、3、…、 m;
获取振动特征向量的过程具体包括,收集轴承振动加速度信号数据,提取其时域信号的均值p 1、方差p 2、峰值p 3、最小值p 4、峰-峰值p 5、峭度系数p 6、偏度系数p 7、均方根p 8、波形因子p 9、峰值因子p 10、脉冲因子p 11、方根幅值p 12、裕度因子p 13作为其振动特征,形成振动特征向量Y vib ,
步骤S200:利用主成分分析对温度特征向量和振动特征向量进行融合与降维,具体包括:
步骤S201:将获取的温度特征向量X temp 与振动特征向量Y vib 连接,并随机打乱,形成初始化的温振融合特征样本Z',
式中:Z'表示初始化的温振融合特征样本,Z' i 表示随机打乱的温、振特征中的第i个特征向量,i=1、2、3、…、p,p为温度特征与振动特征总个数;z' ji 表示随机打乱的温、振特征中的第i个特征向量中的第j个元素,j=1、2、3、…、N 0 ,N 0 为样本个数;
步骤S202:计算Z'的样本相关矩阵R,
式中,s i 为公式指代,指代下面的公式:
步骤S203:求解样本相关矩阵R的特征值λ 1≥λ 2≥…≥λ p ,由此计算主成分的累积贡献率ω q ,
并以ω q ≥85%且ω q-1<85%为指标,判断温振特征降维后的温振融合特征的个数q,此处降维后的温振融合特征称为主成分,式中,λ i 为样本相关矩阵R的特征值从大到小排序后的第i个值,i=1、2、3、…、p;
步骤S204:计算样本相关矩阵R的前q个特征值对应的特征向量l (1)、l (2)、…、l (q),将其作为系数,求出第一主成分Z 1至第q主成分Z q ,
得到降维后的温振融合特征Z temp_vib ,
步骤S300:采用K最近邻算法对温振融合特征Z temp_vib 进行轴承故障模式分类,K最近邻是一种简单的、有监督的分类方法,所谓K最近邻,就是K个最近的邻居的意思,说的是每个样本都可以用它最接近的K个邻近值来代表;采用K最近邻算法对温振融合特征Z temp_vib 进行轴承故障模式分类,具体包括:
步骤S310:划分数据集;将步骤S200得到的温振融合特征Z temp_vib 构成的矩阵进行划分,温振融合特征矩阵中的每一行代表一个温振融合特征样本,从中随机选取70%的温振融合特征样本作为训练点,即故障分类的先验信息来源,剩余30%的温振融合特征样本作为检验样本,并设定K值,此处K表示待检验温振融合特征样本Z temp_vib 的分类过程中选用的邻近训练点的个数;
步骤S320:计算待检验温振融合样本z temp_vib 到每个训练点的欧式距离;
步骤S330:对每个距离进行排序,筛选出距离待检验温振融合样本z temp_vib 最近的K个训练点;
步骤S340:找出筛选的K个最近邻的训练点隶属的轴承故障模式类别;
步骤S350:根据少数服从多数的原则,将待检验温振融合样本z temp_vib 归入在K个训练点中占比最高的那一类轴承故障模式,完成轴承故障模式分类;
得到滚动轴承故障诊断模型。
在一个优选实施例中,对故障模式下的温度信号数据进行切片处理,形成样本长度为m的数据集A1,对正常轴承的温度信号数据进行切片处理,形成样本长度为m的数据集A2。
在一个优选实施例中,从数据集A2中随机选取70%的数据作为训练集,剩下30%的数据作为测试集,训练正常轴承温度信号重构模型。
一种基于温振特征融合的滚动轴承故障诊断方法,基于上述滚动轴承故障诊断模型,将待诊断滚动轴承的温度信号数据和振动信号数据依次作为滚动轴承故障诊断模型的输入,对滚动轴承进行故障诊断。
采用本发明提出的滚动轴承故障诊断模型对滚动轴承进行故障诊断,本发明需要有足够量的各类轴承故障模式下的温度信号和振动信号进行训练才能都到较好的模型,为此,本发明利用西南交通大学轴承试验台采集的轴承振动加速度信号和温度信号,构建了数据集SWJTU-A、SWJTU-B,来验证本方法的有效性,如表1所示。其中,实验滚动轴承的具体参数如表2所示。加速度传感器采样频率为25600Hz。
表1 数据集SWJTU-A/SWJTU-B详细信息表
表2 滚动轴承具体参数表
对表1中的SWJTU-A、SWJTU-B两组数据进行温度特征与振动特征提取,得到13维振动特征向量和5维温度特征向量,将其归一化,如图2~5所示,依次为正常轴承、滚动体故障、外圈故障、内圈故障状态下的振动特征归一化后的展示图;在进行温度特征与振动特征提取的过程中,温度信号重构模型隐藏层神经元的个数为4,筛选过程如图6所示。以数据集SWJTU-A为例,分别计算正常轴承、内圈故障、外圈故障、滚动体故障状态下的L-2范数特征值的均值及方差,详见表3。
表3 滚动轴承不同工况下温度范数特征情况表
进而将上述温度特征和振动特征作为温振特征融合的滚动轴承故障诊断模型的两个通道的输入,以表1的数据标签作为分类依据。为保证本发明提出的方法的合理性,从SWJTU-A、SWJTU-B两个数据集中,分别随机选取70%的样本作为训练集,其余30%作为测试集。为了验证所提出的温振特征融合的滚动轴承故障诊断模型的有效性,与仅使用温度特征的诊断模型(记为模型)和仅使用振动特征的诊断模型(记为模型)进行诊断效果对比。对比结果如表4所示:
表4 不同模型在滚动轴承故障模式识别中的准确率对比表
由表4可知,与仅使用温度信号或仅使用振动信号的轴承故障诊断方法相比,本发明提出的温振融合的滚动轴承故障诊断模型及诊断方法的诊断准确率更高。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于温振特征融合的滚动轴承故障诊断模型,其特征在于,基于自编码器模型、主成分分析算法和K最近邻算法,通过包括以下步骤的方法建立滚动轴承故障诊断模型,
步骤S100:分别获取轴承的温度特征向量和振动特征向量;
获取温度特征向量的过程具体包括:
(1)收集轴承温度信号数据,并筛分为正常轴承的温度信号数据和故障模式下的温度信号数据,对故障模式下的温度信号数据进行切片处理,形成样本长度为m的数据集A1;对正常轴承的温度信号数据进行切片处理,形成样本长度为m的数据集A2,然后从数据集A2中随机选取60%~80%的数据作为训练集,剩下的数据作为测试集,训练正常轴承温度信号重构模型;
(2)依次将数据集A1中各样本作为待检测信号输入正常轴承温度信号重构模型中进行重构,得到数据集A1中各样本相应的重构信号;
(3)量化数据集A1中各样本的重构误差,得到温度范数特征T 2;
(4)使用规定时间段内的最大温升率T mr 反馈轴承服役状态,结合温度范数特征T 2与原始温度信号X,形成温度特征向量X temp ,
式中:x i 为原始温度信号X中的第i个时序数据,i=1、2、3、…、m;
获取振动特征向量的过程具体包括,收集轴承振动加速度信号数据,提取其时域信号的均值p 1、方差p 2、峰值p 3、最小值p 4、峰-峰值p 5、峭度系数p 6、偏度系数p 7、均方根p 8、波形因子p 9、峰值因子p 10、脉冲因子p 11、方根幅值p 12、裕度因子p 13作为其振动特征,形成振动特征向量Y vib ,
步骤S200:利用主成分分析对温度特征向量和振动特征向量进行融合与降维,得到降维后的温振融合特征Z temp_vib ;
步骤S300:采用K最近邻算法对温振融合特征Z temp_vib 进行轴承故障模式分类,得到滚动轴承故障诊断模型。
2.根据权利要求1所述的滚动轴承故障诊断模型,其特征在于,在获取温度特征向量的过程中,训练正常轴承温度信号重构模型,具体包括:
步骤S110:设置学习率λ,设定隐藏层神经元个数N、可接受代价函数值J min 和循环上限n s ,初始化循环次数n=0,初始化代价函数值J(w),初始化输入层至隐藏层的权值矩阵W (1)、偏置矩阵b (1),初始化隐藏层至输出层的权值矩阵W (2)、偏置矩阵b (2),
式中:m为输入数据长度,w ij (1)为权值矩阵W (1)中第i行第j列的元素,i为代表行数的变量,j为代表列数的变量,i=1、2、3、…、N,j=1、2、3、…、m;w ij (2)为权值矩阵W (2)中第i行第j列的元素,i=1、2、3、…、m,j=1、2、3、…、N;b i (1)为偏置矩阵b (1)中第个i元素,i=1、2、3、…、N;b i (2)为偏置矩阵b (2)中第个i元素,i=1、2、3、…、m;T为矩阵转置的符号;
步骤S120:编码器提取特征;根据输入的原始温度信号X,计算重构模型中隐藏层各神经元的输入加权和z (2),
而后计算其激活值a (2),
式中:g(·)为激活函数,a (2)为隐藏层各神经元值构成的矩阵,也是提取的特征;
步骤S130:解码器重构信号;计算输出层各神经元的输入加权和z (3),
并计算其激活值a (3),
进而计算代价函数值J(w),
步骤S140:判断n是否小于n s 且J(w)是否大于J min ,
若是,则更新权值矩阵W *(k)、偏置矩阵b *(k),
式中:W (k)为更新前的权值矩阵,b (k)为更新前的偏置矩阵,k=1或2,W *(k)为更新后的权值矩阵,b *(k)为更新后的偏置矩阵;*用于区分更新前、更新后这两者状态,当k=1时,W (1)为更新前输入层至隐藏层的权值矩阵,b (1)为更新前输入层至隐藏层的偏置矩阵,W *(1)为更新后输入层至隐藏层的权值矩阵,b *(1)为更新后输入层至隐藏层的偏置矩阵;当k=2时,W (2)为更新前隐藏层至输出层的权值矩阵,b (2)为更新前隐藏层至输出层的偏置矩阵,W *(2)为更新后隐藏层至输出层的权值矩阵,b *(2)为更新后隐藏层至输出层的偏置矩阵,∂为偏微分符号,λ为学习率;
然后返回步骤S120;
若不是,则训练结束。
3.根据权利要求1所述的滚动轴承故障诊断模型,其特征在于,从正常温度数据集A2中随机选取70%的数据作为训练集,剩下30%的数据作为测试集,训练正常轴承温度信号重构模型。
6.根据权利要求1所述的滚动轴承故障诊断模型,其特征在于,在步骤S200中,以温度特征向量X temp 与振动特征向量Y vib 作为原始指标,利用主成分分析对温度特征向量和振动特征向量进行融合与降维,具体包括:
步骤S201:将获取的温度特征向量X temp 与振动特征向量Y vib 连接,并随机打乱,形成初始化的温振融合特征样本矩阵Z',
式中:Z' i 表示随机打乱的温、振特征中的第i个特征向量,i=1、2、3、…、p,p为温度特征与振动特征总个数;z' ji 表示随机打乱的温、振特征中的第i个特征向量中的第j个元素, j=1、2、3、…、N 0 ,N 0 为样本个数;
步骤S202:计算Z'的样本相关矩阵R,
式中,s i 为公式指代,指代下面的公式:
步骤S203:求解样本相关矩阵R的特征值λ 1≥λ 2≥…≥λ p ,由此计算累积贡献率ω q ,
并以ω q ≥85%且ω q-1<85%为指标,判断温振特征降维后的温振融合特征的个数q,此处降维后的温振融合特征称为主成分,式中,λ i 为样本相关矩阵R的特征值从大到小排序后的第i个值,i=1、2、3、…、p;
步骤S204:计算样本相关矩阵R的前q个特征值对应的特征向量l (1)、l (2)、…、l (q),将其作为系数,求出第一主成分Z 1至第q主成分Z q ,
得到降维后的温振融合特征Z temp_vib ,
7.一种基于温振特征融合的滚动轴承故障诊断方法,其特征在于,基于权利要求1~6任意一项所述滚动轴承故障诊断模型,将轴承振动信号和温度信号同时作为轴承故障诊断的依据,将温度特征与振动特征依次作为模型的输入,对滚动轴承进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659312.8A CN114742115B (zh) | 2022-06-13 | 2022-06-13 | 滚动轴承故障诊断模型的构建方法及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659312.8A CN114742115B (zh) | 2022-06-13 | 2022-06-13 | 滚动轴承故障诊断模型的构建方法及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742115A true CN114742115A (zh) | 2022-07-12 |
CN114742115B CN114742115B (zh) | 2022-08-19 |
Family
ID=82287057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659312.8A Active CN114742115B (zh) | 2022-06-13 | 2022-06-13 | 滚动轴承故障诊断模型的构建方法及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742115B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115560966A (zh) * | 2022-09-30 | 2023-01-03 | 新黎明科技股份有限公司 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和系统 |
CN116726788A (zh) * | 2023-08-10 | 2023-09-12 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN103940608A (zh) * | 2014-04-29 | 2014-07-23 | 中能电力科技开发有限公司 | 一种提高风电机组齿轮箱故障等级判断精度的方法 |
CN104833534A (zh) * | 2015-04-21 | 2015-08-12 | 广州市地下铁道总公司 | 一种基于多源信息融合的列车走行系故障诊断装置及方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN212791955U (zh) * | 2020-06-04 | 2021-03-26 | 湖北省烟草公司咸宁市公司 | 一种细标合一分拣线的故障诊断预警装置 |
CN112577743A (zh) * | 2020-11-06 | 2021-03-30 | 中国矿业大学 | 一种基于最大局部边界准则的滚动轴承故障诊断方法 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
-
2022
- 2022-06-13 CN CN202210659312.8A patent/CN114742115B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN103940608A (zh) * | 2014-04-29 | 2014-07-23 | 中能电力科技开发有限公司 | 一种提高风电机组齿轮箱故障等级判断精度的方法 |
CN104833534A (zh) * | 2015-04-21 | 2015-08-12 | 广州市地下铁道总公司 | 一种基于多源信息融合的列车走行系故障诊断装置及方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN212791955U (zh) * | 2020-06-04 | 2021-03-26 | 湖北省烟草公司咸宁市公司 | 一种细标合一分拣线的故障诊断预警装置 |
CN112577743A (zh) * | 2020-11-06 | 2021-03-30 | 中国矿业大学 | 一种基于最大局部边界准则的滚动轴承故障诊断方法 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
Non-Patent Citations (7)
Title |
---|
LIU LEI等: "Fault Pattern Recognition of Axle Box Bearings for High-speed EMU Based on Onboard Real-time Temperature Data", 《2019 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-QINGDAO》 * |
MA J等: "Rolling bearing fault diagnosis based on deep learning and autoencoder information", 《SYMMETRY》 * |
XIA M等: "Intelligent fault diagnosis approach with unsupervised feature learning by stacked denoising autoencoder", 《IET SCIENCE, MEASUREMENT & TECHNOLOGY》 * |
ZHENG Z等: "A fault diagnosis method of bogie axle box bearing based on spectrum whitening demodulation", 《SENSORS》 * |
陈之恒等: "基于EMD及改进PSO_BP的电机轴承故障诊断", 《测控技术》 * |
陈志刚等: "改进集成深层自编码器在轴承故障诊断中的应用", 《控制与决策》 * |
黄国荣等: "基于PCA和KNN的电主轴故障诊断方法研究", 《上海第二工业大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115560966A (zh) * | 2022-09-30 | 2023-01-03 | 新黎明科技股份有限公司 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和系统 |
CN115560966B (zh) * | 2022-09-30 | 2023-09-15 | 新黎明科技股份有限公司 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和系统 |
CN116726788A (zh) * | 2023-08-10 | 2023-09-12 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
CN116726788B (zh) * | 2023-08-10 | 2023-11-10 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114742115B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A small sample focused intelligent fault diagnosis scheme of machines via multimodules learning with gradient penalized generative adversarial networks | |
CN114742115B (zh) | 滚动轴承故障诊断模型的构建方法及诊断方法 | |
Dai et al. | Machinery health monitoring based on unsupervised feature learning via generative adversarial networks | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
Heydarzadeh et al. | Gear fault diagnosis using discrete wavelet transform and deep neural networks | |
Wan et al. | QSCGAN: An un-supervised quick self-attention convolutional GAN for LRE bearing fault diagnosis under limited label-lacked data | |
JP7340265B2 (ja) | 異常検出装置、異常検出方法、およびプログラム | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN111043050A (zh) | 一种离心泵故障诊断方法及系统 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN112465124A (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
Van den Hoogen et al. | An improved wide-kernel CNN for classifying multivariate signals in fault diagnosis | |
Lee et al. | Deep convolutional neural network with new training method and transfer learning for structural fault classification of vehicle instrument panel structure | |
CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
Xia et al. | Collaborative and conditional deep adversarial network for intelligent bearing fault diagnosis | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
Yanez-Borjas et al. | Convolutional neural network-based methodology for detecting, locating and quantifying corrosion damage in a truss-type bridge through the autocorrelation of vibration signals | |
CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
Bapir et al. | A comparative analysis of 1D convolutional neural networks for bearing fault diagnosis |
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 |