CN114881087A - 一种建筑机器人轴承性能退化评估方法 - Google Patents
一种建筑机器人轴承性能退化评估方法 Download PDFInfo
- Publication number
- CN114881087A CN114881087A CN202210579755.6A CN202210579755A CN114881087A CN 114881087 A CN114881087 A CN 114881087A CN 202210579755 A CN202210579755 A CN 202210579755A CN 114881087 A CN114881087 A CN 114881087A
- Authority
- CN
- China
- Prior art keywords
- bearing
- degradation
- value
- imf
- performance degradation
- 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
- 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
- G06F18/21—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
-
- 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
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明具体公开了一种建筑机器人轴承性能退化评估方法,所述方法包括以下步骤:S1、采集建筑机器人轴承健康状态下振动信号;S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集;S3、利用主成分分析法对归一化初始特征集进行融合降维,选取自组织映射网络评估模型的输入特征向量;S4、取步骤S3获得的特征向量输入到自组织映射网络进行训练;S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3,取得到的特征向量作为测试集输入到训练好的评估模型中计算性能退化指标,并根据退化起始阈值确定建筑机器人轴承性能退化程度。本发明无标签设置、准确评估建筑机器人轴承在退化过程中的退化程度,节约了人工和时间成本。
Description
技术领域
本发明涉及设备故障预测与健康管理技术领域,尤其涉及一种建筑机器人轴承性能退化评估方法。
背景技术
目前我国建筑业虽然发展迅速,但是机械化、自动化程度较低,建筑业属于高危行业,存在安全事故多、劳动生产率低下、劳动力短缺等问题。因此,大力发展建筑机器人能在一定程度上解决建筑业面临的困境。建筑机器人既可将建筑工人从危重的建筑环境中解放出来,保障工人的生命安全,又能提高建造施工的效率,一定程度上解决了劳动力短缺的问题。但由于建筑机器人所处的工作环境十分复杂,且经过长时间、高强度的运作难免会发生故障,一旦建筑机器人发生故障,将会导致整个机械设备无法使用,轻则停机影响生产造成企业经济损失,重则可能造成人员伤亡导致严重事故的发生。因此保证建筑机器人的可靠运行十分重要。
建筑机器人故障均是由于其内部零部件故障所导致,其中又以轴承在建筑机器人所有零部件中发生故障频率最高。轴承的主要功能是用于支撑和固定建筑机器人的输出轴,从而减少内部件运作时产生的摩擦,它具有转速高、负载变化大、故障率高等特点,因此在经过长期高强度的运行之后很容易发生故障。轴承发生故障还会导致一系列连带效应发生比如:机械部件磨损、传动失灵、电机损坏等,所以轴承一旦发生故障会直接影响建筑机器人的性能、质量和可靠性。
对建筑机器人轴承的性能退化评估是实现故障预测与健康管理的重要实现手段,它主要通过构建相应的评估模现轴承振型实动信号到退化状态的映射。通过对建筑机器人轴承进行性能退化评估可以实时监测轴承运行状况,实现建筑机器人轴承运行状态的可视化,对于及时发现建筑机器人轴承故障并制定维修策略有着重要意义。目前性能退化评估模型多为有监督的训练方式,这也意味着必须先对样本进行标签选取,然而标签的选取既增加了人工参与,导致缺乏一定的通用性,且在故障样本缺失的情况下无法训练出精确模型。
鉴于此,设计一种无需标签设置且能准确发现轴承早期故障的性能退化评估方法用于建筑机器人轴承是本技术领域亟待解决的技术问题。
发明内容
本发明的目的在于提供一种建筑机器人轴承性能退化评估方法,所述方法无标签设置且能准确检测出轴承的早期故障,本发明中IMF为Intrinsic Mode Function。
为解决上述技术问题,本发明提供一种建筑机器人轴承性能退化评估方法,包括以下步骤:
S1、将振动传感器安装在建筑机器人轴承外圈,利用振动传感器采集建筑机器人轴承在健康状态下振动信号S(t);
S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集;
S3、利用主成分分析法对归一化初始特征集进行融合降维,选取累计贡献率大于90%的主成分作为自组织映射网络评估模型的输入特征向量;
S4、取步骤S3获得的特征向量作为训练集输入到自组织映射网络进行训练,得到训练好的自组织映射网络评估模型;
S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3,取得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中计算性能退化指标DI,并根据退化起始阈值来确定建筑机器人轴承性能退化程度。
优选地,所述步骤S2的具体实现方法包括如下步骤:
S21、提取步骤S1中所采集的建筑机器人轴承振动信号的8个时域特征,包括均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差;
S22、对步骤S1中所采集的建筑机器人轴承振动信号进行集总经验模态分解,设置集总经验模态分解的两个参数白噪声幅值a=0.2,集总平均次数M=100,基于此分解得到N个IMF(Intrinsic Mode Function)分量,基于相关系数法从N个IMF分量中选取R个与原始信号x(t)相关信号更高的有效IMF分量,其中R≤N;
S23、计算步骤S22提取的R个有效IMF分量的能量熵,计算公式为:
式中,Hi为第i个IMF分量的能量熵,E为IMF的总能量值,Ei为第i个IMF分量的能量值;
S24、将步骤S22提取的R个有效IMF分量构成矩阵M=[imf1,imf2,...,imfR]T,然后对矩阵进行奇异值分解,计算公式为:
M=UAVT (4)
式中,U为m阶的正交矩阵,V为n阶的正交矩阵,VT为V的转置矩阵,A为半正定的m×n阶的对角矩阵,A对角线上的元素就是A的奇异值,计算矩阵M的前S个奇异值,其中S≤R,联合步骤S23的R个能量熵共同构成时频域特征;
S25、将步骤S21中提取的8个时域特征、步骤S23中提取的R个有效IMF分量能量熵和步骤S24中所计算的S个IMF矩阵奇异值组合构建为一个初始特征集。
优选地,所述步骤S21中所提取的轴承振动信号S(t)的时域特征可用公式表示:
F4(t)=max{Si(t)}-min{Si(t)} (8)
式(5)~(12)中,F1(t)~F8(t)分别表示为均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差,{Si(t)}i=1,2,...,n表示振动信号S(t)在t时刻时的第i个采样序列。
优选地,所述步骤S22中集总经验模态分解的具体实现方法包括如下步骤:
S221、设置集总经验模态分解的两个参数白噪声幅值a取值为0.2倍的原始数据标准差,集总平均次数M取为100,输入原始信号x(t);
S222、在原始信号x(t)中添加一定幅值的白噪声序列nm(t),得到信号xm(t),xm(t)=x(t)+nm(t);
S223、对加入噪声后的信号xm(t)进行经验模态分解EMD,得到N个IMF分量ai,m(i=1,2,......,N);
S224、重复步骤S223直到对x(t)加入M次不同幅值的白噪声序列;
优选地,所述步骤S22中基于相关系数法的有效IMF分量选取方法的计算公式为:
式中,ri为第i个IMF分量与原始振动信号的相关系数,xi表示第i个IMF分量归一化后的值,yi为原始振动信号归一化后的值。计算N个相关系数值的标准差λ作为阈值用于筛选出相关性更高的IMF分量,即选择相关系数ri>λ的IMF分量,剔除ri<λ的IMF分量,λ的计算公式为:
优选地,所述步骤S3中首先对S2中得到的初始特征集按进行归一化处理统一特征尺度,然后利用主成分分析法对归一化初始特征集进行融合降维,降低特征冗余,按贡献率大小对各主成分进行排序,选取累计贡献率大于90%且维度最小的n个主成分作为自组织映射网络评估模型的输入特征向量。
优选地,所述步骤S4自组织映射网络训练的具体实现方法包括如下步骤:
S41、设置输入神经元数n,输出层神经元数m、最大迭代次数lmax、学习率α;
S44、选择欧式距离最小的神经元作为获胜神经元并记作Wj *,对获胜神经元和其邻域神经元的权值进行更新:
Wj(t+1)=Wj(t) (16)
式中,学习率α取值为(0,1],t为训练时间,α随着学习维度的增加而递减,即随着学习的进行,权值会从粗调过度到微调;
S45、增加迭代次数l=l+1,当l>lmax(最大迭代次数)或α<αmin(最小学习率)时,结束网络训练,否则返回步骤S43继续执行网络训练。
优选地,所述步骤S5具体实现方法包括如下步骤:
S51、采集待评估建筑机器人轴承振动信号并重复步骤S2、S3;
S52、取步骤S51得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中,计算与其最佳匹配单元权重向量的欧式距离作为性能退化指标DI,计算公式为:
DI=||Y-wBMU|| (17)
式中,Y代表SOM网络的输入特征向量,wBMU代表输入向量对应的最佳匹配单元的权值向量,||||表示欧氏距离计算。当DI值较大时代表轴承此刻的状态与健康状态差别较大;反之,指标值越小代表轴承此刻的状态与健康状态差别较小;
S53、设置退化起始阈值,通过对退化指标的定量分析来评估轴承的性能退化状态,若DI值小于退化起始阈值,说明轴承处于健康阶段;若DI值大于退化起始阈值说明轴承处于故障退化阶段;且DI值越大说明轴承发生的故障越严重。
优选地,所述步骤S53中的退化起始阙值采用常用的3σ准则来确定:假设训练数据符合高斯正态分布N(μ,σ)则实时的新数据属于[μ-3σ,μ+3σ]区间内的概率值为99.73%,其中μ和σ分别是统计数据的均值和标准差,一旦t时刻的性能指标值DI不在此范围内,说明轴承已严重偏离正常状态,因此时刻t可作为轴承退化起始点。
与现有技术相比,本发明具有以下有益效果:
本发明提出了一种建筑机器人轴承性能退化评估方法,首先利用振动传感器采集建筑机器人轴承健康状态下的振动信号,对振动信号进行时域和时频域特征提取构建初始特征集,然后采用主成分分析法对归一化后的初始特征集进行融合降维,选取累计贡献率大于90%的主成分分量用于自组织映射网络评估模型的训练,最后采集待评估轴承的振动信号同样经过特征提取和降维后输入到训练好的自组织映射网络评估模型中,计算输入向量与其对应的最优匹配单元的欧式距离作为退化指标,并根据退化起始阈值来检测轴承性能退化程度,若退化指标大于退化起始阈值则轴承处于故障退化阶段,且退化指标越大故障程度越高。本方法对于识别建筑机器人轴承早期故障较为敏感,且通过无监督的训练网络提高了评估模型的通用性和准确性,能较好地反映建筑机器人轴承的性能变化趋势,保证建筑机器人的可靠运行性,另外无需设置标签,减少了人工成本和时间成本。
附图说明
图1是本发明一种建筑机器人轴承性能退化评估方法的流程图,
图2是本发明步骤S2构建初始特征集的方法流程图,
图3是本发明步骤S22中集总经验模态分解的方法流程图,
图4是本发明步骤S4中自组织映射网络结构图,
图5是本发明中步骤S4训练自组织映射网络的方法流程图,
图6是本发明中步骤S5轴承退化状态判别的流程图;
图7是本发明具体实施例所用数据原始信号图;
图8是本发明具体实施例本方法性能退化评估结果图;
图9是本发明实施例的对比方法均方根值作为性能退化指标结果图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
为了使本技术领域的人员更好地理解本发明的技术方案,下面将结合本发明实施例中的附图1-9,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅图1,为实现上述目的,本发明的第一实施例提供一种建筑机器人轴承性能退化评估方法,本发明提供的用于建筑机器人轴承性能退化评估方法,应用于建筑机器人轴承退化状态评估和早期故障检测,所述方法包括如下步骤:
S1、将振动传感器安装在建筑机器人轴承外圈,利用振动传感器采集建筑机器人轴承在健康状态下振动信号S(t);
S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集;
S3、利用主成分分析法对归一化初始特征集进行融合降维,选取累计贡献率大于90%的主成分作为自组织映射网络评估模型的输入特征向量;
S4、取步骤S3获得的特征向量作为训练集输入到自组织映射网络进行训练,得到训练好的自组织映射网络评估模型;
S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3,取得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中计算性能退化指标DI,并根据退化起始阈值来确定建筑机器人轴承性能退化程度。
本实施例中,首先利用振动传感器采集建筑机器人轴承健康状态下的振动信号,对振动信号进行时域和时频域特征提取构建初始特征集,然后采用主成分分析法对归一化后的初始特征集进行融合降维,选取累计贡献率大于90%的主成分分量用于自组织映射网络评估模型的训练,最后采集待评估轴承的振动信号同样经过特征提取和降维后输入到训练好的自组织映射网络评估模型中,计算输入向量与其对应的最优匹配单元的欧式距离作为性能退化指标,并根据退化起始阈值来检测轴承性能退化程度,若性能退化指标值大于退化起始阈值则轴承处于故障退化阶段,且性能退化指标值越大故障程度越高。
请参阅图2,所述步骤S2的具体实现方式包括:
S21、提取步骤S1中所采集的建筑机器人轴承振动信号的8个时域特征,包括均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差;
S22、对步骤S1中所采集的建筑机器人轴承振动信号进行集总经验模态分解,设置集总经验模态分解的两个参数白噪声幅值a=0.2,集总平均次数M=100,基于此分解得到N个IMF(Intrinsic Mode Function)分量,基于相关系数法从N个IMF分量中选取R(R≤N)个与原始信号x(t)相关性更高的有效IMF分量;
S23、计算对步骤S22提取的R个有效IMF分量的能量熵,计算公式为:
式中,Hi为第i个IMF分量的能量熵,E为IMF的总能量值,Ei为第i个IMF分量的能量值;
S24、将步骤S22提取的R个有效IMF分量构成矩阵M=[imf1,imf2,...,imfR]T,然后对矩阵进行奇异值分解,计算公式为:
M=UAVT (4)
式中,U为m阶的正交矩阵,V为n阶的正交矩阵,VT为V的转置矩阵,A为半正定的m×n阶的对角矩阵,A对角线上的元素就是A的奇异值。计算矩阵M的前S(S≤R)个奇异值,联合步骤S23的R个能量熵共同构成时频域特征。
S25、将步骤S21中提取的8个时域特征、步骤S23中提取的R个有效IMF分量能量熵和步骤S24中所计算的S个IMF矩阵奇异值组合构建为一个初始特征集。
本实施例中,所述步骤S21中所提取的轴承振动信号S(t)的时域特征可用公式表示:
F4(t)=max{Si(t)}-min{Si(t)} (8)
式(5)~(12)中,F1(t)~F8(t)分别表示为均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差,{Si(t)}i=1,2,...,n表示振动信号S(t)在t时刻时的第i个采样序列。
请参阅图3,本实施例中所述步骤S22中的集总经验模态分解方法的具体实现步骤包括:
S221、设置集总经验模态分解的两个参数白噪声幅值a取值为0.2倍的原始数据标准差,集总平均次数M取为100;
S222、在原始信号x(t)中添加一定幅值的白噪声序列nm(t),得到信号xm(t),xm(t)=x(t)+nm(t);
S223、对加入噪声后的信号xm(t)进行经验模态分解,得到N个IMF分量ai,m(i=1,2,......,N);
S224、重复步骤S223直到对x(t)加入M次不同幅值的白噪声序列;
本实施例中,所述步骤S22中从步骤S225中集总经验模态分解得到的N个IMF分量中基于相关系数法的有效IMF分量选取方法的计算公式为:
式中,ri为第i个IMF分量与原始振动信号的相关系数,xi表示第i个IMF分量归一化后的值,yi为原始振动信号归一化后的值。计算N个相关系数值的标准差λ作为阈值用于筛选出相关性更高的IMF分量,即选择相关系数ri>λ的IMF分量,剔除ri<λ的IMF分量,λ的计算公式为:
本实施例中,所述步骤S3中首先对初始特征集按进行归一化处理统一特征尺度,然后利用主成分分析法对归一化初始特征集进行融合降维,降低特征冗余,按贡献率大小对各主成分进行排序,选取累计贡献率大于90%且维度最小的n个主成分作为自组织映射网络评估模型的输入特征向量。
请参阅图4和图5,本实施例中所述步骤S4具体实现方法包括:
S41、设置输入神经元数n,输出层神经元数m、最大迭代次数lmax、学习率α;
S44、选择欧式距离最小的神经元作为获胜神经元并记作Wj*,对获胜神经元和其邻域神经元的权值进行更新:
Wj(t+1)=Wj(t) (16)
式中,学习率α取值为(0,1],t为训练时间。α随着学习维度的增加而递减,即随着学习的进行,权值会从粗调过度到微调。
S45、增加迭代次数l=l+1,当l>lmax(最大迭代次数)或α<αmin(最小学习率)时,结束停止网络训练,否则返回步骤S43继续执行网络训练。
请参阅图6,本实施例中所述步骤S5具体实现方式包括:
S51、采集待评估建筑机器人轴承振动信号并重复步骤S2、S3;
S52、取步骤S51得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中,计算与其最佳匹配单元权重向量的欧式距离作为退化指标DI,计算公式为:
DI=||Y-wBMU|| (17)
式中,Y代表SOM网络的输入特征向量,wBMU代表输入向量对应的最佳匹配单元的权值向量,||||表示欧氏距离计算。当DI值较大时代表轴承此刻的状态与健康状态差别较大;反之,指标值越小代表轴承此刻的状态与健康状态差别较小;
S53、设置退化起始阈值,通过对退化指标的定量分析来评估轴承的性能退化状态,若DI值小于退化起始阈值,说明轴承处于健康阶段;若DI值大于退化起始阈值说明轴承处于故障退化阶段;且DI值越大说明轴承发生的故障越严重。
本实施例中,所述步骤S53中采用常用的3σ准则来确定退化起始阈值:假设训练数据符合高斯正态分布N(μ,σ)则实时的新数据属于[μ-3σ,μ+3σ]区间内的概率值为99.73%,其中μ和σ分别是统计数据的均值和标准差,一旦t时刻的性能指标值DI不在此范围内,说明轴承已严重偏离正常状态,因此时刻t可作为轴承退化起始点。
本发明利用IMS轴承数据集的轴承2_1对本发明进行实验验证,轴承2_1经过了163小时50分钟的加速老化实验,最后发生了外圈故障。实验过程中轴承2_1的转速为2000r/min,径向载荷为6000N,传感器采样频率为20.48KHz,采样时间1s,每隔10min采样一次,轴承2_1的数据集中共包含984个文件,每个文件包含20480个数据,记录了轴承从健康状态到最后发生外圈故障失效的全寿命周期振动数据。
请参阅图7,为本发明具体实施例所用数据原始信号图,该原始信号为轴承2_1在水平方向的振动信号。
本次实验选取前100组正常状态下的轴承数据作为训练样本来训练自组织映射网络评估模型,得到模型的输入层和输出层神经元数分别为4和48,以规则六边形作为拓扑邻域形状,初始学习率设置为0.6,最大迭代次数设置为100。将984组轴承全寿命周期数据输入到上述训练好的自组织映射网络评估模型中,得到该轴承的性能退化评估结果。
请参阅图8,为本发明实施例基于主成分分析法和自组织映射网络的性能退化评估结果图,利用3σ准则得到退化起始点为第532个样本,从图中可以看出在第532个样本之前退化值一直保持在0附近,到第532个样本的时候退化曲线发生了一个较大的跳变,且之后的样本曲线保持持续上升趋势,说明在532采样点评估模型已经检测到了故障信号,轴承在此时已进入了早期退化状态;在698~782样本段DI值(图8中的退化值)先升后降,这种情况是因为轴承的故障点被磨平所致,此时轴承开始进入退化加深状态;在782~940样本段DI值稳定上升,此时轴承进入严重退化状态;在940个样本之后,DI值指数增加,此时轴承已经发生严重故障接近完全失效状态。
为进一步证明本发明的优越性,选取常用均方根值RMS作为性能退化指标对轴承2_1进行评估,请参阅图9。
如图9所示,为本发明实例的对比方法均方根值作为性能退化指标结果图。可以看出轴承2_1在0~700样本段基本趋于稳定状态,在第700个样本处才发生较大跳变;在700~793样本段DI值(图9中的特征值)逐渐降低,此时故障点被磨平,此时轴承进入退化加深转态;在793~912样本段DI值稳定上升,此时轴承进入严重退化状态;在912个样本之后,DI值程指数型增长,此时轴承已经发生严重故障接近完全失效状态。因此RMS相较于本发明对于检测早起故障点的样本时刻晚了168个样本,说明本发明方法对于检测轴承早期故障具有一定的优势。
Claims (9)
1.一种建筑机器人轴承性能退化评估方法,其特征在于,包括以下步骤:
S1、将振动传感器安装在建筑机器人轴承外圈,利用振动传感器采集建筑机器人轴承在健康状态下振动信号S(t);
S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集;
S3、利用主成分分析法对归一化初始特征集进行融合降维,选取累计贡献率大于90%的主成分作为自组织映射网络评估模型的输入特征向量;
S4、取步骤S3获得的特征向量作为训练集输入到自组织映射网络进行训练,得到训练好的自组织映射网络评估模型;
S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3,取得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中计算性能退化指标DI,并根据退化起始阈值来确定建筑机器人轴承性能退化程度。
2.根据权利要求1所述的建筑机器人轴承性能退化评估方法,其特征在于,所述步骤S2的具体实现方法包括如下步骤:
S21、提取步骤S1中所采集的建筑机器人轴承振动信号的8个时域特征,包括均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差;
S22、对步骤S1中所采集的建筑机器人轴承振动信号进行集总经验模态分解,设置集总经验模态分解的两个参数白噪声幅值a=0.2,集总平均次数M=100,分解得到N个IMF分量,然后基于相关系数法从N个IMF分量中选取R个与原始信号x(t)相关性更高的有效IMF分量,其中R≤N;
S23、计算步骤S22提取的R个有效IMF分量的能量熵,计算公式为:
式中,Hi为第i个IMF分量的能量熵,E为IMF的总能量值,Ei为第i个IMF分量的能量值;
S24、将步骤S22提取的R个有效IMF分量构成矩阵M=[imf1,imf2,...,imfR]T,然后对矩阵进行奇异值分解,计算公式为:
M=UAVT (4)
式中,U为m阶的正交矩阵,V为n阶的正交矩阵,VT为V的转置矩阵,A为半正定的m×n阶的对角矩阵,A对角线上的元素就是A的奇异值,计算矩阵M的前S个奇异值,其中S≤R,联合步骤S23的R个能量熵共同构成时频域特征;
S25、将步骤S21中提取的8个时域特征、步骤S23中提取的R个有效IMF分量能量熵和步骤S24中所计算的S个IMF矩阵奇异值组合构建为一个初始特征集。
4.根据权利要求2所述的建筑机器人轴承性能退化评估方法,其特征在于,所述步骤S22中集总经验模态分解的具体实现方法包括如下步骤:
S221、设置集总经验模态分解的两个参数白噪声幅值a取值为0.2倍的原始数据标准差,集总平均次数M取为100,输入原始信号x(t);
S222、在原始信号x(t)中添加一定幅值的白噪声序列nm(t),得到信号xm(t),xm(t)=x(t)+nm(t);
S223、对加入噪声后的信号xm(t)进行经验模态分解EMD,得到N个IMF分量ai,m(i=1,2,......,N);
S224、重复步骤S223直到对x(t)加入M次不同幅值的白噪声序列;
7.根据权利要求1所述的建筑机器人轴承性能退化评估方法,其特征在于,所述步骤S4自组织映射网络训练的具体实现方法包括如下步骤:
S41、设置输入神经元数n,输出层神经元数m、最大迭代次数lmax、学习率α;
S44、选择欧式距离最小的神经元作为获胜神经元并记作Wj *,对获胜神经元和其邻域神经元的权值进行更新:
Wj(t+1)=Wj(t) (16)
式中,学习率α取值为(0,1],t为训练时间,α随着学习维度的增加而递减,即随着学习的进行,权值会从粗调过度到微调;
S45、增加迭代次数l=l+1,当l>lmax或α<αmin时,结束网络训练,否则返回步骤S43继续执行网络训练。
8.根据权利要求1所述的建筑机器人轴承性能退化评估方法,其特征在于,所述步骤S5具体实现方式包括如下步骤:
S51、采集待评估建筑机器人轴承振动信号并重复步骤S2、S3;
S52、取步骤S51得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中,计算与其最佳匹配单元权重向量的欧式距离作为性能退化指标DI,计算公式为:
DI=||Y-wBMU|| (17)
式中,Y代表SOM网络的输入特征向量,wBMU代表输入向量对应的最佳匹配单元的权值向量,|| ||表示欧氏距离计算,当DI值较大时代表轴承此刻的状态与健康状态差别较大;反之,指标值越小代表轴承此刻的状态与健康状态差别较小;
S53、设置退化起始阈值,通过对退化指标的定量分析来评估轴承的性能退化状态,若DI值小于退化起始阈值,说明轴承处于健康阶段;若DI值大于退化起始阈值说明轴承处于故障退化阶段,且DI值越大说明轴承发生的故障越严重。
9.根据权利要求8所述的建筑机器人轴承性能退化评估方法,其特征在于,所述步骤S53中的退化起始阙值采用常用的3σ准则来确定:假设训练数据符合高斯正态分布N(μ,σ)则实时的新数据属于[μ-3σ,μ+3σ]区间内的概率值为99.73%,其中μ和σ分别是统计数据的均值和标准差,一旦t时刻的性能指标值DI不在此范围内,说明轴承已严重偏离正常状态,因此时刻t可作为轴承退化起始点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579755.6A CN114881087A (zh) | 2022-05-26 | 2022-05-26 | 一种建筑机器人轴承性能退化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579755.6A CN114881087A (zh) | 2022-05-26 | 2022-05-26 | 一种建筑机器人轴承性能退化评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881087A true CN114881087A (zh) | 2022-08-09 |
Family
ID=82677799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579755.6A Pending CN114881087A (zh) | 2022-05-26 | 2022-05-26 | 一种建筑机器人轴承性能退化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881087A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
CN116415509A (zh) * | 2023-06-12 | 2023-07-11 | 华东交通大学 | 一种轴承性能退化预测方法、系统、计算机及存储介质 |
CN118171029A (zh) * | 2024-03-14 | 2024-06-11 | 天津大学 | 基于典型变量波动分析的卫星动量轮轴承健康评估方法 |
-
2022
- 2022-05-26 CN CN202210579755.6A patent/CN114881087A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
CN116415509A (zh) * | 2023-06-12 | 2023-07-11 | 华东交通大学 | 一种轴承性能退化预测方法、系统、计算机及存储介质 |
CN116415509B (zh) * | 2023-06-12 | 2023-08-11 | 华东交通大学 | 一种轴承性能退化预测方法、系统、计算机及存储介质 |
CN118171029A (zh) * | 2024-03-14 | 2024-06-11 | 天津大学 | 基于典型变量波动分析的卫星动量轮轴承健康评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
CN111597651B (zh) | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN111442927B (zh) | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
CN117437933A (zh) | 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法 | |
Cui et al. | A novel robust dual unscented particle filter method for remaining useful life prediction of rolling bearings | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 | |
CN116401950B (zh) | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 |
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 |