CN114993679B - 一种多风机联合轴承故障自诊断方法及系统 - Google Patents
一种多风机联合轴承故障自诊断方法及系统 Download PDFInfo
- Publication number
- CN114993679B CN114993679B CN202210574506.8A CN202210574506A CN114993679B CN 114993679 B CN114993679 B CN 114993679B CN 202210574506 A CN202210574506 A CN 202210574506A CN 114993679 B CN114993679 B CN 114993679B
- Authority
- CN
- China
- Prior art keywords
- fan
- abnormal
- data
- fans
- time domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种多风机联合轴承故障自诊断方法及系统，包括S1：收集获取正常和异常的风机轴承的时域振动信号，并对信号数据进行处理分类；S2：将处理后的数据输入到构建的重构网络模型中进行训练，得到训练好的重构网络模型，重构网络模型，包括编码器、基于粒子群的LSTM和解码器三个部分；S3：采集多个风机的时域振动信号并输入训练好的重构网络模型中，获得每个风机对应的异常分数；S4：根据所有风机的异常分数，进行对比，判断风机轴承是否发生故障。本发明联合多个风机进行诊断，采用重构网络模型进行评估，保证了轴承故障诊断的有效性和鲁棒性。
Description
技术领域
本发明涉及风机轴承故障诊断技术领域，特别涉及一种多风机联合轴承故障自诊断方法及系统。
背景技术
现有的基于深度学习的风机轴承故障诊断方案大多是基于已有的轴承故障数据集进行轴承故障的分类。现有存在一种基于卷积神经网络的轴承故障分类方法，其通过多层神经网络的堆叠来实现。具体来说，该种方式是将传感器获得的1D时间原始数据堆叠为类似于图像表示的2D矢量形式，然后被传递到卷积层用于特征提取，随后是用于下采样的汇集层。这种卷积—汇集模式的组合被重复多次，进一步加深网络；最后，来自隐藏层的输出被传递到全连接层，通过Sigmoid分类器来判断是否存在轴承故障。正是由于这种方案采用基于神经网络的分类方式，因此需要大量不同类别的轴承故障数据，这在实际的部署中是很不现实的。
现有技术中另有一种端对端的基于长短时记忆神经网络的轴承故障检测方案。该方案以轴承的原始振动信号数据作为输入，使用长短时记忆网络作为诊断模型并最终输出诊断结果。但是由于这种方案采用网络较深的长短时记忆网络，在训练时候需要不断调整相应参数来使得模型达到较好的训练效果，并且不能很好地并行化处理数据，因而会需要很长的训练时间。
现有技术中还有基于自动编码器进行轴承故障诊断的方法。该网络由编码器和解码器两部分组成，编码器的输出作为输入馈入解码器。编码器和解码器均由5层深度神经网络堆叠而成。网络以原始输入和输出之间的均方差作为损失函数，本质上通过模拟输入来产生最终的输出。在测试时，丢弃解码器，保留编码器并将编码器的输出作为下一级分类器中使用的特征表示。但是，由于这种自动编码器的网络层数较深，在训练时所花时间是传统的机器学习方法的6-10倍，并且解码器只在训练阶段使用，在测试阶段没有使用到，造成了一定的资源浪费。
发明内容
为解决上述问题，本发明提供了一种多风机联合轴承故障自诊断方法及系统，联合多个风机来实现对风机的联合轴承故障诊断，将获取的数据输入到重构网络模型，获得异常分数，基于异常分数进行计算，并将计算结果与设定的异常阈值进行比较，输出异常诊断结果，重构网络模型通过编码器、基于粒子群的LSTM和解码器组成，提高了模型的实用性，保证了诊断结果的准确性和鲁棒性。
本发明提供了一种多风机联合轴承故障自诊断方法，具体技术方案如下：
S1：收集获取正常和异常的风机轴承的时域振动信号，对收集到的时域振动信号数据进行数据处理，并对处理后的数据进行分类；
S2：将处理后的数据输入到构建的重构网络模型中进行训练，训练至重构网络模型对非异常数据重建效果和对异常数据的重建效果均满足预设阈值；
所述重构网络模型，包括编码器、基于粒子群的LSTM和解码器三个部分，所述编码器、基于粒子群的LSTM和解码器依次连接，对输入的数据进行依次处理；
S3：采集多个风机的时域振动信号并输入训练好的重构网络模型中，获得每个风机对应的异常分数；
S4：根据所有风机的异常分数，进行对比，判断风机轴承是否发生故障。
进一步的，所述编码器包括四个模块，每个模块都包括一维卷积、正则化、ReLU激活和2x2平均池化四个部分；
第一模块包括两个128×16的卷积层和一个64×16的卷积层，第二模块包括两个64×32的卷积层和一个32×32的卷积层，第三模块包括两个32×64的卷积层和一个16×64的卷积层，第四模块包括两个16×64的卷积层和一个8×64的卷积层。
进一步的，所述解码器与所述编码器的整体结构互为对称，所述解码器各模块的层级结构与所述编码器相反，每个模块都包括一维卷积、正则化、ReLU激活和2x2上采样层四个部分，在所述解码器的每个模块中，还设有一个dropout层。
进一步的，所述基于粒子群的LSTM将输入门和遗忘门耦合，满足输入门＝1-遗忘门的结构。
进一步的，所述重构网络模型中，所述重构网络模型的损失函数包括特征损失和三元损失两部分。
进一步的，步骤S1中，将所述时域振动信号数据分为非异常和异常数据，所述非异常数据包括正常数据和锚数据。
进一步的，步骤S4中，异常分析判断的具体过程如下：
获取输出的所有风机的异常分数，并去掉最大和最小的异常分数；
除去最大和最小的异常分数后，除去当前待异常判断风机对应的异常分数，计算剩余异常分数的平均值；
获取任一待异常判断的风机对应的异常分数，与所述平均值进行差值计算，若差值超出设定的异常阈值，则判定该风机轴承故障。
进一步的，在步骤S4之后，还包括：
S5：将所有风机的时域振动信号和故障判断评估结果通过网络上传存储。
本发明还提供了一种多风机联合轴承故障自诊断系统，系统包括数据采集单元和评估模块，所述数据采集单元与所述评估模块连接；
所述数据采集单元用于采集风机的时域振动信号，并将采集到的时域振动信号数据传输至所述评估模块；
所述评估模块存储有上述所述的重构网络模型，以及执行上述多风机联合轴承故障自诊断方法的程序算法，用于接收所述数据采集单元传输的时域振动信号数据，并根据接收的数据对风机进行故障评估。
进一步的，系统还包括监控端，所述监控端与所述评估模块远程数据连接，所述监控端还通过基站与所述数据采集单元连接，接收所述评估模块输出的故障评估结果，以及通过基站网络传输的采集的风机时域振动信号数据。
本发明的有益效果如下：
1、本发明所述重构网络模型，通过编码器、基于粒子群的LSTM和解码器组成，编码器和解码器为对称相反的层级结构，由于在工业中最重要的是进行轴承是否故障的诊断而不是故障类，基于此解决基于卷积神经网络的轴承故障分类方法需要大量不同种类故障数据的问题；同时使用粒子群算法寻找最优参数的方式对LSTM内部结构进行改进，解决基于长短时记忆神经网络的轴承故障检测方案存在的训练时间较长的问题，并使得网络能够快速寻找出模型的最优参数，提高模型实用性。
2、本发明将LSTM嵌入自动编码器，可以同时学习到数据的普通特征和时间特征，达到对数据信息的充分发掘，解决基于自动编码器的轴承故障诊断方法在测试阶段不适用解码器的问题，在测试时需要使用到重构网络模型的全部部分而不是把解码器丢弃。
3、本发明所述重构网络模型的损失函数包括三元损失和特征损失，将三元损失用于网络参数的训练，通过三元损失，重构网络模型可以更好使得网络对于正常数据具有更强的重建能力而对异常数据的重建能力较差，从而更好地进行轴承正常和异常情况的分类。
4、本发明联合多个风机来实现对风机的联合轴承故障诊断，可以显著提高检测结果的鲁棒性，同时在整个阶段，将采集的多个风机的时域振动信号数据，传输至监控终端，故障诊断的结果以及诊断过程中涉及的具体数据也同样传输到监控终端，使得工作人员能够监管不同风机的具体情况，便于管理。
5、本发明在判断一个风机是否异常时，将其他所有风机的异常分数去掉最大值最小值之后取平均值并与该风机的异常分数做对比，当该风机的异常分数比其他风机的平均异常分数或者训练阶段的标准值相比差距超出阈值，即认定该风机轴承发生故障，通过这种多风机联合诊断异常的方式保证了轴承故障诊断的有效性和鲁棒性。
附图说明
图1是本发明方法流程示意图；
图2是本发明系统结构流程示意图；
图3是本发明的网络整体框架结构示意图；
图4是本发明的编码器网络结构示意图；
图5是本发明的解码器网络结构示意图；
图6是本发明的基于粒子群算法的LSTM结构示意图。
具体实施方式
在下面的描述中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做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。
实施例1
本发明的实施例1公开了一种多风机联合轴承故障自诊断方法，如图1所示，具体步骤如下：
S1：收集获取正常和异常的风机轴承的时域振动信号，处理收集到的时域振动信号数据，进行分类；
输入模型的是有限长的信号，而采集到的是连续的时域振动信号，本实施例中通过窗口截断的方式将1段长序列数据截断成为1024长度的窗口，并按照1024步长挪动窗口不断截断，不足1024长度的数据将被舍弃。
本实施例中，将所述时域振动信号数据分为非异常和异常数据，所述非异常数据包括正常数据和锚数据。
在具体实施中，可以使用已经公开的轴承数据集作为重构网络模型的训练集，同样将采集或者公开的轴承数据分为正常数据、锚数据(正常数据)和异常数据三个子数据集，对重构网络模型进行训练。
S2：将处理后的数据输入到构建的重构网络模型中进行训练，训练至重构网络模型对非异常数据重建效果和对异常数据的重建效果均满足预设阈值；
即当网络对于正常数据的重建效果较好而对异常数据的重建效果较差时，完成训练；
所述的较好是指重建特征和原始输入特征的欧式距离高于某一阈值，较差是指重建特征和原始输入特征的欧氏距离低于某一阈值，较好和较差对应的阈值均为设定的预设阈值，可根据实际的实验效果进行更改调整，具体数值在此不做具体限定。
所述重构网络模型，包括编码器、基于粒子群的LSTM和解码器三个部分，所述编码器、基于粒子群的LSTM和解码器依次连接，对输入的数据进行依次处理；
本实施例中，如图4所示，所述编码器包括四个模块，每个模块都包括一维卷积、正则化、ReLU激活和2x2平均池化四个部分；
第一模块包括两个128×16的卷积层和一个64×16的卷积层，其中，两个128×16的卷积层之间连接有正则化和ReLU激活函数，128×16的卷积层和64×16的卷积层之间连接有2×2的平均池化层；
第二模块包括两个64×32的卷积层和一个32×32的卷积层，其中，两个64×32的卷积层之间连接有正则化和ReLU激活函数，64×32的卷积层和32×32的卷积层之间连接有2×2的平均池化层；
第三模块包括两个32×64的卷积层和一个16×64的卷积层，其中，两个32×64的卷积层之间连接有正则化和ReLU激活函数，32×64的卷积层和16×64的卷积层之间连接有2×2的平均池化层；
第四模块包括两个16×64的卷积层和一个8×64的卷积层，其中，两个16×64的卷积层之间连接有正则化和ReLU激活函数，16×64的卷积层和8×64的卷积层之间连接有2×2的平均池化层；
各模块之间通过一维卷积层依次连接；
通过编码器，得到更高维的轴承振动信号特征。
本实施例中，所述解码器与所述编码器的整体结构互为对称，如图5所示，所述解码器的层结构与所述编码器相反，在所述解码器的每个模块中，还设有一个dropout层，通过dropout结构有效防止网络参数的过拟合；
具体的，所述解码器的第一模块包括两个16×64的卷积层和一个8×64的卷积层，其中，两个16×64的卷积层之间连接有正则化、ReLU激活函数和dropout层，8×64的卷积层和16×64的卷积层之间连接有2×2的上采样层；
第二模块包括两个32×64的卷积层和一个16×64的卷积层，其中，两个32×64的卷积层之间连接有正则化、ReLU激活函数和dropout层，16×64的卷积层和32×64的卷积层之间连接有2×2的上采样层；
第三模块包括两个64×32的卷积层和一个32×32的卷积层，其中，两个64×32的卷积层之间连接有正则化、ReLU激活函数和dropout层，32×32的卷积层和64×32的卷积层之间连接有2×2的上采样层；
第四模块包括两个128×16的卷积层和一个64×16的卷积层，其中，两个128×16的卷积层之间连接有正则化、ReLU激活函数和dropout层，64×16的卷积层和128×16的卷积层之间连接有2×2的平均池化层；
各模块之间通过一维卷积层依次连接，各模块中各卷积层的连接顺序与所述编码器呈对称相反的结构。
如图6所示，为基于粒子群的LSTM的逻辑结构，包括遗忘门，将输入门和遗忘门相耦合，在逻辑上满足输入门＝1-遗忘门，其中，ct-1,ht-1分别为t-1时刻细胞的状态和输出单元；xt,ct,ht分别为t时刻的输入单元、细胞状态和输出单元；ft是遗忘门、Ot是输出门；σ和tanh分别代表激活函数；
具体的，LSTM公式如下：
ft＝σ(Wf·[ct-1,ht-1,xt]+bf)
g2＝tanh(Wc·[ht-1,xt]+bc)
ct＝ftct-1+(1-ft)g2
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(ct)
所述基于粒子群的LSTM，将原始LSTM的“遗忘门”的输入增加上一时刻细胞状态，使得历史信息能够得到充分应用；同时将输入门和遗忘门耦合，使得LSTM的结构更符合逻辑。本实施例中，在训练的迭代过程中使用粒子群算法，来实现快速找寻最优参数的效果，从而减少训练时间。
本实施例中，所述重构网络模型中，网络的损失函数由特征损失和三元损失两部分构成，具体如下所示：
loss＝lossfea+losstiplet
其中，lossfea表示特征损失，losstriplet表示三元损失，loss表示总损失，fn表示正常数据特征，fm表示锚数据特征，fa表示异常数据特征，表示正常数据重建特征，表示锚数据重建特征，异常数据重建特征；
特征损失是输入特征和输出特征的l2范数，三元损失可以拉近正常数据和锚的距离而疏远异常数据和锚的距离，从而使得网络更能重建正常数据。
S3：采集多个风机的时域振动信号并输入训练好的重构网络模型中，获得每个风机对应的异常分数；
所述异常分数使用输入特征和输出特征的余弦相似度进行计算。
S4：根据所有风机的异常分数，进行对比，判断风机轴承是否发生故障。
本实施例中，异常分析判断的具体过程如下：
获取输出的所有风机的异常分数，并去掉最大和最小的异常分数；；
除去最大和最小的异常分数后，计算剩余异常分数的平均值；
具体的，为计算除当前待异常判断的剩余风机的平均异常分数，计算如下：
其中，Selse表示上述的n-1个风机的平均异常分数，Sm表示所有风机的总异常分数，max Sm表示所有风机最大异常分数，max Sm表示所有风机中最小异常分数，n表示风机数目。
获取任一待异常判断的风机对应的异常分数，与所述平均值进行差值计算，若差值超出设定的异常阈值，则判定该风机轴承故障；
即若Si＜Sab&&Si＜Selse+δ，则当前第i个风机异常，反之正常；Si表示当前第i个风机的异常分数，Sab表示设定的异常阈值，δ表示设定的异常阈值与平均值的差值。
具体实施中，通过联合多个风机来实现对风机的联合轴承故障诊断，显著提高检测结果的鲁棒性。
本实施例中，在步骤S4之后，还包括：
S5：将所有风机的时域振动信号和故障判断评估结果通过网络上传存储；相关工作人员可以在监控室通过终端看到不同风机的具体情况，包括时域振动信号数据和风机轴承评估结果是否正常等，便于管理人员的管理。
实施例2
本发明的实施例2基于上述实施例1公开了一种多风机联合轴承故障自诊断系统，如图2所示，系统包括数据采集单元和评估模块，所述数据采集单元与所述评估模块连接；
所述数据采集单元用于采集风机的时域振动信号，并将采集到的时域振动信号数据传输至所述评估模块；
在具体实施中，风机设有多个，通过数据采集单元获取所有风机的时域振动信号。
所述评估模块存储有上述实施例1所述的重构网络模型，以及执行上述实施例1中多风机联合轴承故障自诊断方法的程序算法，用于接收所述数据采集单元传输的时域振动信号数据，并根据接收的数据对风机进行故障评估；
在具体实施中，多风机联合轴承故障自诊断系统包括训练和实地部署两个阶段，结合图3所示，为所述重构网络模型的训练阶段，结合图2所示，为实地部署阶段，即所述评估模块中存储训练好的重构网络模型；所述评估模块接收选取多个风机提取出的经过处理的时域振动信号数据，执行上述方法中步骤S3-S4的步骤，实现风机的故障诊断评估。
本实施例中，系统还包括监控端，所述监控端与所述评估模块远程数据连接，所述监控端还通过基站与所述数据采集单元连接，接收所述评估模块输出的故障评估结果，以及通过基站，利用互联网传输的采集的风机时域振动信号数据。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (9)
1.一种多风机联合轴承故障自诊断方法，其特征在于，包括：
S1：收集获取正常和异常的风机轴承的时域振动信号，对收集到的时域振动信号数据进行数据处理，并进行分类；
S2：将处理后的数据输入到构建的重构网络模型中进行训练，训练至重构网络模型对非异常数据重建效果和对异常数据的重建效果均满足预设阈值；
所述重构网络模型，包括编码器、基于粒子群的LSTM和解码器三个部分，所述编码器、基于粒子群的LSTM和解码器依次连接，对输入的数据进行依次处理；
S3：采集多个风机的时域振动信号并输入训练好的重构网络模型中，获得每个风机对应的异常分数；
所述异常分数使用输入特征和输出特征的余弦相似度进行计算；
S4：根据所有风机的异常分数，进行对比，判断风机轴承是否发生故障；
异常分析判断的具体过程如下：
获取输出的所有风机的异常分数，并去掉最大和最小的异常分数；
除去最大和最小的异常分数后，计算剩余异常分数的平均值；
具体的，为计算除当前待异常判断的剩余风机的平均异常分数，计算如下：
其中，Selse表示上述的n-1个风机的平均异常分数，Sm表示所有风机的总异常分数，maxSm表示所有风机最大异常分数，min Sm表示所有风机中最小异常分数，n表示风机数目；
获取任一待异常判断的风机对应的异常分数，与所述平均值进行差值计算，若差值超出设定的异常阈值，则判定该风机轴承故障；
即若Si＜Sab&&Si＜Selse+δ，则当前第i个风机异常，反之正常；Si表示当前第i个风机的异常分数，Sab表示设定的异常阈值，δ表示设定的异常阈值与平均值的差值。
2.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述编码器包括四个模块，每个模块都包括一维卷积、正则化、ReLU激活和2x2平均池化四个部分；
第一模块包括两个128×16的卷积层和一个64×16的卷积层，第二模块包括两个64×32的卷积层和一个32×32的卷积层，第三模块包括两个32×64的卷积层和一个16×64的卷积层，第四模块包括两个16×64的卷积层和一个8×64的卷积层。
3.根据权利要求2所述的多风机联合轴承故障自诊断方法，其特征在于，所述解码器与所述编码器的整体结构互为对称，所述解码器各模块的层级结构与所述编码器相反，每个模块都包括一维卷积、正则化、ReLU激活和2x2上采样层四个部分，在所述解码器的每个模块中，还设有一个dropout层。
4.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述基于粒子群的LSTM将输入门和遗忘门耦合，满足输入门＝1-遗忘门的结构。
5.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述重构网络模型中，所述重构网络模型的损失函数包括特征损失和三元损失两部分。
6.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，步骤S1中，将所述时域振动信号数据分为非异常和异常数据，所述非异常数据包括正常数据和锚数据。
7.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，在步骤S4之后，还包括：
S5：将所有风机的时域振动信号和故障判断评估结果通过网络上传存储。
8.一种多风机联合轴承故障自诊断系统，其特征在于，系统包括数据采集单元和评估模块，所述数据采集单元与所述评估模块连接；
所述数据采集单元用于采集风机的时域振动信号，并将采集到的时域振动信号数据传输至所述评估模块；
所述评估模块存储有权利要求1所述的重构网络模型，以及执行权利要求1-7任一方法的程序算法，用于接收所述数据采集单元传输的时域振动信号数据，并根据接收的数据对风机进行故障评估。
9.根据权利要求8所述的多风机联合轴承故障自诊断系统，其特征在于，系统还包括监控端，所述监控端与所述评估模块远程数据连接，所述监控端还通过基站与所述数据采集单元连接，接收所述评估模块输出的故障评估结果，以及通过基站网络传输的采集的风机时域振动信号数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574506.8A CN114993679B (zh) | 2022-05-25 | 2022-05-25 | 一种多风机联合轴承故障自诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574506.8A CN114993679B (zh) | 2022-05-25 | 2022-05-25 | 一种多风机联合轴承故障自诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114993679A CN114993679A (zh) | 2022-09-02 |
| CN114993679B true CN114993679B (zh) | 2024-09-06 |
Family
ID=83028856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210574506.8A Active CN114993679B (zh) | 2022-05-25 | 2022-05-25 | 一种多风机联合轴承故障自诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114993679B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112165464A (zh) * | 2020-09-15 | 2021-01-01 | 江南大学 | 一种基于深度学习的工控混合入侵检测方法 |
| CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN111982514B (zh) * | 2020-08-12 | 2023-03-24 | 河北工业大学 | 一种基于半监督深度信念网络的轴承故障诊断方法 |
| CN113067754B (zh) * | 2021-04-13 | 2022-04-26 | 南京航空航天大学 | 一种半监督时间序列异常检测方法及系统 |
| CN113077005B (zh) * | 2021-04-13 | 2024-04-05 | 西安交通大学 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
| CN113887786A (zh) * | 2021-09-14 | 2022-01-04 | 国网河北省电力有限公司电力科学研究院 | 基于pso-lstm的一次调频能力评估与预测系统 |
-
2022
- 2022-05-25 CN CN202210574506.8A patent/CN114993679B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112165464A (zh) * | 2020-09-15 | 2021-01-01 | 江南大学 | 一种基于深度学习的工控混合入侵检测方法 |
| CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114993679A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| 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 | |
| CN110866604A (zh) | 一种电力变压器状态监测数据的清洗方法 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
| CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
| CN112949753B (zh) | 一种基于二元关系的卫星遥测时序数据异常检测方法 | |
| CN111562105A (zh) | 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN114993679B (zh) | 一种多风机联合轴承故障自诊断方法及系统 | |
| CN114383845B (zh) | 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法 | |
| CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
| CN114676593B (zh) | 一种纺织设备的异常检测方法及相关装置 | |
| CN116308279A (zh) | 一种多模态双重量子快速网络的轴承故障诊断方法 | |
| CN114383846A (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
| CN113610837A (zh) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 | |
| CN113111096A (zh) | 一种面向发电设备高维时序工况数据的异常检测方法 | |
| CN112850408A (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
| CN114877925B (zh) | 一种基于极限学习机的综合能源系统传感器故障诊断方法 | |
| CN114626415B (zh) | 一种基于人工智能的风电机组复合故障诊断方法 | |
| CN117372720B (zh) | 一种基于多特征交叉掩码修复的无监督异常检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |