CN115096586A - 故障诊断方法、装置、存储介质及电子设备 - Google Patents
故障诊断方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115096586A CN115096586A CN202210509172.6A CN202210509172A CN115096586A CN 115096586 A CN115096586 A CN 115096586A CN 202210509172 A CN202210509172 A CN 202210509172A CN 115096586 A CN115096586 A CN 115096586A
- Authority
- CN
- China
- Prior art keywords
- signal
- running
- envelope
- fault diagnosis
- data set
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种故障诊断方法,其特征在于,所述方法包括:获取目标部件的原始跑合声信号;对原始跑合声信号进行变换处理,得到多个子频带;分别对多个子频带进行信号重构,得到对应的多个重构后信号;分别对多个重构后信号进行包络谱分析,得到对应的多个包络谱;根据多个包络谱获取第一缺陷程度比率特征矩阵数据集;根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。结合离散小波分析、缺陷程度比率及卷积神经网络,通过机器学习对轴承、齿轮智能故障诊断,可提供数据分析结果的准确行,提高了机车转向架跑合试验过程中声信号分析效率及准确性,以及分析结果的可靠性。
Description
技术领域
本申请涉及滚动轴承及齿轮故障诊断技术领域,特别地涉及一种故障诊断方法、装置、存储介质以及电子设备。
背景技术
铁路机车转向架是机车最重要的结构之一,其健康状态直接影响到列车的安全运行,转向架跑合试验是转向架装车前重要的一步,其中轴承与齿轮是针对转向架跑合试验台进行状态监测与故障诊断的主要部件。
现阶段对轴承及齿轮产生的声信号进行高效精确的处理与分析是跑合试验是否能够精准分析的关键,不恰当的数据处理方法将对分析结果产生较大的影响,进而降低了测量结果的准确性。
现有的基于声信号的轴承及齿轮故障诊断方法大都只能对单组信号进行分析,并且仅仅通过信号包络谱这单一纬度对所测轴承、齿轮是否存在故障以及相应的故障类型进行判断,该方法受环境噪声影响大且输出结果存在较大的偶然性,可靠性比较低。
发明内容
针对上述问题,本申请提出一种故障诊断方法、装置、存储介质及电子设备,结合离散小波分析、缺陷程度比率及卷积神经网络,可综合多组信号进行分析,由机器学习实现轴承、齿轮智能故障诊断,可避免因信号偶然性造成数据分析结果不准确,同时极大地提高了机车转向架跑合试验过程中声信号分析效率及准确性,增强了分析结果的可靠性。
本申请的第一个方面,提供了一种故障诊断方法,所述方法包括:
获取目标部件的原始跑合声信号;
对所述原始跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;
根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
在一些实施例中,所述预设故障诊断模型基于卷积神经网络构建。
在一些实施例中,所述预设故障诊断模型的构建步骤,包括:
对所述卷积神经网络进行初始化网络处理;
获取预设部件多种状态下的跑合声信号;
根据所述跑合声信号获取所述预设部件多种状态下的第二缺陷程度比率特征矩阵数据集;
根据所述第二缺陷程度比率特征矩阵数据集对所述卷积神经网络进行模型训练,得到所述预设故障诊断模型。
在一些实施例中,获取所述第二缺陷程度比率特征矩阵数据集的步骤,包括:
获取所述预设部件的多组跑合声信号;
获取用于保存第二所述缺陷程度比率特征矩阵数据的第二数据集合;
执行第一循环过程直至满足第一预设退出条件;
其中,所述第一循环过程包括:
从所述多组跑合声信号中选择一个未被选择的跑合声信号作为当前跑合声信号;
对所述当前跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
分别根据所述多个包络谱获取所述当前跑合声信号的缺陷程度比率特征矩阵数据集;
将所述缺陷程度比率特征矩阵数据集保存到所述第二数据集合中;
将所述第二数据集合作为所述第二缺陷程度比率特征矩阵数据集;
其中,所述第一预设退出条件为所述多组原始跑合声信号中的所有原始跑合声信号均被选择。
在一些实施例中,所述获取所述预设部件的多组跑合声信号,包括:
获取所述预设部件多种状态下的原始跑合声信号;
其中,所述多种状态包括:正常状态、内圈故障状态以及外圈故障状态。
在一些实施例中,所述对所述多个重构后信号进行包络谱分析的步骤,包括:
执行第二循环过程直至满足第二预设退出条件;
其中,所述第二循环过程包括:
从所述多个重构后信号中选择一个未被选择的信号作为当前信号;
对所述当前信号做希尔伯特包络处理,得到第一包络信号;
去除所述第一包络信号中的直流分量,得到第二包络信号;
对所述第二包络信号进行快速傅里叶变换,得到所述当前信号的包络谱;
其中,所述第二预设退出条件为所述多个重构后信号中的所有信号均被选择。
在一些实施例中,所述变换处理,包括:
多阶Daubechies离散小波变换处理。
本申请的第二个方面,提供了一种装置,所述装置包括:
第一获取模块,用于获取目标部件的原始跑合声信号;
变换模块,用于对所述原始跑合声信号进行变换处理,得到多个子频带;
重构模块,用于分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分析模块,用于分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
第二获取模块,用于根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;
诊断模块,用于根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
本申请的第三个方面,提供了一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,用以实现如上所述的故障诊断方法。
本申请的第四个方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,实现如上所述的故障诊断方法。
与现有技术相比,本申请的技术方案具有以下优点或有益效果:
(1)使用n阶Daubechies离散小波变换可快速将一组信号分解为2n组,便于充分提取一组信号中各子带的特征值,提高了运算结果的准确性;
(2)选取缺陷程度比率为特征指标对各子带信号进行计算,可充分反应各组信号所包含的缺陷特征,提高了跑合试验台故障诊断的准确率;
(3)通过卷积神经网络算法借助大量已知状态下的训练样本对待测信号进行计算,具有计算速度快、运算结果精确度高的优点,同时可极大地避免因信号偶然性引起的计算结果不准确现象的产生。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种故障诊断方法的流程图;
图2为本申请实施例提供的一种适用于铁路机车转向架跑合试验台的声信号故障诊断方法的示意图;
图3为本申请实施例提供的一组正常信号时域图;
图4为本申请实施例提供的一种正常信号的3阶Daubechies离散小波变换后重构信号时域图;
图5为本申请实施例提供的一种正常轴承重构后信号包络谱;
图6为本申请实施例提供的一组内圈故障信号时域图;
图7为本申请实施例提供的一种内圈故障信号的3阶Daubechies离散小波变换后重构信号时域图;
图8为本申请实施例提供的一种内圈故障轴承重构后信号包络谱;
图9为本申请实施例提供的一组外圈故障信号时域图;
图10为本申请实施例提供的一种外圈故障信号的3阶Daubechies离散小波变换后重构信号时域图;
图11为本申请实施例提供的一种外圈故障轴承重构后信号包络谱;
图12为本申请实施例提供的一种装置的结构示意图;
图13为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
实施例一
本实施例提供一种故障诊断方法,图1为本申请实施例提供的一种故障诊断方法的流程图,如图1所示,本实施例的方法包括:
S110、获取目标部件的原始跑合声信号。
可选的,在目标部件进行跑合的状态下,当达到预期设定转速并稳定后,通过声信号采集设备获取目标部件当前的跑合声信号。
需要说明的是,目标部件可以包括轴承或齿轮,可以采集目标部件的多组当前的跑合声信号。
S120、对所述原始跑合声信号进行变换处理,得到多个子频带。
在一些实施例中,所述变换处理,包括:
多阶Daubechies离散小波变换处理。
可选的,多阶Daubechies离散小波变换处理包括3阶Daubechies离散小波变换处理,在本实施例中,采集目标部件的一组跑合声信号,并以3阶Daubechies离散小波变换为例,结合3级小波函数要求,选用db4小波作为基函数,为母小波函数,a为放大倍数,i为平移参数;
计算后可得到8个子频带(子带),子带输出数据类型均为离散点。
S130、分别对所述多个子频带进行信号重构,得到对应的多个重构后信号。
可选的,分别对每组信号的8个子带所得数据做信号重构,每组信号重构后得到8个重构后信号(子信号)。其中,图4为本申请实施例提供的一种正常信号的3阶Daubechies离散小波变换后重构信号时域图,图7为本申请实施例提供的一种内圈故障信号的3阶Daubechies离散小波变换后重构信号时域图,图10为本申请实施例提供的一种外圈故障信号的3阶Daubechies离散小波变换后重构信号时域图。
S140、分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱。
在一些实施例中,所述对所述多个重构后信号进行包络谱分析的步骤,包括:
执行第二循环过程直至满足第二预设退出条件;
其中,所述第二循环过程包括:
从所述多个重构后信号中选择一个未被选择的信号作为当前信号;
对所述当前信号做希尔伯特包络处理,得到第一包络信号;
去除所述第一包络信号中的直流分量,得到第二包络信号;
对所述第二包络信号进行快速傅里叶变换,得到所述当前信号的包络谱;
其中,所述第二预设退出条件为所述多个重构后信号中的所有信号均被选择。
可选的,对各子带重构后信号做包络谱分析,共得到8个子带信号包络谱,三种状态(正常状态、内圈故障、外圈故障)下重构信号包络谱分别如图5、图8及图11所示,其中,图5为本申请实施例提供的一种正常轴承重构后信号包络谱,图8为本申请实施例提供的一种内圈故障轴承重构后信号包络谱,图11为本申请实施例提供的一种外圈故障轴承重构后信号包络谱。
可选的,包络谱分析可以包括以下几个步骤:
(1)分别对8个子带重构后信号做希尔伯特包络处理;
(2)去除包络后信号中的直流分量;
(3)对去除直流分量后的包络信号做快速傅里叶变换,得到8个信号包络谱。
S150、根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集。
可选的,分别根据每个包络谱获取与该包络谱对应的缺陷程度比率特征矩阵,进而获取包括所有包络谱缺陷程度比率特征矩阵的缺陷程度比率特征矩阵数据集。
可选的,计算各子带信号包络谱的缺陷程度比率特征矩阵可包括以下几个步骤:
(1)截取第i类缺陷频率第n次谐波左右各半倍转频范围内的包络谱信号,计算截取范围内第j个频点的幅值大小Dn,j,i,i为可能存在的故障类数,可选的,i=2;
(2)任选一组正常状态信号,截取第i类缺陷频率第n次谐波左右各半倍转频范围内的包络谱信号,计算截取范围内第j个频点的幅值大小Rn,j,i;
其中,Dn,j,i和Rn,j,i分别是分析信号和正常状态信号围绕第i类缺陷频率第n谐波左右各半倍转频范围内的第j个频点的幅值大小。
(3)将各子带信号的Dn,j,i及Rn,j,i代入下式:
以确定各子带对应第i类故障的缺陷程度比率(DDRi);
(4)综合i类故障形成缺陷程度比率特征矩阵DDR=[DDR1,…,DDRi]。
根据以上这几个步骤可依次获取多个子带的缺陷程度比率特征矩阵数据,并将获取到的缺陷程度比率特征矩阵数据保存在第一缺陷程度比率特征矩阵数据集中,第一缺陷程度比率特征矩阵数据集可以为数组array或者集合set,用于保存多个第一缺陷程度比率特征矩阵数据。
S160、根据所述缺陷程度比率数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
在一些实施例中,所述预设故障诊断模型基于卷积神经网络构建。
在一些实施例中,所述预设故障诊断模型的构建步骤,包括:
对所述卷积神经网络进行初始化网络处理;
获取预设部件多种状态下的跑合声信号;
根据所述跑合声信号获取所述预设部件多种状态下的第二缺陷程度比率特征矩阵数据集;
根据所述第二缺陷程度比率特征矩阵数据集对所述卷积神经网络进行模型训练,得到所述预设故障诊断模型。
可选的,预设故障诊断模型的输出包括判断的故障类别(可依据归属类别的最大概率判断),该步骤为卷积神经网络的基础使用步骤,本实施例在此不做过多描述。
在一些实施例中,获取所述第二缺陷程度比率特征矩阵数据集的步骤,包括:
获取所述预设部件的多组跑合声信号;
获取用于保存所述第二缺陷程度比率特征矩阵数据的第二数据集合;
执行第一循环过程直至满足第一预设退出条件;
其中,所述第一循环过程包括:
从所述多组跑合声信号中选择一个未被选择的跑合声信号作为当前跑合声信号;
对所述当前跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
根据所述多个包络谱获取所述当前跑合声信号的缺陷程度比率特征矩阵数据;
将所述缺陷程度比率特征矩阵数据保存到所述第二数据集合中;
将所述第二数据集合作为所述第二缺陷程度比率特征矩阵数据集;
其中,所述第一预设退出条件为所述多组原始跑合声信号中的所有原始跑合声信号均被选择。
可选的,第二数据集合可以为数组array或者集合set,用于保存所述第二缺陷程度比率特征矩阵数据。
在一些实施例中,所述获取所述预设部件的多组跑合声信号,包括:
获取所述预设部件多种状态下的原始跑合声信号;
其中,所述多种状态包括:正常状态、内圈故障状态以及外圈故障状态。
需要说明的是,预设部件可以包括轴承或齿轮,可以理解的是,此处的预设部件不包括待诊断的目标部件。
可选的,获取预设部件多种状态下的原始跑合声信号,包括:依次获取正常状态下的第一预设部件的原始跑合声信号、获取内圈故障状态下的第二预设部件的原始跑合声信号、获取外圈故障状态下的第三预设部件的原始跑合声信号。比如,依次选取正常、内圈故障及外圈故障三种状态的轴承进行跑合,达到预期设定转速并稳定后持续运行十分钟,通过声信号采集设备获取以上三种状态下的轴承声信号各300组。其中,图3为本申请实施例提供的一组正常信号时域图,图6为本申请实施例提供的一组内圈故障信号时域图,图9为本申请实施例提供的一组外圈故障信号时域图。
可选的,将以上三种状态下的共900组正常、内圈故障及外圈故障信号的缺陷程度比率特征矩阵数据作为训练样本,使用卷积神经网络对样本数据进行训练,实现参数优化,完成预设故障诊断模型的构建。
需要说明的是,可以分别将以上三种状态下的轴承声信号各300组数据进行保存,以便在故障分析中能够获取到正常状态信号的相关数据。
可选的,一种卷积神经网络算法最终确定的模型参数可如表1所示:
表1卷积神经网络各模型参数表
可选的,将待测轴承数据计算结果输入卷积神经网络中进行计算,自动确定待测轴承为正常、内圈故障或外圈故障轴承,实现跑合试验台的智能故障诊断。
可选的,分别获取正常、内圈故障及外圈故障轴承声信号处理所得数据,使用上述预设故障诊断模型对目标部件进行诊断,一种诊断结果可如表2所示:
表2故障诊断模型诊断结果
为了便于理解本申请的技术方案,也可参考图2,图2为本申请实施例提供的一种适用于铁路机车转向架跑合试验台的声信号故障诊断方法的示意图。
本实施例通过获取目标部件的原始跑合声信号;对所述原始跑合声信号进行变换处理,得到多个子频带;分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。使用n阶Daubechies离散小波变换可快速将一组信号分解为2n组,便于充分提取一组信号中各子带的特征值,提高了运算结果的准确性;选取缺陷程度比率为特征指标对各子带信号进行计算,可充分反应各组信号所包含的缺陷特征,提高了跑合试验台故障诊断的准确率;通过卷积神经网络算法借助大量已知状态下的训练样本对待测信号进行计算,具有计算速度快、运算结果精确度高的优点,同时可极大地避免因信号偶然性引起的计算结果不准确现象的产生。
实施例二
本实施例提供一种装置,本装置实施例可以用于执行本申请方法实施例,对于本装置实施例中未披露的细节,请参照本申请方法实施例。图12为本申请实施例提供的一种装置的结构示意图,如图12所示,本实施例提供的装置1200包括:
第一获取模块1201,用于获取目标部件的原始跑合声信号;
变换模块1202,用于对所述原始跑合声信号进行变换处理,得到多个子频带;
重构模块1203,用于分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分析模块1204,用于分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
第二获取模块1205,用于根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;
诊断模块1206,用于根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
在一些实施例中,所述预设故障诊断模型基于卷积神经网络构建。
在一些实施例中,还包括:初始化模块,跑合声信号采集模块,缺陷程度比率特征矩阵采集模块,生成模块;其中,
初始化模块,用于对所述卷积神经网络进行初始化网络处理;
跑合声信号采集模块,用于获取预设部件多种状态下的跑合声信号;
缺陷程度比率特征矩阵采集模块,用于根据所述跑合声信号获取所述预设部件多种状态下的第二缺陷程度比率特征矩阵数据集;
生成模块,用于根据所述第二缺陷程度比率特征矩阵数据集对所述卷积神经网络进行模型训练,得到所述预设故障诊断模型。
在一些实施例中,获取所述第二缺陷程度比率特征矩阵数据集的步骤,包括:
获取所述部件的多组跑合声信号;
获取用于保存所述第二缺陷程度比率特征矩阵数据的第二数据集合;
执行第一循环过程直至满足第一预设退出条件;
其中,所述第一循环过程包括:
从所述多组跑合声信号中选择一个未被选择的跑合声信号作为当前跑合声信号;
对所述当前跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
分别根据所述多个包络谱获取所述当前跑合声信号的缺陷程度比率特征矩阵数据集;
将所述缺陷程度比率特征矩阵数据集保存到所述第二数据集合中;
将所述第二数据集合作为所述第二缺陷程度比率特征矩阵数据集;
其中,所述第一预设退出条件为所述多组原始跑合声信号中的所有原始跑合声信号均被选择。
在一些实施例中,所述多种状态包括:正常状态、内圈故障状态以及外圈故障状态。
在一些实施例中,所述对所述多个重构后信号进行包络谱分析的步骤,包括:
执行第二循环过程直至满足第二预设退出条件;
其中,所述第二循环过程包括:
从所述多个重构后信号中选择一个未被选择的信号作为当前信号;
对所述当前信号做希尔伯特包络处理,得到第一包络信号;
去除所述第一包络信号中的直流分量,得到第二包络信号;
对所述第二包络信号进行快速傅里叶变换,得到所述当前信号的包络谱;
其中,所述第二预设退出条件为所述多个重构后信号中的所有信号均被选择。
在一些实施例中,所述变换处理,包括:
多阶Daubechies离散小波变换处理。
所述领域技术人员可以理解的是,图12中示出的结构并不构成对本申请实施例装置的限定,可以包括比图示更多或更少的模块/单元,或者组合某些模块/单元,或者不同的模块/单元布置。
需要说明的是,上述各个模块/单元可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块/单元而言,上述各个模块/单元可以位于同一处理器中;或者上述各个模块/单元还可以按照任意组合的形式分别位于不同的处理器中。
本实施例的装置包括:第一获取模块1201,用于获取目标部件的原始跑合声信号;变换模块1202,用于对所述原始跑合声信号进行变换处理,得到多个子频带;重构模块1203,用于分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;分析模块1204,用于分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;第二获取模块1205,用于根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;诊断模块1206,用于根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。使用n阶Daubechies离散小波变换可快速将一组信号分解为2n组,便于充分提取一组信号中各子带的特征值,提高了运算结果的准确性;选取缺陷程度比率为特征指标对各子带信号进行计算,可充分反应各组信号所包含的缺陷特征,提高了跑合试验台故障诊断的准确率;通过卷积神经网络算法借助大量已知状态下的训练样本对待测信号进行计算,具有计算速度快、运算结果精确度高的优点,同时可极大地避免因信号偶然性引起的计算结果不准确现象的产生。
实施例三
本实施例还提供一种存储介质,该存储介质中存储有计算机程序,该计算机程序被处理器执行时可以实现如实施例一中的方法步骤,本实施例在此不再重复赘述。
其中,存储介质还可单独包括计算机程序、数据文件、数据结构等,或者包括其组合。存储介质或计算机程序可被计算机软件领域的技术人员具体设计和理解,或存储介质对计算机软件领域的技术人员而言可以是公知和可用的。存储介质的示例包括:磁性介质,例如硬盘、软盘和磁带;光学介质,例如,CDROM盘和DVD;磁光介质,例如,光盘;和硬件装置,具体被配置以存储和执行计算机程序,例如,只读存储器(ROM)、随机存取存储器(RAM)、闪存;或服务器、app应用商城等。计算机程序的示例包括机器代码(例如,由编译器产生的代码)和包含高级代码的文件,可由计算机通过使用解释器来执行高级代码。所描述的硬件装置可被配置为用作一个或多个软件模块,以执行以上描述的操作和方法,反之亦然。另外,存储介质可分布在联网的计算机系统中,可以分散的方式存储和执行程序代码或计算机程序。
实施例四
图13为本申请实施例提供的一种电子设备的连接框图,如图13所示,该电子设备1300可以包括:处理器1301,存储器1302,多媒体组件1303,输入/输出(I/O)接口1304,以及通信组件1305。
其中,处理器1301用于执行如实施例一方法中的全部或部分步骤。存储器1302用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
处理器1301可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例一中的方法。
存储器1302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
多媒体组件1303可以包括屏幕和音频组件,该屏幕可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。
I/O接口1304为处理器1301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件1305用于该电子设备1300与其他设备之间进行有线或无线通信。有线通信包括通过网口、串口等进行通信;无线通信包括:Wi-Fi、蓝牙、近场通信(Near FieldCommunication,简称NFC)、2G、3G、4G、5G,或它们中的一种或几种的组合。因此相应的该通信组件1305可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
综上,本申请提供的一种故障诊断方法、装置、存储介质以及电子设备,所述方法包括:获取目标部件的原始跑合声信号;对所述原始跑合声信号进行变换处理,得到多个子频带;分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。使用n阶Daubechies离散小波变换可快速将一组信号分解为2n组,便于充分提取一组信号中各子带的特征值,提高了运算结果的准确性;选取缺陷程度比率为特征指标对各子带信号进行计算,可充分反应各组信号所包含的缺陷特征,提高了跑合试验台故障诊断的准确率;通过卷积神经网络算法借助大量已知状态下的训练样本对待测信号进行计算,具有计算速度快、运算结果精确度高的优点,同时可极大地避免因信号偶然性引起的计算结果不准确现象的产生。
另外应该理解到,在本申请所提供的实施例中所揭露的方法或系统,也可以通过其它的方式实现。以上所描述的方法或系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法和装置的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、计算机程序段或计算机程序的一部分,模块、计算机程序段或计算机程序的一部分包含一个或多个用于实现规定的逻辑功能的计算机程序。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生,实际上也可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机程序的组合来实现。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、装置或者设备中还存在另外的相同要素;如果有描述到“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系;在本申请的描述中,除非另有说明,术语“多个”、“多”的含义是指至少两个;如果有描述到服务器,需要说明的是,服务器可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是能够提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器;在本申请中如果有描述到智能终端或移动设备,需要说明的是,智能终端或移动设备可以是手机、平板电脑、智能手表、上网本、可穿戴电子设备、个人数字助理(Personal Digital Assistant,PDA)、增强现实技术设备(Augmented Reality,AR)、虚拟现实设备(Virtual Reality,VR)、智能电视、智能音响、个人计算机(Personal Computer,PC)等,但并不局限于此,本申请对智能终端或移动设备的具体形式不做特殊限定。
最后需要说明的是,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“一个示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式进行结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例都是示例性的,所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种故障诊断方法,其特征在于,所述方法包括:
获取目标部件的原始跑合声信号;
对所述原始跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;
根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述预设故障诊断模型基于卷积神经网络构建。
3.根据权利要求2所述的方法,其特征在于,所述预设故障诊断模型的构建步骤,包括:
对所述卷积神经网络进行初始化网络处理;
获取预设部件多种状态下的跑合声信号;
根据所述跑合声信号获取所述预设部件多种状态下的第二缺陷程度比率特征矩阵数据集;
根据所述第二缺陷程度比率特征矩阵数据集对所述卷积神经网络进行模型训练,得到所述预设故障诊断模型。
4.根据权利要求3所述的方法,其特征在于,获取所述第二缺陷程度比率特征矩阵数据集的步骤,包括:
获取所述预设部件的多组跑合声信号;
获取用于保存所述第二缺陷程度比率特征矩阵数据的第二数据集合;
执行第一循环过程直至满足第一预设退出条件;
其中,所述第一循环过程包括:
从所述多组跑合声信号中选择一个未被选择的跑合声信号作为当前跑合声信号;
对所述当前跑合声信号进行变换处理,得到多个子频带;
分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
分别根据所述多个包络谱获取所述当前跑合声信号的缺陷程度比率特征矩阵数据集;
将所述缺陷程度比率特征矩阵数据集保存到所述第二数据集合中;
将所述第二数据集合作为所述第二缺陷程度比率特征矩阵数据集;
其中,所述第一预设退出条件为所述多组原始跑合声信号中的所有原始跑合声信号均被选择。
5.根据权利要求4所述的方法,其特征在于,所述获取所述预设部件的多组跑合声信号,包括:
获取所述预设部件多种状态下的原始跑合声信号;
其中,所述多种状态包括:正常状态、内圈故障状态以及外圈故障状态。
6.根据权利要求1所述的方法,其特征在于,所述对所述多个重构后信号进行包络谱分析的步骤,包括:
执行第二循环过程直至满足第二预设退出条件;
其中,所述第二循环过程包括:
从所述多个重构后信号中选择一个未被选择的信号作为当前信号;
对所述当前信号做希尔伯特包络处理,得到第一包络信号;
去除所述第一包络信号中的直流分量,得到第二包络信号;
对所述第二包络信号进行快速傅里叶变换,得到所述当前信号的包络谱;其中,所述第二预设退出条件为所述多个重构后信号中的所有信号均被选择。
7.根据权利要求1所述的方法,其特征在于,所述变换处理,包括:
多阶Daubechies离散小波变换处理。
8.一种装置,其特征在于,包括:
第一获取模块,用于获取目标部件的原始跑合声信号;
变换模块,用于对所述原始跑合声信号进行变换处理,得到多个子频带;
重构模块,用于分别对所述多个子频带进行信号重构,得到对应的多个重构后信号;
分析模块,用于分别对所述多个重构后信号进行包络谱分析,得到对应的多个包络谱;
第二获取模块,用于根据所述多个包络谱获取第一缺陷程度比率特征矩阵数据集;
诊断模块,用于根据所述缺陷程度比率特征矩阵数据集通过预设故障诊断模型对所述目标部件进行故障诊断。
9.一种存储介质,其特征在于,所述存储介质存储的计算机程序,当被一个或多个处理器执行时,实现如权利要求1~7中任一项所述的故障诊断方法。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,当所述计算机程序被所述处理器执行时,执行如权利要求1~7中任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210509172.6A CN115096586A (zh) | 2022-05-10 | 2022-05-10 | 故障诊断方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210509172.6A CN115096586A (zh) | 2022-05-10 | 2022-05-10 | 故障诊断方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115096586A true CN115096586A (zh) | 2022-09-23 |
Family
ID=83288139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210509172.6A Pending CN115096586A (zh) | 2022-05-10 | 2022-05-10 | 故障诊断方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115096586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082103A1 (zh) * | 2022-10-17 | 2024-04-25 | 舍弗勒技术股份两合公司 | 用于检测齿轮箱的故障的方法和装置 |
-
2022
- 2022-05-10 CN CN202210509172.6A patent/CN115096586A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082103A1 (zh) * | 2022-10-17 | 2024-04-25 | 舍弗勒技术股份两合公司 | 用于检测齿轮箱的故障的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN111695209B (zh) | 元深度学习驱动的旋转机械小样本健康评估方法 | |
CN111238816B (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
CN115096586A (zh) | 故障诊断方法、装置、存储介质及电子设备 | |
CN112213771A (zh) | 地震波阻抗反演方法及装置 | |
WO2023206860A1 (zh) | 一种机械设备故障的确定方法及装置 | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
US8108166B2 (en) | Analysis of chirp frequency response using arbitrary resampling filters | |
CN115116469B (zh) | 特征表示的提取方法、装置、设备、介质及程序产品 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN116863959A (zh) | 一种基于生成对抗网络的海豚叫声生成方法 | |
CN113555031B (zh) | 语音增强模型的训练方法及装置、语音增强方法及装置 | |
CN110755055A (zh) | 一种用于确定脉搏波形的波形评价信息的方法与设备 | |
Lai | Compression of power system signals with wavelets | |
CN114283833A (zh) | 语音增强模型训练方法、语音增强方法、相关设备及介质 | |
CN113096670A (zh) | 音频数据的处理方法、装置、设备及存储介质 | |
CN115132183B (zh) | 音频识别模型的训练方法、装置、设备、介质及程序产品 | |
CN117497194B (zh) | 一种生物信息处理方法、装置、电子设备和存储介质 | |
CN113496698B (zh) | 训练数据的筛选方法、装置、设备和存储介质 | |
CN113253142B (zh) | 基于小波变换的锂电池组一致性评估与诊断方法及装置 | |
CN117093854B (zh) | 变压器机械故障诊断方法、设备及存储介质 | |
CN117194990A (zh) | 一种轴承故障诊断模型的小样本训练方法及诊断方法 | |
CN117334220A (zh) | 基于噪声估计和关键特征学习的阀门异常检测方法 | |
GB2625165A (en) | Method and system for fault diagnosis of rolling bearing | |
Lim | Audio super-resolution with deep neural networks |
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 |