CN115115037A - 轴承故障概率分析装置 - Google Patents
轴承故障概率分析装置 Download PDFInfo
- Publication number
- CN115115037A CN115115037A CN202211047271.3A CN202211047271A CN115115037A CN 115115037 A CN115115037 A CN 115115037A CN 202211047271 A CN202211047271 A CN 202211047271A CN 115115037 A CN115115037 A CN 115115037A
- Authority
- CN
- China
- Prior art keywords
- bearing
- neural network
- convolutional neural
- current moment
- temperature
- 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
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种轴承故障概率分析装置，所述装置包括：概率分析器件，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；学习执行设备，与所述概率分析器件连接，用于获取学习后的卷积神经网络。本发明的轴承故障概率分析装置逻辑可靠、运行智能。由于能够采用定制学习过程的智能模型基于当前时刻的各项轴承数据智能预测未来固定时长轴承发生故障的概率，从而避免轴承关联事故发生。
Description
技术领域
本发明涉及故障检测领域，尤其涉及一种轴承故障概率分析装置。
背景技术
当前，轴承应用于各个应用领域，然而轴承作为易耗件，其故障存在一定的发生概率，一旦发生故障，容易对周围设备乃至整个系统造成重大影响，同时因为轴承本身是一个半封闭式的机械设备，通常埋设在其他设备内部，很难通过人工方式或者视觉监控的方式获取轴承的运行状态以及是否发生故障，以至于发生故障后的轴承仍可能继续运行，由此可见，急需一种电子化的故障概率分析机制，对当前运行的轴承发生故障的概率进行预测，从而为消除故障、保证整个系统的正常运行、避免出现各项相关事故提供重要保证。
现有技术中通常利用算法来检测轴承故障，其中神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近、并行、容错，可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。神经网络普遍用于各种需要提升智能化水准的应用场所。
CN114778113A公开了一种基于单边衰减小波卷积稀疏的轴承故障特征提取方法，该技术方案通过对采集的故障振动信号的本征分析与给定域内的相关性分析，构造与冲击波形最为近似的单边衰减小波，单边衰减小波与振动信号卷积降噪，降低了信号的冗余分量，提取信号的主要冲击特征，实现轴承的故障诊断。
CN114004135A公开了一种基于Transformer神经网络的农机轴承故障类型诊断方法及系统，利用振动加速度传感器采集农机轴承不同测点位置的轴承振动信号；将所述轴承振动信号通过本地局域网传输至本地计算模块，利用时频域特征提取技术和频域特征提取技术对所述轴承振动信号进行特征提取以得到农机轴承特征数据；压缩所述农机轴承特征数据，将压缩后的农机轴承特征数据经无线网传输至远端计算中心；将所述农机轴承特征数据输入到所述远端计算中心的基于Transformer神经网络的农机轴承故障类型诊断模型进行诊断，输出农机轴承的故障类型。
CN113723546A提供了一种基于离散隐马尔可夫模型的轴承故障检测方法和系统，所述方法包括以下步骤：建立离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对待检测轴承数据进行特征提取以得到待检测轴承不同故障类型的特征向量；确定离散隐马尔可夫模型的代码本以得到待检测轴承不同故障类型的观测序列；根据优化算法和待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型；根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测。
CN113326782A公开了一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法，先利用振动加速度传感器获得滚动轴承的故障振动信号；再选用AR自回归模型与Morlet小波变换对采集到的故障振动信号进行预处理；然后对故障振动信号作包络谱分析；再通过提取的频率判断滚动轴承故障类型；然后构建拟合曲线，计算拟合曲线与预处理后的包络谱的互相关值；再选取步长，增大拟合曲线的周期，并重复遍历拟合曲线周期取值范围内的有效取值；最后计算最大互相关值对应的故障特征频率，该频率即为自动提取的滚动轴承故障特征频率；该技术方案是通过滚动轴承内圈及滚动体故障特征频率参数的自动提取来进行轴承故障诊断。
CN113063595A公开了一种基于一维卷积的全卷积神经网络滚动轴承故障识别方法，包括以下步骤：S1:将滚动轴承振动信号按照实际情况分成滚动体故障、内圈故障、外圈故障和无故障四组；S2:四组故障信号中的每个轴承的振动信号都用相同长度的窗口滑动截取成若干个样本；S3:构建用于学习故障特征并识别故障的一维卷积网络模型，设计优化模型的损失函数和优化器，并使用训练数据来优化模型；S4:利用优化好的模型就用来识别滚动轴承振动信号中是否存在故障，以及故障的类型。
发明内容
为了解决相关领域的上述问题，本发明提供了一种轴承故障概率分析装置，通过引入卷积神经网络以基于当前时刻的各项轴承数据智能预测未来固定时长轴承发生故障的概率，尤为关键的是，在卷积神经网络使用之前被执行了定制的学习过程，期间采用同批次以及不同批次的轴承的过往故障数据实现对卷积神经网络的各次学习操作。
根据本发明的一方面，提供了一种轴承故障概率分析装置，所述装置包括：
温度测量阵列，包括三个非接触式传感器，分别用于在当前时刻测量运行状态中的轴承的轴承内圈温度、轴承外圈温度以及轴承底座温度；
噪声监测器件，在到所述运行状态中的轴承的轴承外圈最近距离等于设定距离阈值的位置，用于在当前时刻监测运行状态中的轴承发出的噪声幅值；
概率分析器件，分别与所述温度测量阵列以及所述噪声监测器件连接，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；
上述技术特征体现了本发明的第一个技术效果：为运行状态中的轴承设计故障概率预测机制，具体地，以运行状态中的轴承当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为预测数据实现对所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生故障的概率的智能预测，从而为轴承故障的应对增加反应时间；
所述装置还包括：
学习执行设备，与所述概率分析器件连接，用于采用与运行状态中的轴承的同批轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用包括：所述设定时长的取值越小，所述固定次数的取值越小；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习。
所述装置还包括：
数据存储设备，与所述学习执行设备连接，用于从所述学习执行设备处接收学习后的卷积神经网络的各项网络数据；
其中，获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习包括：通过对第一数量执行不同取值，实现对所述卷积神经网络的不同的一次学习；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习；
上述技术特征体现了本发明的第二个技术效果：采用与运行状态中的轴承同一批次的轴承的过往历史数据以及运行状态中的轴承不同批次的轴承的过往历史数据对执行智能预测的神经网络进行多次的不同学习，且选择的学习次数与设定时长的取值正向关联。
本发明的轴承故障概率分析装置逻辑可靠、运行智能。由于能够采用定制学习过程的智能模型基于当前时刻的各项轴承数据智能预测未来固定时长轴承发生故障的概率，从而避免轴承关联事故发生，提升了轴承监控的预判能力。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明各个实施方案示出的轴承故障概率分析装置应用的运行状态中的轴承的结构示意图。
图2为根据本发明第一实施方案示出的轴承故障概率分析装置的结构示意图。
图3为根据本发明第二实施方案示出的轴承故障概率分析装置的结构示意图。
附图标记说明：1-外圈；2-内圈；3-保持架；4-滚子；5-隔离环。
具体实施方式
下面将参照附图对本发明的轴承故障概率分析装置的实施方案进行详细说明。
图1为根据本发明各个实施方案示出的轴承故障概率分析装置应用的运行状态中的轴承的结构示意图。
如图1所示，左侧为不带隔离环5的轴承，右侧为带隔离环5的轴承，都是本发明的应用对象；
在图1中，左侧轴承包括外圈1、内圈2、保持架3和滚子4，右侧轴承包括隔离环5、外圈1、内圈2、保持架3和滚子4；
其中，在轴承内部，外圈1和内圈2之间设置有多个滚子4，可以采用滚珠来实现每一个滚子4。
为了克服上述不足，本发明提供了一种轴承故障概率分析装置，能够有效解决相应的技术问题。
图2为根据本发明第一实施方案示出的轴承故障概率分析装置的结构示意图，所述装置包括：
温度测量阵列，包括三个非接触式传感器，分别用于在当前时刻测量运行状态中的轴承的轴承内圈温度、轴承外圈温度以及轴承底座温度；
噪声监测器件，在到所述运行状态中的轴承的轴承外圈最近距离等于设定距离阈值的位置，用于在当前时刻监测运行状态中的轴承发出的噪声幅值；
概率分析器件，分别与所述温度测量阵列以及所述噪声监测器件连接，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；
学习执行设备，与所述概率分析器件连接，用于采用与运行状态中的轴承的同批轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用；
参数存储芯片，用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用包括：所述设定时长的取值越小，所述固定次数的取值越小；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习；
其中，参数存储芯片，用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值包括：所述参数存储芯片采用不同存储单元用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值。
图3为根据本发明第二实施方案示出的轴承故障概率分析装置的结构示意图，所述装置包括：
温度测量阵列，包括三个非接触式传感器，分别用于在当前时刻测量运行状态中的轴承的轴承内圈温度、轴承外圈温度以及轴承底座温度；
噪声监测器件，在到所述运行状态中的轴承的轴承外圈最近距离等于设定距离阈值的位置，用于在当前时刻监测运行状态中的轴承发出的噪声幅值；
概率分析器件，分别与所述温度测量阵列以及所述噪声监测器件连接，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；
学习执行设备，与所述概率分析器件连接，用于采用与运行状态中的轴承的同批轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用；
数据存储设备，与所述学习执行设备连接，用于从所述学习执行设备处接收学习后的卷积神经网络的各项网络数据；
参数存储芯片，用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用包括：所述设定时长的取值越小，所述固定次数的取值越小；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习；
其中，参数存储芯片，用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值包括：所述参数存储芯片采用不同存储单元用于存储与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值。
接着，继续对本发明的轴承故障概率分析装置的具体结构进行进一步的说明。
根据本发明的任一实施方案的轴承故障概率分析装置中：
获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习包括：通过对第一数量执行不同取值，实现对所述卷积神经网络的不同的一次学习；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习；
其中，获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习还包括：与运行状态中的轴承的不同批的轴承，在轴承内圈半径、轴承外圈半径以及轴承润滑油粘度三项中至少存在一项不同；
其中，基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率包括：将当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为学习后的卷积神经网络的输入层的多项输入信息；
其中，基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率还包括：将所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率作为学习后的卷积神经网络的输出层的单项输出信息。
根据本发明的任一实施方案的轴承故障概率分析装置中：
基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率还包括：当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度被输入到学习后的卷积神经网络之前分别被执行归一化处理；
其中，当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度被输入到学习后的卷积神经网络之前被执行归一化处理包括：将当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度分别执行设定编码长度的二进制编码处理。
另外，在所述轴承故障概率分析装置中，获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习：通过对第一数量执行不同取值，实现对所述卷积神经网络的不同的一次学习。
虽然已经参照在这里所披露的结构对本发明进行了说明，但是本发明并不限于所给出的细节，并且本申请旨在覆盖落入在改进目的或以下权利要求的范围内的这些改进或变化。
Claims (9)
1.一种轴承故障概率分析装置，其特征在于，所述装置包括：
温度测量阵列，包括三个非接触式传感器，分别用于在当前时刻测量运行状态中的轴承的轴承内圈温度、轴承外圈温度以及轴承底座温度；
噪声监测器件，在到所述运行状态中的轴承的轴承外圈最近距离等于设定距离阈值的位置，用于在当前时刻监测运行状态中的轴承发出的噪声幅值；
概率分析器件，分别与所述温度测量阵列以及所述噪声监测器件连接，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；
学习执行设备，与所述概率分析器件连接，用于采用与运行状态中的轴承的同批轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用包括：所述设定时长的取值越小，所述固定次数的取值越小；
其中，采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习。
2.如权利要求1所述的轴承故障概率分析装置，其特征在于，所述装置还包括：
数据存储设备，与所述学习执行设备连接，用于从所述学习执行设备处接收学习后的卷积神经网络的各项网络数据。
3.如权利要求1-2任一所述的轴承故障概率分析装置，其特征在于：
获取与运行状态中的轴承的同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承相同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习包括：通过对第一数量执行不同取值，实现对所述卷积神经网络的不同的一次学习。
4.如权利要求3所述的轴承故障概率分析装置，其特征在于：
采用轴承的过往故障数据对卷积神经网络执行固定次数的各次学习动作以获得学习后的卷积神经网络并发送给所述概率分析器件使用还包括：获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习。
5.如权利要求4所述的轴承故障概率分析装置，其特征在于：
获取与运行状态中的轴承的不同批的第一数量的多个轴承在某一时刻分别对应的多个轴承内圈温度、多个轴承外圈温度、多个轴承底座温度以及多个噪声幅值，将多个轴承内圈温度的均值、多个轴承外圈温度的均值、多个轴承底座温度的均值、多个噪声幅值的均值以及与所述运行状态中的轴承不同的轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为卷积神经网络的输入层的多项输入信息，将所述某一时刻之后到设定时长的时间区间第一数量的多个轴承中发生故障的轴承的数量作为第二数量除以第一数量获得的概率作为卷积神经网络的输出层的单项输出信息，完成对卷积神经网络的一次学习还包括：与运行状态中的轴承的不同批的轴承，在轴承内圈半径、轴承外圈半径以及轴承润滑油粘度三项中至少存在一项不同。
6.如权利要求5所述的轴承故障概率分析装置，其特征在于：
基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率包括：将当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度作为学习后的卷积神经网络的输入层的多项输入信息。
7.如权利要求6所述的轴承故障概率分析装置，其特征在于：
基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率还包括：将所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率作为学习后的卷积神经网络的输出层的单项输出信息。
8.如权利要求6所述的轴承故障概率分析装置，其特征在于：
基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率还包括：当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度被输入到学习后的卷积神经网络之前分别被执行归一化处理。
9.如权利要求8所述的轴承故障概率分析装置，其特征在于：
当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度被输入到学习后的卷积神经网络之前被执行归一化处理包括：将当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度分别执行设定编码长度的二进制编码处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211047271.3A CN115115037B (zh) | 2022-08-30 | 2022-08-30 | 轴承故障概率分析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211047271.3A CN115115037B (zh) | 2022-08-30 | 2022-08-30 | 轴承故障概率分析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115037A true CN115115037A (zh) | 2022-09-27 |
| CN115115037B CN115115037B (zh) | 2022-11-11 |
Family
ID=83335277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211047271.3A Active CN115115037B (zh) | 2022-08-30 | 2022-08-30 | 轴承故障概率分析装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115037B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118162A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 基于改进深度森林算法的轴承故障检测方法 |
| CN114330096A (zh) * | 2021-11-25 | 2022-04-12 | 中车永济电机有限公司 | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 |
| CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐（赤峰）新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
| US20220253697A1 (en) * | 2021-02-03 | 2022-08-11 | Zhejiang University | Method for predicting remaining useful life of bearings based on a gated recurrent neural network |
-
2022
- 2022-08-30 CN CN202211047271.3A patent/CN115115037B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220253697A1 (en) * | 2021-02-03 | 2022-08-11 | Zhejiang University | Method for predicting remaining useful life of bearings based on a gated recurrent neural network |
| CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐（赤峰）新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
| CN114330096A (zh) * | 2021-11-25 | 2022-04-12 | 中车永济电机有限公司 | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 |
| CN114118162A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 基于改进深度森林算法的轴承故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115037B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neupane et al. | Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review | |
| US8332337B2 (en) | Condition-based monitoring system for machinery and associated methods | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| Jiang et al. | Study on Hankel matrix-based SVD and its application in rolling element bearing fault diagnosis | |
| Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
| Habbouche et al. | Bearing fault event-triggered diagnosis using a variational mode decomposition-based machine learning approach | |
| Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
| 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 | |
| Subrahmanyam et al. | Using neural networks for the diagnosis of localized defects in ball bearings | |
| US20230351177A1 (en) | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| US20110307743A1 (en) | False alarm mitigation | |
| Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
| Elforjani | Estimation of remaining useful life of slow speed bearings using acoustic emission signals | |
| CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
| CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
| CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
| Mishra et al. | Fault detection of elevator systems using multilayer perceptron neural network | |
| Martin-del-Campo et al. | Dictionary learning approach to monitoring of wind turbine drivetrain bearings | |
| Bertocco et al. | Roller bearing failures classification with low computational cost embedded machine learning | |
| CN115115037B (zh) | 轴承故障概率分析装置 | |
| CN114492534A (zh) | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 | |
| Park et al. | Design of cost-effective auto-encoder for electric motor anomaly detection in resource constrained edge device | |
| Zhang et al. | Hidden Markov models in bearing fault diagnosis and prognosis | |
| CN114486262A (zh) | 一种基于cnn-at-lstm的轴承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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |