CN115144182B - 轴承健康状态监测方法、装置、计算机设备及存储介质 - Google Patents
轴承健康状态监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115144182B CN115144182B CN202211066130.6A CN202211066130A CN115144182B CN 115144182 B CN115144182 B CN 115144182B CN 202211066130 A CN202211066130 A CN 202211066130A CN 115144182 B CN115144182 B CN 115144182B
- Authority
- CN
- China
- Prior art keywords
- bearing
- characteristic
- reconstruction
- feature
- fault
- 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
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
- G01M13/045—Acoustic or vibration analysis
Abstract
本申请涉及一种轴承健康状态监测方法、装置、计算机设备及存储介质。所述方法包括:获取轴承的振动波形数据,并提取振动波形数据的幅值特征;通过预先建立的变换矩阵对幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵;根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。采用本方法能够克服标记样本数据依赖、监测更为准确,并且提取特征统一、可解释性强。
Description
技术领域
本申请涉及轴承监测技术领域,特别是涉及一种轴承健康状态监测方法、装置、计算机设备及存储介质。
背景技术
轴承作为工业场景中旋转机械设备主要部件之一,轴承的健康状态直接影响设备的运行状况。轴承损坏往往造成设备功能失效故障停机,给工厂带来财产损失。轴承状态监测无法通过直接测量或者直观估计获取。
传统技术中,一般基于轴承的振动信号采用神经网络进行监督学习,实现轴承健康监测,其中,模型训练样本需要人工标记轴承正常与故障状态,且模型训练与测试使用轴承非同一个,即使相同工况同一批次的同一型号轴承 ,其轴承振动数据分布仍然存在差异,故而针对预测与训练集不同分布的测试样本时,神经网络模型难以取得理想的泛化效果。此外,当前轴承健康状态监测与故障诊断模型耦合性较弱,健康状态监测与故障诊断过程提取特征不统一,模型提取的特征缺乏可解释性,增加现场维修人员认知门槛。
发明内容
根据此,有必要针对上述技术问题,提供一种能够克服标记样本数据依赖、监测更为准确、提取特征统一、可解释性强的轴承健康状态监测方法、装置、计算机设备及存储介质。
第一方面,本申请提供了一种轴承健康状态监测方法,方法包括:
获取轴承的振动波形数据,并提取振动波形数据的幅值特征;
通过预先建立的变换矩阵对幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵;
根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。
在其中一个实施例中,获取轴承的振动波形数据,并提取振动波形数据的幅值特征包括:
采集轴承的振动波形数据,并根据轴承频率与轴转速的线性关系,对振动波形数据进行轴转速校准;
根据轴承的故障特征频率提取振动波形数据中对应的幅值特征,其中,根据轴承部件的结构参数得到轴承的故障特征频率。
在其中一个实施例中,故障特征频率至少包括轴承内圈故障频率及其倍数、外圈故障频率及其倍数、滚动体故障频率及其倍数、保持架故障频率及其倍数。
在其中一个实施例中,根据轴承的故障特征频率提取振动波形数据中对应的幅值特征包括:
根据与故障特征频率相邻的最近谱线对应的幅值得到轴承故障特征频率对应的幅值特征。
在其中一个实施例中,通过预先建立的变换矩阵对幅值特征进行特征重构包括:
对幅值特征进行标准化处理;
通过KPCA的变换矩阵对幅值特征进行特征重构。
在其中一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态包括:
对特征重构前后的幅值特征进行相似度评估,获取特征重构前后的特征余弦距离;
对特征余弦距离进行值域平移与尺度变换,并根据特征余弦距离及幅值特征的重构偏差绝对距离计算轴承健康状态因子;
将轴承健康状态因子与预设阈值比较,确定轴承的健康状态。
在其中一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后还包括:
若轴承的健康状态异常,则根据特征重构的误差进行故障诊断,确定轴承的故障类型。
在其中一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后还包括:
基于连续多个振动波形数据所监测得到轴承的健康状态以及故障类型,若其中相同故障的数据个数大于预设阈值,则触发对应的故障报警。
在其中一个实施例中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量包括:
对轴承特征集进行标准化处理;
通过预设的核函数及轴承特征集构造核矩阵;
计算核矩阵的特征值及对应的特征向量。
在其中一个实施例中,基于所述特征值和所述特征向量生成所述变换矩阵包括:
根据特征值的大小,选择最大的前N个特征值对应的特征向量生成变换矩阵:
W=PPT
其中,P=[α1,α2,α3⋯αN],α1,α2,α3⋯αN为特征向量,N为预设值。
在其中一个实施例中,基于所述特征值和所述特征向量生成所述变换矩阵之后,还包括:
通过变换矩阵对预设的测试特征集进行特征重构,并根据特征重构前后的测试特征集之间的距离偏差和方向偏差测试变换矩阵。
第二方面,本申请还提供了一种轴承健康状态监测装置,装置包括:
特征提取模块,用于获取轴承的振动波形数据,并提取振动波形数据的幅值特征;
特征重构模块,用于通过预先建立的变换矩阵对幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵;
状态监测模块,用于根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任意一种实施例所述的轴承健康状态监测方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一种实施例所述的轴承健康状态监测方法的步骤。
上述轴承健康状态监测方法、装置、计算机设备及存储介质,仅需正常运行状态下的轴承特征集生成的变换矩阵对轴承的幅值特征进行特征重构,并基于重构前后的幅值特征的距离偏差和方向偏差就能实现轴承健康状态的监测,其中,不需要对样本数据进行标记,也不需要异常情况下的样本数据,仅需正常运行状态下的轴承特征集即可,大大降低了对于样本数据的依赖与要求,其次,变换矩阵与轴承对应,针对不同设备的轴承部件,生成对应的变换矩阵,即可实现轴承的健康状态监测,避免了因轴承不同、数据分布不同而存在的差异,可以更好地适用于各个轴承的健康监测,准确性更好,另外,健康状态监测的特征以及轴承故障诊断的特征统一,可解释性强,降低了维护的难度,便于维护理解。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为一个实施例中轴承健康状态监测方法的整体流程示意图;
图2为一个实施例中轴承健康状态监测方法的轴转速校准对比图;
图3为一个实施例中轴承健康状态监测方法的特征提取示意图;
图4为一个实施例中轴承健康状态监测方法的健康状态监测示意图;
图5为一个实施例中轴承健康状态监测方法的应用流程示意图;
图6为一个实施例中轴承健康状态监测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
在一个实施例中,如图1所示,提供了一种轴承健康状态监测方法,方法包括:
S100:获取轴承的振动波形数据,并提取振动波形数据的幅值特征;
具体地,通过安装于轴承座上的径向加速度传感器采集轴承的振动波形数据,该振动波形数据为轴承转动产生振动所对应的波形数据,可以通过波形频谱的方式呈现,本实施例提取振动波形数据中故障特征频率对应的的幅值特征进行轴承健康状态的监测,故障特征频率为轴承健康监测所对应的监测频率,具体根据设备轴承部件结构参数计算获取,结构参数例如深沟球轴承滚动体直径、滚动体数目、轴承中径。
S200:通过预先建立的变换矩阵对幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵;
具体地,通过健康状态下采集轴承的振动波形数据,并提取振动波形数据中故障特征频率所对应的幅值,得到所需轴承特征集。通过核主成分析,基于轴承特征集以及预设的核函数构造核矩阵,并计算该核矩阵的特征值和特征向量,特征值越大,对应特征向量方向上的信息量越大,通过特征值中最大N个特征值对应的特征向量构成所需的变换矩阵,如此,通过该变换矩阵可以对幅值特征对应的N维主成分进行逆变换,使得幅值特征的信息量集中在变换后的主成分中,以此实现特征重构。
S300:根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。
具体地,特征重构前后的幅值特征的距离偏差和方向偏差,即特征重构误差,由于本实施例的变换矩阵是基于健康状态下的轴承特征集生成的,故而该偏差反映了当前幅值特征与健康状态的幅值特征之间的相似度,偏差情况越小,则说明当前幅值特征与健康状态的幅值特征越相似,其中,对于正常的幅值特征进行特征重构,正常的幅值特征与上述健康状态下的轴承特征集的主成分基本相同,故而重构前后的幅值特征基本相同,即当前幅值特征与健康状态的幅值特征相互匹配,可以认定轴承的健康状态正常,而对于存在异常的幅值特征进行特征重构,异常的幅值特征与上述健康状态下的轴承特征集的主成分存在差异,该差异会导致重构前后的幅值特征将存在差异,即当前幅值特征与健康状态的幅值特征不匹配,可以认定轴承的健康状态存在异常。
上述轴承健康状态监测方法,仅需正常运行状态下的轴承特征集生成的变换矩阵对轴承的幅值特征进行特征重构,并基于重构前后的幅值特征的距离偏差和方向偏差就能实现轴承健康状态的监测,其中,不需要对样本数据进行标记,也不需要异常情况下的样本数据,仅需正常运行状态下的轴承特征集即可,大大降低了对于样本数据的依赖与要求,其次,变换矩阵与轴承对应,针对不同设备的轴承部件,生成对应的变换矩阵,即可实现轴承的健康状态监测,避免了因轴承不同、数据分布不同而存在的差异,可以更好地适用于各个轴承的健康监测,准确性更好,另外,健康状态监测的特征以及轴承故障诊断的特征统一,可解释性强,降低了维护的难度,便于维护理解。
在一个实施例中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量包括:对轴承特征集进行标准化处理;通过预设的核函数及轴承特征集构造核矩阵;计算核矩阵的特征值及对应的特征向量。
具体地,对健康状态的轴承特征集进行标准化处理,以便于后续解释含义无误以及后续的距离计算,其中,基于轴承特征集的标准差与特征均值进行标准化,例如:
具体地,基于轴承运行机理及振动特征数据分布自定义核函数,通过该预设的核函数及轴承特征集构造核矩阵,例如:
具体地,基于构造的核函数计算核矩阵的特征值及对应的特征向量,例如:
在一个实施例中,根据特征值的大小,选择最大的前N个特征值对应的特征向量生成变换矩阵:
W=PPT
其中,P=[α1,α2,α3⋯αN],α1,α2,α3⋯αN为所述特征向量,N为预设值,N具体可以根据变换矩阵对应的特征重构误差进行调整,以使得对健康状态的轴承特征集进行特征重构前后的距离偏差和方向偏差最小或达到预设要求。
在一个实施例中,基于所述特征值和所述特征向量生成所述变换矩阵之后,还包括:通过变换矩阵对预设的测试特征集进行特征重构,并根据特征重构前后的测试特征集之间的距离偏差和方向偏差测试变换矩阵。
具体地,测试特征集可以包括正常和异常的轴承幅值特征,通过分别对这些特征进行重构,得到对应重构前后特征的距离偏差和方向偏差,以测试变换矩阵的效果,从而验证对于正常和异常的轴承幅值特征的识别率,其中,识别率在不满足需求情况下,可以调整优化正常情况下的轴承特征集、以及调整生成变换矩阵所选择主元,使得变换矩阵对于正常的轴承幅值特征的特征重构前后的距离偏差和方向偏差最小化或达到预设要求,进一步优化变换矩阵对于正常的轴承幅值特征的特征重构准确性,从而提高轴承健康状态监测的准确性。
具体地,对于测试特征集,进行标准化处理为,基于变换矩阵W进行重构特征,重构之后的特征为。进一步地,通过对重构前后特征进行相似性评估,计算重构前后特征
余弦距离并进行值域平移及尺度变换映射至0到1范围,并结合幅值特征的重构偏差绝对距
离得到轴承健康状态因子,低于预设阈值则说明轴承健康状态异常,从而验证对于正常和
异常的轴承幅值特征的识别率。
健康状态因子计算公式,例如:
通过上述过程基于健康状态的轴承特征集得到所需的变换矩阵,需要说明的是,不同设备中的轴承部件对应的变换矩阵不同,故而需要独立建立相应的变换矩阵,以实现对应的特征重构,从而识别对应的轴承健康状态。
在一个实施例中,获取轴承的振动波形数据,并提取振动波形数据的幅值特征包括:采集轴承的振动波形数据,并根据轴承频率与轴转速的线性关系,对振动波形数据进行轴转速校准;根据轴承的故障特征频率提取振动波形数据中对应的幅值特征,其中,根据轴承部件的结构参数得到轴承的故障特征频率。
具体地,通过安装于轴承座的径向加速度传感器采集轴承的振动波形数据,考虑到设备稳定运行过程中电机转速存在波动,故而在提取幅值特征之前,先根据轴承频率与轴转速的线性关系,对振动波形数据进行轴转速校准,参看图2中轴转速校准前后对比,避免了轴转速波动对于轴承健康状态监测的影响。
具体地,根据轴承部件的结构参数计算轴承的故障特征频率,参看图3,该故障特征频率包括故障的固有频率以及谐频,其中,故障特征频率至少包括轴承内圈故障频率及其倍数、外圈故障频率及其倍数、滚动体故障频率及其倍数、保持架故障频率及其倍数。优选地,本实施例计算前4倍的故障特征频率谐频,以提取对应的幅值特征。
在一个实施例中,根据轴承的故障特征频率提取振动波形数据中对应的幅值特征包括:根据与故障特征频率相邻的最近谱线对应的幅值得到轴承故障特征频率对应的幅值特征。
具体地,由于轴承的振动波形数据采集时长限制,导致故障特征频率难以在频谱中找到精准对应谱线,因此,参看图3,对于故障特征频率对应没有谱线的情况,采用与故障特征频率相邻的最近谱线对应的幅值计算故障特征频率对应的幅值,进一步地,采用最接近故障特征频率的2或3根谱线幅值的平方和开根号,作为该故障特征频率对应的幅值特征。
在一个实施例中,通过预先建立的变换矩阵对幅值特征进行特征重构包括:对幅值特征进行标准化处理;通过KPCA的变换矩阵对幅值特征进行特征重构。
具体地,在特征重构之前,需要对幅值特征进行标准化,与轴承特征集的标准化同理,对幅值特征进行标准化便于后续解释含义无误以及后续的距离计算,其中,基于特征均值M和标准差S进行标准化,具体参看上述轴承特征集的标准化,在此不作赘述。
具体地,本实施例的特征重构基于KPCA(Kernel Principal ComponentAnalysis),即核主成分析方法,核主成分分析 (KPCA) 是一种非线性数据处理方法,其核心思想是通过一个非线性映射把原始空间的数据投影到高维特征空间,然后在高维特征空间中进行基于主成分分析 (PCA) 的数据处理。本实施例具体利用KPCA进行特征重构,其中,利用KPCA对健康状态的轴承特征集进行非线性变换,映射至核空间,同时保存核矩阵的特征值、特征向量以得到变换矩阵,然后通过变换矩阵对获取幅值特征的N维主成分进行KPCA逆变换,实现特征重构。
在一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态包括:对特征重构前后的幅值特征进行相似度评估,获取特征重构前后的特征余弦距离;对特征余弦距离进行值域平移与尺度变换,并根据特征余弦距离及幅值特征的重构偏差绝对距离计算轴承健康状态因子;将轴承健康状态因子与预设阈值比较,确定轴承的健康状态。
具体地,通过相似度评估特征重构前后的幅值特征的方向偏差,计算重构前后特征余弦距离并进行值域平移及尺度变换映射至0到1范围,再结合幅值特征的重构偏差绝对距离得到轴承健康状态因子,公式可以表示为:
具体地,参看图4,本实施例设定了轴承健康状态因子的预设阈值,满足预设阈值则说明特征重构前后的幅值特征的相似度满足要求,即认定轴承健康状态正常,而低于预设阈值则说明特征重构前后的幅值特征的相似度不满足要求,即认定轴承健康状态异常。
在一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后还包括:若轴承的健康状态异常,则根据特征重构的误差进行故障诊断,确定轴承的故障类型。
具体地,在轴承的健康状态异常情况下,基于轴承特征重构的误差进一步确定轴承的故障类型,其中,结合轴承的故障机理相应的故障规则判断轴承特征重构的误差,确定故障类型。
在一个实施例中,根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后还包括:基于连续多个振动波形数据所监测得到轴承的健康状态以及故障类型,若其中相同故障的数据个数大于预设阈值,则触发对应的故障报警。
具体地,为了降低故障的误报率,基于连续多个振动波形数据对应的结果进行综合确定是否故障,其中,通过连续监测M个振动波形数据得到上述轴承的健康状态以及上述故障诊断的结果,若其中相同故障的数据个数大于预设阈值,则触发对应的故障报警,具体M的数值可以根据轴承监测的要求具体设定,如此,大大提高了监测的容错率,提高了故障诊断的准确性。
参看图5,现结合一具体的场景下对本实施例进行详细说明,但不仅限于此。
对于一设备轴承部件,在对应的轴承座上安装径向加速度传感器,以采集轴承的振动波形数据;
在提取振动波形数据的幅值特征之前,基于设备轴承部件结构参数,例如深沟球轴承滚动体直径、滚动体数目、轴承中径,计算前4倍的故障特征频率谐频,包括轴承内圈故障频率、外圈故障频率、滚动体故障频率、保持架故障频率,并且考虑到设备稳定运行过程中电机转速存在波动,根据轴承故障特征频率与转速成线性关系,以2倍电机转频为校准频率,对振动波形数据进行轴转速校准;
基于故障特征频率提取振动波形数据对应的幅值特征,其中,由于采样时长的限制,故障特征频率难以在频谱中找到精准对应的谱线,对于这情况,通过计算最接近故障特征频率的2根谱线幅值平方和开根号作为特征频率幅值;
利用KPCA对健康状态的轴承特征集进行非线性变换,映射至核空间,同时保存核矩阵的特征值、特征向量,选择最大的前4个特征值对应的特征向量生成变换矩阵,然后通过变换矩阵对获取幅值特征的N维主成分进行KPCA逆变换,实现特征重构:
通过对重构前后特征进行相似性评估,计算重构前后特征余弦距离并进行值域平移及尺度变换映射至0到1范围,并结合重构偏差绝对距离得到轴承健康状态因子,自定义的健康状态因子计算公式为:
基于故障机理与经验,通过计算轴承特征重构误差,满足相应故障规则时生成故障编码,写入报警日志队列alarm_log,其中,为了降低故障误报率,采用m out of n的策略,即通过连续检测n包轴承的振动波形数据对应的健康状态及故障类型,当连续相同故障编码超过m包时,则触发故障报警,具体通过左进右出的队列连续监测。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
根据同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的轴承健康状态监测方法的轴承健康状态监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个轴承健康状态监测装置实施例中的具体限定可以参见上文中对于轴承健康状态监测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种轴承健康状态监测装置,装置包括:
特征提取模块10,用于获取轴承的振动波形数据,并提取振动波形数据的幅值特征;
特征重构模块20,用于通过预先建立的变换矩阵对幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵;
状态监测模块30,用于根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。
在一个实施例中,特征提取模块获取轴承的振动波形数据,并提取振动波形数据的幅值特征包括:采集轴承的振动波形数据,并根据轴承频率与轴转速的线性关系,对振动波形数据进行轴转速校准;根据轴承的故障特征频率提取振动波形数据中对应的幅值特征,其中,根据轴承部件的结构参数得到轴承的故障特征频率。
在一个实施例中,故障特征频率至少包括轴承内圈故障频率及其倍数、外圈故障频率及其倍数、滚动体故障频率及其倍数、保持架故障频率及其倍数。
在一个实施例中,特征提取模块根据轴承的故障特征频率提取振动波形数据中对应的幅值特征包括:根据与故障特征频率相邻的最近谱线对应的幅值得到轴承故障特征频率对应的幅值特征。
在一个实施例中,特征重构模块通过预先建立的变换矩阵对幅值特征进行特征重构包括:对幅值特征进行标准化处理;通过KPCA的变换矩阵对幅值特征进行特征重构。
在一个实施例中,特征重构模块根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量包括:对轴承特征集进行标准化处理;通过预设的核函数及轴承特征集构造核矩阵;计算核矩阵的特征值及对应的特征向量。
在一个实施例中,特征重构模块基于所述特征值和所述特征向量生成所述变换矩阵包括:根据特征值的大小,选择最大的前N个特征值对应的特征向量生成变换矩阵:
W=PPT
其中,P=[α1,α2,α3⋯αN],α1,α2,α3⋯αN为所述特征向量,N为预设值。
在一个实施例中,特征重构模块基于所述特征值和所述特征向量生成所述变换矩阵之后,还包括:通过变换矩阵对预设的测试特征集进行特征重构,并根据特征重构前后的测试特征集之间的距离偏差和方向偏差测试变换矩阵。
在一个实施例中,状态监测模块根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态包括:对特征重构前后的幅值特征进行相似度评估,获取特征重构前后的特征余弦距离;对特征余弦距离进行值域平移与尺度变换,并根据特征余弦距离及幅值特征的重构偏差绝对距离计算轴承健康状态因子;将轴承健康状态因子与预设阈值比较,确定轴承的健康状态。
在一个实施例中,参看图6,还包括故障诊断模块40,在根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后,若轴承的健康状态异常,故障诊断模块根据特征重构的误差进行故障诊断,确定轴承的故障类型。
在一个实施例中,参看图6,还包括报警模块50,在根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态之后,报警模块基于连续多个振动波形数据所监测得到轴承的健康状态以及故障类型,若其中相同故障的数据个数大于预设阈值,则触发对应的故障报警。
上述轴承健康状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例中任意一种轴承健康状态监测方法。具体详细说明参看方法对应的说明,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中任意一种轴承健康状态监测方法。具体详细说明参看方法对应的说明,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括根据区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、根据量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种轴承健康状态监测方法,其特征在于,所述方法包括:
获取轴承的振动波形数据,并提取所述振动波形数据的幅值特征;
通过预先建立的变换矩阵对所述幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算所述核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵,基于轴承运行机理及振动特征数据分布自定义核函数,通过预设的核函数及所述轴承特征集构造所述核矩阵,所述核函数为:
根据所述特征重构前后所述幅值特征的距离偏差和方向偏差确定轴承的健康状态,若轴承的健康状态异常,则根据所述特征重构的误差结合轴承的故障机理进行故障诊断,确定轴承的故障类型;
所述根据所述特征重构前后所述幅值特征的距离偏差和方向偏差确定轴承的健康状态包括:对所述特征重构前后的所述幅值特征进行相似度评估,获取所述特征重构前后的特征余弦距离;对所述特征余弦距离进行值域平移与尺度变换,并根据所述特征余弦距离及所述幅值特征的重构偏差绝对距离计算轴承健康状态因子;将所述轴承健康状态因子与预设阈值比较,确定轴承的健康状态,其中,所述轴承健康状态因子:
2.根据权利要求1所述的轴承健康状态监测方法,其特征在于,所述获取轴承的振动波形数据,并提取所述振动波形数据的幅值特征包括:
采集轴承的所述振动波形数据,并根据轴承频率与轴转速的线性关系,对所述振动波形数据进行轴转速校准;
根据轴承的故障特征频率提取所述振动波形数据中对应的所述幅值特征,其中,根据轴承部件的结构参数得到轴承的所述故障特征频率。
3.根据权利要求2所述的轴承健康状态监测方法,其特征在于,所述故障特征频率至少包括轴承内圈故障频率及其倍数、外圈故障频率及其倍数、滚动体故障频率及其倍数、保持架故障频率及其倍数。
4.根据权利要求2所述的轴承健康状态监测方法,其特征在于,所述根据轴承的故障特征频率提取所述振动波形数据中对应的所述幅值特征包括:
根据与所述故障特征频率相邻的最近谱线对应的幅值得到所述轴承故障特征频率对应的所述幅值特征。
5.根据权利要求1所述的轴承健康状态监测方法,其特征在于,所述通过预先建立的变换矩阵对所述幅值特征进行特征重构包括:
对所述幅值特征进行标准化处理;
通过KPCA的所述变换矩阵对所述幅值特征进行所述特征重构。
6.根据权利要求1所述的轴承健康状态监测方法,其特征在于,所述根据所述特征重构前后所述幅值特征的距离偏差和方向偏差确定轴承的健康状态之后还包括:
基于连续多个所述振动波形数据所监测得到轴承的健康状态以及故障类型,若其中相同故障的数据个数大于预设阈值,则触发对应的故障报警。
7.根据权利要求1至权利要求6任意一项所述的轴承健康状态监测方法,其特征在于,所述根据健康状态的轴承特征集构造核矩阵并计算所述核矩阵的特征值和特征向量包括:
对所述轴承特征集进行标准化处理;
通过预设的核函数及所述轴承特征集构造所述核矩阵;
计算所述核矩阵的所述特征值及对应的所述特征向量。
8.根据权利要求7所述的轴承健康状态监测方法,其特征在于,所述基于所述特征值和所述特征向量生成所述变换矩阵包括:
根据所述特征值的大小,选择最大的前N个所述特征值对应的所述特征向量生成所述变换矩阵:
W=PPT
其中,P=[α1,α2,α3⋯αN],α1,α2,α3⋯αN为所述特征向量,N为预设值。
9.根据权利要求8所述的轴承健康状态监测方法,其特征在于,所述基于所述特征值和所述特征向量生成所述变换矩阵之后,还包括:
通过所述变换矩阵对预设的测试特征集进行特征重构,并根据所述特征重构前后的所述测试特征集之间的距离偏差和方向偏差测试所述变换矩阵。
10.一种轴承健康状态监测装置,其特征在于,所述装置包括:
特征提取模块,用于获取轴承的振动波形数据,并提取所述振动波形数据的幅值特征;
特征重构模块,用于通过预先建立的变换矩阵对所述幅值特征进行特征重构,其中,根据健康状态的轴承特征集构造核矩阵并计算所述核矩阵的特征值和特征向量,基于所述特征值和所述特征向量生成所述变换矩阵,基于轴承运行机理及振动特征数据分布自定义核函数,通过预设的核函数及所述轴承特征集构造所述核矩阵,所述核函数为:
状态监测模块,用于根据所述特征重构前后所述幅值特征的距离偏差和方向偏差确定轴承的健康状态,若轴承的健康状态异常,则根据所述特征重构的误差结合轴承的故障机理进行故障诊断,确定轴承的故障类型,其中,对所述特征重构前后的所述幅值特征进行相似度评估,获取所述特征重构前后的特征余弦距离;对所述特征余弦距离进行值域平移与尺度变换,并根据所述特征余弦距离及所述幅值特征的重构偏差绝对距离计算轴承健康状态因子;将所述轴承健康状态因子与预设阈值比较,确定轴承的健康状态,其中,所述轴承健康状态因子:
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求9中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066130.6A CN115144182B (zh) | 2022-09-01 | 2022-09-01 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066130.6A CN115144182B (zh) | 2022-09-01 | 2022-09-01 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115144182A CN115144182A (zh) | 2022-10-04 |
CN115144182B true CN115144182B (zh) | 2023-01-17 |
Family
ID=83415380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066130.6A Active CN115144182B (zh) | 2022-09-01 | 2022-09-01 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115144182B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700124B (zh) * | 2023-08-02 | 2023-10-03 | 江苏航智嘉信息科技有限公司 | 伺服驱动器运行控制系统的优化方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655082A (zh) * | 2005-01-27 | 2005-08-17 | 上海交通大学 | 基于核主元分析的非线性故障诊断的方法 |
CN103824137A (zh) * | 2014-03-20 | 2014-05-28 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN111398820A (zh) * | 2020-05-07 | 2020-07-10 | 南京凯奥思数据技术有限公司 | 一种电机健康状态在线监测方法 |
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
CN113496261A (zh) * | 2021-07-06 | 2021-10-12 | 中国科学院微小卫星创新研究院 | 一种卫星遥测数据的在轨异常监测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN104035431B (zh) * | 2014-05-22 | 2017-01-04 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和系统 |
CN109560770B (zh) * | 2018-10-29 | 2020-03-13 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
CN111259330B (zh) * | 2020-01-13 | 2023-11-03 | 北京化工大学 | 一种基于振动信号的旋转机械早期预警方法 |
AU2021104744A4 (en) * | 2021-08-05 | 2021-09-30 | 63963 Unit of the Chinese People's Liberation Army | Method and system for status monitoring and fault early warning based on lubricating oil liquid |
-
2022
- 2022-09-01 CN CN202211066130.6A patent/CN115144182B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655082A (zh) * | 2005-01-27 | 2005-08-17 | 上海交通大学 | 基于核主元分析的非线性故障诊断的方法 |
CN103824137A (zh) * | 2014-03-20 | 2014-05-28 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN111398820A (zh) * | 2020-05-07 | 2020-07-10 | 南京凯奥思数据技术有限公司 | 一种电机健康状态在线监测方法 |
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
CN113496261A (zh) * | 2021-07-06 | 2021-10-12 | 中国科学院微小卫星创新研究院 | 一种卫星遥测数据的在轨异常监测方法 |
Non-Patent Citations (1)
Title |
---|
基于迁移学习的离心鼓风机故障预警方法;李聪波 等;《中国机械工程》;20210930;第32卷(第17期);摘要,正文第2093页第2栏至第2094页第1栏,图3 * |
Also Published As
Publication number | Publication date |
---|---|
CN115144182A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
CN108319981A (zh) | 一种基于密度的时序数据异常检测方法及装置 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
Afrasiabi et al. | Real-time bearing fault diagnosis of induction motors with accelerated deep learning approach | |
CN115144182B (zh) | 轴承健康状态监测方法、装置、计算机设备及存储介质 | |
CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
Fan et al. | AutoEncoder based high-dimensional data fault detection system | |
US20210357727A1 (en) | Abnormality detection device | |
CN111207926A (zh) | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 | |
CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
Yin et al. | Isomap and Deep Belief Network-Based Machine Health Combined Assessment Model. | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
CN110738259B (zh) | 一种基于Deep DPCA-SVM的故障检测方法 | |
Wei et al. | Fault diagnosis method of spacecraft control systems based on PCA-ResNet | |
Shu et al. | Spatial rank-based high-dimensional change point detection via random integration | |
CN116029356B (zh) | 刀具监测模型训练方法、刀具状态监测方法及相关装置 | |
Wang et al. | Unsupervised mechanical fault feature learning based on consistency inference-constrained sparse filtering | |
CN110738248A (zh) | 状态感知数据特征提取方法及装置、系统性能评估方法 | |
CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 |
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 |