CN115310490B - 基于多域特征与敏感特征选择的旋转设备故障分析方法 - Google Patents
基于多域特征与敏感特征选择的旋转设备故障分析方法 Download PDFInfo
- Publication number
- CN115310490B CN115310490B CN202210988451.5A CN202210988451A CN115310490B CN 115310490 B CN115310490 B CN 115310490B CN 202210988451 A CN202210988451 A CN 202210988451A CN 115310490 B CN115310490 B CN 115310490B
- Authority
- CN
- China
- Prior art keywords
- features
- frequency
- sensitive
- feature
- spectrum
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000009499 grossing Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 description 12
- 238000006731 degradation reaction Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 101000587313 Homo sapiens Tyrosine-protein kinase Srms Proteins 0.000 description 1
- 102100029654 Tyrosine-protein kinase Srms Human genes 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于多域特征与敏感特征选择的旋转设备故障分析方法,包括获取监测数据,并提取多域特征;对每个特征分别进行平滑处理;对平滑处理后的特征进行归一化处理;对归一化处理后的特征进行指标筛选,提取敏感特征;根据提取的敏感特征,构建监测指标,以进行故障监测。本发明通过对历史监测数据的分析和特征提取,综合多域特征的优势自动挖掘其中关键信息,为旋转设备安全运行提供有效的监测指标,为准确识别出旋转设备早期故障,为设备安全运行提供技术支撑。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种基于多域特征与敏感特征选择的旋转设备故障分析方法。
背景技术
各类旋转机械在工业生成过程中担负着重要作用,它的运行状态直接影响整个装备的精度、可靠性和剩余使用寿命等。设备及其内部关键部件(如滚动轴承、齿轮箱等)的性能退化或失效将对整机性能产生影响,甚至导致设备非计划停机,严重的还会造成巨大经济损失和人员伤亡。现有研究采用故障预测与健康管理(Prognostics and HealthManagement,PHM)为重要装备的安全运行提供保障。PHM系统可以及时发现设备早期故障、性能退化情况,分析和确定设备运行风险,进而准确预测剩余使用寿命,以此制定合理的维修和管理计划。
性能退化评估与预测是PHM系统中至关重要的一环。但在机械设备运行过程中很难直接明了地观测到设备和关键部件的退化状况,需要对监测的数据进行分析,构建健康指标,对设备的退化程度进行量化。因此,健康指标的性能直接决定了退化评估模型的可行性,进而影响后续寿命预测的准确性。合适的健康指标不仅可以实时监测设备的健康状况,还可以量化评估设备在全寿命周期中的退化程度,以此进行预测和维护。
现有的设备监测多选取振动信号分析,因振动数据量较大、噪声干扰等较多,通常采用特征提取挖掘大规模振动信号中的有效信息。特征提取的目标主要是去除无关信号、获取与故障密切相关的信息。提取的特征主要为时频域统计特征和非线性复杂度度量特征两类,其中前者应用范围更广。因单个特征无法全面表征设备的退化特性,多特征提取与融合获得了更多关注,但是多个特征之间存在冗余或冲突,且对设备的运行情况敏感,采用经验设定无法满足设备监测需求,无法及早发现设备的早期故障。
发明内容
为了解决现有旋转设备故障分析技术存在的局限,本发明提供了一种基于多域特征与敏感特征选择的旋转设备故障分析方法。本发明通过对历史监测数据的分析和特征提取,综合多域特征的优势自动挖掘其中关键信息,为旋转设备安全运行提供有效的监测指标,为准确识别出旋转设备早期故障,为设备安全运行提供技术支撑。
本发明通过下述技术方案实现:
基于多域特征与敏感特征选择的旋转设备故障分析方法,包括:
获取监测数据,并提取多域特征;
对每个特征分别进行平滑处理;
对平滑处理后的特征进行归一化处理;
对归一化处理后的特征进行指标筛选,提取敏感特征;
根据提取的敏感特征,构建监测指标,以进行故障监测。
作为优选实施方式,本发明的获取监测数据,并提取多域特征,具体为:
获取S个监测数据文件,提取得到24个时频特征FIk(i)(i=1,...,S;k=1,...,24),包括12个时域特征和12个频域特征;
其中,12个时域特征分别为:最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子;12个频域特征分别为:谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值;时域特征是直接计算采集数据的统计特征,频域特征是先对采集数据进行快速傅里叶变换,获得信号的频谱后再计算相应的统计特征,即为频域特征;
故障频率幅值和(Fault Frequency Amplitude,FFA)指标定义为:
式中,Y表示信号包络谱的幅值;fa表示理论故障频率;f1和fk是信号包络谱频率的起始值和最终值;N为选取的频率值个数。
作为优选实施方式,本发明平滑处理后的特征表示为:
式中,h是FIk(i)的增长率,其表达式为
式中,w是平滑的窗宽。
作为优选实施方式,本发明归一化处理后的特征fk={NFIk(i)}(i=1,...,S;k=1,...,24)表达式如下:
作为优选实施方式,本发明的提取敏感特征,具体包括:
计算归一化处理后的24个特征的相关性,按照降序排列计算结果,提取前12个特征;
计算提取的12个特征的趋势性,按照降序排序计算结果,提取前6个特征;
计算提取的6个特征的单调性,按照降序排列计算结果,提取前3个特征作为敏感特征。
作为优选实施方式,本发明的相关性计算表达式为:
式中,Cov(RMS,fk)为均方根RMS和特征fk的协方差,D(·)表示方差;
所述趋势性计算表达式为:
式中,ti表示第i个监测数据集的时间,NFIk(i)为相关性计算筛选后的特征;
所述单调性计算表达式为:
式中,差值d/di=NFIk(i+1)-NFIk(i),Nd/di>0和Nd/di<0分别表示差值为正数和差值为负数的个数。
作为优选实施方式,本发明的构建的监测指标,表示为:
式中,SFIj表示提取的敏感特征。
第二方面,本发明提出了基于多域特征与敏感特征选择的旋转设备故障分析系统,包括:
多域特征提取模块,用于获取监测数据并提取多域特征;
平滑模块,对每个特征分别进行平滑处理;
归一化模块,对每个平滑处理后的特征进行归一化处理;
敏感特征提取模块,对归一化处理后的特征进行指标筛选,提取敏感特征;
监测指标构建模块,根据提取的敏感特征,构建监测指标,以进行故障监测。
第三方面,本发明提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本发明上述方法的步骤。
第四方面,本发明提出了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本发明上述方法的步骤。
本发明具有如下的优点和有益效果:
1、本发明利用多域特征的优势充分挖掘监测数据中隐含的设备退化规律,通过特征提取、平滑与归一化、敏感特征筛选等筛选出具有代表性的关键特征,在相关性、趋势性与单调性三个方面均有更佳表现的特征构建监测指标,所得的监测指标与常用的均方根、峭度等指标相比,不仅具有更好的单调性,描述的设备退化过程随时间可以单调变换,减少指标波动影响后续的预测,还具有良好的趋势性和故障敏感性,从全局方面反映设备整体退化趋势,在局部可以显示状态的关键变化,及时发现设备早期故障,为设备监测和预警提供技术支持。
2、本发明通过分析设备的监测数据自动获得有效的监测指标,不受人工经验和复杂流程的限制,可以应用于旋转设备及其关键部件的状态监测,亦可应用于具有类似机理的其他机械设备监测,为装备的监测和预紧提供技术支持。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例的方法流程图。
图2为本发明实施例的计算机设备原理框图。
图3为本发明实施例中轴承1数据集提取的多域特征。
图4为本发明实施例中轴承1数据集的多域特征平滑结果。
图5为本发明实施例中轴承1数据集的多域特征归一化结果。
图6为本发明实施例中轴承1数据集的多域特征相关性选择结果。
图7为本发明实施例中轴承1数据集的多域特征趋势性选择结果。
图8为本发明实施例中轴承1数据集的多域特征单调性选择结果。
图9为本发明实施例构建得到的监测指标所表述的轴承1退化曲线。
图10为本发明实施例中轴承1在初始故障时刻(第533个数据)前后的信号包络谱低频段。
图11为本发明实施例的系统原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本实施例提出了一种基于多域特征与敏感特征选择的旋转设备故障分析方法,本发明实施例提出的方法综合多域特征的优势挖掘其中关键信息,为旋转设备健康运行提供有效的监测指标,以避免参数经验选取的不良影响。
具体如图1所示,本发明实施例提出的分析方法包括如下步骤:
S1,提取多域特征。
对采集到的每个振动信号,提取其24个多域特征,包括12个时域特征和12个频域特征,其中,提取的12个时域特征分别为:最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子;提取的12个频域特征分别为:谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值。时域特征是直接计算采集数据的统计特征,频域特征是先对采集数据进行快速傅里叶变换,获得信号的频谱后再计算相应的统计特征,即为频域特征。
故障频率幅值和(Fault Frequency Amplitude,FFA)指标定义为:
式中,Y表示信号包络谱的幅值;fa表示理论故障频率;f1和fk是信号包络谱频率的起始值和最终值;N为选取的频率值个数;除理论故障频率外,另外取(N-1)个理论故障频率的倍频处的幅值一起计算,避免忽略较为微弱的故障,即取fa、2×fa、...、N×fa频率处的包络谱幅值之和作为最终结果。考虑因设备转速波动、运行情况变化等导致的理论与实际故障频率的偏差,此处选取一个窄频带±0.01fa代替单个频率,即取[i·fa–0.01fa,i·fa+0.01fa]这一频带范围代替单个频率值i·fa来计算对应的幅值和。
通过上述过程,由监测设备获得的S个监测数据文件,可以得到24个时频特征FIk(i)(i=1,...,S;k=1,...,24)曲线。
S2,平滑特征指标。
设定平滑窗宽w,对上述的每个特征曲线分别进行平滑处理,其表达式为:
式中h是FIk(i)的增长率,其表达式为
式中w是平滑的窗宽。
S3,归一化各指标。
对每个平滑特征sFIk(i)进行归一化处理;提取每个特征的最大值和最小值,采用最大最小归一化方法将该特征数值归一化到[0 1],归一化的特征fk={NFIk(i)}(i=1,...,S;k=1,...,24)表达式如下:
S4,敏感特征提取。
本实施例建立了一个三层筛选机制,依次计算相关性、趋势性和单调性指标筛除一些指标,具体方法是:
第1层:计算24个特征fk={NFIk(i)}(i=1,...,S)的相关性,按照降序排列计算结果,保留前12个特征;
第2层:计算第1层选取的12个特征NFIk(i)的趋势性,按照降序排列计算结果,保留选取前6个特征;
第3层:计算第2层选取的6个特征NFIk(i)的单调性,按照降序排列计算结果,选取前3个特征作为筛选结果,表示为SFIj(i)(j=1,2,3;i=1,...,S)。
三个指标的计算表达式如下:
1)相关性:通过相关性筛选出呈现一致退化趋势的特征。已有研究指标多以均方根作为健康指标评估设备性能退化情况,本发明选取该指标作为参照,筛选与其相关的特征。fk与均方根RMS指标的相关性计算表达式如下:
式中,Cov(RMS,fk)为均方根RMS和特征fk的协方差,D(·)表示方差。
2)趋势性:预计构建的健康指标用以描述设备随时间退化的情况,通过分析特征fk与时间t={ti}(i=1,...,S)的相关性分析该特征的趋势性,其表达式如下:
3)单调性:对归一化特征fk,使用以下表达式量化其单调性,
式中,差值d/di=NFIk(i+1)-NFIk(i),Nd/di>0和Nd/di<0分别表示差值为正数和差值为负数的个数;计算结果越大表明该特征的单调性越好。
S5,构建监测指标。
本实施例的监测指标为上述筛选出的敏感指标的均值,表示为:
本实施例还提出了一种计算机设备,用于执行本实施例的上述方法。
具体如图2所示,计算机设备包括处理器、内存储器和系统总线;内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作系统和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机设备访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是,其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
如上面详细描述的,适用于本实施例的计算机设备能执行基于多域特征与敏感特征选择的旋转设备故障分析方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本实施例采用现有的轴承全寿命监测数据对上述实施例1提出的方法进行详细说明。该监测数据参见“Wavelet filter-based weak signature detection method andits application on roller bearing prognostics,H.Qiu,J.Lee,J.Lin,G.Yu,Journalof Sound and Vibration,vol.289,no.4-5,pp.1066-1090,Feb.2006,DOI.10.1016/j.jsv.2005.03.007”,本实施例中使用了测试集2轴承1的全寿命监测数据集,在实验结束后检查发现轴承存在外圈故障。具体包括如下步骤:
首先,提取多域特征。从采集数据中提取24个特征值,包括12个时域特征和12个频域特征,特征的名称、缩写和表达式见表1。时域特征是未对采集信号x(t)进行预处理直接计算相应的特征值,频域特征是先通过快速傅里叶变换获得信号x(t)的频谱Y(f),然后再计算相应的特征值。
表1 多域特征的表达式
本实施例中选取:FFA中频率数值个数N=3,平滑窗宽w=40。该轴承的数据集中共包含984个数据文件,每个文件是每隔10分钟采集的一次数据,采样频率是20kHz。对每个数据文件分别提取上述的24个时频特征,所得的特征曲线如图3所示,平滑结果如图4所示,归一化结果如图5所示。根据所述的敏感特征筛选方法,24个特征的相关性指标按照降序排列,结果如图6所示,保留前12个特征,包括:RMS、AM、SP、PP、FFA、SRMS、AMAX、AMIN、SM、SE、SNE和FC;在此基础上,采用趋势性指标按照降序排列,结果如图7所示,保留前6个特征,包括:SNE、FC、SM、AM、FFA和RMS;继续用单调性指标筛选,结果按照降序排列,结果如图8所示,选取出的敏感特征包括AM、RMS和FFA,构建出的监测指标如图9所示,图中显示监测指标在第533个数据(t=5330分钟)时从平缓曲线变化为显著上升的曲线,表明从该时刻开始轴承状态发生变化。图10显示了533文件及其前后时刻的包络谱低频段结果,从图中可以看出,在第533个数据中可以辨识出存在外圈故障频率230.7Hz及其倍频,在下一个数据(534)中也发现存在外圈故障频率及其倍频,而在533数据集之前未发现外圈故障频率,结果表明构建的健康指标可以准确地辨别轴承的初始故障,有助于监测过程中及早发现早期故障。同时,相比图3中的均方根RMS和峭度指标(本领域常用的监测指标),本发明实施例构建的监测指标具有更好的单调性和趋势性,有助于提高后续故障预测的准确性。
实施例3
本实施例提出了一种基于多域特征与敏感特征选择的旋转设备故障分析系统,如图11所示,包括:
多域特征提取模块,用于提取多域特征。多域特征提取过程具体如实施例1中所述,此处不再过多赘述。
平滑模块,用于对每个特征分别进行平滑处理。平滑处理过程具体如实施例1中所述,此处不再过多赘述。
归一化模块,对每个平滑处理后的特征进行归一化处理。归一化处理过程具体如实施例1中所述,此处不再过多赘述。
敏感特征提取模块,用于提取敏感特征。敏感特征提取过程具体如实施例1中所述,此处不再过多赘述。
监测指标构建模块,用于构建得到监测指标,以进行故障监测。监测指标构建过程具体如实施例1中所述,此处不再过多赘述。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于多域特征与敏感特征选择的旋转设备故障分析方法,其特征在于,包括:
获取监测数据,并提取多域特征;
对每个特征分别进行平滑处理;
对平滑处理后的特征进行归一化处理;
对归一化处理后的特征进行指标筛选,提取敏感特征;
根据提取的敏感特征,构建监测指标,以进行故障监测;获取监测数据,并提取多域特征,具体为:
获取S个监测数据文件,提取得到24个时频特征FIk(i)(i=1,...,S;k=1,...,24),包括12个时域特征和12个频域特征;
其中,12个时域特征分别为:最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子;12个频域特征分别为:谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值;时域特征是直接计算采集数据的统计特征,频域特征是先对采集数据进行快速傅里叶变换,获得信号的频谱后再计算相应的统计特征,即为频域特征;
故障频率幅值(Fault Frequency Amplitude,FFA)指标定义为:
式中,Y表示信号包络谱的幅值;fa表示理论故障频率;N为选取的频率值个数;平滑处理后的特征表示为:
式中,h是FIk(i)的增长率,其表达式为
式中,w是平滑的窗宽;归一化处理后的特征fk={NFIk(i)}(i=1,...,S;k=1,...,24)表达式如下:
提取敏感特征,具体包括:
计算归一化处理后的24个特征的相关性,按照降序排列计算结果,提取前12个特征;
计算提取的12个特征的趋势性,按照降序排序计算结果,提取前6个特征;
计算提取的6个特征的单调性,按照降序排列计算结果,提取前3个特征作为敏感特征。
2.根据权利要求1所述的基于多域特征与敏感特征选择的旋转设备故障分析方法,其特征在于,所述相关性计算表达式为:
式中,Cov(RMS,fk)为均方根RMS和特征fk的协方差,D(·)表示方差;
所述趋势性计算表达式为:
式中,ti表示第i个监测数据集的时间,NFIk(i)为相关性计算筛选后的特征;
所述单调性计算表达式为:
式中,差值d/di=NFIk(i+1)-NFIk(i),Nd/di>0和Nd/di<0分别表示差值为正数和差值为负数的个数。
3.根据权利要求1-2任一项所述的基于多域特征与敏感特征选择的旋转设备故障分析方法,其特征在于,构建的监测指标,表示为:
式中,SFIj表示提取的敏感特征。
4.基于多域特征与敏感特征选择的旋转设备故障分析系统,其特征在于,包括:
多域特征提取模块,用于获取监测数据并提取多域特征;
平滑模块,对每个特征分别进行平滑处理;
归一化模块,对每个平滑处理后的特征进行归一化处理;
敏感特征提取模块,对归一化处理后的特征进行指标筛选,提取敏感特征;
监测指标构建模块,根据提取的敏感特征,构建监测指标,以进行故障监测;
获取监测数据并提取多域特征,具体为:
获取S个监测数据文件,提取得到24个时频特征FIk(i)(i=1,...,S;k=1,...,24),包括12个时域特征和12个频域特征;
其中,12个时域特征分别为:最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子;12个频域特征分别为:谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值;时域特征是直接计算采集数据的统计特征,频域特征是先对采集数据进行快速傅里叶变换,获得信号的频谱后再计算相应的统计特征,即为频域特征;
故障频率幅值(Fault Frequency Amplitude,FFA)指标定义为:
式中,Y表示信号包络谱的幅值;fa表示理论故障频率;N为选取的频率值个数;
平滑处理后的特征表示为:
式中,h是FIk(i)的增长率,其表达式为
式中,w是平滑的窗宽;
归一化处理后的特征fk={NFIk(i)}(i=1,...,S;k=1,...,24)表达式如下:
提取敏感特征,具体包括:
计算归一化处理后的24个特征的相关性,按照降序排列计算结果,提取前12个特征;
计算提取的12个特征的趋势性,按照降序排序计算结果,提取前6个特征;
计算提取的6个特征的单调性,按照降序排列计算结果,提取前3个特征作为敏感特征。
5.一种计算机设备,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1-3中任一项所述方法的步骤。
6.一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1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988451.5A CN115310490B (zh) | 2022-08-17 | 2022-08-17 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988451.5A CN115310490B (zh) | 2022-08-17 | 2022-08-17 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310490A CN115310490A (zh) | 2022-11-08 |
CN115310490B true CN115310490B (zh) | 2024-03-29 |
Family
ID=83863383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210988451.5A Active CN115310490B (zh) | 2022-08-17 | 2022-08-17 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310490B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070103B (zh) * | 2023-03-07 | 2023-06-30 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057584A (zh) * | 2019-04-01 | 2019-07-26 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
CN112016800A (zh) * | 2020-07-17 | 2020-12-01 | 北京天泽智云科技有限公司 | 一种基于有效性指标的特征选择方法与系统 |
CN112781903A (zh) * | 2020-12-28 | 2021-05-11 | 杭州哲达科技股份有限公司 | 一种基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
CN112785092A (zh) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 |
CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测系统 |
CN113029616A (zh) * | 2021-01-26 | 2021-06-25 | 北京化工大学 | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 |
CN113158814A (zh) * | 2021-03-26 | 2021-07-23 | 清华大学 | 一种基于卷积自编码器的轴承健康状态监测方法 |
CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
CN114792046A (zh) * | 2022-03-30 | 2022-07-26 | 中国人民解放军国防科技大学 | 基于健康指数与粒子滤波的旋转机械故障预测方法及系统 |
-
2022
- 2022-08-17 CN CN202210988451.5A patent/CN115310490B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057584A (zh) * | 2019-04-01 | 2019-07-26 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
CN112016800A (zh) * | 2020-07-17 | 2020-12-01 | 北京天泽智云科技有限公司 | 一种基于有效性指标的特征选择方法与系统 |
CN112781903A (zh) * | 2020-12-28 | 2021-05-11 | 杭州哲达科技股份有限公司 | 一种基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
CN113029616A (zh) * | 2021-01-26 | 2021-06-25 | 北京化工大学 | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 |
CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测系统 |
CN112785092A (zh) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 |
CN113158814A (zh) * | 2021-03-26 | 2021-07-23 | 清华大学 | 一种基于卷积自编码器的轴承健康状态监测方法 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
CN114792046A (zh) * | 2022-03-30 | 2022-07-26 | 中国人民解放军国防科技大学 | 基于健康指数与粒子滤波的旋转机械故障预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115310490A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Investigations on quasi-arithmetic means for machine condition monitoring | |
Bin et al. | Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network | |
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
Yan et al. | Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines | |
Li et al. | The application of a general mathematical morphological particle as a novel indicator for the performance degradation assessment of a bearing | |
Wang et al. | Traversal index enhanced-gram (TIEgram): A novel optimal demodulation frequency band selection method for rolling bearing fault diagnosis under non-stationary operating conditions | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
Zhan et al. | Robust detection of gearbox deterioration using compromised autoregressive modeling and Kolmogorov–Smirnov test statistic—Part I: Compromised autoregressive modeling with the aid of hypothesis tests and simulation analysis | |
CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
Zhong et al. | A nonparametric health index and its statistical threshold for machine condition monitoring | |
JP2018205292A (ja) | 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法 | |
Elasha et al. | A comparative study of the effectiveness of adaptive filter algorithms, spectral kurtosis and linear prediction in detection of a naturally degraded bearing in a gearbox | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
Song et al. | Sparse representation based on generalized smooth logarithm regularization for bearing fault diagnosis | |
Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition | |
CN117112514B (zh) | 基于对氯甲基苯乙烯生产数据的记录存储方法 | |
Wang et al. | A structurally re-parameterized convolution neural network-based method for gearbox fault diagnosis in edge computing scenarios | |
CN112446389A (zh) | 一种故障判别方法及装置 | |
Van et al. | Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators | |
Jiao et al. | An Improved Dual‐Kurtogram‐Based T2 Control Chart for Condition Monitoring and Compound Fault Diagnosis of Rolling Bearings | |
CN104808643B (zh) | 一种基于改进的倒双谱分析的控制回路非线性检测方法 | |
CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、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 |