CN115310499A - 一种基于数据融合的工业设备故障诊断系统及方法 - Google Patents

一种基于数据融合的工业设备故障诊断系统及方法 Download PDF

Info

Publication number
CN115310499A
CN115310499A CN202211248303.6A CN202211248303A CN115310499A CN 115310499 A CN115310499 A CN 115310499A CN 202211248303 A CN202211248303 A CN 202211248303A CN 115310499 A CN115310499 A CN 115310499A
Authority
CN
China
Prior art keywords
energy
neural network
industrial equipment
data
time
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
Application number
CN202211248303.6A
Other languages
English (en)
Other versions
CN115310499B (zh
Inventor
王立新
金戈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Preamsolutions Information Technology Beijing Co ltd
Original Assignee
Preamsolutions Information Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Preamsolutions Information Technology Beijing Co ltd filed Critical Preamsolutions Information Technology Beijing Co ltd
Priority to CN202211248303.6A priority Critical patent/CN115310499B/zh
Publication of CN115310499A publication Critical patent/CN115310499A/zh
Application granted granted Critical
Publication of CN115310499B publication Critical patent/CN115310499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提出了一种基于数据融合的工业设备故障诊断系统及方法，属于工业设备故障诊断技术领域。对工业设备振动信号进行采集，收集工业设备随时间的振动数据；将振动信号通过短时傅里叶变换转化为时间频率图像，生成空间频率图像，算出所述空间频率图像中空间频率的中央成分的能量，计算能量模态值；构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。可有效地对工业设备工作状态和故障信息进行高效的辨识和判断，进行工业设备的状态监测和健康管理。

Description

一种基于数据融合的工业设备故障诊断系统及方法
技术领域
本发明涉及工业设备故障诊断技术领域，尤其涉及一种基于数据融合的工业设备故障诊断系统及方法。
背景技术
故障诊断技术是一种对故障信号进行模式识别的技术，传统的故障诊断方法是将传统的信号分析方法与机器学习算法结合，包括信号的特征提取与特征的识别分类两个阶段。首先对传感器采集的振动信号进行预处理，对信号进行降维处理，再利用传统的信号特征分析方法提取信号的相关特征，接着根据不同的应用场景采用适合的浅层神经网络分类器对故障识别分类，最终将提取到的特征通过分类器进行特征识别得到故障诊断信息。
当前己有许多成熟的信号分析方法在故障诊断中得到不错的效果，包括时域分析、频域分析以及时频域分析方法等。其中时域分析方法可以通过信号均值、方差值、峭度、波形因子和峰值因子等进行分析，是对信号的时域特征进行提取。
虽基于传统分析的故障诊断方法具有显著的效果，但仍在某些方面存在一定的局限性：在实际生产中，采集的信号会携带大量的噪声信息，这种情况下故障的特征提取难度更大，需要更先进的信号处理技术对信号的特征进行提取。在信号的特征提取阶段，特征提取受限于专家经验，且特征提取的方法需要针对不同诊断问题采用不同方法，具有一定局限性且泛化能力弱。传统的分类器是一种浅层次的学习模型，这种简单的浅层次的架构限制了故障诊断中复杂非线性关系的学习。
随着设备监测难度的增加，其检测信号呈现出非线性、不确定性及无规律性变化的特点。将单一信号源作为诊断依据，难以全面多角度的反映出设备的状态。而数据融合技术可以很好的解决这个问题，其可以有效的利用多个传感器采集的信号进行融合，以获取单一信号源以及单维度信号下所无法获取的更具有价值的综合特征信息。
现有技术中，例如专利文献CN108614548A公开了一种基于多模态融合深度学习的智能故障诊断方法，属于工业设备故障诊断技术领域。分别提取结构化数据与非结构化数据中所隐含的故障特征，对所提取到的不同故障特征进行有机融合，使用softmax分类器进行故障分类，实现对工业设备健康状况的预测与诊断。通过此方法可以实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类。但是该技术方案属于浅层机器学习，其计算复杂度与空间复杂度都不高。
再例如专利文献CN103885406A公开了一种基于多数据融合的工业制气设备故障智能诊断和监控系统，包括多个传感器和信号处理系统，所述多个传感器对工业制气设备进行监控并获得独立诊断结果，然后将检测信号传递给信号处理系统，信号处理系统中包含故障样本库，并且能够根据多个传感器的独立诊断结果执行融合程序，得到工业制气设备故障诊断结果，最后根据所述故障诊断结果发出预警信号。但是该技术方案没有及时给出工业设备的各部件的故障严重等级以及对机组的健康状态的评估。
发明内容
为了解决上述技术问题，本发明提出了一种基于数据融合的工业设备故障诊断方法，包括如下步骤：
S1、对工业设备振动信号进行采集，收集工业设备随时间的振动数据；
S2、将振动信号通过短时傅里叶变换转化为时间频率图像；
S3、对所述时间频率图像进行二维傅里叶变换，生成空间频率图像；算出所述空间频率图像中空间频率的中央成分的能量；
S4、根据空间频率图像中空间频率的中央成分的能量，计算能量模态值；
S5、构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；
S6、判断神经网络是否收敛，若神经网络收敛，则执行步骤８，否则执行步骤
７；
S7、利用BP反向传播算法，将步骤５求得的误差反向逐层传播到神经网络的每个节点，并更新权值，重复执行步骤S5～步骤S7，直至神经网络收敛；
S8、根据精确度判断神经网络是否满足实际要求，如满足执行步骤S9，否则跳转到步骤S5，修改神经网络模型参数；
S9、采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。
进一步地，所述步骤S2中，对步骤S1中收集的振动数据随时间进行傅里叶变换，算出振动数据随时间的各频率成分的强度，将根据随时间的各频率成分的强度插入到时间轴和频率轴，构成时间频率图像。
进一步地，所述步骤S4中，对于能量数据x=[x1,x2,…，xN]，xi表示在频率点i处计算的能量数据，N表示频率点总数，
对长度为s的窗口内的能量数据求平均值，构造出连续的能量模态值ys，能量模态值通过下式得到：
Figure 556545DEST_PATH_IMAGE001
；
尺度因子j表示能量模态值中的第j个元素。
进一步地，所述步骤S9具体包括：
S91、对长度为2n的神经网络的输出值以中心能量模态值为中点划分成两段能量模态值范围的信号，进行包络解调处理；
S92、根据两段能量模态值范围计算其对应的能量尺度值，进行小波变换，得到一 路变换系统
Figure DEST_PATH_IMAGE002
；
S93、重复步骤S92，得到另一路变换系统
Figure 755577DEST_PATH_IMAGE003
；
S94、将步骤S93得到的变换系统
Figure DEST_PATH_IMAGE004
、
Figure 941839DEST_PATH_IMAGE005
进行交叉小波变换，识别出故 障的特征频率，与理论值进行对比进行故障诊断。
进一步地，对长度为2n的神经网络的输出值以中心能量模态值为中点划分成两段能量模态值范围的信号，进行包络解调处理，n=2L，采样时间间隔为Δt；
规定中心能量模态值
Figure DEST_PATH_IMAGE006
，其中t=0，1，…，Δt；
Figure 602627DEST_PATH_IMAGE007
；
Figure DEST_PATH_IMAGE008
。
本发明还提出了一种基于数据融合的工业设备故障诊断系统，用于实现工业设备故障诊断方法，数据采集单元、信号处理单元、时间频率图像转换单元、空间频率图像转换单元、能量模态计算单元、模型构建单元、模型参数优化单元和诊断决策单元；
数据采集单元，用于对工业设备振动信号进行采集，收集工业设备随时间的振动数据，实现对不同振动数据的统一时间戳分配；
信号处理单元，接收来自所述数据采集单元的振动信号，并按照统一时间戳实现多源数据的对齐、规整、增强；
时间频率图像转换单元，用于将信号处理单元处理后的振动信号通过短时傅里叶变换转化为时间-频率图像；
空间频率图像转换单元，用于对时间-频率图像进行二维傅里叶变换，生成空间频率图像，并算出空间频率图像中空间频率的中央成分的能量；
能量模态计算单元，用于根据空间频率图像中空间频率的中央成分的能量，计算能量模态值；
模型构建单元，用于构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；
模型参数优化单元，利用BP反向传播算法，将模型构建单元输出的误差反向逐层传播到神经网络的每个节点，并更新权值，直至神经网络收敛；
诊断决策单元，采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。
进一步地，所述数据采集单元包括多个采集控制器、采集控制器、采集卡和数据集成单元，通过不同采集控制器对工业设备振动信号进行采集，实现来自不同采集控制器的数据包的统一时间戳分配，并通过采集控制器及采集卡上送数据至数据集成单元。
相比于现有技术，本申请具有如下技术效果：对收集的振动数据随时间进行傅里叶变换，算出振动数据随时间的各频率成分的强度；将根据随时间的各频率成分的强度插入到时间轴和频率轴，构成时间频率图像；进行二维傅里叶变换，生成空间频率图像；算出所述空间频率图像中空间频率的中央成分的能量；根据空间频率图像中空间频率的中央成分的能量，计算能量模态值；构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断，可有效地对工业设备工作状态和故障信息进行高效的辨识和判断，进行工业设备的状态监测和健康管理。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于数据融合的工业设备故障诊断方法的流程图；
图2示出了在工业设备未发生故障的情况下收集的振动数据；
图3示出了在工业设备发生分布故障的情况下收集的振动数据；
图4示出了在工业设备发生局部故障时收集的振动数据；
图5示出了计算空间频率图像中的空间频率的中央能量的示例图；
图6示出了工业设备故障状态运行时得到的交叉小波变换频谱图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的一种基于数据融合的工业设备故障诊断方法的流程图，包括如下步骤：
S1、对工业设备振动信号进行采集，收集工业设备随时间的振动数据。
S2、将振动信号通过短时傅里叶变换转化为时间-频率图像。
对步骤S1中收集的振动数据随时间进行傅里叶变换，算出振动数据随时间的各频率成分的强度；将根据随时间的各频率成分的强度插入到时间轴和频率轴，构成时间-频率图像。
图2示出了在工业设备未发生故障的情况下收集的振动数据。在图2中，上部的曲线图为时间轴上示出振动数据，下部的曲线图为在频率轴上示出振动数据。如果工业设备没有发生故障，则所感测到的振动只有基于工业设备的重量、振动速度、材质等的固有的振动。因此，若在频率轴中搜索所检测的振动，则呈现出能量集中于相当于工业设备的固有频率的整数倍的振动数值的倾向。
图3示出了在工业设备发生分布式故障的情况下收集的振动数据。在图3中，上部的曲线图为在时间轴上示出振动数据，下部的曲线图为在频率轴上示出振动数据。在工业设备发生分布式故障的情况下，在时间轴上发生因故障而大小周期性地发生变化的振动，在频率轴上呈现固有频率中的能量集中减少的倾向。
图4示出了在工业设备发生局部式故障时收集的振动数据。在图4中，上部的曲线图为在时间轴上示出振动数据，下部的曲线图为在频率轴上示出振动数据。在工业设备发生局部式故障的情况下，振动在时间轴上每隔一定周期集中，在频率轴上在低频带附近检测出因故障引起的振动能量。
S3、对所述时间-频率图像进行二维傅里叶变换，生成空间频率图像；算出所述空间频率图像中空间频率的中央能量。
图5示出了计算空间频率图像中的空间频率的中央能量的示例的图。在图5中，阴影部分是能量集中的部分。
S4、根据空间频率图像中空间频率的中央成分的能量，计算能量模态值。
对于给定的能量数据x=[x1,x2,…，xN]，xi表示在频率点i处计算的能量数据，N表示频率点总数。
对长度为s的窗口内的能量数据求平均值，构造出连续的能量模态值ys，能量模态值通过下式得到：
Figure 823524DEST_PATH_IMAGE001
；
上式中尺度因子j表示能量模态值中的第j个元素。
通过改变尺度因子的值来获得多个能量模态值，不同的能量模态值包含着可以互补的能量数据信息，这些丰富的能量数据信息可以用来映射出更稳健的能量特征。
S5、构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差。
S6、判断神经网络是否收敛，若神经网络收敛，则执行步骤８，否则执行步骤７。
S7、利用BP反向传播算法，将步骤５求得的误差反向逐层传播到神经网络的每个节点，并更新权值，重复执行步骤S5～步骤S7，直至神经网络收敛。
S8、根据精确度判断神经网络是否满足实际要求，如满足执行步骤S9，否则跳转到步骤S5，修改神经网络模型参数。
S9、采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。步骤如下：
（1）对长度为2n的神经网络的输出值以中心能量模态值为中点划分成两段能量模态值范围的信号，进行包络解调处理，n=2L，采样时间间隔为Δt；
规定中心能量模态值
Figure 380407DEST_PATH_IMAGE006
，其中t=0，1，…，Δt；
Figure 991648DEST_PATH_IMAGE007
；
Figure 987286DEST_PATH_IMAGE008
。
（2）根据以上划分的两个能量模态值范围计算其对应的能量尺度值，进行小波变 换，得到一路变换系统
Figure 390586DEST_PATH_IMAGE002
。
（3）重复步骤（2），得到另一路变换系统
Figure 931419DEST_PATH_IMAGE003
。
（4）将以上得到的变换系统
Figure 279224DEST_PATH_IMAGE004
、
Figure 750657DEST_PATH_IMAGE005
进行交叉小波变换，识别出故障的特 征频率，与理论值进行对比进行故障诊断。
如图6所示，为工业设备故障状态运行时得到的交叉小波变换频谱图，从图中即可识别出故障的特征频率。
本发明还提出了一种基于数据融合的工业设备故障诊断系统，包括：
数据采集单元，包括多个采集控制器、采集控制器、采集卡和数据集成单元，通过不同采集控制器对工业设备振动信号进行采集，收集工业设备随时间的振动数据，并实现来自不同采集控制器的数据包的统一时间戳分配；多个采集控制器包括加速度、速度、位移等传感器，用于对工业设备的振动数据进行采集，并通过采集控制器及采集卡上送数据至数据集成单元。
信号处理单元，通过构建Socket服务器接收来自数据采集单元的振动信号，并按照统一时间戳实现多源数据的对齐，用于对采集的振动信号进行规整、增强。
时间频率图像转换单元，用于将信号处理单元处理后的振动信号通过短时傅里叶变换转化为时间-频率图像。
空间频率图像转换单元，用于对时间-频率图像进行二维傅里叶变换，生成空间频率图像，并算出空间频率图像中空间频率的中央成分的能量。
能量模态计算单元，用于根据空间频率图像中空间频率的中央成分的能量，计算能量模态值。
模型构建单元，用于构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差。
模型参数优化单元，利用BP反向传播算法，将模型构建单元输出的误差反向逐层传播到神经网络的每个节点，并更新权值，直至神经网络收敛。
诊断决策单元，采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于数据融合的工业设备故障诊断方法，其特征在于，包括如下步骤：
S1、对工业设备振动信号进行采集，收集工业设备随时间的振动数据；
S2、将振动信号通过短时傅里叶变换转化为时间频率图像；
S3、对所述时间频率图像进行二维傅里叶变换，生成空间频率图像；算出所述空间频率图像中空间频率的中央成分的能量；
S4、根据空间频率图像中空间频率的中央成分的能量，计算能量模态值；
S5、构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；
S6、判断神经网络是否收敛，若神经网络收敛，则执行步骤８，否则执行步骤
７；
S7、利用BP反向传播算法，将步骤５求得的误差反向逐层传播到神经网络的每个节点，并更新权值，重复执行步骤S5～步骤S7，直至神经网络收敛；
S8、根据精确度判断神经网络是否满足实际要求，如满足执行步骤S9，否则跳转到步骤S5，修改神经网络模型参数；
S9、采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。
2.根据权利要求1所述的工业设备故障诊断方法，其特征在于，所述步骤S2中，对步骤S1中收集的振动数据随时间进行傅里叶变换，算出振动数据随时间的各频率成分的强度，将根据随时间的各频率成分的强度插入到时间轴和频率轴，构成时间频率图像。
3.根据权利要求1所述的工业设备故障诊断方法，其特征在于，所述步骤S4中，对于能量数据x=[x1,x2,…，xN]，xi表示在频率点i处计算的能量数据，N表示频率点总数，
对长度为s的窗口内的能量数据求平均值，构造出连续的能量模态值ys，能量模态值通过下式得到：
Figure DEST_PATH_IMAGE001
；
尺度因子j表示能量模态值中的第j个元素。
4.根据权利要求1所述的工业设备故障诊断方法，其特征在于，所述步骤S9具体包括：
S91、对长度为2n的神经网络的输出值以中心能量模态值为中点划分成两段能量模态值范围的信号，进行包络解调处理；
S92、根据两段能量模态值范围计算其对应的能量尺度值，进行小波变换，得到一路变 换系统
Figure 789578DEST_PATH_IMAGE002
；
S93、重复步骤S92，得到另一路变换系统
Figure DEST_PATH_IMAGE003
；
S94、将步骤S93得到的变换系统
Figure 50926DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
进行交叉小波变换，识别出故障的 特征频率，与理论值进行对比进行故障诊断。
5.根据权利要求4所述的工业设备故障诊断方法，其特征在于，对长度为2n的神经网络的输出值以中心能量模态值为中点划分成两段能量模态值范围的信号，进行包络解调处理，n=2L，采样时间间隔为Δt；
规定中心能量模态值
Figure 299505DEST_PATH_IMAGE006
，其中t=0，1，…，Δt；
Figure DEST_PATH_IMAGE007
；
Figure 366818DEST_PATH_IMAGE008
。
6.一种基于数据融合的工业设备故障诊断系统，用于实现权利要求1-5任意一项所述的工业设备故障诊断方法，其特征在于，包括：数据采集单元、信号处理单元、时间频率图像转换单元、空间频率图像转换单元、能量模态计算单元、模型构建单元、模型参数优化单元和诊断决策单元；
数据采集单元，用于对工业设备振动信号进行采集，收集工业设备随时间的振动数据，实现对不同振动数据的统一时间戳分配；
信号处理单元，接收来自所述数据采集单元的振动信号，并按照统一时间戳实现多源数据的对齐、规整、增强；
时间频率图像转换单元，用于将信号处理单元处理后的振动信号通过短时傅里叶变换转化为时间-频率图像；
空间频率图像转换单元，用于对时间-频率图像进行二维傅里叶变换，生成空间频率图像，并算出空间频率图像中空间频率的中央成分的能量；
能量模态计算单元，用于根据空间频率图像中空间频率的中央成分的能量，计算能量模态值；
模型构建单元，用于构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；
模型参数优化单元，利用BP反向传播算法，将模型构建单元输出的误差反向逐层传播到神经网络的每个节点，并更新权值，直至神经网络收敛；
诊断决策单元，采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。
7.根据权利要求6所述的工业设备故障诊断系统，其特征在于，所述数据采集单元包括多个采集控制器、采集控制器、采集卡和数据集成单元，通过不同采集控制器对工业设备振动信号进行采集，实现来自不同采集控制器的数据包的统一时间戳分配，并通过采集控制器及采集卡上送数据至数据集成单元。
CN202211248303.6A 2022-10-12 2022-10-12 一种基于数据融合的工业设备故障诊断系统及方法 Active CN115310499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211248303.6A CN115310499B (zh) 2022-10-12 2022-10-12 一种基于数据融合的工业设备故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211248303.6A CN115310499B (zh) 2022-10-12 2022-10-12 一种基于数据融合的工业设备故障诊断系统及方法

Publications (2)

Publication Number Publication Date
CN115310499A true CN115310499A (zh) 2022-11-08
CN115310499B CN115310499B (zh) 2023-03-24

Family

ID=83868340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211248303.6A Active CN115310499B (zh) 2022-10-12 2022-10-12 一种基于数据融合的工业设备故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN115310499B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116009502A (zh) * 2023-03-22 2023-04-25 深圳华龙讯达信息技术股份有限公司 工业自动化平台智能数据采集系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335841A (zh) * 2013-06-04 2013-10-02 辽宁大学 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法
CN103808405A (zh) * 2012-11-08 2014-05-21 极晨智道信息技术(北京)有限公司 烟气发电机组振动故障的自动诊断方法和装置
CN108983051A (zh) * 2018-07-25 2018-12-11 武汉科技大学 基于同步挤压小波变换的局部放电类型识别方法
US20190041365A1 (en) * 2017-08-04 2019-02-07 Crystal Instruments Corporation Modal vibration analysis system
CN110006652A (zh) * 2019-04-12 2019-07-12 燕山大学 一种滚动轴承故障诊断方法及系统
KR102039036B1 (ko) * 2018-06-15 2019-11-04 (주)영일랩스 딥러닝 고장예측 분석기반 전동식 조향장치 래틀 검사시스템
CN111965543A (zh) * 2020-10-21 2020-11-20 湖南大学 永磁同步电机匝间短路故障初期检测方法、系统及介质
CN112709690A (zh) * 2021-01-04 2021-04-27 北京昊鹏智能技术有限公司 电驱压气机系统的故障检测方法、装置、设备及介质
CN113176092A (zh) * 2021-04-25 2021-07-27 江苏科技大学 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
KR20220064098A (ko) * 2020-11-11 2022-05-18 한국생산기술연구원 기계학습 기반 고장 진단 장치 및 방법
CN115062867A (zh) * 2022-07-26 2022-09-16 中车长春轨道客车股份有限公司 基于Teager能量谱和改进型CNN模型的轴承故障预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808405A (zh) * 2012-11-08 2014-05-21 极晨智道信息技术(北京)有限公司 烟气发电机组振动故障的自动诊断方法和装置
CN103335841A (zh) * 2013-06-04 2013-10-02 辽宁大学 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法
US20190041365A1 (en) * 2017-08-04 2019-02-07 Crystal Instruments Corporation Modal vibration analysis system
KR102039036B1 (ko) * 2018-06-15 2019-11-04 (주)영일랩스 딥러닝 고장예측 분석기반 전동식 조향장치 래틀 검사시스템
CN108983051A (zh) * 2018-07-25 2018-12-11 武汉科技大学 基于同步挤压小波变换的局部放电类型识别方法
CN110006652A (zh) * 2019-04-12 2019-07-12 燕山大学 一种滚动轴承故障诊断方法及系统
CN111965543A (zh) * 2020-10-21 2020-11-20 湖南大学 永磁同步电机匝间短路故障初期检测方法、系统及介质
KR20220064098A (ko) * 2020-11-11 2022-05-18 한국생산기술연구원 기계학습 기반 고장 진단 장치 및 방법
CN112709690A (zh) * 2021-01-04 2021-04-27 北京昊鹏智能技术有限公司 电驱压气机系统的故障检测方法、装置、设备及介质
CN113176092A (zh) * 2021-04-25 2021-07-27 江苏科技大学 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN115062867A (zh) * 2022-07-26 2022-09-16 中车长春轨道客车股份有限公司 基于Teager能量谱和改进型CNN模型的轴承故障预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
熊邦书等: "周期能量与优化LMD结合的轴承故障诊断方法", 《振动.测试与诊断》 *
袁倩等: "基于D-S信息融合技术的磁轴承转子故障诊断方法", 《仪表技术与传感器》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116009502A (zh) * 2023-03-22 2023-04-25 深圳华龙讯达信息技术股份有限公司 工业自动化平台智能数据采集系统及方法

Also Published As

Publication number Publication date
CN115310499B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
JP2022500745A (ja) 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
Liu et al. A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory
US20180293723A1 (en) Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN113344134A (zh) 一种低压配电监控终端数据采集异常检测方法及系统
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
US11692910B2 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
Arul et al. Data anomaly detection for structural health monitoring of bridges using shapelet transform
CN116552306B (zh) 直流桩的监控系统及其方法
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN116416884B (zh) 一种显示器模组的测试装置及其测试方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
KR102289212B1 (ko) 인공지능 기반 고장 진단 장치 및 방법
Shajihan et al. CNN based data anomaly detection using multi-channel imagery for structural health monitoring
Lu et al. Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph
CN116610938A (zh) 曲线模式分段的半导体制造无监督异常检测方法及设备
JP6846369B2 (ja) 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
CN117782198A (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
Gong et al. Application of improved bubble entropy and machine learning in the adaptive diagnosis of rotating machinery faults
CN111339986A (zh) 基于时域/频域分析的装备用频规律挖掘方法和系统
CN114492146B (zh) 基于迁移学习的螺栓群松动定位和定量分析方法及系统

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