CN115683631B - 轴承故障检测方法及装置 - Google Patents
轴承故障检测方法及装置 Download PDFInfo
- Publication number
- CN115683631B CN115683631B CN202310000516.5A CN202310000516A CN115683631B CN 115683631 B CN115683631 B CN 115683631B CN 202310000516 A CN202310000516 A CN 202310000516A CN 115683631 B CN115683631 B CN 115683631B
- Authority
- CN
- China
- Prior art keywords
- time domain
- mapping
- feature
- features
- bearing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000013507 mapping Methods 0.000 claims abstract description 241
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- DMSMPAJRVJJAGA-UHFFFAOYSA-N benzo[d]isothiazol-3-one Chemical compound C1=CC=C2C(=O)NSC2=C1 DMSMPAJRVJJAGA-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开是关于一种轴承故障检测方法及装置。该方法包括：获取待检测的轴承的多个第一时域特征；确定多个第一时域特征中的每两个第一时域特征之间的点间距离；基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征；获取目标振动信号对应的仿射变换参数；基于仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。该方法不再限于仅能够检测轴承局部故障，或者仅能够检测广义粗糙故障，避免了轴承故障检测时的局限性。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种轴承故障检测方法及装置。
背景技术
轴承退化是机电系统中最常见的故障来源之一，轴承故障检测对于机电系统来说是不可或缺的。轴承故障包括轴承局部故障和广义粗糙故障，轴承局部故障主要是由于裂纹、凹坑和剥落导致的，轴承局部故障按故障具体位置分为：内滚道、外滚道和滚珠；广义粗糙故障主要是由于轴承表面在很大范围内发生了相当程度的退化导致的，例如轴承表面变得粗糙、不规则或甚至变形。
相关技术中，利用概率模型、高分辨率频率分析或增强波分解等先进的信号处理技术对实测物理量进行处理，获得可靠的故障指标，但是这些信号处理技术大多不能同时检测轴承局部故障和广义粗糙故障，在轴承故障检测方面仍然存在局限性。
发明内容
为克服相关技术中存在的问题，本公开提供一种轴承故障检测方法及装置。
根据本公开实施例的第一方面，提供一种轴承故障检测方法，所述方法包括：
获取待检测的轴承的多个第一时域特征，所述第一时域特征为所述轴承以目标参数运行状态下的目标振动信号的时域表达，所述目标参数至少包括所述轴承的转速和扭矩；
确定多个所述第一时域特征中的每两个所述第一时域特征之间的点间距离，两个所述第一时域特征之间的点间距离表示两个所述第一时域特征之间互相影响的程度；
基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征；
获取所述目标振动信号对应的仿射变换参数；
基于所述仿射变换参数，分别对多个所述第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；
调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型。
在一些实施例中，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
对多个所述第一时域特征中的参考时域特征进行映射，得到所述参考时域特征对应的第一映射特征，所述参考时域特征为多个所述第一时域特征中的任一时域特征；
按照多个所述第一时域特征中的其他第一时域特征与所述参考时域特征之间的点间距离从小到大的顺序，对所述其他第一时域特征进行映射，得到所述其他第一时域特征对应的第一映射特征。
在一些实施例中，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
按照映射关系和每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，所述映射关系包括所述第一时域特征和所述第一映射特征之间的对应关系。
在一些实施例中，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
基于每两个所述第一时域特征之间的点间距离，对多个所述第一时域特征进行多次特征映射，得到每个所述第一时域特征对应的多个备选映射特征；
从每个所述第一时域特征对应的多个所述备选映射特征中，选取每个所述第一时域特征对应的所述第一映射特征。
在一些实施例中，所述获取所述目标振动信号对应的仿射变换参数，包括：
调用径向基神经网络，获取所述目标振动信号对应的所述仿射变换参数，所述径向基神经网络基于样本振动信号和对应的样本仿射变换参数训练得到。
在一些实施例中，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征之前，所述方法还包括：
获取所述轴承的多个第二时域特征，所述第二时域特征为所述轴承以所述目标参数运行状态下的所述目标振动信号的时域表达，多个所述第二时域特征包括均值、最大值、均方根、标准差、方差、均方根形状因子、波峰因子、纬度因子、脉冲因子、偏度、峰度、归一化5阶矩或归一化6阶矩中的至少两个；
从多个所述第二时域特征中，选取多个所述第一时域特征。
在一些实施例中，所述从多个所述第二时域特征中，选取多个所述第一时域特征，包括：
基于性能评估模型，分别对多个所述第二时域特征进行性能评估，得到每个所述第二时域特征的性能参数，所述性能参数表示对应的第二时域特征在轴承故障检测过程中的重要性；
基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，所述第一时域特征的性能参数大于其他未被选取的第二时域特征的性能参数。
在一些实施例中，所述方法还包括：
将多个所述第二时域特征中的至少两个所述第二时域特征进行组合，得到多个第一组合特征；
基于所述性能评估模型，分别对多个所述第一组合特征进行性能评估，得到每个所述第一组合特征的性能参数；
所述基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，包括：
基于每个所述第二时域特征的性能参数和每个所述第一组合特征的性能参数，选取多个所述第一时域特征，多个所述第一时域特征中的至少两个所述第一时域特征组合得到的组合特征的性能参数大于其他组合特征的性能参数。
在一些实施例中，所述基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，包括：
从多个所述第二时域特征中选取性能参数大于预设参数的第二时域特征，作为所述第一时域特征；或者，
从多个所述第二时域特征选取性能参数最大的预设数量个第二时域特征，作为所述第一时域特征。
在一些实施例中，所述故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，所述调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型，包括：
调用所述第一分类网络，对多个所述目标映射特征进行处理，得到所述轴承的第一分类结果，所述第一分类结果表示所述轴承所属的目标故障类型对；
调用所述目标故障类型对对应的第二分类网络，对所述第一分类结果进行处理，得到所述轴承的第二分类结果，所述第二分类结果表示所述轴承所属的所述目标故障类型，所述目标故障类型为所述目标故障类型对中的故障类型。
在一些实施例中，所述第一分类结果包括第一概率，所述第一概率为所述轴承的故障类型为所述目标故障类型对中的故障类型的概率，所述第二分类结果包括第二概率，所述第二概率为在所述目标故障类型对中所述轴承的故障类型为所述目标故障类型的概率，所述调用所述目标故障类型对对应的第二分类网络，对所述第一分类结果进行处理，得到所述轴承的第二分类结果之后，所述方法还包括：
将所述第一概率与所述第二概率相乘，得到所述目标故障类型对应的后验概率，所述后验概率表示所述轴承的故障类型为所述目标故障类型的可能性。
在一些实施例中，所述目标映射特征的维度小于所述第一时域特征的维度。
根据本公开实施例的第二方面，提供一种轴承故障检测装置，所述装置包括：
特征获取模块，被配置为获取待检测的轴承的多个第一时域特征，所述第一时域特征为所述轴承以目标参数运行状态下的目标振动信号的时域表达，所述目标参数至少包括所述轴承的转速和扭矩；
距离获取模块，被配置为确定多个所述第一时域特征中的每两个所述第一时域特征之间的点间距离，两个所述第一时域特征之间的点间距离表示两个所述第一时域特征之间互相影响的程度；
特征映射模块，被配置为基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征；
参数获取模块，被配置为获取所述目标振动信号对应的仿射变换参数；
仿射变换模块，被配置为基于所述仿射变换参数，分别对多个所述第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；
故障检测模块，被配置为调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型。
在一些实施例中，所述特征映射模块，被配置为：
对多个所述第一时域特征中的参考时域特征进行映射，得到所述参考时域特征对应的第一映射特征，所述参考时域特征为多个所述第一时域特征中的任一时域特征；
按照多个所述第一时域特征中的其他第一时域特征与所述参考时域特征之间的点间距离从小到大的顺序，对所述其他第一时域特征进行映射，得到所述其他第一时域特征对应的第一映射特征。
在一些实施例中，所述特征映射模块，被配置为：
按照映射关系和每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，所述映射关系包括所述第一时域特征和所述第一映射特征之间的对应关系。
在一些实施例中，所述特征映射模块，被配置为：
基于每两个所述第一时域特征之间的点间距离，对多个所述第一时域特征进行多次特征映射，得到每个所述第一时域特征对应的多个备选映射特征；
从每个所述第一时域特征对应的多个所述备选映射特征中，选取每个所述第一时域特征对应的所述第一映射特征。
在一些实施例中，所述参数获取模块，被配置为调用径向基神经网络，获取所述目标振动信号对应的所述仿射变换参数，所述径向基神经网络基于样本振动信号和对应的样本仿射变换参数训练得到。
在一些实施例中，所述装置还包括：
所述特征获取模块，还被配置为获取所述轴承的多个第二时域特征，所述第二时域特征为所述轴承以所述目标参数运行状态下的所述目标振动信号的时域表达，多个所述第二时域特征包括均值、最大值、均方根、标准差、方差、均方根形状因子、波峰因子、纬度因子、脉冲因子、偏度、峰度、归一化5阶矩或归一化6阶矩中的至少两个；
特征选择模块，被配置为从多个所述第二时域特征中，选取多个所述第一时域特征。
在一些实施例中，所述特征选择模块，被配置为：
基于性能评估模型，分别对多个所述第二时域特征进行性能评估，得到每个所述第二时域特征的性能参数，所述性能参数表示对应的第二时域特征在轴承故障检测过程中的重要性；
基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，所述第一时域特征的性能参数大于其他未被选取的第二时域特征的性能参数。
在一些实施例中，所述装置还包括：
特征组合模块，被配置为将多个所述第二时域特征中的至少两个所述第二时域特征进行组合，得到多个第一组合特征；
所述特征选择模块，还被配置为分别对多个所述第一组合特征进行性能评估，得到每个所述第一组合特征的性能参数；
所述特征选择模块，被配置为基于每个所述第二时域特征的性能参数和每个所述第一组合特征的性能参数，选取多个所述第一时域特征，多个所述第一时域特征中的至少两个所述第一时域特征组合得到的组合特征的性能参数大于其他组合特征的性能参数。
在一些实施例中，所述特征选择模块，被配置为：
从多个所述第二时域特征中选取性能参数大于预设参数的第二时域特征，作为所述第一时域特征；或者，
从多个所述第二时域特征选取性能参数最大的预设数量个第二时域特征，作为所述第一时域特征。
在一些实施例中，所述故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，所述故障检测模块，被配置为：
调用所述第一分类网络，对多个所述目标映射特征进行处理，得到所述轴承的第一分类结果，所述第一分类结果表示所述轴承所属的目标故障类型对；
调用所述目标故障类型对对应的第二分类网络，对所述第一分类结果进行处理，得到所述轴承的第二分类结果，所述第二分类结果表示所述轴承所属的所述目标故障类型，所述目标故障类型为所述目标故障类型对中的故障类型。
在一些实施例中，所述第一分类结果包括第一概率，所述第一概率为所述轴承的故障类型为所述目标故障类型对中的故障类型的概率，所述第二分类结果包括第二概率，所述第二概率为在所述目标故障类型对中所述轴承的故障类型为所述目标故障类型的概率，所述装置还包括：
后验概率获取模块，被配置为将所述第一概率与所述第二概率相乘，得到所述目标故障类型对应的后验概率，所述后验概率表示所述轴承的故障类型为所述目标故障类型的可能性。
在一些实施例中，所述目标映射特征的维度小于所述第一时域特征的维度。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如本公开实施例的第一方面中任一项所述的轴承故障检测方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本公开实施例的第一方面中任一项所述的轴承故障检测方法。
采用本公开的上述方法，具有以下有益效果：
本公开实施例提供的轴承故障检测方案，先获取轴承的多个第一时域特征，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，而由于第一时域特征的维度通常较大，因此，确定多个第一时域特征中的每两个第一时域特征之间的点间距离，再基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征，该第一映射特征在保留了第一时域特征表示的信息的基础上，相比于第一时域特征还减小了维度，减小了后续处理过程中的计算量；并且为了使映射后的特征更加准确，还会基于目标振动信号对应的仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；最后调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。这种检测方式，不再限于仅能够检测轴承局部故障，或者仅能够检测广义粗糙故障，避免了轴承故障检测时的局限性，并且使检测结果也更加准确。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性的实施例示出的一种轴承故障检测方法的流程图；
图2是根据一示例性的实施例示出的一种轴承故障检测过程的示意图；
图3是根据一示例性的实施例示出的一种轴承故障检测方法的流程图；
图4是根据一示例性的实施例示出的一种实验装置的示意图；
图5是根据一示例性的实施例示出的一种轴承故障检测装置的装置框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本公开实施例提供的轴承故障检测方法由电子设备执行，该电子设备为终端或服务器，可选的，终端为智能手机、平板电脑、笔记本电脑、台式电脑等，该终端还可以被称为用户设备、便携式终端、膝上型终端、台式终端等名称，可选的，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN（Content Delivery Network，内容分发网络）、以及大数据和人工智能平台等基础云计算服务的云服务器。
图1是根据一示例性的实施例示出的一种轴承故障检测方法的流程图，参见图1，该方法由电子设备执行，该方法包括以下步骤：
步骤S101，获取待检测的轴承的多个第一时域特征，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达。
本公开实施例中，在进行轴承故障检测时，首先需要获取待检测的轴承的多个第一时域特征。其中，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，也就是说，轴承在运行过程中，会产生振动信号，而通过对该振动信号进行计算，得到对应的多个第一时域特征，例如，第一时域特征可以为均值、最大值、均方根等时域特征。其中，目标参数至少包括轴承的转速和扭矩。
步骤S102，确定多个第一时域特征中的每两个第一时域特征之间的点间距离。
本公开实施例中，多个第一时域特征位于原始特征空间中，在该原始特征空间中，可以确定每两个第一时域特征之间的点间距离。其中，两个第一时域特征之间的点间距离表示两个第一时域特征之间互相影响的程度，该点间距离越大，则对应的两个第一时域特征之间互相影响的程度越大，该点间距离越小，则对应的两个第一时域特征之间互相影响的程度越小。
步骤S103，基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征。
在进行特征映射时，按照点间距离的大小，分别对多个第一时域特征进行特征映射，且在映射过程中，优先处理对应的点间距离较小的第一时域特征。映射得到的第一映射特征位于缩减特征空间，该第一映射特征的维度小于第一时域特征的维度。并且，在映射之后，多个第一映射特征之间的多个点间距离与多个第一时域特征之间的多个点间距离相匹配，可选的，每两个第一映射特征之间的点间距离与对应的每两个第一时域特征之间的点间距离相同，或者，每两个第一映射特征之间的点间距离与对应的每两个第一时域特征之间的点间距离之间的比例相同，即多个第一时域特征在映射为多个第一映射特征后，该多个第一映射特征在缩减特征空间中的距离关系与多个第一时域特征在原始特征空间中的距离关系成某一比例。
步骤S104，获取目标振动信号对应的仿射变换参数。
步骤S105，基于仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征。
本公开实施例中，为了使映射后的特征更加准确，还需要对映射得到的第一映射特征进行仿射变换，得到仿射变换后的目标映射特征，该目标映射特征与第一映射特征的维度相同，该目标映射特征是在第一映射特征的基础上进行了微调，而在进行仿射变换时需要用到仿射变换参数，该仿射变换参数与目标振动信号相对应。其中，该仿射变换参数可以是预设参数，也可以是根据多个样本振动信号训练出的参数，本公开实施例对仿射变换参数的确定方式不做限制。
步骤S106，调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。
在经过上述实施方式进行处理，得到多个目标映射特征之后，即可基于该多个目标映射特征，进行故障检测。本公开实施例中，调用故障检测模型进行故障检测，该故障检测模型是基于多个样本轴承的样本特征和对应的样本故障类型训练得到的。
本公开实施例提供的轴承故障检测方案，先获取轴承的多个第一时域特征，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，而由于第一时域特征的维度通常较大，因此，基于距离函数，确定多个第一时域特征中的每两个第一时域特征之间的点间距离，再基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征，该第一映射特征在保留了第一时域特征表示的信息的基础上，相比于第一时域特征还减小了维度，减小了后续处理过程中的计算量；并且为了使映射后的特征更加准确，还会基于目标振动信号对应的仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；最后调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。这种检测方式，不再限于仅能够检测轴承局部故障，或者仅能够检测广义粗糙故障，避免了轴承故障检测时的局限性，并且使检测结果也更加准确。
上述图1所示的实施例简单介绍了轴承故障检测过程，本公开实施例中，参见图2，轴承故障检测过程包括图2所示的四个步骤：特征计算、特征选择、特征提取（特征映射）和故障检测，下面通过图3所示的实施例对这四个步骤进行详细说明：
图3是根据一示例性的实施例示出的一种轴承故障检测方法的流程图，参见图3，该方法由电子设备执行，该方法包括以下步骤：
步骤S301，获取待检测的轴承的多个第二时域特征，第二时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达。
其中，多个第二时域特征包括均值、最大值、均方根、标准差、方差、均方根形状因子、波峰因子、纬度因子、脉冲因子、偏度、峰度、归一化5阶矩或归一化6阶矩中的至少两个。该多个第二时域特征也可称为统计时间特征。
本公开实施例中，目标参数至少包括轴承的转速和扭矩，轴承以目标参数运行是指轴承在某个转速和某个扭矩下运行。轴承在以目标参数运行时，轴承会产生振动信号，该振动信号即是此时的转速和扭矩下的振动信号，之后为了方便表示该振动信号，会基于该振动信号，确定该振动信号的时域表达，从而确定出读个第二时域特征。
在一些实施例中，该目标振动信号是一个分别以转速和扭矩为x轴和y轴的曲线。可选的，可以以转速为x轴、扭矩为y轴，或者也可以以转速为y轴、扭矩为x轴，本公开实施例对此不做限制。
在一些实施例中，由于轴承可以在多个转速和多个扭矩下运行，也就是可以有多个目标参数和多个目标振动信号，该多个目标参数和多个目标振动信号之间一一对应，因此，可以分别获取轴承以每个目标参数运行状态下的目标振动信号的多个第二时域特征。例如，目标参数可以为从轴承的80%额度速度和80%的额定扭矩到100%的额定速度和100%的额定扭矩这一范围内，扭矩和速度每变化5%就获取一次第二时域特征，当然，也可以在其他速度和扭矩下获取第二时域特征，本公开实施例对此不做限制。
步骤S302，从多个第二时域特征中，选取多个第一时域特征。
本公开实施例中，获取到的多个第二时域特征中包括目标振动信号中的大部分信息，但是这些信息在轴承故障检测中，只有部分信息是有用的信息，并且，哪一部分信息是有用的取决于轴承缺陷、附加的出现，即取决于振动源和轴承位置。例如，在取决于轴承位置的情况下，轴承安装在电机框架中和安装在外部，则选择的时域特征是不同的。
在一些实施例中，从多个第二时域特征中，选取多个所述第一时域特征，包括：基于性能评估模型，分别对多个第二时域特征进行性能评估，得到每个第二时域特征的性能参数；基于每个第二时域特征的性能参数，选取多个第一时域特征。其中，性能参数表示对应的第二时域特征在轴承故障检测过程中的重要性，第二时域特征的性能参数越大则该第二时域特征在轴承故障检测过程中越重要，第二时域特征的性能参数越小则该第二时域特征在轴承故障检测过程中越不重要，因此，为了使选取出的第一时域特征能够在轴承故障检测过程中充分发挥作用，则第一时域特征的性能参数大于其他未被选取的第二时域特征的性能参数。
其中，性能评估模型用于评估每个第二时域特征的性能。例如，该性能评估模型为基于判别分析（Discriminant Analysis，DA）技术训练出的性能评估模型，当然，还可以采用其他的分析方式来训练相应的性能评估模型，本公开实施例对此不做限制。可选的，训练过程为：根据轴承的故障类型，从各种类型中各取至少一个样本轴承的多个第二时域特征，然后根据至少一个样本轴承的多个第二时域特征设计出一套标准，即确定出需要选取的多个第一时域特征，使得从多个轴承中任取一个轴承，可以按这套标准判别需要选取出的第一时域特征。需要说明的是，本公开实施例中，由于在进行轴承故障检测之前，不确定轴承的故障类型，因此在选取时需要根据多个待确定的轴承类型来选取对应的多个第一时域特征。
在一些实施例中，由于不同的时域特征组合在一起，也可以在轴承故障检测过程中发挥重要作用，因此，将多个第二时域特征中的至少两个第二时域特征进行组合，得到多个第一组合特征；基于性能评估模型，分别对多个第一组合特征进行性能评估，得到每个第一组合特征的性能参数。则基于每个第二时域特征的性能参数，选取多个第一时域特征，包括：基于每个第二时域特征的性能参数和每个第一组合特征的性能参数，选取多个第一时域特征。这种情况下，多个第一时域特征中的至少两个第一时域特征组合得到的组合特征的性能参数大于其他组合特征的性能参数。
在一些实施例中，基于每个第二时域特征的性能参数，选取多个第一时域特征，包括：从多个第二时域特征中选取性能参数大于预设参数的第二时域特征，作为第一时域特征；或者，从多个第二时域特征选取性能参数最大的预设数量个第二时域特征，作为第一时域特征。其中，预设参数和预设数量为预设数值。例如预设数量为6，则选取轴承的转速对应的均方根（Root Mean Square，RMS）、方差、均方根形状因子和扭矩对应的均方根、方差、均方根形状因子作为第一时域特征。
本公开实施例中，在选取第一时域特征时，如果选取的第一时域特征的数量较多，则会对后续的检测过程造成较大的计算量，而如果选取的第一时域特征的数量较少，则后续的检测过程中会缺少重要的信息，导致检测不准确，因此，在选取第一时域特征时即不能选取太多的第一时域特征，也不能选取太少的第一时域特征。
步骤S303，确定多个第一时域特征中的每两个第一时域特征之间的点间距离。
其中，两个第一时域特征之间的点间距离表示两个第一时域特征之间互相影响的程度。该点间距离越短表示两个时域特征之间互相影响的程度越大，点间距离越长表示两个时域特征之间互相影响的程度越小，因此，后续在进行特征映射时，需要优先处理短距离。
在一些实施例中，将多个第一时域特征设置在原始特征空间中，然后在该原始特征空间中计算每两个第一时域特征之间的点间距离，例如，点间距离采用下述公式表示：
其中，x i 和x j 分别表示第i个第一时域特征和第j个第一时域特征，D ij 表示第i个第一时域特征和第j个第一时域特征之间的点间距离。
可选的，采用欧式距离的计算方式来计算两个第一时域特征之间的点间距离。当然，也可以采用其他方式计算两个第一时域特征之间的点间距离，本公开实施例对此不做限制。
步骤S304，基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征。
本公开实施例中，采用CCA（Canonical Correlation Analysis，曲线成分分析）技术对第一时域特征进行映射，在进行特征映射时，按照点间距离的大小，分别对多个第一时域特征进行特征映射，且在映射过程中，优先处理对应的点间距离较短的第一时域特征。映射得到的第一映射特征位于缩减特征空间，该第一映射特征的维度小于第一时域特征的维度。并且，在映射之后，多个第一映射特征之间的多个点间距离与多个第一时域特征之间的多个点间距离相匹配，可选的，每两个第一映射特征之间的点间距离与对应的每两个第一时域特征之间的点间距离相同，或者，每两个第一映射特征之间的点间距离与对应的每两个第一时域特征之间的点间距离之间的比例相同，即多个第一时域特征在映射为多个第一映射特征后，该多个第一映射特征在缩减特征空间中的距离关系与多个第一时域特征在原始特征空间中的距离关系成某一比例。
在一些实施例中，确定距离函数阈值，该距离函数阈值为递减的指数函数，且该递减的指数函数对应的误差函数为右bregman散度。在点间距离小于该距离函数阈值的情况下，映射得到的对应的两个第一映射特征之间的点间距离与两个第一时域特征之间的点间距离相同，即局部的短距离保持。而在点间距离大于该距离函数阈值的情况下，则不需要保证映射得到的对应的两个第一映射特征之间的点间距离与两个第一时域特征之间的点间距离相同。
本公开实施例中，虽然在不同的缩减特征空间中的映射特征将表现出相同的性能，但在每次新的CCA执行时，即每次进行新的映射时，投影图（多个映射特征）在缩减特征空间中的全局位置都会发生变化，映射得到的多个映射特征不是不变的。事实上，多个映射特征会发生变化，因为多个映射特征仅受点间距离保留的约束。其中，随机性有两个来源：第一个是参考时域特征在缩减特征空间中映射，其余的映射特征将从该参考时域特征的映射中产生，第二个是根据固定的索引序列进行映射。
在一些实施例中，对多个第一时域特征中的参考时域特征进行映射，得到参考时域特征对应的第一映射特征，参考时域特征为多个第一时域特征中的任一时域特征；按照多个第一时域特征中的其他第一时域特征与参考时域特征之间的点间距离从小到大的顺序，对其他第一时域特征进行映射，得到其他第一时域特征对应的第一映射特征。
可选的，任一已经完成映射的第一时域特征均可作为参考时域特征，也即是未映射的第一时域特征需要根据已经映射完成的第一时域特征进行映射。
在一些实施例中，按照映射关系和每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征。映射关系包括第一时域特征和第一映射特征之间的对应关系。可选的，按照映射关系和每两个第一时域特征之间的点间距离从小到大的顺序，先映射对应的点间距离最小的两个第一时域特征。
在一些实施例中，可以对每个第一时域特征进行一次映射，将映射后的特征作为对应的第一映射特征。或者，也可以基于每两个第一时域特征之间的点间距离，对多个第一时域特征进行多次特征映射，得到每个第一时域特征对应的多个备选映射特征；从每个第一时域特征对应的多个备选映射特征中，选取每个第一时域特征对应的第一映射特征。
可选的，对第一时域特征进行多次特征映射包括：执行对应于第一操作条件的第一映射特征的第一次特征映射，然后将第一次特征映射得到的第一映射特征作为下一次特征映射的初始特征，直至得到最后一次特征映射后的第一映射特征。其中，为了使多次特征映射迭代过程中减少变化，降低每次映射时的学习率。
本公开实施例，由于第一时域特征中包含冗余的信息，通过特征映射，在实现将第一时域特征映射为第一映射特征的同时，去除了第一时域特征中冗余的信息，且不会丢失轴承故障检测中需要用到的重要的特征。
在一些实施例中，多个第一时域特征可以一起进行特征映射，或者，在多个操作条件下，将同一操作条件下的读个时域特征一起进行映射，即在目标参数为多个转速和多个扭矩的情况下，将同一转速和同一扭矩对应的多个第一时域特征一起进行映射，本公开实施例对多个第一时域特征是一起进行特征映射，还是按照操作条件不同分开进行特征映射不做限制。其中，操作条件即为轴承的转速和扭矩。
在一些实施例中，在召回阶段时，在对部分第一时域特征映射完之后，如果需要预测新的输入，即对新的第一时域特征进行特征映射，则将新的第一时域特征使用相应的CCA投影图进行特征映射。其中，CCA投影图是指部分第一时域特征映射后得到的第一映射特征组成的，该CCA投影与新的第一时域特征的操作条件相关。这一事实意味着与该新的第一时域特征之间的点间距离最近的第一时域特征对应的集合将被保留下来。因此，加权因子将优先考虑保持时域特征符合最近操作条件的距离。该加权因子使用高斯概率密度函数，表示为:
其中，w L (P new)为新的第一时域特征P new对应的加权因子，k为与新的第一时域特征P new的操作条件最近的操作条件下的k个第一时域特征，P L 为k个第一时域特征中的第L个第一时域特征，T表示矩阵的转置，j表示第j个第一时域特征。
特征映射由下述随机梯度的逐次应用算法表示：
其中，
表示新的第一时域特征P new进行特征映射后的第一映射特征，
表示第一时域特征P L 进行特征映射后的第一映射特征，a表示学习率，w L (P new)为新的第一时域特征P new对应的加权因子，D ij 表示新的第一时域特征P new和第一时域特征P L 之间的点间距离，L ij表示第一映射特征
和第一映射特征
之间的点间距离，λ为随机梯度的参数。
可选的，初始学习率（随时间呈指数下降）可以为0.5，在降低到0.1后则不再变化。
需要说明的是，本公开实施例中的特征映射也可称为投影。
需要说明的是，本公开实施例中仅是以一次待检测的轴承对应的第一时域特征进行映射为例进行说明，在另一实施例中，可以同时对多个待检测的轴承对应的第一时域特征进行映射，也就是说在进行轴承故障检测时，可以同时对多个轴承进行故障检测。
需要说明的是，本公开实施例中，在第一时域特征在经过特征映射之后，第一映射特征的维度小于第一时域特征的维度。例如，映射后特征由原始的六维向量数据转换为二维向量数据。
步骤S305，获取目标振动信号对应的仿射变换参数。
本公开实施例中，每个振动信号具有对应的仿射变换参数。例如，有25个仿射变换参数。
在一些实施例中，调用径向基（Radial Basis Function，RBF）神经网络，获取目标振动信号对应的仿射变换参数，径向基神经网络基于样本振动信号和对应的样本仿射变换参数训练得到。径向基神经网络通过插值估计算法确定仿射变换参数。当然，在另一实施例中，也可以采用其他方式确定仿射变换参数，例如，预先设置仿射变换参数与振动信号之间的对应关系，根据该对应关系，确定目标振动信号对应的仿射变换参数。
步骤S306，基于仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征。
本公开实施例中，为了使映射后的特征更加准确，还需要对映射得到的第一映射特征进行仿射变换，得到仿射变换后的目标映射特征，该目标映射特征与第一映射特征的维度相同，该目标映射特征是在第一映射特征的基础上进行了微调。
在一些实施例中，基于仿射变换参数，在缩减特征空间中分别对多个第一映射特征进行平移或者线性映射，从而得到变换后的多个目标映射特征。
例如，仿射变换过程为：转换，考虑对于每个特征的两个不同的三维投影点额定
和
；按
，将整个每个特征转换为额定投影（映射特征），其中仿射变换参数
，A和b为预设参数。可选的，考虑到每次特征映射后的映射特征的不同，采用普通最小二乘法对仿射变换进行求解。
本公开实施例中，在召回阶段，将多个第一时域特征输入到相应的kCCAS，将多个第一时域特征对应的扭矩和速度参数被输入到RBF神经网络，以便找到仿射变换参数。kCCAS和RBF神经网络组成的模型是两个adaline（学习机）/madaline（多个自适应线性神经元）组成的模型，用于将新的时域特征转换为对应的映射特征。
步骤S307，调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。
本公开实施例中，考虑到存在多种操作条件和多个故障类型，因此采用多级分层神经网络模型进行轴承故障检测。例如，操作条件为25，故障类型为6，采用两级分层神经网络模型进行轴承故障检测：第一级神经网络在三个预定义的类对之间对二维特征向量（目标映射特征）进行分类，并启用三个第二级神经网络，每个第二级神经网络都在一对类上进行训练。一旦多个目标映射特征输入到第一级神经网络中被分类，相应的第二级神经网络就会跟随，并获得轴承的故障类型。其中，故障类型可以包括健康、内圈故障、外圈故障、滚珠故障、内外滚珠同时出现故障，以及内圈和外圈的普遍退化，当然还可以有其他故障类型。
也即是，故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，调用第一分类网络，对多个目标映射特征进行处理，得到轴承的第一分类结果，第一分类结果表示轴承所属的目标故障类型对，该目标故障类型对中包括两个故障类型；调用目标故障类型对对应的第二分类网络，对第一分类结果进行处理，得到轴承的第二分类结果，第二分类结果表示轴承所属的目标故障类型，目标故障类型为目标故障类型对中的故障类型。
在一些实施例中，每个神经网络中的分类结果都与遵循sigmoid函数的概率值相关。第一分类结果包括第一概率，第一概率为轴承的故障类型为目标故障类型对中的故障类型的概率，第二分类结果包括第二概率，第二概率为在目标故障类型对中轴承的故障类型为目标故障类型的概率，则将第一概率与第二概率相乘，得到目标故障类型对应的后验概率，后验概率表示轴承的故障类型为目标故障类型的可能性。例如，将轴承为健康定义为h，将类型对：健康/内圈故障定义为hi，并多个目标映射特征为ynew，则后验概率为：
其中，
是后验概率，
是第一概率，
是第二概率。
本公开实施例提供的轴承故障检测方案，先获取轴承的多个第一时域特征，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，而由于第一时域特征的维度通常较大，因此，确定多个第一时域特征中的每两个第一时域特征之间的点间距离，再基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征，该第一映射特征在保留了第一时域特征表示的信息的基础上，相比于第一时域特征还减小了维度，减小了后续处理过程中的计算量；并且为了使映射后的特征更加准确，还会基于目标振动信号对应的仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；最后调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。这种检测方式，不再限于仅能够检测轴承局部故障，或者仅能够检测广义粗糙故障，避免了轴承故障检测时的局限性，并且使检测结果也更加准确。
上述图3所示的实施例介绍了轴承故障检测过程，下面通过以下实验结果对本公开实施例所示的轴承故障检测方法的检测效果进行说明：
首先，基于一个感应电动机和一个受控制动器建立实验装置，感应电动机和受控制动器通过附加轴连接，其中安装了两个轴承支架，感应电动机由逆变器控制，感应电动机是一个0.37 kW（千瓦）的电机，额定转速为2780rpm（Revolutions Per Minute，转每分），使用了一组六个相同的轴承，涵盖了最重要的轴承故障场景：健康、内圈故障、外圈故障、滚珠故障、内外滚珠同时出现故障，以及内圈和外圈的普遍退化。被测轴承参数参见表1：
表1
需要注意的是，这组轴承条件包括：三个循环单点缺陷、一个非循环泛化粗糙度缺陷和多循环单点缺陷，这是一种通常不被研究的罕见情况。轴承故障是在制造过程中进行的，铣刀用于刮擦相应的表面。实验装置和轴承组参见图4。两个单轴（正交x轴和y轴）压电加速度计通过螺钉安装连接到其中一个轴承支架上，并使用采集卡以10kS/s的速度采集数据，每次测量1秒。
为了考虑不同的速度和扭矩组合，对每种故障和操作条件进行了二十次测量，并且考虑了二十五种操作条件。在评估本公开实施例提供的方法之前，将特征故障谐波分量f i 、f o 、f b 以及RMS值作为轴承故障检测的经典指标。对于每个工况对应的每次测量，计算这些指标，然后得到平均值。在表2中显示了额定工作条件：100%扭矩和100%速度下的f i 、f o 、f b 以及RMS值。
表2
其中，H、i、o、b、iob、gdio分别表示建康、内环故障、外环故障、滚珠故障、内外滚珠同时出现故障，以及内圈和外圈的普遍退化。RMS值能够显示出良好的辨别能力和足够的动态范围来区分所考虑的操作条件，证实了在多个第一时域特征中包含RMS参数。需要注意的是，这些结果只考虑了一个操作条件，这意味着在完整的操作条件下对这些特征的分析将更加复杂。
本公开实施例提出了一种应用于轴承故障诊断的新型检测方案，除了检测局部缺陷，如单点球和滚道故障，它还考虑了分布缺陷的检测，如粗糙度，同时考虑两种轴承故障的诊断方法的发展是目前电机故障诊断中备受关注的问题，该方法首先分析了从振动信号中计算出的最显著的统计时间特征。然后使用曲线成分分析的一种变体，一种非线性流形学习技术，用于压缩和可视化的特征行为，以解释潜在的物理现象，该技术已被证明是一个非常强大和有前途的工具在诊断领域。最后，采用分层神经网络结构进行分类。在不同工况下的实验结果验证了该工况监测方案的有效性。
图5是根据一示例性的实施例示出的一种轴承故障检测装置的装置框图，参见图5，该装置包括：
特征获取模块501，被配置为获取待检测的轴承的多个第一时域特征，第一时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，目标参数至少包括轴承的转速和扭矩；
距离获取模块502，被配置为确定多个第一时域特征中的每两个第一时域特征之间的点间距离，两个第一时域特征之间的点间距离表示两个第一时域特征之间互相影响的程度；
特征映射模块503，被配置为基于每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征；
参数获取模块504，被配置为获取目标振动信号对应的仿射变换参数；
仿射变换模块505，被配置为基于仿射变换参数，分别对多个第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；
故障检测模块506，被配置为调用故障检测模型，对多个目标映射特征进行处理，得到轴承的目标故障类型。
在一些实施例中，特征映射模块503，被配置为：
对多个第一时域特征中的参考时域特征进行映射，得到参考时域特征对应的第一映射特征，参考时域特征为多个第一时域特征中的任一时域特征；
按照多个第一时域特征中的其他第一时域特征与参考时域特征之间的点间距离从小到大的顺序，对其他第一时域特征进行映射，得到其他第一时域特征对应的第一映射特征。
在一些实施例中，特征映射模块503，被配置为：
按照映射关系和每两个第一时域特征之间的点间距离，分别对多个第一时域特征进行特征映射，得到每个第一时域特征对应的第一映射特征，映射关系包括第一时域特征和第一映射特征之间的对应关系。
在一些实施例中，特征映射模块503，被配置为：
基于每两个第一时域特征之间的点间距离，对多个第一时域特征进行多次特征映射，得到每个第一时域特征对应的多个备选映射特征；
从每个第一时域特征对应的多个备选映射特征中，选取每个第一时域特征对应的第一映射特征。
在一些实施例中，参数获取模块504，被配置为调用径向基神经网络，获取目标振动信号对应的仿射变换参数，径向基神经网络基于样本振动信号和对应的样本仿射变换参数训练得到。
在一些实施例中，装置还包括：
特征获取模块501，还被配置为获取轴承的多个第二时域特征，第二时域特征为轴承以目标参数运行状态下的目标振动信号的时域表达，多个第二时域特征包括均值、最大值、均方根、标准差、方差、均方根形状因子、波峰因子、纬度因子、脉冲因子、偏度、峰度、归一化5阶矩或归一化6阶矩中的至少两个；
特征选择模块，被配置为从多个第二时域特征中，选取多个第一时域特征。
在一些实施例中，特征选择模块，被配置为：
基于性能评估模型，分别对多个第二时域特征进行性能评估，得到每个第二时域特征的性能参数，性能参数表示对应的第二时域特征在轴承故障检测过程中的重要性；
基于每个第二时域特征的性能参数，选取多个第一时域特征，第一时域特征的性能参数大于其他未被选取的第二时域特征的性能参数。
在一些实施例中，装置还包括：
特征组合模块，被配置为将多个第二时域特征中的至少两个第二时域特征进行组合，得到多个第一组合特征；
特征选择模块，还被配置为分别对多个第一组合特征进行性能评估，得到每个第一组合特征的性能参数；
特征选择模块，被配置为基于每个第二时域特征的性能参数和每个第一组合特征的性能参数，选取多个第一时域特征，多个第一时域特征中的至少两个第一时域特征组合得到的组合特征的性能参数大于其他组合特征的性能参数。
在一些实施例中，特征选择模块，被配置为：
从多个第二时域特征中选取性能参数大于预设参数的第二时域特征，作为第一时域特征；或者，
从多个第二时域特征选取性能参数最大的预设数量个第二时域特征，作为第一时域特征。
在一些实施例中，故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，故障检测模块506，被配置为：
调用第一分类网络，对多个目标映射特征进行处理，得到轴承的第一分类结果，第一分类结果表示轴承所属的目标故障类型对；
调用目标故障类型对对应的第二分类网络，对第一分类结果进行处理，得到轴承的第二分类结果，第二分类结果表示轴承所属的目标故障类型，目标故障类型为目标故障类型对中的故障类型。
在一些实施例中，第一分类结果包括第一概率，第一概率为轴承的故障类型为目标故障类型对中的故障类型的概率，第二分类结果包括第二概率，第二概率为在目标故障类型对中轴承的故障类型为目标故障类型的概率，装置还包括：
后验概率获取模块，被配置为将第一概率与第二概率相乘，得到目标故障类型对应的后验概率，后验概率表示轴承的故障类型为目标故障类型的可能性。
在一些实施例中，目标映射特征的维度小于第一时域特征的维度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行上述实施例中的轴承故障检测方法。
本公开实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例中的轴承故障检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种轴承故障检测方法，其特征在于，所述方法包括：
获取待检测的轴承的多个第一时域特征，所述第一时域特征为所述轴承以目标参数运行状态下的目标振动信号的时域表达，所述目标参数至少包括所述轴承的转速和扭矩；
确定多个所述第一时域特征中的每两个所述第一时域特征之间的点间距离，两个所述第一时域特征之间的点间距离与两个所述第一时域特征之间互相影响的程度呈正相关关系；
基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征；
获取所述目标振动信号对应的仿射变换参数；
基于所述仿射变换参数，分别对多个所述第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；
调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型；
所述故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，所述调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型，包括：
调用所述第一分类网络，对多个所述目标映射特征进行处理，得到所述轴承的第一分类结果，所述第一分类结果表示所述轴承所属的目标故障类型对；
调用所述目标故障类型对对应的第二分类网络，对所述第一分类结果进行处理，得到所述轴承的第二分类结果，所述第二分类结果表示所述轴承所属的所述目标故障类型，所述目标故障类型为所述目标故障类型对中的故障类型。
2.根据权利要求1所述的轴承故障检测方法，其特征在于，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
对多个所述第一时域特征中的参考时域特征进行映射，得到所述参考时域特征对应的第一映射特征，所述参考时域特征为多个所述第一时域特征中的任一时域特征；
按照多个所述第一时域特征中的其他第一时域特征与所述参考时域特征之间的点间距离从小到大的顺序，对所述其他第一时域特征进行映射，得到所述其他第一时域特征对应的第一映射特征。
3.根据权利要求1所述的轴承故障检测方法，其特征在于，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
按照映射关系和每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，所述映射关系包括所述第一时域特征和所述第一映射特征之间的对应关系。
4.根据权利要求1所述的轴承故障检测方法，其特征在于，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征，包括：
基于每两个所述第一时域特征之间的点间距离，对多个所述第一时域特征进行多次特征映射，得到每个所述第一时域特征对应的多个备选映射特征；
从每个所述第一时域特征对应的多个所述备选映射特征中，选取每个所述第一时域特征对应的所述第一映射特征。
5.根据权利要求1所述的轴承故障检测方法，其特征在于，所述获取所述目标振动信号对应的仿射变换参数，包括：
调用径向基神经网络，获取所述目标振动信号对应的所述仿射变换参数，所述径向基神经网络基于样本振动信号和对应的样本仿射变换参数训练得到。
6.根据权利要求1所述的轴承故障检测方法，其特征在于，所述基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征之前，所述方法还包括：
获取所述轴承的多个第二时域特征，所述第二时域特征为所述轴承以所述目标参数运行状态下的所述目标振动信号的时域表达，多个所述第二时域特征包括均值、最大值、均方根、标准差、方差、均方根形状因子、波峰因子、纬度因子、脉冲因子、偏度、峰度、归一化5阶矩或归一化6阶矩中的至少两个；
从多个所述第二时域特征中，选取多个所述第一时域特征。
7.根据权利要求6所述的轴承故障检测方法，其特征在于，所述从多个所述第二时域特征中，选取多个所述第一时域特征，包括：
基于性能评估模型，分别对多个所述第二时域特征进行性能评估，得到每个所述第二时域特征的性能参数，所述性能参数表示对应的第二时域特征在轴承故障检测过程中的重要性；
基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，所述第一时域特征的性能参数大于其他未被选取的第二时域特征的性能参数。
8.根据权利要求7所述的轴承故障检测方法，其特征在于，所述方法还包括：
将多个所述第二时域特征中的至少两个所述第二时域特征进行组合，得到多个第一组合特征；
基于所述性能评估模型，分别对多个所述第一组合特征进行性能评估，得到每个所述第一组合特征的性能参数；
所述基于每个所述第二时域特征的性能参数，选取多个所述第一时域特征，包括：
基于每个所述第二时域特征的性能参数和每个所述第一组合特征的性能参数，选取多个所述第一时域特征，多个所述第一时域特征中的至少两个所述第一时域特征组合得到的组合特征的性能参数大于其他组合特征的性能参数。
9.一种轴承故障检测装置，其特征在于，所述装置包括：
特征获取模块，被配置为获取待检测的轴承的多个第一时域特征，所述第一时域特征为所述轴承以目标参数运行状态下的目标振动信号的时域表达，所述目标参数至少包括所述轴承的转速和扭矩；
距离获取模块，被配置为确定多个所述第一时域特征中的每两个所述第一时域特征之间的点间距离，两个所述第一时域特征之间的点间距离与两个所述第一时域特征之间互相影响的程度呈正相关关系；
特征映射模块，被配置为基于每两个所述第一时域特征之间的点间距离，分别对多个所述第一时域特征进行特征映射，得到每个所述第一时域特征对应的第一映射特征；
参数获取模块，被配置为获取所述目标振动信号对应的仿射变换参数；
仿射变换模块，被配置为基于所述仿射变换参数，分别对多个所述第一映射特征进行仿射变换，得到仿射变换后的多个目标映射特征；
故障检测模块，被配置为调用故障检测模型，对多个所述目标映射特征进行处理，得到所述轴承的目标故障类型；
所述故障检测模型包括第一分类网络和多个故障类型对对应的第二分类网络，所述故障检测模块，被配置为：
调用所述第一分类网络，对多个所述目标映射特征进行处理，得到所述轴承的第一分类结果，所述第一分类结果表示所述轴承所属的目标故障类型对；
调用所述目标故障类型对对应的第二分类网络，对所述第一分类结果进行处理，得到所述轴承的第二分类结果，所述第二分类结果表示所述轴承所属的所述目标故障类型，所述目标故障类型为所述目标故障类型对中的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310000516.5A CN115683631B (zh) | 2023-01-03 | 2023-01-03 | 轴承故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310000516.5A CN115683631B (zh) | 2023-01-03 | 2023-01-03 | 轴承故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115683631A CN115683631A (zh) | 2023-02-03 |
| CN115683631B true CN115683631B (zh) | 2023-03-14 |
Family
ID=85057346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310000516.5A Active CN115683631B (zh) | 2023-01-03 | 2023-01-03 | 轴承故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115683631B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN109710955A (zh) * | 2017-10-23 | 2019-05-03 | 新天科技股份有限公司 | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 |
| AU2021102131A4 (en) * | 2021-04-22 | 2021-06-10 | Fuzhou University | Fault diagnosis method of rolling bearing based on generalized composite multi-scale weighted permutation entropy and supervised isometric mapping |
| CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
| CN114118138A (zh) * | 2021-10-22 | 2022-03-01 | 苏州大学 | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 |
| CN115235769A (zh) * | 2022-07-11 | 2022-10-25 | 北京华能新锐控制技术有限公司 | 一种基于马氏距离补偿因子的风机轴承故障诊断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002015458A2 (en) * | 2000-08-15 | 2002-02-21 | The Penn State Research Foundation | Discovering hidden damage in machinery and predicting remaining life |
| US9157832B2 (en) * | 2010-03-12 | 2015-10-13 | Honeywell International Inc. | Method and system for detecting incipient bearing failures |
| CN112798280B (zh) * | 2021-02-05 | 2022-01-04 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
| CN114722952B (zh) * | 2022-04-20 | 2023-05-26 | 哈尔滨工业大学 | 一种基于表示学习的轴承故障检测和分类的一体化方法 |
-
2023
- 2023-01-03 CN CN202310000516.5A patent/CN115683631B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN109710955A (zh) * | 2017-10-23 | 2019-05-03 | 新天科技股份有限公司 | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 |
| AU2021102131A4 (en) * | 2021-04-22 | 2021-06-10 | Fuzhou University | Fault diagnosis method of rolling bearing based on generalized composite multi-scale weighted permutation entropy and supervised isometric mapping |
| CN114118138A (zh) * | 2021-10-22 | 2022-03-01 | 苏州大学 | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 |
| CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
| CN115235769A (zh) * | 2022-07-11 | 2022-10-25 | 北京华能新锐控制技术有限公司 | 一种基于马氏距离补偿因子的风机轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 万书亭等.基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法.《中南大学学报(自然科学版)》.2020,(第01期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115683631A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples | |
| Xia et al. | Intelligent fault diagnosis approach with unsupervised feature learning by stacked denoising autoencoder | |
| Xing et al. | Intelligent fault diagnosis of rolling bearing based on novel CNN model considering data imbalance | |
| Gao et al. | Rolling bearing fault diagnosis of PSO–LSSVM based on CEEMD entropy fusion | |
| CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
| Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
| Wang et al. | Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample | |
| CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| Zhou et al. | Application of convolutional neural network in motor bearing fault diagnosis | |
| Liu et al. | A multisensory time-frequency features fusion method for rotating machinery fault diagnosis under nonstationary case | |
| CN118173121A (zh) | 设备运行状态评估方法、装置、计算机设备和存储介质 | |
| CN107612737B (zh) | 一种告警方法及其装置 | |
| CN117932390A (zh) | 一种基于注意力机制与dcgan融合的振动信号分析诊断方法 | |
| CN115683631B (zh) | 轴承故障检测方法及装置 | |
| CN117036732A (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
| CN116226639A (zh) | 一种涡轮泵轴承故障诊断方法、装置、设备及介质 | |
| Hu et al. | An improved metalearning framework to optimize bearing fault diagnosis under data imbalance | |
| CN115600666A (zh) | 面向输配电线路缺陷检测模型的自学习方法及装置 | |
| Zhang et al. | The combination model of CNN and GCN for machine fault diagnosis | |
| CN115905864A (zh) | 异常数据检测模型训练方法、装置、计算机设备 | |
| CN114240654A (zh) | 基于交易链路的性能能力透视方法、系统、设备及可读存储介质 | |
| Li et al. | Orthogonal Wavelet Transform‐Based Gaussian Mixture Model for Bearing Fault Diagnosis | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
| Shang et al. | A hybrid semantic attribute-based zero-shot learning model for bearing fault diagnosis under unknown working conditions |
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 |