CN115712065B - 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 - Google Patents
时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115712065B CN115712065B CN202310012098.1A CN202310012098A CN115712065B CN 115712065 B CN115712065 B CN 115712065B CN 202310012098 A CN202310012098 A CN 202310012098A CN 115712065 B CN115712065 B CN 115712065B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- neural network
- cnn
- convolutional
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种时频旋转门与卷积核感知匹配的电机故障诊断方法及系统,本发明包括获取多种电机故障状态下的振动信号样本,变换为频域信号,并利用时频旋转门法SDA预处理,同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入,调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小,使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配,根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构再训练以用于电机故障诊断。本发明能够提高电机故障诊断的准确性和效率。
Description
技术领域
本发明涉及电机故障诊断技术领域,具体涉及一种时频旋转门与卷积核感知匹配的电机故障诊断方法及系统。
背景技术
电机作为工业领域中重要设备的关键部件,面临着较为复杂的物理运行环境和工作条件。在电机的长期运行过程中,可能会出现各种故障,影响工业生产的效率,造成安全问题。
当电机出现故障时,与其运行状态相关的振动、定子电流、转矩等都会发生周期性变化。起初,传统方法主要采用时间序列信号进行故障诊断。常用的时间序列分析方法包括参数算法和冲击脉冲法。时间序列是直观的,易于理解。但是,当存在大量的外部干扰噪声时,针对时间序列信号的故障诊断会产生一些困难。随后,学者们开始将注意力转向频域信号。电机故障会改变信号的频谱,可以通过获得频谱特征分布来识别故障的类型。然而,与时间序列相比,由于频率信号更容易收到不同频率噪声的干扰,所以信息更容易丢失。因此,近年来,时间序列和频域信号的结合分析成为首选,其可以更好地提取故障信号的特征,而不会有丢失信息的风险。
从故障信号中提取故障信息是故障诊断的基础,主要采用快速傅里叶变换(FFT)、连续小波变换(CWT)、希尔伯特-黄变换和s-变换等来提取故障特征。但一维(1-D)时间序列和频域信号的故障特征仅限于1-D,容易受到外部噪声干扰。二维(2-D)图像可以有效地反映信号振幅和相位之间的相关性,深层次的有效特征。基于二维图像的特征提取也已成为故障诊断的一个重要方法。
流行的二维图像转换方法有格拉姆角场GAF、对称点模式SDP和马尔可夫转换场MTF等。这些方法能够在转换过程中保留数据的时间关系,并在二维图像中直接呈现信息特征相关性。二维图像诊断方法主要是将一维信号映射到二维空间,如时频域或相位空间,从而使全局特征能够被机器视觉方法充分显示和识别。
转换后的二维图像信号大多由神经网络和特征识别方法进行诊断。深度学习方法如卷积神经网络CNN和图神经网络GNN被广泛用于该领域。而特征识别方法如尺度不变量特征变换SIFT和加速鲁棒特征算法SURF被用来提取图像特征。此外,现有技术还包括:基于深度卷积神经网络DCNN和支持向量机SVM的故障诊断方法,用于提取轴承和转子中多种故障的自动诊断;超支多尺度CNN方法,用于不同负载条件下的故障诊断;深度卷积迁移学习网络DCTLN,用于提取特征并识别电机的健康状态;基于对称点模式信息融合的CNN故障诊断方法,以解决行转子振动信号的高复杂性、非线性和不稳定性问题;基于图像视觉信息和词包模型BoVW的诊断方法,其中采用SDP和SIFT提取故障信息。虽然上述方法的性能都很好,但仍有一些普遍存在的问题需要进一步解决:1)诊断方法的参数对于准确和有效的故障识别至关重要。然而,对于不同类型的故障,其信号类型和数据量各不相同。要调整诊断方法的参数以适应所有类型的故障识别是很困难的。此外,为每一种类型的故障测试参数显然是不现实的。2)对于不同的神经网络,神经元和网络深度的选择都需要复杂的调试过程。同样的网络结构对不同的数据有不同的诊断效果。在实际应用中,要根据不同的数据改变网络结构是非常困难的。
发明内容
随着像素数的增加,可能会出现冗余干扰信息,进而影响图像的识别,在故障诊断领域,为了获得尽可能多的信息,通常采用较高的采样率,例如本实施例的故障数据是在10WHz下测量的。在实际处理这些数据时,发现在采集过程中存在大量的冗余信息。本实施例针对下述两种方式进行了实验:(1)固定检测方法,调整数据量:最初使用时频旋转门算法SDA进行数据压缩,在数据预处理过程中,随着时频旋转门算法SDA的门宽的设置增大,存在一个最优解,使数据压缩满足需求,同时识别率最优。如图1所示。(2)固定数据量和改变CNN参数的实验:同样也对诊断系统CNN进行了比较分析。CNN网络对于数据的感知主要是卷积核感受野,随着网络深度的增加,卷积核对于图片的特征提取越来越丰富,识别率会不断提高,而达到一定的网络深度后,由于CNN网络本身的特点,识别率有所降低,实际情况如图2所示。对于以上两种情况可发现:时频旋转门算法SDA在处理数据后会对数据量产生影响,而CNN在识别图像时,不同的网络深度会对图像大小产生不同的影响。由于数据量的转化,两者之间存在着匹配的关系,这也是本实施例的原理出发点。
在发现基于时频旋转门算法SDA、卷积神经网络CNN之间存在着匹配的关系的基础上,本发明要解决的技术问题是利用上述关系,提供一种时频旋转门与卷积核感知匹配的电机故障诊断方法及系统,旨在提高电机故障诊断的准确性和效率。
为了解决上述技术问题,本发明采用的技术方案为:
一种时频旋转门与卷积核感知匹配的电机故障诊断方法,包括:
S101,获取多种电机故障状态下的振动信号样本;
S102,将振动信号样本通过快速傅里叶变换为频域信号;
S103,将频域信号利用时频旋转门法SDA预处理,同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入,调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小,使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配,根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构;
S104,采用二维图像样本及其对应的故障状态训练卷积神经网络CNN的网络参数,完成对用于电机故障诊断的卷积神经网络CNN的训练。
可选地,步骤S103中将频域特征利用时频旋转门法SDA预处理时,预处理前后的频域特征之间的均方偏差满足下式所示的约束条件:
,
上式中,为预处理前后的频域特征之间的均方偏差,为常数,为频域点数,为预处理后的频率信号的功率谱幅值,为频率信号的功率谱幅值,
MSF为频域信号的均方根频率。
可选地,所述频域信号的均方根频率的计算函数表达式为:
,
上式中,
MSF为频域信号的均方根频率,为频率信号,为频率信号的功率谱幅值。
可选地,步骤S103中时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配的函数表达式为:
,
上式中,为不同故障特征的相关性常数,为SDA门宽,为不同故障的原始数据量,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层卷积核的大小,为卷积神经网络CNN中的卷积层数量,为卷积神经网络CNN中的第个卷积层的步长;其中,感受野的计算函数表达式为:
,
上式中,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层的每个前向元素,且有:
,
上式中,为卷积神经网络CNN中的第个卷积层的每个前向元素,为卷积神经网络CNN中的第个卷积层的步长。
可选地,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为格拉姆角场图像。
可选地,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为对称点图案图像。
可选地,步骤S103中调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小时,卷积神经网络CNN初始结构为一个3×3卷积核的卷积层。
可选地,步骤S104后还包括:
S201,获取被检测电机的振动信号;
S202,将振动信号通过快速傅里叶变换为频域信号;
S203,将频域信号进行时序图像转换生成二维图像;
S204,将二维图像输入卷积神经网络CNN,得到被检测电机的故障状态。
此外,本发明还提供一种时频旋转门与卷积核感知匹配的电机故障诊断系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述时频旋转门与卷积核感知匹配的电机故障诊断方法。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行所述时频旋转门与卷积核感知匹配的电机故障诊断方法。
和现有技术相比,本发明主要具有下述优点:
1、本发明包括将频域信号利用时频旋转门法SDA预处理,同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入,调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小,使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配,根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构,通过利用基于时频旋转门算法SDA、卷积神经网络CNN之间存在着匹配的关系来优化卷积神经网络CNN的网络结构提高了诊断的准确性和效率,对不同的电机故障具有较好的压缩性能。
2、本发明将频域信号进行时序图像转换生成二维图像样本适用于SDP、GAF等时序成像方法,通用性好,具有良好的应用效果。
附图说明
图1为本发明实施例不同SDA门宽的故障识别率.
图2为本发明实施例相同数据下不同CNN网络深度的诊断率.
图3为本发明实施例方法的基本流程示意图。
图4为本发明实施例中的感受野示意图。
图5为本发明实施例中时频旋转门与卷积核感知匹配的原理示意图。
图6为本发明实施例中不同故障的GAF图像和SDP图像示例。
图7为本发明实施例中原始数据的未匹配和感知匹配的诊断结果对比。
图8为本发明实施例中压缩感知信号诊断过程示例。
图9为本发明实施例与传统诊断方法的诊断对比示意图。
图10为本发明实施例中的凯斯西储轴承故障图。
图11为本发明实施例中凯斯西储轴承故障诊断分布和趋势图。
具体实施方式
如图3所示,本实施例时频旋转门与卷积核感知匹配的电机故障诊断方法包括:
S101,获取多种电机故障状态下的振动信号样本;
S102,将振动信号样本通过快速傅里叶变换为频域信号;
S103,基于时频旋转门与卷积核感知匹配确定卷积神经网络CNN的网络结构,即:将频域信号利用时频旋转门法SDA预处理,同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入,调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小,使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配,根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构;
S104,采用二维图像样本及其对应的故障状态训练卷积神经网络CNN的网络参数,完成对用于电机故障诊断的卷积神经网络CNN的训练。
时频旋转门法SDA最初用于压缩数据,与传统的数据压缩方法不同,它自然地将数据简化为一系列最优选的直线。测量过程中固有的噪声或不显著的数据变化可以近似忽略。时频旋转门法SDA在每个迭代过程的起点处选择一个大小为的阈值门宽,随后的数据点以阈值门宽为上下边界进行连接。当其中一条边界线达到最大值时,它被固定下来。对于这条边界线,继续更新另一条边界极限。当两条边界线平行时,选择当前点作为迭代的终点,并开始新的迭代。在实际应用中,使用时频旋转门法SDA对数据进行预处理时,通常采用经验方法来设置和调整SDA门宽大小。调整过程也会影响后续的数据处理和诊断,如果选择不当,数据就不理想。因此,本实施例方法中基于数据的频域特性,提出了一种基于时间序列与频域相结合的SDA门宽自适应选取方法,命名为TF-SDA方法。具体地,本实施例基于TF-SDA方法在步骤S103中将频域特征利用时频旋转门法SDA预处理时,预处理前后的频域特征之间的均方偏差满足下式所示的约束条件:
,
上式中,为预处理前后的频域特征之间的均方偏差,为常数,为频域点数,为预处理后的频率信号的功率谱幅值,为频率信号的功率谱幅值,
MSF为频域信号的均方根频率。通过快速傅里叶变换到频域,可以很容易地获得数据特征。对于不同电机的故障数据,其在频域的特征分布是不同的,取决于频域特征指标的SDA门宽自适应性可以适用于不同的故障数据,由于均方根频率MSF可以反映信号在频域的变化,因此本实施例中利用了均方根频率MSF可来实现SDA门宽的自适应选取,其中均方根频率的计算函数表达式为:
,
上式中,
MSF为频域信号的均方根频率,为频率信号,为频率信号的功率谱幅值。在增加SDA门宽的过程中,频域值也发生了变化。为了保证数据特征的保留,处理后的频域信号与之前的原始频域信号的均方差需要在一定范围内,从而可确定前文预处理前后的频域特征之间的均方偏差的约束条件。
频域数据经过TF-SDA方法预处理和二维图像转换后,保留故障信号的数据特征,需要CNN识别图像的感知量与之实现匹配,以实现最佳的故障诊断效果。在卷积神经网络CNN中,感受野是由每层卷积核输出的特征图上的像素点在输入图像上映射的区域大小,即特征图上的一个点对应于输入图像上的一个区域,如图4所示。感受野是整个网络相对于输入量的感知因子。对于不同的网络层数,神经元越深,获取的输入区域越大,当最深处神经元的感受野能够包含全图时,就实现了两个感知量的匹配。具体地,本实施例步骤S103中时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配的函数表达式为:
,
上式中,为不同故障特征的相关性常数,为SDA门宽,为不同故障的原始数据量,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层卷积核的大小,为卷积神经网络CNN中的卷积层数量,为卷积神经网络CNN中的第个卷积层的步长;其中左端为根据TF-SDA预处理得到的数据特征数据量,右端为CNN网络感受野范围对应的层数和卷积核大小。根据TF-SDA方法的预处理,对公式的左右两端进行匹配,确定CNN网络结构。应该确保CNN中的第
l层感受野足以扫描整个输入图像。如图5所示,根据上式,对于故障数据,可以自适应调整SDA门宽,并选择最优的CNN层数和卷积核大小进行匹配。其中,感受野的计算函数表达式为:
,
上式中,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层的每个前向元素,且有:
,
上式中,为卷积神经网络CNN中的第个卷积层的每个前向元素,为卷积神经网络CNN中的第个卷积层的步长,感受野大小的计算是一个递归公式,调整卷积神经网络CNN的卷积层数和卷积核大小即可实现感受野的递归计算。频域数据经过TF-SDA方法预处理后,不同故障处理后的信号数据量不同,处理后的数据量的函数表达式如下:
,
上式中,上式中,为不同故障特征的相关性常数,为SDA门宽,为不同故障的原始数据量,通过预处理将数据转换为二维图像后,其统一大小为,从而可以得到前文预处理前后的频域特征之间的均方偏差满足下式所示的约束条件。
流行的二维图像转换方法有格拉姆角场GAF、对称点模式SDP和马尔可夫转换场MTF等,这些方法能够在转换过程中保留数据的时间关系,并在二维图像中直接呈现信息特征相关性。作为一种可选的实施方式,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为格拉姆角场图像,即GAF图像。GAF图像在将信号转换为二维图像的过程中保留了数据的时间性,而不影响数据的特征和感知量。用格拉姆矩阵编码一维时间序列的方法称为格拉姆角场,时间序列被缩放到[-1,1],以保持内积相对于最大观测值无偏差,时间序列经过缩放转换为极坐标。由于GAF图像格式及其生成方法均为已知内容,故其实现细节在此不再赘述。作为另一种可选的实施方式,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为对称点图案图像,即SDP图像。SDP图像在将信号转换为二维图像的过程中保留了数据的时间性,而不影响数据的特征和感知量。SDP图像是一种简单的信号转换方法,通过将一维时域信号转换为SDP极雪花状图,在极坐标中直观地表示时间序列。由于SDP图像格式及其生成方法均为已知内容,故其实现细节在此不再赘述。
本实施例中,步骤S103中调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小时,卷积神经网络CNN初始结构为一个3×3卷积核的卷积层。
本实施例中,步骤S104后还包括:
S201,获取被检测电机的振动信号;
S202,将振动信号通过快速傅里叶变换为频域信号;
S203,将频域信号进行时序图像转换生成二维图像;
S204,将二维图像输入卷积神经网络CNN,得到被检测电机的故障状态。
为了对本实施例前述时频旋转门与卷积核感知匹配的电机故障诊断方法的有效性和对不同故障的泛化性进行验证,本实施例中通过感应电机故障实验平台和使用凯斯西储大学的数据来验证对不同数据的可泛化性。
本实施例中利用感应电机故障实验平台采集振动数据,完成对上述相关理论的实验验证。其中,感应电机故障实验台主要由感应电机、振动传感器、平衡板、行星式齿轮箱、磁粉制动器、信号采集装置和计算机组成。电机参数如表1所示。
表1:电机参数。
电机故障实验主要包括正常电机、转子断条电机、短路电机、轴承故障电机、弯曲电机、转子离心电机、质量不平衡和单相电机。故障数据在满负荷时进行测量,设置的总体数据包括8种案例。在上述基础上,每个案例收集了100万个数据点。每个案例中,采集1000个Gram图像样本,样本说明如表2所示。
表2:样本说明。
为了验证上述方法对不同数据的通用性,本实施例中从凯斯西储大学(CWRU)数据中心的驱动端轴承数据中选择缺陷直径为0.18mm的驱动端轴承数据(简称凯斯西储轴承数据),主要包括正常轴承、12k驱动轴承故障、12k风扇轴承故障和45k驱动轴承故障。训练、测试和验证与实验平台的设置保持一致。
首先,本实施例对数据进行快速傅里叶变换FFT、以及自适应的时频旋转门方法TF-SDA方法预处理,关键是选择SDA门宽,分别选取正常电机和各故障信号进行均方频率分析,针对不同的电机故障数据分别选取TF-SDA均方误差校正方法,结果如表3所示。
表3:SDA门宽的选择。
分别采用GAF图像和SDP图像变换方法将原始信号和预处理信号转换为二维图像。不同的故障图像以及处理前后图像的对比如图6所示。然后,针对正常电机和各种故障电机选择了最优的SDA门宽。本实验使用的每个电机的振动数据为100万个数据点,经过TF-SDA处理后,如表4所示,这些信号的每个数据量都减少了。
表4:Gram图像尺寸和卷积层数的选择。
数据点数量的不同也直接决定了生成的Gram图像像素的不同。为了更直观地分析不同FSDA压缩与卷积层深度之间的对应关系,本实施例根据诊断时不同故障的数据量来选择输入网络的图像大小,如表4所示。
在本实施例的卷积神经网络CNN中,仅使用3×3卷积核,并将填充和步长都设置为1。主要研究卷积层数与数据量压缩的匹配,具体网络结构如表5所示。结合该卷积神经网络CNN和上述卷积层感受野的公式,分别使用正常电机和每种故障电机的Gram图像计算出各对应的最优卷积层数,如表5所示。
表5:卷积神经网络CNN的网络结构。
上表中,卷积层的结构参数分别包括卷积核和步长,例如“3×3-8”表示卷积核大小为3×3,步长为8。FC表示全连接层,其结构参数为节点数量,例如FC-32表示32个节点的全连接层。该卷积神经网络CNN的第2、3层之间,4、5层之间,8、9层之间,12、13层之间,16、17层之间,以及20层之后均设有池化层,最后设有FC-32、FC-8两个全连接层。
下面将使用不同SDA门宽压缩率和CNN卷积深度进行对比分析研究匹配关系,并验证上述研究中最优匹配度的选择。
1、与传统CNN框架诊断对比。
为了验证本实施例方法的优越性,本节进行了对比分析。分别对使用固定CNN的原始信号和经过TF-SDA预处理的使用固定CNN的信号,进行自适应TF-SDA和CNN感知匹配的实验比较。具体诊断结果见表6。
表6:与传统CNN框架诊断对比。
如表6所示,使用LetNet5和VGG16框架对原始信号进行诊断。使用3×3卷积核的7层CNN网络对不匹配的案例进行诊断。从图中本实施例中可以清楚地看到,使用原始信号的处理和诊断结果很差。其中,LetNet5框架诊断率最低。虽然VGG16框架相对有效,但与其他两种方法相比,大多数故障排除的结果较差。造成这种较差结果的原因是实验中采样率高导致冗余信息过多,数据量过大,影响诊断率。其次,利用TF-SDA对原始信号进行预处理,提高了诊断结果。但是,使用固定的CNN网络结构不能匹配不同的故障。因此,对于不同的故障,预处理后的诊断结果改善并不一致。从转子断条故障的诊断结果可以看出,经过TF-SDA预处理后的结果明显不如原始信号+VGG16结构。TF-SDA数据特征与CNN诊断感知不匹配反而可能产生负面影响。与上述方法相比,根据本实施例提出的自适应TF-SDA和CNN感知的匹配方法,不同故障的诊断结果均比较好。由于不同故障的特点不同,TF-SDA预处理后的信号数据量也会有一定的差异。这也使得转换为二维时间序列图像时,图像像素也有同样的差异。从以上可以看出,在输入图像不同的情况下,根据感受野与图像进行匹配会导致网络结构的不同选择。为了达到对不同故障的最佳效果,有必要根据上述方法进行匹配选择。从以上诊断结果可以看出,本实施例方法有效地解决了原始信号和不匹配的问题。其中,断条故障的GASF图像诊断率为99.4%;短路故障为98.9%;轴承故障为99.0%;弓形电机为98.2%;偏心故障为99.0%;质量不平衡为99.0%;单相故障为99.3%。基于SDP图像方法,断条故障率为99.1%;短路故障为99.0%;轴承故障为98.8%;弓形电机为98.3%;偏心故障为99.2%;质量不平衡为99.3%;单相故障为99.1%。不同故障的诊断结果均有所提升。
2)传统压缩方法与本实施例方法的比较。
本实施例采用TF-SDA方法对数据进行预处理,在剔除冗余信息的同时保留特征信息。信号中的数据量减少了。在数据量大的情况下,传统的数据压缩方法是使用压缩感知,压缩感知通常应用于数据量不足的场景。利用高斯随机矩阵等进行随机采样,并通过匹配跟踪算法进行重构。压缩存储也可用于数据量大的信号。利用高斯随机矩阵得到观测值,并利用GAF图像将观测值转换为二维图像。使用具有LetNet5结构的CNN进行诊断。探讨了传统压缩方法对压缩数据的诊断效果。详细信息如图8所,诊断结果见表7。
表7:压缩感知诊断结果对比。
压缩传感信号在压缩过程中使用测量矩阵将转换得到的高维信号投影到低维空间。虽然压缩后的信号保留了真实的信号信息,但它需要通过重构算法来反映。压缩后的信号并不能很好地代表原始故障信号的特征。因此,从表7中可以看出,各故障诊断的效果并不理想。同时,压缩传感算法中的稀疏矩阵确定和信号重构都有一定难度。它并不适用于本实施例中的场景。本实施例所提出的方法与压缩感知相比具备一定优势。
同时,本实施例方法与传统的智能算法进行故障诊断的比较。如CNN的VGG16网络和LetNet5网络,以及SVM和LSTM方法,诊断结果如表8所示。
表8:与传统方法的诊断效果比较。
如图9所示,对于不同的方法,在增加SDA门宽的过程中,诊断率呈现先增加后减少的趋势。这与上述增加SDA门宽的过程是一致的。存在一个最佳的门宽,可以在减少数据量的同时保留特征。本实施例方法中采用的TF-SDA分析和CNN感知匹配可以根据不同的SDA选择匹配的网络结构,达到最佳效果。数据量的减少也使得数据在处理过程中消耗的时间减少。在传统方法网络结构不变的情况下,对处理后的振动数据的诊断在某些情况下是无效的,体现了感知匹配的优越性。
3)凯斯西储的轴承数据诊断。
为了验证上述方法对不同故障数据的有效性,本实施例采用了凯斯西储轴承数据来验证上述方法。GAF转换方法同时用于将轴承数据预处理前后的信号转换为图像。这包括正常的轴承数据和三种类型的故障轴承数据。对生成的GAF图像进行了比较,如图10所示,其中(a)为正常轴承时的GAF图像,(b)为12k风扇轴承故障时的GAF图像,(c)为12k驱动轴承故障时的GAF图像,(d)为45k驱动轴承故障时的GAF图像。
以12k驱动轴承故障数据为例,验证了本实施例方法的有效性。选择具有3◊3的6层卷积核深度的CNN作为最佳网络,对TF-SDA数据特征和CNN感知匹配进行诊断,还设置了不同的SDA门宽和CNN深度进行对比实验,诊断结果见表9。
表9:凯斯西储轴承数据的诊断率。
如图11所示,在3层情况下适当增加TF- SDA门宽,可以有效解决原有信号冗余问题。在相同的CNN网络下,利用TF-SDA选择最优的门宽可以达到最优的诊断效果。但这种网络下只能得到局部最优解。从图中可以清楚地看到,不同网络的诊断率是不同的。当整个系统处于6层参数为0.405时,即当数据特征域和诊断感知域相匹配时,可以达到全局最优。它可以有效地解决同一网络下不同故障的诊断率不是最佳的问题。同时,可以直接对采集到的个别故障数据进行自适应匹配。与传统的压缩方法和诊断方法相比具有一定的优点。从上面的结果可以看出,本实施例方法也是基于凯斯西储轴承数据。使用TF-SDA可以有效地改善原始信号数据量和信息冗余度。同时,当TF-SDA数据特征与CNN感知不匹配时,对单个故障的诊断效果不佳。以上结果验证了本实施例方法能够在不同数据下诊断不同故障,从而进行自适应TF-SDA预处理。根据预处理情况对CNN感受野进行匹配,可以获得最佳的故障诊断率。
综上所述,本实施例提出了一个通过CNN的卷积核对数据的时频特征进行感知匹配的故障诊断框架。本实施例方法被用于不同故障数据的自适应诊断,基于TF-SDA自适应数据预处理和CNN网络结构匹配,通过GAF和SDP方法将预处理后的数据转换成二维图像。实验结果表明,TF-SDA可以实现对不同故障数据的自适应预处理,效果良好。GAF和SDP方法可以保留预处理后的数据特征,通过数据特征和CNN结构匹配实现对不同故障的精确诊断,对不同的数据同样适用,本实施例方法可实现为不同数据的单点高精度诊断。
此外,本实施例还提供一种时频旋转门与卷积核感知匹配的电机故障诊断系统,包括相互连接的微处理器和存储器,前述微处理器被编程或配置以执行前述时频旋转门与卷积核感知匹配的电机故障诊断方法。此外,本实施例还提供一种计算机可读存储介质,前述计算机可读存储介质中存储有计算机程序,前述计算机程序用于被微处理器编程或配置以执行前述时频旋转门与卷积核感知匹配的电机故障诊断方法。
本领域内的技术人员应明白,本实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本实施例是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,包括:
S101,获取多种电机故障状态下的振动信号样本;
S102,将振动信号样本通过快速傅里叶变换为频域信号;
S103,将频域信号利用时频旋转门法SDA预处理,同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入,调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小,使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配,根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构;其中,时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配的函数表达式为:
,
上式中,为不同故障特征的相关性常数,为SDA门宽,为不同故障的原始数据量,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层卷积核的大小,为卷积神经网络CNN中的卷积层数量,为卷积神经网络CNN中的第个卷积层的步长;其中,感受野的计算函数表达式为:
,
上式中,为卷积神经网络CNN中的第个卷积层中神经元的感受野,为卷积神经网络CNN中的第个卷积层的每个前向元素,且有:
,
上式中,为卷积神经网络CNN中的第个卷积层的每个前向元素,为卷积神经网络CNN中的第个卷积层的步长;
S104,采用二维图像样本及其对应的故障状态训练卷积神经网络CNN的网络参数,完成对用于电机故障诊断的卷积神经网络CNN的训练。
2.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,步骤S103中将频域特征利用时频旋转门法SDA预处理时,预处理前后的频域特征之间的均方偏差满足下式所示的约束条件:
,
上式中,为预处理前后的频域特征之间的均方偏差,为常数,为频域点数,为预处理后的频率信号的功率谱幅值,为频率信号的功率谱幅值,MSF为频域信号的均方根频率。
3.根据权利要求2所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,所述频域信号的均方根频率的计算函数表达式为:
,
上式中,MSF为频域信号的均方根频率,为频率信号,为频率信号的功率谱幅值。
4.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为格拉姆角场图像。
5.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,步骤S103中将频域信号进行时序图像转换生成的二维图像样本为对称点图案图像。
6.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,步骤S103中调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小时,卷积神经网络CNN初始结构为一个3×3卷积核的卷积层。
7.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法,其特征在于,步骤S104后还包括:
S201,获取被检测电机的振动信号;
S202,将振动信号通过快速傅里叶变换为频域信号;
S203,将频域信号进行时序图像转换生成二维图像;
S204,将二维图像输入卷积神经网络CNN,得到被检测电机的故障状态。
8.一种时频旋转门与卷积核感知匹配的电机故障诊断系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~7中任意一项所述时频旋转门与卷积核感知匹配的电机故障诊断方法。
9.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~7中任意一项所述时频旋转门与卷积核感知匹配的电机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012098.1A CN115712065B (zh) | 2023-01-05 | 2023-01-05 | 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012098.1A CN115712065B (zh) | 2023-01-05 | 2023-01-05 | 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115712065A CN115712065A (zh) | 2023-02-24 |
CN115712065B true CN115712065B (zh) | 2023-04-07 |
Family
ID=85236182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310012098.1A Active CN115712065B (zh) | 2023-01-05 | 2023-01-05 | 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712065B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110051447A (ko) * | 2009-11-10 | 2011-05-18 | 부산대학교 산학협력단 | 독립결선 구조를 가진 영구자석 표면 부착형 독립권선 다상 동기 전동기의 그 구동 시스템 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5515696B2 (ja) * | 2009-12-02 | 2014-06-11 | ミツミ電機株式会社 | カードデバイス |
JP5681441B2 (ja) * | 2010-10-15 | 2015-03-11 | 株式会社東芝 | 車両用駆動制御装置 |
CN104792530B (zh) * | 2015-04-15 | 2017-03-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
US10924755B2 (en) * | 2017-10-19 | 2021-02-16 | Arizona Board Of Regents On Behalf Of Arizona State University | Real time end-to-end learning system for a high frame rate video compressive sensing network |
DE102017219307B4 (de) * | 2017-10-27 | 2019-07-11 | Siemens Healthcare Gmbh | Verfahren und System zur Kompensation von Bewegungsartefakten mittels maschinellen Lernens |
CN108830127B (zh) * | 2018-03-22 | 2021-08-10 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
US10783622B2 (en) * | 2018-04-25 | 2020-09-22 | Adobe Inc. | Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image |
KR102603621B1 (ko) * | 2019-01-08 | 2023-11-16 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
CN111667445B (zh) * | 2020-05-29 | 2021-11-16 | 湖北工业大学 | 一种基于Attention多特征融合的图像压缩感知重建方法 |
CN111753752B (zh) * | 2020-06-28 | 2022-07-01 | 重庆邮电大学 | 基于卷积神经网络多层特征融合的机器人闭环检测方法 |
CN115186692A (zh) * | 2021-12-16 | 2022-10-14 | 广东技术师范大学 | 基于经验模态分解和图像转换的智能故障诊断方法 |
CN114897139A (zh) * | 2022-05-09 | 2022-08-12 | 广西大学 | 一种排序稳定简化稀疏量子神经网络的轴承故障诊断方法 |
-
2023
- 2023-01-05 CN CN202310012098.1A patent/CN115712065B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110051447A (ko) * | 2009-11-10 | 2011-05-18 | 부산대학교 산학협력단 | 독립결선 구조를 가진 영구자석 표면 부착형 독립권선 다상 동기 전동기의 그 구동 시스템 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115712065A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Time–frequency manifold sparse reconstruction: A novel method for bearing fault feature extraction | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
Yuan et al. | Robust fault diagnosis of rolling bearings using multivariate intrinsic multiscale entropy analysis and neural network under varying operating conditions | |
CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
KR20090078075A (ko) | Dft와 웨이블렛을 이용한 유도전동기 고장진단방법 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN114048769A (zh) | 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 | |
Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
Yang et al. | Casing vibration fault diagnosis based on variational mode decomposition, local linear embedding, and support vector machine | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN115656817A (zh) | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 | |
CN114548190A (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Pang et al. | Discrete cosine transformation and temporal adjacent convolutional neural network-based remaining useful life estimation of bearings | |
Wang et al. | A multiscale convolution neural network for bearing fault diagnosis based on frequency division denoising under complex noise conditions | |
CN115712065B (zh) | 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN112200060A (zh) | 一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN116593145A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN116127279A (zh) | 一种小样本液压泵气蚀诊断方法及装置 |
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 |