CN115753067A - 一种基于数字孪生的强噪声下旋转机械故障诊断方法 - Google Patents

一种基于数字孪生的强噪声下旋转机械故障诊断方法 Download PDF

Info

Publication number
CN115753067A
CN115753067A CN202310025385.6A CN202310025385A CN115753067A CN 115753067 A CN115753067 A CN 115753067A CN 202310025385 A CN202310025385 A CN 202310025385A CN 115753067 A CN115753067 A CN 115753067A
Authority
CN
China
Prior art keywords
fault
layer
characteristic
fault diagnosis
diagnosis model
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
CN202310025385.6A
Other languages
English (en)
Other versions
CN115753067B (zh
Inventor
毛建旭
贺文斌
王耀南
李哲
方遒
刘可欣
张耀
刘彩苹
张辉
朱青
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202310025385.6A priority Critical patent/CN115753067B/zh
Publication of CN115753067A publication Critical patent/CN115753067A/zh
Application granted granted Critical
Publication of CN115753067B publication Critical patent/CN115753067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于数字孪生的强噪声下旋转机械故障诊断方法，该方法包括：采集故障类型的震动信号；基于所述震动信号构建故障诊断模型；并采用内嵌故障标签的震动信号训练所述故障诊断模型，将训练完成的所述故障诊断模型作为数字孪生故障诊断模型；将所述数字孪生故障诊断模型部署在机器上；将实时采集的震动信号输入至所述数字孪生故障诊断模型，输出所述实时采集的震动信号对应的故障类型。采用该方法可在强噪声下的工业现场和大型装备中实时识别旋转机械是否发生故障，可以预防因机械故障引起的装备突发性停机、灾难性事件以及减少经济损失，能够有效保护人员安全。

Description

一种基于数字孪生的强噪声下旋转机械故障诊断方法
技术领域
本发明涉及旋转机械故障诊断技术领域，具体涉及一种基于数字孪生的强噪声下旋转机械故障诊断方法。
背景技术
旋转机械广泛应用于工业现场的各种设备以及航空航天、海洋舰船、轨道交通等，由于旋转机械长期在重负荷、高温、高速等恶劣复杂条件下工作，不可避免地发生故障，往往某处微小故障就会爆发连锁反应，导致整个设备甚至与设备有关的环境遭受灾难性的毁坏。这不仅会造成巨大的经济损失，甚至会危及人身安全，后果极为严重。因此，需要及时了解和掌握大型或关键设备的运行工况，正确估计可能发生的故障或趋势。另一方面，随着人工智能技术、信息传感技术、信号处理技术的发展，特别是计算机技术的飞速发展，从而可以对传感器采集的机械信号进行分析为设备故障诊断提供智能化方法。
然而，无论是在工业现场还是在大型装备中，采集到的机械信号都收到强噪声的干扰，这对信号处理和分析带来了巨大的困难，难以正确的从信号中提取出特征信息，导致无法正确的识别故障或者故障识别率低。
发明内容
基于此，有必要针对现有的问题，提供一种基于数字孪生的强噪声下旋转机械故障诊断方法。
本发明提供了一种基于数字孪生的强噪声下旋转机械故障诊断方法，所述方法包括：
S1：采集故障类型的震动信号；
S2：基于所述震动信号构建故障诊断模型；并采用内嵌故障标签的震动信号训练所述故障诊断模型，将训练完成的所述故障诊断模型作为数字孪生故障诊断模型；
S3：将所述数字孪生故障诊断模型部署在机器上；将实时采集的震动信号输入至所述数字孪生故障诊断模型，输出所述实时采集的震动信号对应的故障类型。
优选的，S2中，基于所述震动信号构建故障诊断模型的过程为：
S2.1：对所述震动信号进行多级分解，得到各级的特征叶子节点；所述特征叶子节点包括特征系数矩阵；
S2.2：采用Ln能量范数计算第三级的特征叶子节点的能量范数；根据所述第三级的特征叶子节点的能量范数计算得到最大分布差异值和离散分布差异值；
S2.3：根据所述最大分布差异值以及所述离散分布差异值，对第三级的特征叶子节点的特征系数矩阵进行选择；
S2.4：将选择出的第三级的特征叶子节点的特征系数矩阵进行重构，得到信号序列；并将所述信号序列重组为特征图；
S2.5：构建神经网络模型，将所述特征图输入至所述神经网络模型，输出故障类型分类结果；
S2.6：以所述神经网络模型作为故障诊断模型的内核，以所述震动信号作为故障诊断模型的输入，以所述故障类型分类结果作为故障诊断模型的输出，构建所述故障诊断模型。
优选的，S2.1中，采用小波包变换将所述震动信号进行三级分解，共将得到14个特征叶子节点；计算公式为：
Figure 333983DEST_PATH_IMAGE001
其中，W(j,k)表示第j级的第k个特征叶子节点的特征系数矩阵；N表示特征系数矩阵中系数的数量；b表示特征系数矩阵中第b个系数；
Figure 370072DEST_PATH_IMAGE002
表示系数的平方项。
优选的，S2.2中，Ln能量范数包括L1能量范数和L2能量范数；
L1能量范数的表达式为：
Figure 74854DEST_PATH_IMAGE003
其中，
Figure 258711DEST_PATH_IMAGE004
表示L1能量范数；
Figure 97354DEST_PATH_IMAGE005
表示L1能量范数中第1个元素的绝对值；
Figure 332157DEST_PATH_IMAGE006
表示L1能量范数中第n个元素的绝对值；
L2能量范数的表达式为：
Figure 863633DEST_PATH_IMAGE007
其中，
Figure 65944DEST_PATH_IMAGE008
表示L2能量范数；
Figure 783977DEST_PATH_IMAGE009
表示L2能量范数中第1个元素的绝对值的平方；
Figure 529079DEST_PATH_IMAGE010
表示L2能量范数中第n个元素的绝对值的平方；
Ln能量范数的表达式为：
Figure 90510DEST_PATH_IMAGE011
基于L1能量范数、L2能量范数以及Ln能量范数计算第三级的每个所述特征叶子节点的能量范数；计算公式为：
Lnn={Ln1,Ln2,Ln3,...,Ln8}
其中，Lnn表示第三级的n个特征叶子节点的能量范数，n=8；Ln1表示第三级的第1个特征叶子节点的能量范数。
优选的，最大分布差异值的计算公式为：
Figure 655484DEST_PATH_IMAGE012
其中，MDD表示最大分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数；
离散分布差异值的计算公式为：
Figure 711295DEST_PATH_IMAGE013
其中，DD表示离散分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数。
优选的，S2.3中，包括步骤：
S2.3.1：设置阈值a=2；
S2.3.2：将最大分布差异值与a进行比较，
最大分布差异值≤a时，则选择第三级的所以特征叶子节点的特征系数矩阵；
最大分布差异值＞a时，则进一步将离散分布差异值与a进行比较；
离散分布差异值≤a时，则选择该离散分布差异值对应的特征叶子节点的特征系数矩阵；
离散分布差异值＞a时，则丢弃该离散分布差异值对应的特征叶子节点的特征系数矩阵。
优选的，S2.5中，所述神经网络模型包括输入层、输出层、2D卷积层、池化层、一维神经网络层以及softmax分类层；所述2D卷积层包括四层；第一层的2D卷积层包括32个卷积核，每个卷积核的大小为3×3；第二层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第三层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第四层的2D卷积层包括64个卷积核，每个卷积核的大小为1×1；所述池化层包括四层，每层池化层的大小为2×2；所述一维神经网络层包括两层，第一层一维神经网络层大小为64，第二层一维神经网络层大小为96；softmax分类层大小为10。
优选的，神经网络模型的学习率设置为0.001；并对每层2D卷积层以及每层一维神经网络层进行非线性激活；神经网络模型的损失函数为交叉熵损失函数，表达为：
Figure 373221DEST_PATH_IMAGE014
其中，
Figure 980920DEST_PATH_IMAGE015
表示神经网络模型的损失函数；p表示真实样本，q表示预测样本；n表示样本数量，i表示第i个样本；
Figure 174135DEST_PATH_IMAGE016
表示真实样本的分布；
Figure 892692DEST_PATH_IMAGE017
表示预测样本的分布；
优选的，S2.5中，将所述特征图输入至所述神经网络模型中，通过所述2D卷积层、所述池化层以及所述一维神经网络层对所述特征图进行特征提取，得到深度特征；然后通过所述softmax分类层对所述深度特征进行分类，输出所述故障类型分类结果。
优选的，S2中，采用所述内嵌故障标签的震动信号训练所述故障诊断模型包括：
S2.7：将所述内嵌故障标签的震动信号输入至所述故障诊断模型，输出故障类型分类训练结果；
S2.8：将所述故障类型分类训练结果与内嵌的故障标签进行对比；若一致，则所述故障诊断模型训练完成；否则调整故障诊断模型中的超参数，并采用所述内嵌故障标签的震动信号继续训练所述故障诊断模型，直至所述故障类型分类训练结果与内嵌的故障标签一致。
有益效果：采用该方法可在强噪声下的工业现场和大型装备中实时识别旋转机械是否发生故障，可以预防因机械故障引起的装备突发性停机、灾难性事件以及减少经济损失，能够有效保护人员安全。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请一示例性实施例提供的方法的流程图。
图2为根据本申请一示例性实施例提供的构建故障诊断模型的流程图。
图3为根据本申请一示例性实施例提供的神经网络模型的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种基于数字孪生的强噪声下旋转机械故障诊断方法，下面结合附图进行说明。
请参考图1，其示出了本申请的一些实施方式所提供的一种基于数字孪生的强噪声下旋转机械故障诊断方法的流程图，如图所示，方法可以包括以下步骤：
S1：采集故障类型的震动信号；
具体的，采用加速度传感器采集v类故障类型的像旋转机械的震动信号，震动信号的采集频率为P、采集时间为T、采集的长度为P×T。
在本实施例中，在电机的驱动端安装了加速度传感器，并且以48Khz的采样频率收集时间序列信号，采样时长为10秒，即共收集了480000个数据点。将480000个数据点分成1850份数据，每一份数据包含2048个数据点。
S2：基于所述震动信号构建故障诊断模型；并采用内嵌故障标签的震动信号训练所述故障诊断模型，将训练完成的所述故障诊断模型作为数字孪生故障诊断模型；
其中，如图2所示，基于所述震动信号构建故障诊断模型的过程为：
S2.1：对所述震动信号进行多级分解，得到各级的特征叶子节点；所述特征叶子节点包括特征系数矩阵；
具体的，采用小波包变换将所述震动信号进行三级分解，共将得到14个特征叶子节点；计算公式为：
Figure 674703DEST_PATH_IMAGE001
其中，W(j,k)表示第j级的第k个特征叶子节点的特征系数矩阵；N表示特征系数矩阵中系数的数量；b表示特征系数矩阵中第b个系数；
Figure 328670DEST_PATH_IMAGE002
表示系数的平方项。
利用小波包变换将采集的原始信号进行3级分解，得到8个特征叶子节点，其中低通滤波和高通滤波各4个，因此可以同时得到高频和低频信号，每一个特征叶子节点都包含一个特征系数矩阵，每个子带覆盖1/8的信号频谱。小波包分解的基函数如下所示：
Figure 868235DEST_PATH_IMAGE018
其中，
Figure 780697DEST_PATH_IMAGE019
是尺度函数
Figure 89318DEST_PATH_IMAGE020
，即
Figure 137956DEST_PATH_IMAGE021
；
Figure 23872DEST_PATH_IMAGE022
是基小波函数
Figure 349812DEST_PATH_IMAGE023
，也就是
Figure 653885DEST_PATH_IMAGE024
。式中的上标(j)表示第j层小波包基函数，在第j层上将有2j个小波包基；t表示离散信号的长度；e表示小波包滤波器函数的窗口参数；h(k)表示带通滤波器函数；g(k)表示低通滤波器函数；r表示节点的位置编号；m 1为整数；m 2为整数。
小波包的滤波器由h 0和h 1组成，分别表示带通和低通滤波器。这些滤波器可以通过尺度函数
Figure 102184DEST_PATH_IMAGE025
和基小波函数
Figure 616342DEST_PATH_IMAGE026
的内积获得：
Figure 355759DEST_PATH_IMAGE027
Figure 373393DEST_PATH_IMAGE028
其中，
Figure 320490DEST_PATH_IMAGE029
表示带通滤波器；
Figure 134993DEST_PATH_IMAGE030
表示低通滤波器；e表示小波包滤波器函数的窗口参数;
Figure 396210DEST_PATH_IMAGE031
表示分解层数为
Figure 268351DEST_PATH_IMAGE032
长度的尺度函数；
Figure 134152DEST_PATH_IMAGE033
表示分解层数为
Figure 685219DEST_PATH_IMAGE032
长度的基小波函数；
Figure 156651DEST_PATH_IMAGE034
表示分解层数为t-e长度的尺度函数；
小波包分解生成包含所有级别和节点的小波包系数的时频谱。
S2.2：采用Ln能量范数计算第三级的特征叶子节点的能量范数；根据所述第三级的特征叶子节点的能量范数计算得到最大分布差异值和离散分布差异值；
具体的，Ln能量范数包括L1能量范数和L2能量范数；
L1能量范数的表达式为：
Figure 227507DEST_PATH_IMAGE003
其中，
Figure 516405DEST_PATH_IMAGE004
表示L1能量范数；
Figure 522145DEST_PATH_IMAGE005
表示L1能量范数中第1个元素的绝对值；
Figure 469373DEST_PATH_IMAGE006
表示L1能量范数中第n个元素的绝对值；
L2能量范数的表达式为：
Figure 581685DEST_PATH_IMAGE007
其中，
Figure 713589DEST_PATH_IMAGE008
表示L2能量范数；
Figure 786719DEST_PATH_IMAGE009
表示L2能量范数中第1个元素的绝对值的平方；
Figure 599954DEST_PATH_IMAGE010
表示L2能量范数中第n个元素的绝对值的平方；
Ln能量范数的表达式为：
Figure 691407DEST_PATH_IMAGE011
基于L1能量范数、L2能量范数以及Ln能量范数计算第三级的每个所述特征叶子节点的能量范数；计算公式为：
Lnn={Ln1,Ln2,Ln3,...,Ln8}
其中，Lnn表示第三级的n个特征叶子节点的能量范数，n=8；Ln1表示第三级的第1个特征叶子节点的能量范数。
最大分布差异值的计算公式为：
Figure 744944DEST_PATH_IMAGE012
其中，MDD表示最大分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数；
离散分布差异值的计算公式为：
Figure 430004DEST_PATH_IMAGE013
其中，DD表示离散分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数。
S2.3：根据所述最大分布差异值以及所述离散分布差异值，对第三级的特征叶子节点的特征系数矩阵进行选择；
具体的，采用自适应选择方法，并根据所述最大分布差异值以及所述离散分布差异值对第三级的特征叶子节点的特征系数矩阵进行选择；包括步骤：
S2.3.1：设置阈值a=2；
S2.3.2：将MDD与a进行比较，
MDD≤a时，则选择第三级的所以特征叶子节点的特征系数矩阵；
MDD＞a时，则进一步将DD与a进行比较；
DD≤a时，则选择该DD对应的特征叶子节点的特征系数矩阵；
DD＞a时，则丢弃该DD对应的特征叶子节点的特征系数矩阵。
S2.4：将选择出的第三级的特征叶子节点的特征系数矩阵进行重构，得到一个一维的信号序列，其长度为2112；并将所述信号序列重组为二维特征图，特征图的大小为32×66；
根据以下计算公式进行重构，计算公式为：
Figure 171564DEST_PATH_IMAGE035
其中，f(i)表示重构结果；h*表示带通滤波器的共轭函数；g*表示低通滤波器的共轭函数；f表示选择出的第三级的特征叶子节点的特征系数矩阵；W j,k 表示第j级的第k个特征叶子节点的系数矩阵；W j+1,2k 表示第j+1级的第2k个特征叶子节点的系数矩阵；W j+1,2k+1表示第j+1级的第2k+1个特征叶子节点的系数矩阵；m表示求和级数；
重组的过程为：将一个子信号
Figure 992889DEST_PATH_IMAGE036
分成L/s段相等的部分，并且每个部分被顺序地布置为特征图的行，其转换过程如下式所示：
Figure 479978DEST_PATH_IMAGE037
其中，I表示特征图；
Figure 776967DEST_PATH_IMAGE038
表示第l段子信号；
Figure 745054DEST_PATH_IMAGE039
表示第l+A-1段子信号；
Figure 952044DEST_PATH_IMAGE040
表示第l+(c-1)A段子信号；
Figure 596652DEST_PATH_IMAGE041
表示第l+cA-1段子信号；l、c、A表示不同的计数参数。
S2.5：构建神经网络模型，将所述特征图输入至所述神经网络模型，输出故障类型分类结果；
具体的，如图3所述，所述神经网络模型包括输入层、输出层、2D卷积层、池化层、一维神经网络层以及softmax分类层；所述2D卷积层包括四层；第一层的2D卷积层包括32个卷积核，每个卷积核的大小为3×3；第二层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第三层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第四层的2D卷积层包括64个卷积核，每个卷积核的大小为1×1；所述池化层包括四层，每层池化层的大小为2×2；所述一维神经网络层包括两层，第一层一维神经网络层大小为64，第二层一维神经网络层大小为96；softmax分类层大小为10。
在本实施例中，神经网络模型的学习率设置为0.001；并对每层2D卷积层以及每层一维神经网络层均采用relu函数进行非线性激活；神经网络模型的损失函数为交叉熵损失函数，表达为：
Figure 131670DEST_PATH_IMAGE014
其中，
Figure 152716DEST_PATH_IMAGE015
表示神经网络模型的损失函数；p表示真实样本，q表示预测样本；n表示样本数量，i表示第i个样本；
Figure 214213DEST_PATH_IMAGE016
表示真实样本的分布；
Figure 46034DEST_PATH_IMAGE017
表示预测样本的分布；
且神经网络模型的损失函数需降至0。
在本实施例中，将所述特征图输入至所述神经网络模型中，通过所述2D卷积层、所述池化层以及所述一维神经网络层对所述特征图进行特征提取，得到深度特征；然后通过所述softmax分类层对所述深度特征进行分类，输出所述故障类型分类结果。
S2.6：以所述神经网络模型作为故障诊断模型的内核，以所述震动信号作为故障诊断模型的输入，以所述故障类型分类结果作为故障诊断模型的输出，构建所述故障诊断模型。
在S2中，采用所述内嵌故障标签的震动信号训练所述故障诊断模型包括：
S2.7：将所述内嵌故障标签的震动信号输入至所述故障诊断模型，输出故障类型分类训练结果；
S2.8：将所述故障类型分类训练结果与内嵌的故障标签进行对比；若一致，则所述故障诊断模型训练完成；否则调整故障诊断模型中的超参数，并采用所述内嵌故障标签的震动信号继续训练所述故障诊断模型，直至所述故障类型分类训练结果与内嵌的故障标签一致。
S3：基于Tensorflow环境和边缘计算技术将所述数字孪生故障诊断模型部署在机器上；将实时采集的震动信号输入至所述数字孪生故障诊断模型，输出所述实时采集的震动信号对应的故障类型。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (9)

1.一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，包括：
S1：采集故障类型的震动信号；
S2：基于所述震动信号构建故障诊断模型；并采用内嵌故障标签的震动信号训练所述故障诊断模型，将训练完成的所述故障诊断模型作为数字孪生故障诊断模型；
基于所述震动信号构建故障诊断模型的过程为：
S2.1：对所述震动信号进行多级分解，得到各级的特征叶子节点；所述特征叶子节点包括特征系数矩阵；
S2.2：采用Ln能量范数计算第三级的特征叶子节点的能量范数；根据所述第三级的特征叶子节点的能量范数计算得到最大分布差异值和离散分布差异值；
S2.3：根据所述最大分布差异值以及所述离散分布差异值，对第三级的特征叶子节点的特征系数矩阵进行选择；
S2.4：将选择出的第三级的特征叶子节点的特征系数矩阵进行重构，得到信号序列；并将所述信号序列重组为特征图；
S2.5：构建神经网络模型，将所述特征图输入至所述神经网络模型，输出故障类型分类结果；
S2.6：以所述神经网络模型作为故障诊断模型的内核，以所述震动信号作为故障诊断模型的输入，以所述故障类型分类结果作为故障诊断模型的输出，构建所述故障诊断模型；
S3：将所述数字孪生故障诊断模型部署在机器上；将实时采集的震动信号输入至所述数字孪生故障诊断模型，输出所述实时采集的震动信号对应的故障类型。
2.根据权利要求1所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2.1中，采用小波包变换将所述震动信号进行三级分解，共将得到14个特征叶子节点；计算公式为：
Figure 586326DEST_PATH_IMAGE001
其中，W(j,k)表示第j级的第k个特征叶子节点的特征系数矩阵；N表示特征系数矩阵中系数的数量；b表示特征系数矩阵中第b个系数；
Figure 78619DEST_PATH_IMAGE002
表示系数的平方项。
3.根据权利要求2所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2.2中，Ln能量范数包括L1能量范数和L2能量范数；
L1能量范数的表达式为：
Figure 899944DEST_PATH_IMAGE003
其中，
Figure 639230DEST_PATH_IMAGE004
表示L1能量范数；
Figure 686951DEST_PATH_IMAGE005
表示L1能量范数中第1个元素的绝对值；
Figure 576410DEST_PATH_IMAGE006
表示L1能量范数中第n个元素的绝对值；
L2能量范数的表达式为：
Figure 642455DEST_PATH_IMAGE007
其中，
Figure 300445DEST_PATH_IMAGE008
表示L2能量范数；
Figure 694517DEST_PATH_IMAGE009
表示L2能量范数中第1个元素的绝对值的平方；
Figure 512300DEST_PATH_IMAGE010
表示L2能量范数中第n个元素的绝对值的平方；
Ln能量范数的表达式为：
Figure 308218DEST_PATH_IMAGE011
基于L1能量范数、L2能量范数以及Ln能量范数计算第三级的每个所述特征叶子节点的能量范数；计算公式为：
Lnn={Ln1,Ln2,Ln3,...,Ln8}
其中，Lnn表示第三级的n个特征叶子节点的能量范数，n=8；Ln1表示第三级的第1个特征叶子节点的能量范数。
4.根据权利要求3所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，最大分布差异值的计算公式为：
Figure 936777DEST_PATH_IMAGE012
其中，MDD表示最大分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数；
离散分布差异值的计算公式为：
Figure 146041DEST_PATH_IMAGE013
其中，DD表示离散分布差异值；Lnn表示第三级的n个特征叶子节点的能量范数。
5.根据权利要求4所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2.3中，包括步骤：
S2.3.1：设置阈值a=2；
S2.3.2：将最大分布差异值与a进行比较，
最大分布差异值≤a时，则选择第三级的所以特征叶子节点的特征系数矩阵；
最大分布差异值＞a时，则进一步将离散分布差异值与a进行比较；
离散分布差异值≤a时，则选择该离散分布差异值对应的特征叶子节点的特征系数矩阵；
离散分布差异值＞a时，则丢弃该离散分布差异值对应的特征叶子节点的特征系数矩阵。
6.根据权利要求5所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2.5中，所述神经网络模型包括输入层、输出层、2D卷积层、池化层、一维神经网络层以及softmax分类层；所述2D卷积层包括四层；第一层的2D卷积层包括32个卷积核，每个卷积核的大小为3×3；第二层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第三层的2D卷积层包括64个卷积核，每个卷积核的大小为3×3；第四层的2D卷积层包括64个卷积核，每个卷积核的大小为1×1；所述池化层包括四层，每层池化层的大小为2×2；所述一维神经网络层包括两层，第一层一维神经网络层大小为64，第二层一维神经网络层大小为96；softmax分类层大小为10。
7.根据权利要求6所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，神经网络模型的学习率设置为0.001；并对每层2D卷积层以及每层一维神经网络层进行非线性激活；神经网络模型的损失函数为交叉熵损失函数，表达为：
Figure 908461DEST_PATH_IMAGE014
其中，
Figure 637514DEST_PATH_IMAGE015
表示神经网络模型的损失函数；p表示真实样本，q表示预测样本；n表示样本数量，i表示第i个样本；
Figure 420662DEST_PATH_IMAGE016
表示真实样本的分布；
Figure 789326DEST_PATH_IMAGE017
表示预测样本的分布。
8.根据权利要求6所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2.5中，将所述特征图输入至所述神经网络模型中，通过所述2D卷积层、所述池化层以及所述一维神经网络层对所述特征图进行特征提取，得到深度特征；然后通过所述softmax分类层对所述深度特征进行分类，输出所述故障类型分类结果。
9.根据权利要求5所述的一种基于数字孪生的强噪声下旋转机械故障诊断方法，其特征在于，S2中，采用所述内嵌故障标签的震动信号训练所述故障诊断模型包括：
S2.7：将所述内嵌故障标签的震动信号输入至所述故障诊断模型，输出故障类型分类训练结果；
S2.8：将所述故障类型分类训练结果与内嵌的故障标签进行对比；若一致，则所述故障诊断模型训练完成；否则调整故障诊断模型中的超参数，并采用所述内嵌故障标签的震动信号继续训练所述故障诊断模型，直至所述故障类型分类训练结果与内嵌的故障标签一致。
CN202310025385.6A 2023-01-09 2023-01-09 一种基于数字孪生的强噪声下旋转机械故障诊断方法 Active CN115753067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025385.6A CN115753067B (zh) 2023-01-09 2023-01-09 一种基于数字孪生的强噪声下旋转机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025385.6A CN115753067B (zh) 2023-01-09 2023-01-09 一种基于数字孪生的强噪声下旋转机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN115753067A true CN115753067A (zh) 2023-03-07
CN115753067B CN115753067B (zh) 2023-04-21

Family

ID=85348422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025385.6A Active CN115753067B (zh) 2023-01-09 2023-01-09 一种基于数字孪生的强噪声下旋转机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN115753067B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN118194164A (zh) * 2024-05-14 2024-06-14 湖南大学 一种基于元学习的循环重建小样本旋转机械故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN108507783A (zh) * 2018-03-14 2018-09-07 湖南大学 一种基于群分解的旋转机械复合故障诊断方法
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN114492511A (zh) * 2021-12-31 2022-05-13 中云开源数据技术（上海）有限公司 一种基于数字孪生的故障诊断方法
CN115563853A (zh) * 2022-08-30 2023-01-03 武汉理工大学 一种基于数字孪生的滚动轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN108507783A (zh) * 2018-03-14 2018-09-07 湖南大学 一种基于群分解的旋转机械复合故障诊断方法
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN114492511A (zh) * 2021-12-31 2022-05-13 中云开源数据技术（上海）有限公司 一种基于数字孪生的故障诊断方法
CN115563853A (zh) * 2022-08-30 2023-01-03 武汉理工大学 一种基于数字孪生的滚动轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINGHUI HU: "Digital twin model of gas turbine and its application in warning of performance fault" *
任巍曦 等: "基于数字孪生的风电机组轴承故障诊断方法研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116340848B (zh) * 2023-03-31 2023-11-14 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN118194164A (zh) * 2024-05-14 2024-06-14 湖南大学 一种基于元学习的循环重建小样本旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN115753067B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN115753067B (zh) 一种基于数字孪生的强噪声下旋转机械故障诊断方法
Parey et al. Gearbox fault diagnosis using acoustic signals, continuous wavelet transform and adaptive neuro-fuzzy inference system
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
Li et al. Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine
Sanz et al. Fault diagnosis of rotating machinery based on auto-associative neural networks and wavelet transforms
Yang et al. The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network
Zhou et al. Mechanical equipment fault diagnosis based on redundant second generation wavelet packet transform
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN116465623B (zh) 一种基于稀疏Transformer的齿轮箱寿命预测方法
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
Jaber et al. A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab
Sharma et al. Application of wavelet analysis in condition monitoring of induction motors
CN112116029A (zh) 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法
CN114705427A (zh) 一种强噪声环境下的滚动轴承智能故障诊断方法
Kavianpour et al. An intelligent gearbox fault diagnosis under different operating conditions using adversarial domain adaptation
Dong et al. Transfer learning rolling bearing fault diagnosis model based on deep feature decomposition and class-level alignment
Dubaish et al. Comparative Analysis of SVM and ANN for Machine Condition Monitoring and Fault Diagnosis in Gearboxes.
CN115130500A (zh) 一种基于sdae算法的电机故障诊断系统及方法
Li et al. Review of research on signal decomposition and fault diagnosis of rolling bearing based on vibration signal
CN115127813A (zh) 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法
Xin-yu et al. NSP-CNN rolling bearing fault diagnosis method
Qin et al. A Transient Feature Learning-Based Intelligent Fault Diagnosis Method for Planetary Gearboxes.
CN117556344B (zh) 基于多源信息融合的球磨机传动系统故障诊断方法与系统
CN117992863B (zh) 基于可解释平稳小波包卷积网络的旋转机械故障诊断方法
CN116625678B (zh) 基于平均峭度反卷积网络的故障诊断方法及系统

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