CN115758200A - 一种基于相似度度量的振动信号故障识别方法及系统 - Google Patents
一种基于相似度度量的振动信号故障识别方法及系统 Download PDFInfo
- Publication number
- CN115758200A CN115758200A CN202211193495.5A CN202211193495A CN115758200A CN 115758200 A CN115758200 A CN 115758200A CN 202211193495 A CN202211193495 A CN 202211193495A CN 115758200 A CN115758200 A CN 115758200A
- Authority
- CN
- China
- Prior art keywords
- fault
- vibration signal
- data
- identified
- time domain
- 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.)
- Pending
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于相似度度量的振动信号故障识别方法及系统,属于故障测量识别技术领域,包括建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中,使用传感器进行振动信号实时采集,获取待识别振动信号数据,使用数据清洗去除异常振动信号数据,计算待识别振动信号数据中的时域特征和频域特征的原始数据并进行尺度归一化处理,使用PCA特征算法计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,准确的对待识别振动信号进行判断,得到其是否故障以及其故障类别。
Description
技术领域
本发明属于故障测量识别技术领域,具体地说,涉及一种基于相似度度量的振动信号故障识别方法及系统。
背景技术
目前,在设备预测性维护中,基于振动信号分析是应用最广泛的故障监测方法之一,设备故障诊断技术是通过监测设备的运行状态,获取相关分析数据,确定故障原因和提高相应解决方案的一门新兴科学。
现有专利号为CN201911221599.0的基于振动信号分布特征识别的变速箱故障检测方法和系统,包括:采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;基于建立的待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;基于构建的故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测;基于对异常数据模式分布特征的识别,输出变速箱故障类型的诊断结果。基于本发明提供的方案可以快速检测出变速箱在工作状态下实时产生的故障,在多振动源影响的复杂工作环境下有较强的鲁棒性。
这种方法是通过将检测获取到的振动信号与预先获取的正常信号进行比对,根据比对计算结果得到当前待检测振动信号的诊断结果,判断当前待检测振动信号是否为异常信号,但是这种方法无法判断当前异常信号是由哪种故障导致的,因为振动信号出现故障的原因多种多样,使得异常的振动信号也不尽相同,当检测出异常信号的时候,不能判断是哪一种故障导致的异常信号,无法及时获取故障的类型,给后续的修复工作造成困难。
发明内容
要解决的问题
针对现有无法判断当前异常信号是由哪种故障导致,无法及时获取故障的类型,给后续的修复工作造成困难的问题,本发明提供一种基于相似度度量的振动信号故障识别方法及系统。
技术方案
为解决上述问题,本发明采用如下的技术方案。
一种基于相似度度量的振动信号故障识别方法,采用以下步骤:
步骤1:建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中;
步骤2:使用传感器进行振动信号实时采集,获取待识别振动信号数据X=(x1,x2,...xn);
步骤3:对待识别振动信号数据进行数据预处理,使用数据清洗去除异常振动信号数据;
步骤4:对预处理后的待识别振动信号数据进行计算,计算待识别振动信号数据中的时域特征和频域特征的原始数据;
步骤5:对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据;
步骤6:使用PCA特征算法对尺度归一化处理后的待识别振动信号特征数据进行计算;
步骤7:计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别;
步骤8:待识别振动信号故障识别完成后,将其按照故障信号所属类储存至对应的标准故障库内。
进一步地,所述时域特征包括时域均值、时域_RMS均方根、时域峰峰值、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数;所述频域特征包括频域均值和频域峭度。
进一步地,所述时域均值的计算公式如下:
其中x(n)为信号的时域序列,n=1,2,…,N,N为样本点数;
所述时域_RMS均方根的计算公式如下:
所述时域峰峰值的计算公式如下:
xp=max|x(n)|
所述时域峭度的计算公式如下:
其中σx为时域标准差;
所述时域峰值因子的计算公式如下:
所述时域裕度因子的计算公式如下:
其中xr为时域方根幅值;
所述时域波形因子的计算公式如下:
所述时域脉冲指数的计算公式如下:
更进一步地,所述频域均值的计算公式如下:
其中x(n)为信号的时域序列,n=1,2,…,N,N为样本点数;
所述频域峭度的计算公式如下:
其中σx为频域标准差。
更进一步地,所述对待识别振动信号数据进行尺度归一化处理的尺度归一化公式如下:
更进一步地,所述PCA算法是设待识别振动信号的样本矩阵为 Xm×n,m为样本数量,n为特征数量,先对样本矩阵X均值中心化,确定样本投影方差最大的主方向w,公式如下:
‖w‖2=1
提取前k个主方向构成载荷矩阵,W=(w1,...wk),待识别振动信号特征提取后的结果为Xnew=XW。
再进一步地,所述待识别振动信号数据特征数据与每个标准故障库特征的相似度的计算是先将每个标准故障库内的每个历史故障信号进行特征提取,生成每个历史故障信号的特征向量,标准故障库分别为Ai×n、Bp×n和Cq×n,i、p和q为标准故障库内历史故障信号的数量,历史故障信号的特征向量为n维:XA=(xa1,xa2,...xan)、 XB=(xb1,xb2,...xbn)和XC=(xc1,xc2,...xcn),
再将待识别振动信号X根据提取的特征生成待识别振动信号特征向量X=(x1,x2,...xn),将待识别振动信号X与标准故障库Ai×n、标准故障库Bp×n和标准故障库Cq×n内的每个历史故障信号进行相似度计算,得到相似度向量S=(d1,d2,...di)、S=(d1,d2,...dp)和S=(d1,d2,...dq),取待识别振动信号X与每个标准故障库Ai×n、Bp×n和Cq×n的相似度的均值SA,SB和SC,将每个相似度的均值进行比较,
取其中最大的值,则该待识别振动信号X属于该标准故障库所属的故障类别。
再进一步地,所述待识别振动信号X与每个标准故障库Ai×n、Bp×n和Cq×n的相似度的均值计算公式如下:
其中,i、p和q分别为标准故障库Ai×n、Bp×n和Cq×n内历史故障信号的数量。
再进一步地,所述待识别振动信号与标准故障库内的历史故障信号的相似度计算采用相关系数相似度进行计算,计算公式如下:
其中X为待识别振动信号,Y为历史故障信号。
一种基于相似度度量的振动信号故障识别系统,包括:
分类储存模块,用于按照故障所属类建立标准故障库,将历史故障信号按照故障所属类存储至标准故障库中;
传感采集模块,用于对振动信号实时采集,获取待识别振动信号数据;
数据清洗模块,用于对传感采集模块采集到的待识别振动信号数据进行数据清洗;
数据计算模块,用于对数据清洗后的待识别振动信号数据进行计算,得到时域特征和频域特征的原始数据;
标准化处理模块,用于对时域特征和频域特征的原始数据进行尺度归一化处理;
特征计算模块,用于对尺度归一化处理后的数据进行计算,提取需要的目标特征数据;
相似度计算模块,用于计算特征计算模块计算提取出的特征与分类储存模块内的历史故障信号特征的相似度;
故障识别模块,用于根据相似度计算模块计算出的数据结果判定该待识别振动信号故障所属类,完成振动信号故障的识别。
一种基于相似度度量的振动信号故障识别方法及系统,通过建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中,使用传感器进行振动信号实时采集,获取待识别振动信号数据,使用数据清洗去除异常振动信号数据,计算待识别振动信号数据中的时域特征和频域特征的原始数据,对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据,使用PCA特征算法对待识别振动信号特征数据进行计算,计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,将其按照故障信号所属类储存至对应的标准故障库内,准确的对待识别振动信号进行判断,得到其是否故障以及其故障类别。
有益效果
相比于现有技术,本发明的有益效果为:
(1)本发明通过PCA特征提取算法对待识别振动信号数据进行特征计算和提取,利用PCA特征提取算法将原始频率信息可视化,初步分析其聚类效果,用较少数目的特征向量刻画样本的全局信息,最终达到降低原始空间维数的目的;
(2)本发明在对待识别振动信号原始数据进行计算之前,会进行尺度归一化处理,消除待识别振动信号原始数据各个特征指标之间的量纲影响,对待识别振动信号原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价;
(3)本发明将完成振动信号故障识别的振动信号按照故障信号所属类储存至对应的标准故障库内,之后该故障信号可作为历史故障信号参与下一次振动信号的计算和故障识别,随着使用次数的增加,分类器内的标准故障库和标准故障库内历史故障信号逐渐增多,对待识别振动信号数据进行故障分类结果也越来越准确。
附图说明
为了更清楚地说明本申请实施例或示例性中的技术方案,下面将对实施例或示例性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申请的一些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以按照这些附图示出的获得其他的附图。
图1为本发明的步骤示意图;
图2为本发明的系统结构示意图;
图3为实施例2中故障类型1时域数据示意图;
图4为实施例2中故障类型2时域数据示意图;
图5为实施例2中故障类型1频谱图;
图6为实施例2中故障类型2频谱图;
图7为实施例2中聚类示意图;
图8为实施例2中相似度计算结果图;
图9为实施例2中标签计算结果图;
图10为本发明的步骤流程示意图。
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,通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例,基于本申请中的实施例,本领域普通技术人员在没有作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。
实施例1
如图1和图10所示,一种基于相似度度量的振动信号故障识别方法,采用以下步骤:
建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中,使用传感器进行振动信号实时采集,获取待识别振动信号数据,使用数据清洗去除异常振动信号数据,计算待识别振动信号数据中的时域特征和频域特征的原始数据,对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据,使用PCA特征算法对待识别振动信号特征数据进行计算,计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,将其按照故障信号所属类储存至对应的标准故障库内。
首先建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中;
使用传感器进行振动信号实时采集,获取待识别振动信号数据 X=(x1,x2,...xn);
对待识别振动信号数据进行数据预处理,使用数据清洗去除异常振动信号数据;
对预处理后的待识别振动信号数据进行计算,计算待识别振动信号数据中的时域特征和频域特征的原始数据,所述时域特征包括时域均值、时域_RMS均方根、时域峰峰值、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数;所述频域特征包括频域均值和频域峭度。
所述时域均值的计算公式如下:
其中x(n)为信号的时域序列,n=1,2,…,N,N为样本点数;
所述时域_RMS均方根的计算公式如下:
所述时域峰峰值的计算公式如下:
xp=max|x(n)|
所述时域峭度的计算公式如下:
其中σx为时域标准差;
所述时域峰值因子的计算公式如下:
所述时域裕度因子的计算公式如下:
其中xr为时域方根幅值;
所述时域波形因子的计算公式如下:
所述时域脉冲指数的计算公式如下:
所述频域均值的计算公式如下:
其中x(n)为信号的时域序列,n=1,2,…,N,N为样本点数;
所述频域峭度的计算公式如下:
其中σx为频域标准差。
对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据,尺度归一化公式如下:
使用PCA特征算法对尺度归一化处理后的待识别振动信号特征数据进行计算,所述PCA算法是设待识别振动信号的样本矩阵为Xm×n, m为样本数量,n为特征数量,先对样本矩阵X均值中心化,确定样本投影方差最大的主方向w,公式如下:
‖w‖2=1
提取前k个主方向构成载荷矩阵,W=(w1,...wk),待识别振动信号特征提取后的结果为Xnew=XW。
计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,先将每个标准故障库内的每个历史故障信号进行特征提取,生成每个历史故障信号的特征向量,标准故障库分别为Ai×n、Bp×n和Cq×n,i、p和q为标准故障库内历史故障信号的数量,历史故障信号的特征向量为n维:
XA=(xa1,xa2,...xan)、XB=(xb1,xb2,...xbn)和XC=(xc1,xc2,...xcn),
再将待识别振动信号X根据提取的特征生成待识别振动信号特征向量X=(x1,x2,...xn),将待识别振动信号X与标准故障库Ai×n、标准故障库Bp×n和标准故障库Cq×n内的每个历史故障信号进行相似度计算,所述待识别振动信号与标准故障库内的历史故障信号的相似度计算采用相关系数相似度进行计算,计算公式如下:
其中X为待识别振动信号,Y为历史故障信号。
得到相似度向量S=(d1,d2,...do)、S=(d1,d2,...dp)和 S=(d1,d2,...dq),取待识别振动信号X与每个标准故障库Ai×n、Bp×n和Cq×n的相似度的均值SA,SB和SC,将每个相似度的均值进行比较,
所述待识别振动信号X与每个标准故障库Ai×n、Bp×n和Cq×n的相似度的均值计算公式如下:
其中,i、p和q分别为标准故障库Ai×n、Bp×n和Cq×n内历史故障信号的数量。
待识别振动信号故障识别完成后,将其按照故障信号所属类储存至对应的标准故障库内,之后该故障信号可作为历史故障信号参与下一次振动信号的计算和故障识别。
通过上述描述可知,在本实例中,建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中,使用传感器进行振动信号实时采集,获取待识别振动信号数据,使用数据清洗去除异常振动信号数据,计算待识别振动信号数据中的时域特征和频域特征的原始数据,对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1 的数据,使用PCA特征算法对待识别振动信号特征数据进行计算,计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,将其按照故障信号所属类储存至对应的标准故障库内。
实施例2
建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中,使用传感器进行振动信号实时采集,获取待识别振动信号数据X=(x1,x2,...xn),每一个振动信号(n维向量)实际都是n 维空间中的一个“点”。
取2类原始振动数据,故障类别1的时域样本为100*2047,故障类别2的时域样本为100*2047,2类原始振动数据的时域数据图如图 3和图4所示。
并将其通过傅里叶变换分别转为频谱,傅里叶变换为离散傅里叶变换DFT,频谱图如图5和图6所示。
对待识别振动信号数据进行数据预处理,使用数据清洗去除异常振动信号数据,数据清洗是计算原始振动信号样本X的标准差划分区间组成数组,计算数组均值和标准差,依据3σ准则判断原始振动信号样本X是否为异常样本,若为异常样本则进行清洗,若为正常样本则将原始振动信号样本X分为两组,分别转换为频谱;将频谱进行平滑消除噪声影响;对频谱进行相关分析得到相关系数,如果相关系数小于阈值,则原始振动信号样本X为异常样本,清洗;如果相关系数大于或等于阈值,则原始振动信号样本X为正常样本,保留。本发明通过计算比较原始振动信号每个子区域样本标准差,结合相邻两个区间快速傅里叶变换频谱相关性分析对异常信号在线识别,降低异常信号对后续故障诊断的干扰。
对预处理后的待识别振动信号数据进行计算,计算待识别振动信号数据中的时域特征和频域特征的原始数据,时域特征包括时域均值、时域_RMS均方根、时域峰峰值、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数;频域特征包括频域均值和频域峭度。
对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据,数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性,原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。
使用PCA特征算法对尺度归一化处理后的待识别振动信号特征数据进行计算,主成分分析(PCA)特征提取算法说明如下:利用PCA将原始频率信息可视化,初步分析其聚类效果:两类故障测试样本基本都落在训练样本空间中,主成分分析(Principal componentanalysis: PCA)基本思路是寻找高维数据在低维空间重构误差最小意义下最优的投影子空间,从而用较少数目的特征向量刻画样本的全局信息,最终达到降低原始空间维数的目的。
计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,两类故障测试样本基本都落在训练样本空间中如图7所示,每个测试样本和故障类别1的相似度(以相关系数定义)及每个测试样本和故障类别2的相似度(以相关系数定义)如图8所示,根据最大值返回故障类别标签ypredictfinal.csv如图9所示。最终得到结果故障类别1落在训练样本空间1中,结果故障类别2落在训练样本空间 2中。
根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别,待识别振动信号故障识别完成后,将其按照故障信号所属类储存至对应的标准故障库内。
实施例3
一种基于相似度度量的振动信号故障识别方法,所实施步骤与实施例1基本相同,其中待识别振动信号与标准故障库内的历史故障信号的相似度计算还可以采用欧几里得距离(Eucledian Distance)、曼哈顿距离(棋盘距离:Manhattan Distance)、明可夫斯基距离 (Minkowski distance:广义欧氏距离)和余弦相似度(Cosine Similarity)算法进行计算。
其中欧几里得距离公式如下:
曼哈顿距离算法距离公式如下:
M=|x1-x2|+|y1-y2|,p1 at(x1,y1)and(x2,y2)
明可夫斯基距离公式如下:
当p==1,“明可夫斯基距离”变成“曼哈顿距离”;
当p==2,“明可夫斯基距离”变成“欧几里得距离”;
当p==∞,“明可夫斯基距离”变成“切比雪夫距离”。
余弦相似度公式如下:
实施例4
如图2所示,一种基于相似度度量的振动信号故障识别系统,包括:
分类储存模块,用于按照故障所属类建立标准故障库,将历史故障信号按照故障所属类存储至标准故障库中;
传感采集模块,用于对振动信号实时采集,获取待识别振动信号数据;
数据清洗模块,用于对传感采集模块采集到的待识别振动信号数据进行数据清洗;
数据计算模块,用于对数据清洗后的待识别振动信号数据进行计算,得到时域特征和频域特征的原始数据;
标准化处理模块,用于对时域特征和频域特征的原始数据进行尺度归一化处理;
特征计算模块,用于对尺度归一化处理后的数据进行计算,提取需要的目标特征数据;
相似度计算模块,用于计算特征计算模块计算提取出的特征与分类储存模块内的历史故障信号特征的相似度;
故障识别模块,用于根据相似度计算模块计算出的数据结果判定该待识别振动信号故障所属类,完成振动信号故障的识别。
通过上述描述可知,在本实例中,通过分类储存模块将历史故障信号按照故障所属类存储至标准故障库中,传感采集模块对振动信号实时采集,获取待识别振动信号数据,数据清洗模块对采集到的待识别振动信号数据进行数据清洗,数据计算模块进行计算,得到时域特征和频域特征的原始数据,标准化处理模块对原始数据进行尺度归一化处理,特征计算模块再次进行计算,提取需要的目标特征数据,相似度计算模块计算提取出的特征与历史故障信号特征的相似度,故障识别模块根据相似度计算结果判定该待识别振动信号故障所属类,完成振动信号故障的识别。
以上所述实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。
Claims (10)
1.一种基于相似度度量的振动信号故障识别方法,其特征在于,采用以下步骤:
步骤1:建立分类器,分类器内设有多个标准故障库,一个标准故障库对应一个故障信号所属类,将历史故障信号按照故障所属类存储至标准故障库中;
步骤2:使用传感器进行振动信号实时采集,获取待识别振动信号数据X=(x1,x2,...xn);
步骤3:对待识别振动信号数据进行数据预处理,使用数据清洗去除异常振动信号数据;
步骤4:对预处理后的待识别振动信号数据进行计算,计算待识别振动信号数据中的时域特征和频域特征的原始数据;
步骤5:对提取出的时域特征和频域特征的原始数据进行尺度归一化处理,将时域特征和频域特征的原始数据归一化为均值为0、方差为1的数据;
步骤6:使用PCA特征算法对尺度归一化处理后的待识别振动信号特征数据进行计算,获取待识别振动信号数据特征数据;
步骤7:计算待识别振动信号数据特征数据与每个标准故障库特征的相似度,根据计算的出的相似度结果,判定该待识别振动信号故障信号所属类,完成振动信号故障的识别;
步骤8:待识别振动信号故障识别完成后,将其按照故障信号所属类储存至对应的标准故障库内。
2.根据权利要求1所述的一种基于相似度度量的振动信号故障识别方法,其特征在于:所述时域特征包括时域均值、时域_RMS均方根、时域峰峰值、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数;所述频域特征包括频域均值和频域峭度。
7.根据权利要求6所述的一种基于相似度度量的振动信号故障识别方法,其特征在于:所述待识别振动信号数据特征数据与每个标准故障库特征的相似度的计算是先将每个标准故障库内的每个历史故障信号进行特征提取,生成每个历史故障信号的特征向量,标准故障库分别为Ai×n、Bp×n和Cq×n,i、p和q为标准故障库内历史故障信号的数量,历史故障信号的特征向量为n维:XA=(xa1,xa2,...xan)、XB=(xb1,xb2,...xbn)和XC=(xc1,xc2,...xcn),
再将待识别振动信号X根据提取的特征生成待识别振动信号特征向量X=(x1,x2,...xn),将待识别振动信号X与标准故障库Ai×n、标准故障库Bp×n和标准故障库Cq×n内的每个历史故障信号进行相似度计算,得到相似度向量S=(d1,d2,...di)、S=(d1,d2,...dp)和S=(d1,d2,...dq),取待识别振动信号X与每个标准故障库Ai×n、Bp×n和Cq×n的相似度的均值SA,SB和SC,将每个相似度的均值进行比较,
取其中最大的值,则该待识别振动信号X属于该标准故障库所属的故障类别。
10.一种基于相似度度量的振动信号故障识别系统,其特征在于,包括:
分类储存模块,用于按照故障所属类建立标准故障库,将历史故障信号按照故障所属类存储至标准故障库中;
传感采集模块,用于对振动信号实时采集,获取待识别振动信号数据;
数据清洗模块,用于对传感采集模块采集到的待识别振动信号数据进行数据清洗;
数据计算模块,用于对数据清洗后的待识别振动信号数据进行计算,得到时域特征和频域特征的原始数据;
标准化处理模块,用于对时域特征和频域特征的原始数据进行尺度归一化处理;
特征计算模块,用于对尺度归一化处理后的数据进行计算,提取需要的目标特征数据;
相似度计算模块,用于计算特征计算模块计算提取出的特征与分类储存模块内的历史故障信号特征的相似度;
故障识别模块,用于根据相似度计算模块计算出的数据结果判定该待识别振动信号故障所属类,完成振动信号故障的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193495.5A CN115758200A (zh) | 2022-09-28 | 2022-09-28 | 一种基于相似度度量的振动信号故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193495.5A CN115758200A (zh) | 2022-09-28 | 2022-09-28 | 一种基于相似度度量的振动信号故障识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758200A true CN115758200A (zh) | 2023-03-07 |
Family
ID=85350565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211193495.5A Pending CN115758200A (zh) | 2022-09-28 | 2022-09-28 | 一种基于相似度度量的振动信号故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758200A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
CN117607598A (zh) * | 2023-12-12 | 2024-02-27 | 国网山东省电力公司莒县供电公司 | 一种基于声纹特征的变压器故障检测方法及系统 |
CN117786488A (zh) * | 2023-12-26 | 2024-03-29 | 国网青海省电力公司清洁能源发展研究院 | 一种电化学储能全寿命周期主动安全防控方法 |
CN118035227A (zh) * | 2024-04-15 | 2024-05-14 | 山东云擎信息技术有限公司 | 一种基于大数据评估的数据智能处理方法及系统 |
-
2022
- 2022-09-28 CN CN202211193495.5A patent/CN115758200A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
CN117607598A (zh) * | 2023-12-12 | 2024-02-27 | 国网山东省电力公司莒县供电公司 | 一种基于声纹特征的变压器故障检测方法及系统 |
CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
CN117786488A (zh) * | 2023-12-26 | 2024-03-29 | 国网青海省电力公司清洁能源发展研究院 | 一种电化学储能全寿命周期主动安全防控方法 |
CN117786488B (zh) * | 2023-12-26 | 2024-06-07 | 国网青海省电力公司清洁能源发展研究院 | 一种电化学储能全寿命周期主动安全防控方法 |
CN118035227A (zh) * | 2024-04-15 | 2024-05-14 | 山东云擎信息技术有限公司 | 一种基于大数据评估的数据智能处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN110792563B (zh) | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 | |
US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110650058B (zh) | 一种网络流量分析方法、装置、存储介质及设备 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
Afrasiabi et al. | Real-time bearing fault diagnosis of induction motors with accelerated deep learning approach | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN116453544A (zh) | 一种基于声纹识别的工业设备运行状态监测方法 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN116735170A (zh) | 一种基于自注意力多尺度特征提取的智能故障诊断方法 | |
Simula et al. | Process monitoring and visualization using self-organizing maps | |
CN111337798B (zh) | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 | |
CN116627116A (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN111506045A (zh) | 一种基于单值中智集相关系数的故障诊断方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 |
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 |