CN115828087A - 一种用于机械设备故障诊断的信号特征提取方法及系统 - Google Patents

一种用于机械设备故障诊断的信号特征提取方法及系统 Download PDF

Info

Publication number
CN115828087A
CN115828087A CN202310139406.7A CN202310139406A CN115828087A CN 115828087 A CN115828087 A CN 115828087A CN 202310139406 A CN202310139406 A CN 202310139406A CN 115828087 A CN115828087 A CN 115828087A
Authority
CN
China
Prior art keywords
data
row
column
mechanical equipment
signal
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
CN202310139406.7A
Other languages
English (en)
Other versions
CN115828087B (zh
Inventor
李沂滨
王欢齐
贾磊
王代超
宋艳
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202310139406.7A priority Critical patent/CN115828087B/zh
Publication of CN115828087A publication Critical patent/CN115828087A/zh
Application granted granted Critical
Publication of CN115828087B publication Critical patent/CN115828087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于机械设备故障诊断技术领域，具体公开了一种用于机械设备故障诊断的信号特征提取方法及系统，方法包括：获取机械设备时域信号数据S l ；将最后一个数据变为第二行的第一个数据，当第二行填满时，下一次排列时则增加一行；最终得到l行1列的新矩阵S 1；对于上述过程中的所有矩阵S l ，S l‑1，S l‑2，...，S 1，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量，对于这些行向量分别计算标准差，选取标准差数值的前n个结果组成数据S l 的故障信号频谱特征向量；本发明实现了数据压缩，削弱原始振动信号中的噪声，实现了特征分离，减少非故障信息对模型学习的干扰。

Description

一种用于机械设备故障诊断的信号特征提取方法及系统
技术领域
本发明涉及机械设备故障诊断技术领域，尤其涉及一种用于机械设备故障诊断的信号特征提取方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
机械设备长期高负荷运转，会对其零部件造成磨损。其表面的轻微缺陷就可能导致整个装置系统的运行故障，引起机械设备报废或造成重大经济损失。故障诊断是一种了解和掌握机器在运行过程中的状态、确定其整体或局部正常或异常、早期发现故障及其原因、并能预报故障发展趋势的技术。对设备进行故障诊断可以及时发现因设备个别零部件的早期缺陷。有效避免整个机械设备系统运行故障造成的人员伤亡和财产损失。因此，开展机械设备故障诊断对提高设备运行的安全性有着重要意义。
机械装置在处于工作状态时，其内部的轴承、齿轮等机械零部件会产生周期性振动信号。通过对振动信号分析可以有效的定性或定量的对机械转置故障情况进行诊断或预测。基于振动信号的故障诊断数据测量简单、诊断速度快、诊断精度高。在选择机械中广泛应用。
机械设备往往结构复杂，工作时系统中存在多个零部件不同的运动状态，其产生的信号互相调制、相互叠加，造成测量的振动信号表现出复杂的非线性特征。在利用传统的滤波降噪方法处理信号时，滤除干扰噪声的同时不可避免的将部分有用的信号一并滤除，导致信号的有用信息丢失。
近几年深度学习在各行各业发挥着重要的应用价值。在故障诊断领域，利用深度学习模型进行机械装置的故障诊断时，需要将原始数据分割为训练集和测试集。将训练集输入故障诊断模型进行参数的学习，之后将测试集输入故障诊断模型进行模型故障诊断并对模型性能评估。由于原始信号成分复杂，除了有用的故障信号外还包含噪声和其他非故障信号。这些非故障信号使故障诊断模型不能专注于学习故障特征，降低了模型的性能。为了屏蔽干扰信号，学习到有价值的故障信号特征，往往需要采用结构复杂、层数较大的深度学习模型，增加了模型训练和预测的计算量和计算时间。
发明内容
为了解决上述问题，本发明提出了一种用于机械设备故障诊断的信号特征提取方法及系统，可以有效提取并分离出故障信号频谱特征与故障信号分布特征，削弱原始振动信号中的噪声，并能够对数据量进行充分压缩，将压缩数据量后的特征数据做为故障诊断模型的输入可以减少模型的计算量和计算时间。
在一些实施方式中，采用如下技术方案：
一种用于机械设备故障诊断的信号特征提取方法，包括：
获取机械设备时域信号数据
Figure SMS_1
；
所述数据
Figure SMS_2
为一行l列矩阵，将最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据
Figure SMS_3
变为两行l-1列的新矩阵
Figure SMS_4
；
将新矩阵
Figure SMS_5
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure SMS_6
；依此类推，直至得到两行
Figure SMS_7
列的新矩阵
Figure SMS_8
；
将新矩阵
Figure SMS_9
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure SMS_10
-1列的新矩阵
Figure SMS_11
；
依次类推，最终得到
Figure SMS_12
行1列的新矩阵
Figure SMS_13
；
对于上述过程中的所有矩阵
Figure SMS_15
，
Figure SMS_18
，
Figure SMS_22
，...，
Figure SMS_17
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure SMS_21
，
Figure SMS_23
，
Figure SMS_25
，...，
Figure SMS_14
，对于行向量
Figure SMS_19
，
Figure SMS_24
，
Figure SMS_26
，...，
Figure SMS_16
分别计算标准差，选取标准差数值的前n个结果组成数据
Figure SMS_20
的故障信号频谱特征向量，n为设定值；
将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
在另一些实施方式中，采用如下技术方案：
一种用于机械设备故障诊断的信号特征提取系统，包括：
数据获取模块，用于获取机械设备时域信号数据
Figure SMS_27
；
数据压缩模块，用于将一行l列矩阵
Figure SMS_28
的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据
Figure SMS_29
变为两行l-1列的新矩阵
Figure SMS_30
；
将新矩阵
Figure SMS_31
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure SMS_32
；依此类推，直至得到两行
Figure SMS_33
列的新矩阵
Figure SMS_34
；
将新矩阵
Figure SMS_35
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure SMS_36
-1列的新矩阵
Figure SMS_37
；
依次类推，最终得到
Figure SMS_38
行1列的新矩阵
Figure SMS_39
；
频谱特征提取模块，用于对于上述过程中的所有矩阵
Figure SMS_40
，
Figure SMS_48
，
Figure SMS_50
，...，
Figure SMS_42
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure SMS_44
，
Figure SMS_46
，
Figure SMS_51
，...，
Figure SMS_41
，对于行向量
Figure SMS_45
，
Figure SMS_49
，
Figure SMS_52
，...，
Figure SMS_43
分别计算标准差，选取标准差数值的前n个结果组成数据
Figure SMS_47
的故障信号频谱特征向量，n为设定值；
故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的用于机械设备故障诊断的信号特征提取方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的用于机械设备故障诊断的信号特征提取方法。
与现有技术相比，本发明的有益效果是：
（1）本发明对获取的原始机械设备时域信号数据进行矩阵变换处理，分离提取出故障信号的频谱特征与分布特征，实现了数据压缩，削弱原始振动信号中的噪声，可以使故障诊断模型专注于故障信号频谱特征学习，减少非故障信息对模型学习的干扰，增加模型的故障诊断性能。将压缩数据量后的特征数据做为故障诊断模型的输入可以减少模型的计算量和计算时间。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的用于机械设备故障诊断的信号特征提取方法流程图；
图2为本实施例实验中同一故障信号不同位置的三组样本数据；
图3（a）为图2的样本数据分离得到的故障信号频谱特征数据；
图3（b）为图2的样本数据分离得到的故障信号分布特征数据。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种一种用于机械设备故障诊断的信号特征提取方法，结合图1，具体包括如下过程：
（1）获取机械设备时域信号数据
Figure SMS_54
；
Figure SMS_56
表示数据样本的第1个数据，
Figure SMS_58
表示数据样本的第2个数据，依此类推，
Figure SMS_55
表示样本最后一个数据，
Figure SMS_57
表示
Figure SMS_59
中的总数据个数，
Figure SMS_60
为1行
Figure SMS_53
列的矩阵。
本实施例采集的是机械设备周期性的时域振动信号；在机械设备关键零部件位置设置加速度传感器，机械设备运转时，零部件等机械结构有规律的运转会产生具有周期性的振动信号，这些振动信号会被加速度传感器采集。这些振动信号中包含机械设备零部件因磨损、断裂等故障产生的周期性冲击信号。
（2）将数据
Figure SMS_61
的最后一个数据
Figure SMS_62
变为第二行的第一个数据，第二行其余位置补零，将数据
Figure SMS_63
变为两行l-1列的新矩阵
Figure SMS_64
；
Figure SMS_65
。
Figure SMS_66
为2行
Figure SMS_67
列的矩阵。
（3）将新矩阵
Figure SMS_68
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure SMS_69
；
Figure SMS_70
，
Figure SMS_71
为2行
Figure SMS_72
列的矩阵。
依此类推，不断递减前一个矩阵的列，将数据依次排列至下一行，直至第二行中所有补入的零元素都去除，得到两行
Figure SMS_73
列的新矩阵
Figure SMS_74
。
比如：
Figure SMS_75
，
Figure SMS_76
为两行
Figure SMS_77
列的矩阵；
Figure SMS_78
，
Figure SMS_79
为两行
Figure SMS_80
列的矩阵。
（4）当第二行填满时，下一次排列时则增加一行，即：将新矩阵
Figure SMS_81
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure SMS_82
-1列的新矩阵
Figure SMS_83
；
依次类推，最终得到
Figure SMS_84
行1列的新矩阵
Figure SMS_85
；
Figure SMS_86
。
通过上述步骤，得到了
Figure SMS_90
个矩阵，分别表示为
Figure SMS_91
，
Figure SMS_92
，
Figure SMS_89
，...，
Figure SMS_95
，其列数分别为
Figure SMS_98
，
Figure SMS_99
，
Figure SMS_87
，...，1，其行数分别为1，
Figure SMS_93
，
Figure SMS_97
，...，
Figure SMS_100
。其中行数的计算公式为
Figure SMS_88
，
Figure SMS_94
为向上取整函数，
Figure SMS_96
为对应矩阵的下标。
（5）对于上述过程中的所有矩阵
Figure SMS_103
，
Figure SMS_104
，
Figure SMS_106
，...，
Figure SMS_102
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure SMS_105
，
Figure SMS_107
，
Figure SMS_108
，...，
Figure SMS_101
；
（6）对于行向量
Figure SMS_110
，
Figure SMS_113
，
Figure SMS_118
，...，
Figure SMS_111
分别计算标准差，得到
Figure SMS_114
个结果，分别记为
Figure SMS_117
，
Figure SMS_121
，
Figure SMS_109
，...，
Figure SMS_115
。将结果按角标由小到大排序，并将前
Figure SMS_119
个结果记为记为
Figure SMS_122
，
Figure SMS_112
。其中
Figure SMS_116
为样本
Figure SMS_120
的进行特征压缩提取后的故障信号频谱特征向量。
（7）对于上述过程中的所有矩阵
Figure SMS_124
，
Figure SMS_127
，
Figure SMS_129
，...，
Figure SMS_125
，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量
Figure SMS_126
，
Figure SMS_128
，
Figure SMS_130
，...，
Figure SMS_123
；
（8）对于列向量
Figure SMS_131
，
Figure SMS_135
，
Figure SMS_139
，...，
Figure SMS_133
分别计算标准差，得到
Figure SMS_136
个结果，分别记为
Figure SMS_140
，
Figure SMS_144
，
Figure SMS_132
，...，
Figure SMS_137
。将结果按角标由小到大排序，并将前
Figure SMS_142
个结果记为记为
Figure SMS_143
，
Figure SMS_134
。其中
Figure SMS_138
为样本
Figure SMS_141
的进行特征压缩提取后的故障信号分布特征向量。
本实施例中，特征向量
Figure SMS_145
中包含了样本
Figure SMS_146
中故障信号的频谱特征，其长度是样本
Figure SMS_147
的四分之一，特征向量
Figure SMS_148
中包含了样本
Figure SMS_149
中故障信号的分布特征，实现了对故障频谱与分布特征的分离和提取，同时压缩了数据量。
（9）将得到的故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
本实施例中，对神经网络模型进行训练时，分别获取机械设备在正常和各种不同故障状态下的原始时域信号数据，对每个状态下的原始时域信号数据进行不重叠的连续滑窗取样，分割成多个数据样本；采用上述的信号特征提取方法对每一个数据样本进行信号特征向量分离提取；将提取到的所有故障信号频谱特征向量构成训练数据集，利用训练数据集进行神经网络模型的训练，得到机械设备故障诊断模型。
同时，可以基于故障信号分布特征向量校验原始时域信号数据分割是否合理，具体过程如下：
比较每一个数据样本提取到的故障信号分布特征向量，如果各个数据样本提取到的故障信号分布特征向量相同或相近，则表明原始时域信号数据分割合理，否则，数据分割不合理。
本实施例中，机械设备故障诊断模型选用含有3个全连接层的多层感知机做为故障诊断模型，训练所选取的样本数批量大小为32，优化器选择Adam（学习率自适应调整），激活函数选择ReLU。
为了验证本实施例特征提取方法的效果，使用公开数据集CWRU进行验证，原始数据包含正常数据1组、内圈故障数据3组、滚珠故障3组、外圈故障3组。
对某一类型时域信号数据进行不重叠连续滑窗采样，并将其划分为训练集和测试集。为了保证每个样本至少覆盖一个故障周期，样本长度设置为l=1024个采样点。这样每种故障类别共得到100组训练数据和20组测试数据共120组数据。10个类别一共包含1000组训练数据和200组测试数据共1200组数据，将其中一组数据记为S 1024，
Figure SMS_150
。
对每组数据进行进行列方向上的压缩处理，首先对于数据样本S 1024，进行列方向上的压缩处理，具体方法为：取出S 1024的最后一数据S 1024，并做为新矩阵的第一行；将S 1024做为新矩阵第二行的第一个数据，其余位置补零，将这个新矩阵记为S 1023，
Figure SMS_151
。S 1023为2行，1023列的矩阵。
然后，取出S 1023第一行数据的最后一个，并放入第二行的第一个位置，依次得到：
Figure SMS_152
，S 1022为2行，1022列的矩阵。
Figure SMS_153
，S 1021为2行，1021列的矩阵；
Figure SMS_154
，S 1020为2行，1020列的矩阵；
...
Figure SMS_155
，S 512为2行，512列的矩阵；
...
依此类推，不断递减前一个矩阵的列，将数据依次排列至下一行，当最后一行填满时，下一次排列时则增加一行；
最后将得到：
Figure SMS_156
，S 1为1024行，1列的矩阵。
通过上述步骤，得到了1024个矩阵，分别表示为S 1024，S 1023，S 1022，...，S 1，其列数分别为1024，1023，1022，...，1，其行数分别为1，2，2，...，1024。其中行数的计算公式为
Figure SMS_157
，
Figure SMS_158
为向上取整函数，i为对应矩阵的下标。
分别将S 1024，S 1023，S 1022，...，S 1在列方向上求和，即保证列数不变，行数变为1。记为r 1024，r 1023，r 1022，...，r 1。
将r 1024，r 1023，r 1022，...，r 1分别计算标准差，得到1024个结果，分别记为a 1024，a 1023，a 1022，...，a 1。将结果按角标由小到大排序，并将前256个结果记为记为R，
Figure SMS_159
。其中R为样本S 1024的进行特征压缩提取后的故障信号频谱特征向量，特征向量R包含了样本S 1024中故障信号的频谱特征，其长度是样本S 1024的四分之一；基于故障信号频谱特征向量进行机械设备故障诊断。
同时，分别将S 1024，S 1023，S 1022，...，S 1在行方向上求和，即保证列数不变，行数变为1。记为c 1024，c 1023，c 1022，...，c 1。
将c 1024，c 1023，c 1022，...，c 1分别计算标准差，得到1024个结果，分别记为b 1024，b 1023，b 1022，...，b 1。将结果按角标由小到大排序，并将前256个结果记为记为C，
Figure SMS_160
。其中C为样本S 1024的进行特征压缩提取后的故障信号分布特征向量，特征向量C包含了样本S 1024中故障信号分布特征向量，其长度是样本S 1024的四分之一，基于故障信号分布特征向量，可以校验数据分割是否合理。
下面通过实际样本数据对本实施例方法的效果进行实验验证：
图2为同一故障信号不同位置的三组样本数据，样本数据的故障信号分布相同（表现为数据样本数据中故障信号相位相同，从图中看竖直方向对齐），其样本数据长度均为1024；采用本实施例的特征提取方法分离提取故障信号频谱特征数据与故障信号分布特征数据，结果如图3（a）-（b）所示；图3（a）为三组样本数据分离得到的故障信号频谱特征数据，图3（b）为三组样本数据分离得到的故障信号分布特征数据。可以看出，本实施例方法有效分离提取了样本数据的故障信号频谱特征与故障信号分布特征。由于三个样本数据的故障信号分布基本相同，故障信号分布特征数据差异较小，表明数据分割合理。
采用实验中的原始样本数据与故障信号频谱特征数据分别对机械设备故障诊断模型进行训练，结果表明，相比于直接用原始数据进行训练，采用故障信号频谱特征数据训练后的模型的测试精度从53%提高到100%，诊断测试精度提高47%。这就验证了本发明所提方法能够有效的从原始数据中提取出故障信号特征。
实施例二
在一个或多个实施方式中，公开了一种用于机械设备故障诊断的信号特征提取系统，包括：
数据获取模块，用于获取机械设备时域信号数据
Figure SMS_161
；
数据压缩模块，用于将一行l列矩阵
Figure SMS_162
的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据
Figure SMS_163
变为两行l-1列的新矩阵
Figure SMS_164
；
将新矩阵
Figure SMS_165
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure SMS_166
；依此类推，直至得到两行
Figure SMS_167
列的新矩阵
Figure SMS_168
；
将新矩阵
Figure SMS_169
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure SMS_170
-1列的新矩阵
Figure SMS_171
；
依次类推，最终得到
Figure SMS_172
行1列的新矩阵
Figure SMS_173
；
频谱特征提取模块，用于对于上述过程中的所有矩阵
Figure SMS_175
，
Figure SMS_181
，
Figure SMS_184
，...，
Figure SMS_176
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure SMS_180
，
Figure SMS_183
，
Figure SMS_186
，...，
Figure SMS_174
，对于行向量
Figure SMS_178
，
Figure SMS_182
,
Figure SMS_185
，...，
Figure SMS_177
分别计算标准差，选取标准差数值的前n个结果组成数据
Figure SMS_179
的故障信号频谱特征向量，n为设定值；
故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
作为可选的方案，还包括：
分布特征提取模块，用于对于上述过程中的所有矩阵
Figure SMS_189
，
Figure SMS_193
，
Figure SMS_195
，...，
Figure SMS_190
，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量
Figure SMS_192
，
Figure SMS_196
，
Figure SMS_198
，...，
Figure SMS_187
，对于列向量
Figure SMS_194
，
Figure SMS_197
,
Figure SMS_199
，...，
Figure SMS_188
分别计算标准差，选取标准差数值的前m个结果组成数据
Figure SMS_191
的故障信号分布特征向量，m为设定值。
作为可选的方案，还包括：
原始数据校验模块，用于基于所述故障信号分布特征向量校验原始时域信号数据分割是否合理。
上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的用于机械设备故障诊断的信号特征提取方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的用于机械设备故障诊断的信号特征提取方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种用于机械设备故障诊断的信号特征提取方法，其特征在于，包括：
获取机械设备时域信号数据
Figure QLYQS_1
；
所述数据
Figure QLYQS_2
为一行l列矩阵，将最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据
Figure QLYQS_3
变为两行l-1列的新矩阵
Figure QLYQS_4
；
将新矩阵
Figure QLYQS_5
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure QLYQS_6
；依此类推，直至得到两行
Figure QLYQS_7
列的新矩阵
Figure QLYQS_8
；
将新矩阵
Figure QLYQS_9
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure QLYQS_10
-1列的新矩阵
Figure QLYQS_11
；
依次类推，最终得到l行1列的新矩阵
Figure QLYQS_12
；
对于上述过程中的所有矩阵
Figure QLYQS_15
，
Figure QLYQS_20
，
Figure QLYQS_22
，...，
Figure QLYQS_16
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure QLYQS_18
，
Figure QLYQS_23
，
Figure QLYQS_24
，...，
Figure QLYQS_13
，对于行向量
Figure QLYQS_17
，
Figure QLYQS_21
,
Figure QLYQS_25
，...，
Figure QLYQS_14
分别计算标准差，选取标准差数值的前n个结果组成数据
Figure QLYQS_19
的故障信号频谱特征向量，n为设定值；
将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
2.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，分别获取机械设备在正常和各种不同故障状态下的原始时域信号数据，对每个状态下的原始时域信号数据进行不重叠的连续滑窗取样，分割成多个数据样本；
采用权利要求1所述的信号特征提取方法对每一个数据样本进行故障信号频谱特征向量提取；
将提取到的所有故障信号频谱特征向量构成训练数据集，利用所述训练数据集进行神经网络模型的训练，得到机械设备故障诊断模型。
3.如权利要求2所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，还包括：
对于上述过程中的所有矩阵
Figure QLYQS_27
，
Figure QLYQS_32
，
Figure QLYQS_35
，...，
Figure QLYQS_28
，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量
Figure QLYQS_31
，
Figure QLYQS_34
，
Figure QLYQS_37
，...，
Figure QLYQS_26
，对于列向量
Figure QLYQS_33
，
Figure QLYQS_36
,
Figure QLYQS_38
，...，
Figure QLYQS_29
分别计算标准差，选取标准差数值的前m个结果组成数据
Figure QLYQS_30
的故障信号分布特征向量，m为设定值。
4.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，所述机械设备时域信号为机械设备周期性的时域振动信号。
5.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，矩阵
Figure QLYQS_39
的列数为i，行数为
Figure QLYQS_40
；其中，i为矩阵的下标，i=l，l-1，l-2，l-3，…，1；l为矩阵的总个数，
Figure QLYQS_41
为向上取整函数。
6.一种用于机械设备故障诊断的信号特征提取系统，其特征在于，包括：
数据获取模块，用于获取机械设备时域信号数据
Figure QLYQS_42
；
数据压缩模块，用于将一行l列矩阵
Figure QLYQS_43
的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据
Figure QLYQS_44
变为两行l-1列的新矩阵
Figure QLYQS_45
；
将新矩阵
Figure QLYQS_46
的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l-2列的新矩阵
Figure QLYQS_47
；依此类推，直至得到两行
Figure QLYQS_48
列的新矩阵
Figure QLYQS_49
；
将新矩阵
Figure QLYQS_50
第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行
Figure QLYQS_51
-1列的新矩阵
Figure QLYQS_52
；
依次类推，最终得到l行1列的新矩阵
Figure QLYQS_53
；
频谱特征提取模块，用于对于上述过程中的所有矩阵
Figure QLYQS_55
，
Figure QLYQS_58
，
Figure QLYQS_62
，...，
Figure QLYQS_56
，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量
Figure QLYQS_60
，
Figure QLYQS_64
，
Figure QLYQS_66
，...，
Figure QLYQS_54
，对于行向量
Figure QLYQS_59
，
Figure QLYQS_63
,
Figure QLYQS_65
，...，
Figure QLYQS_57
分别计算标准差，选取标准差数值的前n个结果组成数据
Figure QLYQS_61
的故障信号频谱特征向量，n为设定值；
故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。
7.如权利要求6所述的一种用于机械设备故障诊断的信号特征提取系统，其特征在于，还包括：
分布特征提取模块，用于对于上述过程中的所有矩阵
Figure QLYQS_70
，
Figure QLYQS_74
，
Figure QLYQS_76
，...，
Figure QLYQS_69
，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量
Figure QLYQS_71
，
Figure QLYQS_75
，
Figure QLYQS_78
，...，
Figure QLYQS_67
，对于列向量
Figure QLYQS_72
，
Figure QLYQS_77
,
Figure QLYQS_79
，...，
Figure QLYQS_68
分别计算标准差，选取标准差数值的前m个结果组成数据
Figure QLYQS_73
的故障信号分布特征向量，m为设定值。
8.如权利要求7所述的一种用于机械设备故障诊断的信号特征提取系统，其特征在于，还包括：
原始数据校验模块，用于基于所述故障信号分布特征向量校验原始时域信号数据分割是否合理。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的用于机械设备故障诊断的信号特征提取方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的用于机械设备故障诊断的信号特征提取方法。
CN202310139406.7A 2023-02-21 2023-02-21 一种用于机械设备故障诊断的信号特征提取方法及系统 Active CN115828087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310139406.7A CN115828087B (zh) 2023-02-21 2023-02-21 一种用于机械设备故障诊断的信号特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310139406.7A CN115828087B (zh) 2023-02-21 2023-02-21 一种用于机械设备故障诊断的信号特征提取方法及系统

Publications (2)

Publication Number Publication Date
CN115828087A true CN115828087A (zh) 2023-03-21
CN115828087B CN115828087B (zh) 2023-05-09

Family

ID=85521950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310139406.7A Active CN115828087B (zh) 2023-02-21 2023-02-21 一种用于机械设备故障诊断的信号特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN115828087B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827605A (zh) * 2018-03-20 2018-11-16 南京航空航天大学 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN109190464A (zh) * 2018-07-24 2019-01-11 南京航空航天大学 一种变工况下基于迁移学习的机械故障智能诊断方法
CN109614992A (zh) * 2018-11-26 2019-04-12 北京工业大学 一种基于dssae的间歇过程故障诊断方法
CN112633098A (zh) * 2020-12-14 2021-04-09 华中科技大学 一种旋转机械故障诊断方法、系统及存储介质
US20210270244A1 (en) * 2020-03-02 2021-09-02 Wuhan University Method and system for fault diagnosis of gearbox of wind turbine generator
CN113435351A (zh) * 2021-06-29 2021-09-24 广东电网有限责任公司广州供电局 一种真空开关机械故障诊断方法、系统、设备及可读存储介质
CN114091188A (zh) * 2021-10-29 2022-02-25 中南大学 盾构机液压驱动刀盘系统建模及故障诊断方法、装置
CN114417924A (zh) * 2022-01-17 2022-04-29 辽宁石油化工大学 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法
WO2022095156A1 (zh) * 2020-11-05 2022-05-12 苏州大学 基于自适应流形概率分布的轴承故障诊断方法
CN114722965A (zh) * 2022-04-27 2022-07-08 烟台杰瑞石油装备技术有限公司 一种机械设备故障的确定方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827605A (zh) * 2018-03-20 2018-11-16 南京航空航天大学 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN109190464A (zh) * 2018-07-24 2019-01-11 南京航空航天大学 一种变工况下基于迁移学习的机械故障智能诊断方法
CN109614992A (zh) * 2018-11-26 2019-04-12 北京工业大学 一种基于dssae的间歇过程故障诊断方法
US20210270244A1 (en) * 2020-03-02 2021-09-02 Wuhan University Method and system for fault diagnosis of gearbox of wind turbine generator
WO2022095156A1 (zh) * 2020-11-05 2022-05-12 苏州大学 基于自适应流形概率分布的轴承故障诊断方法
CN112633098A (zh) * 2020-12-14 2021-04-09 华中科技大学 一种旋转机械故障诊断方法、系统及存储介质
CN113435351A (zh) * 2021-06-29 2021-09-24 广东电网有限责任公司广州供电局 一种真空开关机械故障诊断方法、系统、设备及可读存储介质
CN114091188A (zh) * 2021-10-29 2022-02-25 中南大学 盾构机液压驱动刀盘系统建模及故障诊断方法、装置
CN114417924A (zh) * 2022-01-17 2022-04-29 辽宁石油化工大学 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法
CN114722965A (zh) * 2022-04-27 2022-07-08 烟台杰瑞石油装备技术有限公司 一种机械设备故障的确定方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SONG, Y等: "Retraining Strategy based Domain Adaption Network for Intelligent Fault Diagnosis" *
彭进;王维庆;王海云;唐新安;: "基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断" *
须颖;李昊东;安冬;: "基于GLCM-SDAE的滚动轴承故障诊断方法" *

Also Published As

Publication number Publication date
CN115828087B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
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
CN109211546B (zh) 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN106447039A (zh) 基于自编码神经网络的无监督特征提取方法
CN109781411A (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN110657985A (zh) 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统
CN101689051A (zh) 异常因素确定方法及系统、用于使计算机执行所述异常因素确定方法的程序、以及记录所述程序的计算机可读记录介质
CN112257530A (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN113538353B (zh) 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN108303255A (zh) 低速重载设备滚动轴承故障诊断方法、设备及介质
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN113865868A (zh) 基于时频域表达的滚动轴承故障诊断方法
CN105137354B (zh) 一种基于神经网络电机故障检测方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN114036978A (zh) 一种基于Transformer和数据增强的轴承故障诊断方法及系统
CN116168720A (zh) 一种电机声音异常故障诊断方法、系统、及可存储介质
CN115169401A (zh) 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法
CN117076935A (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
CN115828087A (zh) 一种用于机械设备故障诊断的信号特征提取方法及系统
CN111382792B (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
CN117112991A (zh) 一种基于改进深度残差收缩网络的轴承故障诊断方法
CN114742094A (zh) 一种基于深度形态卷积网络的振动信号缺陷特征提取方法
CN113052060B (zh) 基于数据增强的轴承剩余寿命预测方法、装置及电子设备

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