CN115862681B - 转子碰摩故障声信号诊断方法、装置及电子设备 - Google Patents
转子碰摩故障声信号诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115862681B CN115862681B CN202310182293.9A CN202310182293A CN115862681B CN 115862681 B CN115862681 B CN 115862681B CN 202310182293 A CN202310182293 A CN 202310182293A CN 115862681 B CN115862681 B CN 115862681B
- Authority
- CN
- China
- Prior art keywords
- acoustic signal
- rotor
- rub
- characteristic information
- eigenmode
- 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
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
Abstract
本公开实施例提供一种转子碰摩故障声信号诊断方法、装置及电子设备,涉及信息处理技术中的探测信号处理、电数字数据处理领域,该方法的一具体实施包括:采集目标对象的转子运行时的声信号;对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;根据所述特征信息进行转子碰摩故障诊断。可以便捷、准确的实现转子碰摩故障的诊断。
Description
技术领域
本公开实施例涉及互联网技术中的探测信号处理、电数字数据处理领域,尤其涉及一种转子碰摩故障声信号诊断方法、装置及电子设备。
背景技术
在当今的工业生产过程中,由于长期的运转、恶劣的工况等,都有可能导致旋转设备(例如离心泵)发生故障,轻则影响生产,重则停机,中断流程,造成经济损失,甚至发生严重的意外。特别是对于类似于使用悬浮式叶轮的旋转设备,其悬浮式叶轮转子在轴向没有刚性固定结构,借助两侧液膜实现自动平衡,在运转过程中,若出现较大的外界冲击或者严重偏离设计工况等情况下,叶轮转子与旋转设备壳体容易发生碰磨,使旋转设备发生故障失效。因此,对旋转设备转子进行便捷、准确度较高的故障诊断是必要的。
发明内容
本公开实施例提供一种转子碰摩故障声信号诊断方法、装置及电子设备,以实现便捷、准确度较高的转子碰摩故障诊断。
第一方面,本公开实施例提供一种转子碰摩故障声信号诊断方法,包括:
采集目标对象的转子运行时的声信号;
对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;
根据所述特征信息进行转子碰摩故障诊断。
在一些实施例中,所述方法还包括:
将所述声信号按照预设采样频率切分为多个声信号切片;以及
所述对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息,包括:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;以及
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,所述根据所述特征信息进行碰摩故障诊断,包括:
将所述特征信息与预先存储的转子碰摩故障声信号特征信息进行匹配,根据匹配结果诊断所述转子是否发生碰摩故障。
在一些实施例中,所述对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息,包括:
将所述声信号输入到预先训练的转子碰摩故障诊断模型,由所述转子碰摩故障诊断模型执行如下特征信息提取步骤:对所述声信号进行分解,得到多个本征模特函数,并由多个本征模态函数确定本征模特函数矩阵;对所述本征模态函数矩阵进行正交分解,根据分解结果确定所述声信号的特征信息。
在一些实施例中,所述根据所述特征信息进行转子碰摩故障诊断,包括:
利用所述转子碰摩故障诊断模型根据所述特征信息进行转子碰摩故障诊断,并输出用于指示所述转子是否发生碰摩故障的诊断信息。
在一些实施例中,所述方法还包括:按照预设采样频率将所述声信号切分为多个声信号切片;
所述转子碰摩故障诊断模型还用于:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,相邻两个所述声信号切片之间具有预设重叠度。
第二方面,本公开实施例提供一种转子碰摩故障诊断模型训练方法,包括:
获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号;
基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注;
利用所述正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型;其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息,并根据上述特征信息进行碰摩故障诊断。
在一些实施例中,第一特征信息和第二特征信息基于如下步骤得到:
将所述第一声信号和第二声信号分别分解为多个第一本征模态函数和多个第二本征模态函数,并分别由所述多个第一本征模态函数和所述多个第二本征模态函数确定第一本征模态函数矩阵和第二本征模态函数矩阵;
分别对第一本征模态函数矩阵和所述第二本征模态函数矩阵进行本征正交分解,根据分解结果确定所述第一特征信息和所述第二特征信息。
第三方面,本公开实施例提供一种转子碰摩故障诊断装置,包括:
采集单元,用于采集目标对象的转子运行时的声信号;
确定单元,用于对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;
诊断单元,用于根据所述特征信息进行碰摩故障诊断。
在一些实施例中,所述装置还包括第一切片单元,第一切片单元用于将所述声信号按照预设采样频率切分为多个声信号切片;以及确定单元进一步用于:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;以及
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,诊断单元还用于:将所述特征信息与预先存储的转子碰摩故障声信号特征信息进行匹配,根据匹配结果诊断所述转子是否发生碰摩故障。
在一些实施例中,所述确定单元进一步用于:
将所述声信号输入到预先训练的转子碰摩故障诊断模型,由所述转子碰摩故障诊断模型执行如下特征信息提取步骤:
对所述声信号进行分解,得到多个本征模特函数,并由多个本征模态函数确定本征模特函数矩阵;
对所述本征模态函数矩阵进行正交分解,根据分解结果确定所述声信号的特征信息。
在一些实施例中,诊断单元进一步用于:利用所述转子碰摩故障诊断模型根据所述特征信息进行转子碰摩故障诊断,并输出用于指示所述转子是否发生碰摩故障的诊断信息。
在一些实施例中,所述装置还包括第二切片单元;所述第二切片单元用于:
按照预设采样频率将所述声信号切分为多个声信号切片;所述确定单元进一步用于:将各声信号切片输入到所述转子碰摩故障诊断模型,由所述转子碰摩故障诊断模型执行如下特征信息提取步骤:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,相邻两个声信号切片之间具有预设重叠度。
第四方面,本公开实施例提供一种转子碰摩故障诊断模型训练装置,包括:
获取单元,用于获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号;
生成单元,用于基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注;
训练单元,用于利用所述正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型;其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息并根据上述特征信息进行碰摩故障诊断。
在一些实施例中,生成单元进一步用于基于如下步骤提取第一特征信息和第二特征信息:
将所述第一声信号和第二声信号分别分解为多个第一本征模态函数和多个第二本征模态函数,并分别由所述多个第一本征模态函数和所述多个第二本征模态函数确定第一本征模态函数矩阵和第二本征模态函数矩阵;
分别对第一本征模态函数矩阵和所述第二本征模态函数矩阵进行本征正交分解,根据分解结果确定所述第一特征信息和所述第二特征信息。
第五方面,本公开实施例提供一种电子设备,包括:处理器和存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上述第一方面以及第一方面各种可能的转子碰摩故障声信号诊断方法,或者执行如第二方面以及第二方面各种可能的转子碰摩故障诊断模型训练方法。
第六方面,本公开实施例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执行指令,当处理器执行所述计算机执行指令时,实现如上述第一方面以及第一方面各种可能的转子碰摩故障声信号诊断方法,或者执行如第二方面以及第二方面各种可能的转子碰摩故障诊断模型训练方法。
第七方面,本公开实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面以及第一方面各种可能的转子碰摩故障声信号诊断方法,或者执行如第二方面以及第二方面各种可能的转子碰摩故障诊断模型训练方法。
本实施例提供的转子碰摩故障声信号诊断方法、装置及电子设备,采集目标对象的转子运行时的声信号;对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;以及对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;根据所述特征信息进行转子碰摩故障诊断。上述方案利用对声信号分解为多个本征模态函数,并根据本征模态函数确定本征模态函数矩阵,再对本征模态函数矩阵进行本征正交分解,从而提取出转子声信号的有效的特征信息,再由上述转子声信号的特征信息来诊断转子是否发生碰摩故障。由于声信号对应的传感器固定便捷、拆装方便、位置可变,从而可以实时、便捷地实现转子碰摩故障诊断。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的转子碰摩故障声信号诊断方法的一个示意性流程图;
图2为本公开实施例提供的转子碰摩故障声信号诊断方法的又一个示意性流程图;
图3A为由图2所示方法得到的转子碰摩故障声信号诊断结果示意图;
图3B为转子碰摩故障诊断模型的训练结果示意图;
图4为本公开实施例提供的转子碰摩故障诊断模型训练方法的一个示意性流程图;
图5为公开实施例提供的转子碰摩故障声信号诊断装置的一个示意性结构图;
图6为本公开实施例提供的转子碰摩故障诊断模型训练装置的一个示意性结构图;
图7为本公开实施例提供的电子设备的一个示意性结构图。
具体实施方式
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的转子碰摩故障声信号诊断方法的一个示意性流程图。如图1所示,该方法包括以下步骤:
步骤101,采集目标对象的转子运行时的声信号。
本公开中的转子碰摩故障声信号诊断方法的执行主体可以是与目标对象实现通信连接的电子设备。这里的电子设备可以是终端设备或者服务器。
这里的目标对象可以是发电机组、压缩机、离心泵等旋转设备。目标对象可以具有转子,例如叶轮等。
实践中,可以利用声音传感器(例如麦克风)来采集转子运行时的声信号。例如可以将声音传感器设置在转子的周围,通过声音传感器来采集上述声信号。
步骤102,对所采集到的声信号进行分解,得到多个本征模态函数,并由多个本征模态函数确定本征模态函数矩阵;对本征模态函数矩阵进行本征正交分解,根据分解结果确定声信号的特征信息。
由于声信号的信噪比较低,不易获取故障相关特征,需要对基于声信号进行分解得到的本征模特函数矩阵进行正交分解,从而来确定声信号的特征信息。
可以通过集合经验模态分解方法,选定合适的信噪比与计算次数,将其分解为多个本征模态函数,并组合在一起,得到本征模态函数矩阵。
经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应的数据处理或挖掘方法,适用于非线性,非平稳时间序列的处理。EMD本质上是对数据序列或信号的平稳化处理。
基于信号不同时间尺度的局部特征,EMD可以将信号分解为多个近似正交的本征模态函数(Intrinsic Mode Function,IMF)。每个本征模态函数对应于信号在一种频率下的振动模式。对非平稳信号进行平稳化处理,每个IMF满足以下两个条件:
第一,整个数据序列中,极值点的数目和过零点的数目相等或最大相差1。
第二,对于序列中任意一点来说,由局部极小值和局部极大值确定的上、下包络线的均值为零。
对于一段随时间t变化的声信号,其EMD分解步骤为:
(1)获取中所有的局部极值点。
(2)根据局部极大值点和极小值点构造的上下包络线。
(3)求得上下包络线的平均值,计算和的差值。
(4)如果满足成为IMF的条件,则就是的第一个IMF分量,即;如果不满足,则将作为新的原始信号,重复步骤(1)~(3),得到和,,循环k次,直到能够满足IMF的条件,则。然后用减去,得到一阶分解的剩余信号,把作为新的原始信号,即。
(5)重复步骤(1)~(4),直到完成设定的n阶分量,或残余函数小于设定阈值,或成为单调函数。EMD过程结束,分解后的可以由如下公式(1)表示:
(1)
集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)是一种EMD的改进方法,可以克服EMD的模态混叠缺陷。EEMD通过添加辅助噪声来消除原时间序列中的间歇现象,抑制分解结果中噪声所产生的影响。EEMD的分解步骤如下:
(1)在原时间序列(声信号序列)中加入随机的高斯白噪声序列,得到加入白噪声的声信号序列由如下公式(2)表示:
(2)
上述公式(2)中,为原始时间序列(声信号序列),为加入白噪声信号后待处理的序列。
(2)利用EMD,将分解成n个IMF分量,,以及一个剩余分量。其中,n为大于2的整数。
(3)每次加入均方根相等的不同白噪声序列,然后重复步骤(1)~(2),得到M组不同的IMF分量和剩余分量。
(4)对M组IMF分量和剩余分量计算均值,把最后分解后得到的各个IMF分量以及剩余分量的均值作为EEMD最后的分解结果。分解结果可以表示为如下公式(3)和公式(4):
(3)
(4)
EEMD算法是一种对非线性非平稳信号分析和处理的有效方法,解决了信号在分解过程出现的模态混叠问题。
本征正交分解(Proper Orthogonal Decomposition,POD)的目标是将大量相互依赖的变量减少为数量较少的不相关变量。其具体的过程是:从系统已知的实验解或数值解中得到一系列基函数,即本征正交模态(Proper Orthogonal Mode,POM),并且保证这基函数在最小二乘意义下是最优的正交基函数;用这些正交基函数的组合去近似原始问题,其组合系数便被称为本征正交分量(Proper Orthogonal Coordinates,POC)。一般来说,本征正交特征值(Proper Orthogonal Values,POV)的大小决定了模态的主导地位,即特征值越大,其对应模态的贡献就越大。因此,可以通过舍弃较小POV值对应的高阶模态来实现对原始复杂问题的降维。
为空间域上的函数集合,POD的目标是寻找到一组最优基函数,使得在基函数上的投影达到最大,可以由如下公式(5)表征上述过程:
(5)
其中,表示模,表示二范数,表示平均算子,表示和的内积。对于这类有关极值的问题,使用拉格朗日乘子法构造变分问题,具体可以使用如下公式(6)表征所构造的变分问题。
(6)
上述公式(6)达到极值的必要条件是对于任意的(,为比例因子)满足下面的表达式(7):
(7)
由公式(6)、式(7)可得
(8)
利用函数内积的变换性质,对式(8)展开如下:
(9)
所以寻找的基函数必须满足
(10)
最优POD基函数可以从公式(10)中获得,其核心是平均互相关函数。因此,最优基函数的求解问题可以转化为在上由任意不相干函数获得核心矩阵的整数特征值问题。求解特征值,得到特征函数,则原来的函数可重构为如下公式(11):
(11)
其中,为模态,为模态对应的系数,为样本数。
通过对声信号进行经验模态分解得到多个本征模态函数,并由多个本征模态函数确定本征模态函数矩阵,对本征模态函数矩阵应用本征正交分解方法,根据分解结果确定音频特征信息,从而可以从信噪比较低的声信号中提取有效的故障相关特征,从而可以利用声信号的特征信息实现较为准确的转子碰摩故障诊断结果。
步骤103,根据特征信息进行转子碰摩故障诊断。
作为一种实现方式,可以预先采集已知转子碰摩故障发生时的转子的声信号,然后提取转子碰摩故障声信号特征信息,并将这些转子碰摩故障声信号特征信息进行存储。在应用时,可以将实时采集的目标对象的转子运行时的声信号进行步骤102的特征信息提取,然后将得到的实时声信号的特征信息与上述预先存储的转子碰摩故障声信号特征信息进行匹配,若匹配成功,则确定转子发生碰摩故障;否则,确定转子未发生碰摩故障。
在一些实施例中,上述方法还包括:将声信号按照预设采样频率切分为多个声信号切片。
在这些实施例中,上述步骤102包括:
首先,对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由多个本征模态函数确定该声信号切片的本征模态函数矩阵。
其次,对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的音频特征信息。
确定声信号切片的音频特征信息可以参考步骤102的具体实施,此处不赘述。
由于所采集的声信号的长度较长,为了保障声信号处理的流畅性,可以对所采集的声信号进行切片,切分为多个声信号切片,然后对各个声信号切片分别提取特征信息。然后根据各声信号切片对应的特征信息来诊断转子是否发生碰摩故障。
实践中,可以将声音传感器采集声信号的采样频率作为上述预设采样频率。
这里的声音传感器采集声信号的采样频率可以为任意采样频率。例如可以为51200Hz/s。
实践中,上述声音传感器可以根据上述采样频率每间隔预设时间段采集一次转子的声信号。每次采集转子的声信号的持续时长可以为预设时长。例如30s。
为了快速确定声信号的特征信息,可以对上述采集的转子的声信号进行切片。可以得到多个声信号切片。然后对各个声信号切片分别提取特征信息。然后根据各声信号切片对应的特征信息来诊断转子是否发生碰摩故障。
在这些实施例中,通过将较长的声信号进行切片,然后对各声信号切片提取特征信息,可以流畅的对转子运行过程中产生的声信号进行处理。
在一些实施例中,相邻两个声信号切片之间具有预设重叠度。这里的重叠度可以是区间(1%~100%)中的任意值。作为一个示意性说,上述预设重叠度可以为50%。将相邻两个声信号切片之间设置预设重叠度,可以确保不同声信号切片之间的连续性,避免由于部分声信号缺少造成的误判。
本实施例提供的方法,采集目标对象的转子运行时的声信号;对所采集到的声信号进行分解,得到多个本征模态函数,并由多个本征模态函数确定本征模态函数矩阵;以及对本征模态函数矩阵进行本征正交分解,根据分解结果确定声信号的特征信息;根据特征信息进行转子碰摩故障诊断。通过对基于声信号进行分解得到的本征模特函数矩阵进行正交分解,可以得到有效的声信号特征信息,从而可以利用转子的声信号的特征信息来得到较高准确度的转子碰摩故障诊断结果。由于声信号对应的传感器固定便捷、拆装方便、位置可变,从而可以便捷地实现对旋转设备的转子的碰摩故障的诊断。
请参考图2,图2为本公开提供的转子碰摩故障声信号诊断方法的又一个示意性流程图。如图2所示,该方法包括如下步骤:
步骤201,采集目标对象的转子运行时的声信号。
步骤202,将声信号输入到预先训练的转子碰摩故障诊断模型,由转子碰摩故障诊断模型执行如下特征信息提取步骤:对声信号进行分解,得到多个本征模特函数,并由多个本征模态函数确定本征模特函数矩阵;对本征模态函数矩阵进行正交分解,根据分解结果确定声信号的特征信息。
步骤203,利用转子碰摩故障诊断模型根据特征信息进行转子碰摩故障诊断,并输出用于指示转子是否发生碰摩故障的诊断信息。
转子碰摩故障诊断模型可以包括任意机器学习模型,例如神经网络模型,支持向量机模型等。转子碰摩故障诊断模型可以根据输入的目标对象的转子的声信号来分析声信号的特征信息;以及根据上述特征信息诊断转子是否发生碰摩故障。
在一些实施例中,转子碰摩故障诊断模型包括特征提取模块和故障确定模块;其中,特征提取模块基于如下步骤确定声信号的特征信息:
将声信号分解为多个本征模态函数,并由多个本征模态函数确定本征模态函数矩阵;
对本征模态函数矩阵应用本征正交分解方法,根据分解结果确定音频特征信息。
故障确定模块根据上述特征信息确定转子是否发生碰摩故障。
上述特征信息的提取可以由上述转子碰摩故障诊断模型来执行,并由转子碰摩故障诊断模型确定转子是否发生碰摩故障,从而提高对转子的碰摩故障检测速度,进一步有利于实现对转子碰摩故障实时检测。
在一些实施例中,为了减少一次处理的数据量以及进一步提高转子碰摩故障诊断模型的故障诊断速度,该方法还包括:将声信号按照预设采样频率切分为多个声信号切片。
在这些实施例中,上述转子碰摩故障诊断模型还用于:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由多个本征模态函数确定该声信号切片的本征模态函数矩阵。
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
根据各声信号切片的特征信息诊断转子是否发生碰摩故障,并相应地输出与各声信号切片对应的用于指示转子是否发生碰摩故障的故障指示信息。
与图1所示实施例的区别在于,本实施例中,将获取的目标对象的转子的声信号输入到转子碰摩故障诊断模型,由转子碰摩故障诊断模型输出用于指示转子是否发生碰摩故障的故障指示信息,可以提高根据所采集的声信号对转子进行碰摩故障进行诊断的速度,可以便捷地、实时地根据转子的声信号对转子碰摩故障进行诊断。
下面以对离心泵的叶轮碰摩故障诊断的应用场景进行说明,
该应用场景中,声音传感器的采样频率均为51200 Hz/s,平稳运转时,叶轮的转速为1500rpm。可以使用两个麦克风来采集声信号。
两个麦克风可以固定于离心泵0.8m处的位置,且两个麦克风位置相近。对声信号每隔5分钟采集30秒,得到多组声信号。对每一组声信号进行数据切片处理,每个切片长度为51200,切片重叠度为50%。对每一组声信号的IMF数取12。将多个声信号切片输入到训练好的碰摩故障诊断模型中,得到如图3A所示的混淆矩阵。
结果表明,利用上述转子碰摩故障诊断模型可以较好地利用声信号对离心泵叶轮的碰摩故障进行诊断,对离心泵正常声信号识别为转子正常的诊断准确率为100%,对转子碰摩故障时声信号识别为发生碰摩故障的诊断准确率为89.88%。
请继续参考图4,图4为本公开实施例提供的一种转子碰摩故障诊断模型训练方法的一个示意性流程图。如图4所示,该方法包括如下步骤:
步骤401,获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号。
可以在转子正常运行时采集多段第一声信号。在转子发生碰摩故障时采集多段第二声信号。
步骤402,基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注。
步骤403,利用正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型。
其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息,并根据上述特征信息进行碰摩故障诊断。
转子碰摩故障诊断模型包括特征提取模块和故障确定模块。可以使用正样本的第一声信号作为特征提取模块的输入,将标注的第一特征信息作为特征提取模块的输出;使用负样本的第二声信号作为特征提取模块的输入,将标注的第二特征信息作为特征提取模块的输出,对特征提取模块进行训练。
进一步地,还可以将正样本的标注的第一特征信息作为故障确定模块的输入,将正样本对应的标注的第一故障信息作为故障确定模块的输出,将负样本标注的第二特征信息作为故障确定模块的输入,将负样本对应的标注的第二故障信息作为故障确定模块的输出,对故障确定模块进行训练。
经过上述训练过程后,得到训练后的转子碰摩故障诊断模型。
需要说明的是,在上述训练过程中,可以使用预设损失函数。这里的损失函数可以为各种损失函数。
第一特征信息和第二特征信息基于如下步骤得到:
分别将第一声信号和第二声信号分解为多个第一本征模态函数和多个第二本征模态函数,并分别由多个第一本征模态函数和多个第二本征模态函数确定第一本征模态函数矩阵和第二本征模态函数矩阵;
分别对第一本征模态函数矩阵和第二本征模态函数矩阵进行本征正交分解,根据分解结果确定第一特征信息和第二特征信息。
对正样本的 第一声信号进行特征提取得到第一特征信息,以及对负样本的第二声信号进行特征提取得到第二特征信息的具体实施可以参考图1所示实施例中的相关部分,此处不赘述。
在这些实施例中,转子碰摩故障诊断模型可以包括各种机器学习模型,例如神经网络模型和支持向量机分类器等。
在这些实施例中,上述转子碰摩故障诊断模型可以包括支持向量机分类器。将获得的特征输入进支持向量分类器中进行训练,输出得到分类模型;
支持向量机分类器(Support Vector Classifier,SVC)的是寻找到间隔最大的超平面来区分正样本和负样本。对于非线性情况,SVC采用核函数方法将样本映射到高维空间中进行分类。假设一组训练数据,其中,为输入样本,为类标签。SVC的分隔超平面定义可以表征为如下公式(12):
(12)
其中,表示各个变量的权重,表示偏差。表示从输入空间到高维映射空间的非线性映射。为了构造最优超平面,SVC的原始优化问题表示为如下公式(13):
(13);其中,。
其中,,是松弛变量,为输入参数,表示对错样本的惩罚常量。式(13)转化为对应的对偶问题并化简,得到由如下公式(14)表征的模型:
(14);
其中,表示拉格朗日乘法因子,为核函数。由此,在低维空间中近似线性可分或非线性可分的问题被转换为高维空间中线性可分的问题,其相应的决策平面定义为
(15)
经过上述训练,可以确定上述公式(15)中的系数。
下面以对某离心泵的叶轮碰摩故障诊断场景为例对上述训练过程进行说明。
声传感器的采样频率均为51200 Hz/s。平稳运转时,电机的转速为1500 rpm。两个麦克风均固定于离心泵0.8m处的位置,且两个麦克风位置相近。采集的数据集分别为离心泵正常时的声信号与叶轮碰摩时的声信号。声信号每隔5分钟采集30秒。采集169组正常运行时的第一声信号;69组碰摩时的第二声信号。并根据169组第一声信号生成正样本数据集;根据69组第二声信号生成负样本数据集。
对每一组声信号进行数据切片处理,每个声信号切片长度为51200,相邻两个切片的重叠度为50%。对每一组声信号切片进行集合经验模态分解,IMF数取12,得到该组声信号对应的12组IMF组合成的本征模态函数矩阵。对每一个本征模态函数矩阵采用本征正交分解,得到分解后的音频特征信息。由于本场景中,第一组模态占据了所有模态的绝大部分,可以采用第一组模态作为后续模型训练的特征,得到特征数据集。得到特征后,在正常与故障的特征数据集中分别取60组作为模型训练的原始数据,正常数据(正样本)的第一故障信息标注为“1”,故障数据(负样本)的第二故障信息标注为“-1”。正常数据还可以包括第一特征信息标注,故障数据还可以包括第二特征信息标注。采用支持向量机分类器作为转子碰摩故障诊断模型。可以使用上述声信号得到的正样本数据集和负样本数据集对碰摩故障诊断模型进行训练,核函数为多项式核函数,阶数取4阶,松弛因子取“0.01”。经过训练,转子碰摩故障诊断模型的训练结果请参考图3B所示。如图3B所示,对各训练数据输出的故障信息的混淆矩阵中对正常声信号(正样本)输出转子正常的诊断信息的准确率为100%,对碰摩故障声信号(负样本)输出转子碰摩故障的诊断信息的准确率为100%。
本实施例中,通过上述训练过程,得到了可以通过声信号诊断预设对象是否发生碰摩故障的碰摩故障诊断模型,有利于简化诊断转子碰摩故障的复杂度,可以实现便捷、实时地进行转子碰摩故障声信号诊断。
对应于上文实施例的转子碰摩故障声信号诊断方法,图5为本公开实施例提供的转子碰摩故障声信号诊断装置的结构框图。为了便于说明,仅示出了与本公开实施例相关的部分。参照图5,该装置50包括:采集单元501、确定单元502和诊断单元503。其中:
采集单元501,用于采集目标对象的转子运行时的声信号;
确定单元502,用于对所采集到的声信号进行分解,得到多个本征模态函数,并由多个本征模态函数确定本征模态函数矩阵;对本征模态函数矩阵进行本征正交分解,根据分解结果确定声信号的特征信息;
诊断单元503,用于根据特征信息进行碰摩故障诊断。
在一些实施例中,该装置50还包括第一切片单元(图中未示出),第一切片单元用于将声信号按照预设采样频率切分为多个声信号切片;以及确定单元502进一步用于:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由多个本征模态函数确定该声信号切片的本征模态函数矩阵;以及
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,503诊断单元还用于:将特征信息与预先存储的转子碰摩故障声信号特征信息进行匹配,根据匹配结果诊断转子是否发生碰摩故障。
在一些实施例中,确定单元502进一步用于:
将声信号输入到预先训练的转子碰摩故障诊断模型,由转子碰摩故障诊断模型执行如下特征信息提取步骤:
对声信号进行分解,得到多个本征模特函数,并由多个本征模态函数确定本征模特函数矩阵;
对本征模态函数矩阵进行正交分解,根据分解结果确定声信号的特征信息。
在一些实施例中,诊断单元503进一步用于:利用转子碰摩故障诊断模型根据特征信息进行转子碰摩故障诊断,并输出用于指示转子是否发生碰摩故障的诊断信息。
在一些实施例中,装置还包括第二切片单元(图中未示出);第二切片单元用于:
按照预设采样频率将声信号切分为多个声信号切片;确定单元进一步用于:将各声信号切片输入到转子碰摩故障诊断模型,由转子碰摩故障诊断模型执行如下特征信息提取步骤:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由多个本征模态函数确定该声信号切片的本征模态函数矩阵;
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
在一些实施例中,相邻两个声信号切片之间具有预设重叠度。
对应于上文实施例的转子碰摩故障诊断模型训练方法,图6为本公开实施例提供的转子碰摩故障诊断模型训练装置的结构框图。为了便于说明,仅示出了与本公开实施例相关的部分。参照图6,该装置60包括:获取单元601、生成单元602和训练单元603。其中:
获取单元601,用于获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号;
生成单元602,用于基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注;
训练单元603,用于利用正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型;其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息,并根据上述特征信息进行碰摩故障诊断。
在一些实施例中,生成单元602进一步用于基于如下步骤提取第一特征信息和第二特征信息:
将第一声信号和第二声信号分别分解为多个第一本征模态函数和多个第二本征模态函数,并分别由多个第一本征模态函数和多个第二本征模态函数确定第一本征模态函数矩阵和第二本征模态函数矩阵;
分别对第一本征模态函数矩阵和第二本征模态函数矩阵进行本征正交分解,根据分解结果确定第一特征信息和第二特征信息。
为了实现上述实施例,本公开实施例还提供了一种电子设备。
参考图7,其示出了适于用来实现本公开实施例的电子设备700的结构示意图,该电子设备700可以为服务器或终端设备。其中,终端设备可以包括但不限于诸如笔记本电脑、平板电脑(Portable Android Device,简称PAD)、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(Read Only Memory ,简称ROM)702中的程序或者从存储装置708加载到随机访问存储器(Random Access Memory ,简称RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(Liquid CrystalDisplay ,简称LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质存储有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(Local Area Network ,简称LAN)或广域网(Wide Area Network ,简称WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种转子碰摩故障声信号诊断方法,包括:
采集目标对象的转子运行时的声信号;
对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;
根据所述特征信息进行转子碰摩故障诊断;
所述方法还包括:
将所述声信号按照预设采样频率切分为多个声信号切片;以及
所述对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息,包括:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;以及
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述特征信息进行碰摩故障诊断,包括:
将所述特征信息与预先存储的转子碰摩故障声信号特征信息进行匹配,根据匹配结果诊断所述转子是否发生碰摩故障。
3.根据权利要求1所述的方法,其特征在于,所述对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息,包括:
将所述声信号输入到预先训练的转子碰摩故障诊断模型,由所述转子碰摩故障诊断模型执行如下特征信息提取步骤:对所述声信号进行分解,得到多个本征模特函数,并由多个本征模态函数确定本征模特函数矩阵;对所述本征模态函数矩阵进行正交分解,根据分解结果确定所述声信号的特征信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述特征信息进行转子碰摩故障诊断,包括:
利用所述转子碰摩故障诊断模型根据所述特征信息进行转子碰摩故障诊断,并输出用于指示所述转子是否发生碰摩故障的诊断信息。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
按照预设采样频率将所述声信号切分为多个声信号切片;
所述转子碰摩故障诊断模型还用于:
对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;
对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
6.根据权利要求1或5所述的方法,其特征在于,相邻两个所述声信号切片之间具有预设重叠度。
7.一种转子碰摩故障诊断模型训练方法,包括:
获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号;
基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注;
利用所述正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型;其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息,并根据上述特征信息进行碰摩故障诊断;
第一特征信息和第二特征信息基于如下步骤得到:
将所述第一声信号和第二声信号分别分解为多个第一本征模态函数和多个第二本征模态函数,并分别由所述多个第一本征模态函数和所述多个第二本征模态函数确定第一本征模态函数矩阵和第二本征模态函数矩阵;
分别对所述第一本征模态函数矩阵和所述第二本征模态函数矩阵进行本征正交分解,根据分解结果确定所述第一特征信息和所述第二特征信息。
8.一种转子碰摩故障声信号诊断装置,包括:
采集单元,用于采集目标对象的转子运行时的声信号;
确定单元,用于对所采集到的所述声信号进行分解,得到多个本征模态函数,并由所述多个本征模态函数确定本征模态函数矩阵;对所述本征模态函数矩阵进行本征正交分解,根据分解结果确定所述声信号的特征信息;
诊断单元,用于根据所述特征信息进行碰摩故障诊断;
所述装置还包括第一切片单元,
第一切片单元,用于将所述声信号按照预设采样频率切分为多个声信号切片;
所述确定单元,用于对于每一个声信号切片,将该声信号切片分解为多个本征模态函数,并由所述多个本征模态函数确定该声信号切片的本征模态函数矩阵;以及对该声信号切片的本征模态函数矩阵应用本征正交分解方法,根据分解结果确定该声信号切片的特征信息。
9.一种转子碰摩故障诊断模型训练装置,包括:
获取单元,用于获取目标对象的转子正常运行时的第一声信号和碰摩故障发生时的第二声信号;
生成单元,用于基于多段第一声信号和多段第二声信号分别生成正样本数据集和负样本数据集,其中,正样本数据集中的正样本包括第一特征信息标注和用于指示转子正常运行的第一故障信息标注,负样本数据集中的负样本包括第二特征信息标注和用于指示转子发生碰摩故障的第二故障信息标注;
训练单元,用于利用所述正样本数据集和负样本数据集训练转子碰摩故障诊断模型,得到训练后的转子碰摩故障诊断模型;其中,转子碰摩故障诊断模型用于根据输入的转子的声信号确定声信号的特征信息并根据上述特征信息进行碰摩故障诊断。
10.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如权利要求1至7中任一项所述的转子碰摩故障声信号诊断方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的转子碰摩故障声信号诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182293.9A CN115862681B (zh) | 2023-03-01 | 2023-03-01 | 转子碰摩故障声信号诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182293.9A CN115862681B (zh) | 2023-03-01 | 2023-03-01 | 转子碰摩故障声信号诊断方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862681A CN115862681A (zh) | 2023-03-28 |
CN115862681B true CN115862681B (zh) | 2023-05-12 |
Family
ID=85659450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310182293.9A Active CN115862681B (zh) | 2023-03-01 | 2023-03-01 | 转子碰摩故障声信号诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862681B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350639A (zh) * | 2019-08-09 | 2021-02-09 | 现代自动车株式会社 | 使用电动机的主动发声装置 |
CN113378323A (zh) * | 2021-07-01 | 2021-09-10 | 西北工业大学 | 应用于耦合故障转子-轴承系统的瞬态本征正交分解方法 |
CN115628840A (zh) * | 2022-12-20 | 2023-01-20 | 深圳市新凯来技术有限公司 | 一种压力传感器和电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140303913A1 (en) * | 2013-04-08 | 2014-10-09 | General Electric Company | Broken rotor bar detection based on current signature analysis of an electric machine |
EP3306284A1 (en) * | 2016-10-10 | 2018-04-11 | Rolls-Royce plc | A method and apparatus for diagnosing a fault condition in an electric machine |
CN107219457B (zh) * | 2017-06-15 | 2019-05-31 | 河北工业大学 | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN112432790B (zh) * | 2020-07-21 | 2023-03-10 | 华晨宝马汽车有限公司 | 滚动轴承故障诊断方法和装置及存储介质 |
CN112858485B (zh) * | 2021-01-15 | 2024-04-19 | 沈阳工业大学 | 一种转子碰摩故障声发射诊断方法 |
CN114021607A (zh) * | 2021-11-05 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种基于奇异值熵的有载分接开关故障的检测方法 |
CN114582325A (zh) * | 2022-03-07 | 2022-06-03 | 游密科技(深圳)有限公司 | 音频检测方法、装置、计算机设备、存储介质 |
CN114992063B (zh) * | 2022-05-06 | 2023-05-16 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及系统 |
-
2023
- 2023-03-01 CN CN202310182293.9A patent/CN115862681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350639A (zh) * | 2019-08-09 | 2021-02-09 | 现代自动车株式会社 | 使用电动机的主动发声装置 |
CN113378323A (zh) * | 2021-07-01 | 2021-09-10 | 西北工业大学 | 应用于耦合故障转子-轴承系统的瞬态本征正交分解方法 |
CN115628840A (zh) * | 2022-12-20 | 2023-01-20 | 深圳市新凯来技术有限公司 | 一种压力传感器和电子设备 |
Non-Patent Citations (2)
Title |
---|
Proper orthogonal decomposition and smooth orthogonal decomposition approaches for pattern recognition: Application to a gas turbine rub-impact fault;L.V. Pereira, et al.;《Journal of sound and vibration》;第511卷;全文 * |
基于弱信号提取的旋转机械的故障诊断;王妍;《中国优秀硕士学位论文全文库(工程科技Ⅱ辑)》(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115862681A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
Li et al. | Observer-biased bearing condition monitoring: From fault detection to multi-fault classification | |
CN111091603B (zh) | 一种超声成像方法、装置、可读存储介质及终端设备 | |
US20170213148A1 (en) | Machine learning through parallelized stochastic gradient descent | |
US11835430B2 (en) | Anomaly score estimation apparatus, anomaly score estimation method, and program | |
CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
CN105849804A (zh) | 过滤噪声的计算高效方法 | |
Benkedjouh et al. | Gearbox fault diagnosis based on mel-frequency cepstral coefficients and support vector machine | |
Carbajal-Hernández et al. | Classification of unbalance and misalignment in induction motors using orbital analysis and associative memories | |
Turan et al. | Monitoring Infant's Emotional Cry in Domestic Environments Using the Capsule Network Architecture. | |
JP6822294B2 (ja) | 評価プログラム、情報処理装置、及び評価方法 | |
Stief et al. | Fault diagnosis using interpolated Kernel density estimate | |
CN115270860A (zh) | 一种变压器异常诊断方法、系统及诊断设备 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
Malviya et al. | Edge-compatible convolutional autoencoder implemented on FPGA for anomaly detection in vibration condition-based monitoring | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
US10585130B2 (en) | Noise spectrum analysis for electronic device | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
CN115862681B (zh) | 转子碰摩故障声信号诊断方法、装置及电子设备 | |
CN113592071A (zh) | 设备故障识别模型训练、识别方法、系统、装置及介质 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
JP2021071586A (ja) | 音抽出システム及び音抽出方法 | |
CN113876354B (zh) | 胎心率信号的处理方法、装置、电子设备及存储介质 | |
CN115565548A (zh) | 异常声音检测方法、装置、存储介质及电子设备 |
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 |