CN115878986A - 一种变工况轴承的退化趋势评估方法 - Google Patents
一种变工况轴承的退化趋势评估方法 Download PDFInfo
- Publication number
- CN115878986A CN115878986A CN202211493210.XA CN202211493210A CN115878986A CN 115878986 A CN115878986 A CN 115878986A CN 202211493210 A CN202211493210 A CN 202211493210A CN 115878986 A CN115878986 A CN 115878986A
- Authority
- CN
- China
- Prior art keywords
- bearing
- module
- characteristic
- modal
- degradation trend
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 79
- 230000015556 catabolic process Effects 0.000 title claims abstract description 78
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000036541 health Effects 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 38
- 238000013210 evaluation model Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 20
- 238000013016 damping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 239000002356 single layer Substances 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种变工况轴承的退化趋势评估方法，属于设备状态监测技术领域。本发明将随机卷积核的概率分布初始化为轴承数据的概率分布，有益于随机卷积核对含噪声耦合的轴承信号解耦为轴承故障相关特征和轴承故障无关特征的多尺度特征表征，从而提升对于未见过轴承的工况(即未知域)的模型泛化性，实现在不同工况轴承信号下模型也能准确判断退化趋势；因随机卷积核变换仅相当于单层的网络，参数量相比于现有技术方案中的特征提取网络低1‑2个数量级，具有显著的速度优势；采用模态参数与时域频域参数共同构建轴承振动信号的健康状态特征，进一步提升了模型的泛化性与准确率。
Description
技术领域
本发明属于设备状态监测技术领域，更具体地，涉及一种变工况轴承的退化趋势评估方法。
背景技术
轴承作为旋转机械中最常用的核心承载机械部件，因寿命的离散性成为了故障高频零件。在正常工作环境下运行时，轴承受到载荷、转速、温度和润滑等诸多客观条件的影响，不可避免的会出现不同位置、不同程度、不同原因的失效，如内圈、外圈、滚子、保持架的磨损、胶合、断裂。作为转动结构中最基础、应用最广泛的机械零件，轴承是否正常工作是旋转机械状态监测的核心问题。正因如此，有关滚动轴承退化趋势预测及健康状态评估对整个机械行业有着举足轻重的影响。
轴承退化趋势的评估方法的健康状况表征参数都是来自于轴承工作过程中的振动信号，而对振动信号的特征提取方法根据特征维度分为两类：仅使用了一维特征向量与使用多维特征向量。一维特征向量本身存在干扰性较差、包含的信息量较少等一系列的问题，很难精准有效地对轴承全生命周期健康状况与退化趋势进行评估；而使用多维特征向量的方法抗干扰能力更强，特征表达更全面，多维向量输入比一维特征向量输入模型的预测精度更高，但计算复杂度较一维特征输入更高。现有轴承退化趋势机器学习模型存在的泛化性差，深度学习模型存在的样本需求量大、模型训练与推理时间长，设备边缘端计算能力不足，亟需轻量化且高准确率的在线趋势评估模型的现状，导致现有技术方案难以实现工业在线轴承退化趋势评估。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种变工况轴承的退化趋势评估方法，其目的在于提高轴承退化趋势机器学习模型泛化性，提高评估准确度。
为实现上述目的，按照本发明的一个方面，提供了一种变工况轴承的退化趋势评估方法，包括：
S1.构建轴承退化趋势评估模型；所述轴承退化趋势评估模型包括特征提取模块、特征融合模块、随机卷积核变换模块、降维模块以及标签分类器；特征提取模块用于提取输入数据的模态特征和时频特征；特征融合模块用于将时频特征、模态特征通过典型关联分析进行特征融合；随机卷积核变换模块用于对融合后的特征参数通过大量多尺度卷积核进行卷积操作，提取到轴承故障相关与轴承故障无关的多尺度特征；降维模块用于将多尺度特征进行降维投影，并构建健康状态特征；标签分类器用于将降维后的健康状态特征映射为对应的预测轴承健康状态；
S2.将已有多工况有标签轴承的振动信号数据作为源域数据、未见新工况无标签的轴承的振动信号数据作为目标域数据，构成训练样本集；
S3.采用训练样本集对轴承退化趋势评估模型进行迭代训练；训练过程中，将随机卷积核的联合概率分布初始化为与轴承训练集数据分布一致；将随机卷积核的长度设置为超过滚动轴承一圈采样点数的数值与正态分布的乘积
S4.将当前工况下待测轴承的振动数据输入训练好的模型，得到轴承退化趋势评估结果。
进一步地，模态特征和时频特征的融合过程为：
通过典型关联分析融合时频特征；
将结构模态特征与对应系数相乘后与典型关联分析后的时频特征进行concat二次融合。
进一步地，通过以协方差为基准的随机子空间辨识方法SSICOV获取模态特征；所述模态特征包括模态频率、模态振型和模态阻尼。
进一步地，所述模态特征还经过如下预处理：从多阶固有频率参数中取第一阶固有频率作为有效值；同时采用插值处理缺失值。
进一步地，所述时域特征为均方根值和峭度指标。
进一步地，所述频域特征为均方根频率。
本发明还提供了一种变工况轴承的退化趋势评估装置，包括：
评估模型构建模块，用于构建轴承退化趋势评估模型；所述轴承退化趋势评估模型包括特征提取模块、特征融合模块、随机卷积核变换模块、降维模块以及标签分类器；特征提取模块用于提取输入数据的模态特征和时频特征；特征融合模块用于将时频特征、模态特征通过典型关联分析进行特征融合；随机卷积核变换模块用于对融合后的特征参数通过大量多尺度卷积核进行卷积操作，提取到轴承故障相关与轴承故障无关的多尺度特征；降维模块用于将多尺度特征进行降维投影，并构建健康状态特征；标签分类器用于将降维后的健康状态特征映射为对应的预测轴承健康状态；
训练样本构建模块，用于将已有多工况有标签轴承的振动信号数据作为源域数据、未见新工况无标签的轴承的振动信号数据作为目标域数据，构成训练样本集；
迭代训练模块，用于采用训练样本集对轴承退化趋势评估模型进行迭代训练；训练过程中，将随机卷积核的联合概率分布初始化为与轴承训练集数据分布一致；将随机卷积核的长度设置为超过滚动轴承一圈采样点数的数值与正态分布的乘积
在线评估模块，用于将当前工况下待测轴承的振动数据输入训练好的模型，得到轴承退化趋势评估结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
(1)与传统随机卷积核随机初始化不同，本发明将随机卷积核的概率分布初始化为轴承数据的概率分布，有益于随机卷积核对含噪声耦合的轴承信号解耦为轴承故障相关特征和轴承故障无关特征的多尺度特征表征，从而提升对于未见过轴承的工况(即未知域)的模型泛化性，实现在不同工况下轴承信号模型也能准确判断退化趋势；同时，因随机卷积核变换仅相当于单层的网络，参数量相比于特征提取网络低1-2个数量级，具有显著的速度优势。
(2)本发明采用模态参数与时域频域参数共同构建轴承振动信号的健康状态特征。由于伴随着机械系统的退化，系统结构动力学特性会发生变换，系统的固有频率与阻尼比等会伴随着系统的退化而变化，因此以固有频率、阻尼比为代表的模态特征可以作为表征轴承退化趋势的具有先验信息的特征，通过先验特征的融入可以有效缩小模型的解空间，从而使得模型更关注于轴承退化相关的可泛化特征，从而提升模型的泛化性与准确率。
附图说明
图1为本发明实施例1提供的变工况轴承的退化趋势评估模型的构建方法流程图；
图2为本发明实施例1提供的变工况轴承的退化趋势评估模型结构示意图；
图3为本发明实施例1提供的随机卷积核变换模型进行时序数据预测逻辑的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
一种变工况轴承的退化趋势评估方法，以西安交通大学轴承数据集的数据作为输入，再进行特征提取，通过多个其它线性无关的特征量(包括时域、频域和模态特征量)用以机械学习和推导所选定的健康指数参量，再使用基于随机卷积核变换进行数据训练，从而获得准确的标签分类器，进而建立变工况轴承的退化趋势评估模型。
具体地，如图1所示，包括以下步骤：
S1.搭建轴承退化趋势评估模型；
参考图2，轴承退化趋势评估模型包括：特征提取模块、特征融合模块、随机卷积核变换模块、降维模块以及标签分类器；
其中，特征提取模块用于提取输入数据的模态、时频特征；特征融合模块用于将时频特征、模态特征通过典型关联分析进行特征融合；随机卷积核变换模块用于将融合后的特征参数进行处理，得到多尺度特征；降维模块用于将多尺度特征进行降维投影，并构建健康状态特征；标签分类器用于将降维后的健康状态特征映射为对应的预测轴承健康状态；
下文将从几个方面叙述健康状态指标的制定：
模态信息获取：模态参数通常包括模态频率，模态阻尼，模态振型。
由于伴随着系统的退化，振动信号会发生协方差偏移，而基于协方差的随机子空间辨识方法SSI-COV构建的Toeplitz矩阵反映了协方差变化，因此，本发明通过SSICOV函数获取表征当前设备结构状态的模态频率、模态振型和模态阻尼。将完整的一组文件(数据集中某一次轴承的全生命周期振动信号)全部按照相同的SSICOV模态参数辨识方法处理后即可得到全生命周期的模态频率、模态阻尼以及模态振型健康状态指标参数变化趋势矩阵。
需要说明的是，特征提取模块还对模态参数进行预处理，例如通过SSICOV函数得到的固有频率参数大多不止一个，且有可能在某一时刻没有对应的固有频率存在。因此考虑只在激发出来的多阶固有频率参数中取第一阶固有频率作为模型实验所用的基本参数，如模态频率只选取每项的第一个数据作为样本，而遇到存在缺失值的情况下，考虑插值处理缺失值，模态阻尼和模态振型健康状态指标也通过类似的方法转化为列向量作为特征融合模块输入的一部分。
时域信息获取：轴承振动数据的时域特征中，有量纲参数和无量纲参数反应的侧重点不同：有量纲特征指标多与载荷、转速等客观工作环境相关，而无量纲特征则倾向于直观地显示出轴承部件运行过程的冲击信息。如果依照轴承振动数据的特征进行分类，大致地将轴承早期的退化损伤归为两种：表面损伤和磨损。无量纲参数可以有效地识别前者，但对后者不敏感；有量纲参数则相反，其对后者十分敏感但对前者几乎没有反应。此外，轴承振动数据的时域特征参数对轴承健康状况描述的侧重点也有些区别。如均方根可以有效反映轴承部件的振动情况，描述了振动信号在时域上的幅值以及能量的变化趋势，因此比较适合用其来表征轴承当前的健康状况。峭度指标和偏度指标则可以反应当前时刻轴承振动信号与正态分布的差距(如果轴承处于正常运行状况，则其振动信号幅值应当大致遵循正态分布)，说明其可以敏感地发现轴承的表面损伤类的故障。一般情况下，任何一个时域特征数据都无法较为完整的体现轴承全生命周期的退化趋势，故考虑在有量纲参数和无量纲参数各提取一个作为参考。本实施例中，取均方根值和峭度指标待用。
输入轴承振动加速度数据，通过公式(编号)计算获得均方根值和峭度指标。
其中
x(n)和N表示每个采集点有N个数据，每个数据对应的振动位移为x(n)。
将完整的一组文件(数据集中某一次轴承的全生命周期振动信号)全部按照类似的方法处理后即可得到本次实验的均方根值以及峭度值参数。
频域信息获取：振动数据的频域特征体现出信号中包含的频率成分及其能量大小。使用频域特征数据来描述轴承的健康状况主要是通过某时间内的频率成分、能量大小和主频位置的变化，而不同的频域特征大多侧重于其中某一项的变化，选用均方根频率作为本次采用的特征数据。
采集方式与时序数据的获得方式基本相同，将数据进行傅里叶变换后再接着通过公式处理后得到所需的均方根频率参数。
其中
s(k)为时域信号x(n)通过傅里叶变换获得的频谱信号；fk为对应点的频率幅值大小；Nfft为频谱信号的长度。
接着，需要进行特征融合，进而构建作为轴承健康状况的表征参数(健康状态指标)。由于伴随着机械系统的退化，系统结构动力学特性会发生变换，系统的固有频率与阻尼比等会伴随着系统的退化而变化，因此以固有频率、阻尼比为代表的模态特征可以作为表征轴承退化趋势的具有先验信息的特征，通过先验特征的融入可以有效缩小模型的解空间，从而使得模型更关注于轴承退化相关的可泛化特征，从而提升模型的泛化性与准确率。
直接进行拼接特征融合会造成模态特征淹没在众多时频特征中，无法体现结构模态参数随系统退化的变化引导性，因此本发明提出一种两阶段特征融合方式，先通过第一阶段特征关联分析融合时频特征，再将结构模态特征乘以系数与典型关联分析后的时频特征进行concat二次融合；其中模态特征系数根据应用场景的轴承模态贡献大小确定。通过两阶段特征融合可以有效改善动力学特征与时频域特征融合时的显著程度；
S2.将已有多工况有标签轴承的振动信号数据作为源域数据、未见新工况无标签的轴承的振动信号数据作为目标域数据，构成训练样本集；
S3.参考图3，向模型输入训练数据进行模型训练，并在同分布测试数据下进行建模效果初步验证，如取同工况下的不同轴承故障数据进行建模效果测试。分析之后，尝试采用该模型对未见新工况无标签的轴承的振动信号数据进行预测，最后对比预测值与实际值的重合度来判断模型是否符合预期。
方法的具体实施方式如下：
首先，定义随机卷积核变换模块中的训练维度并进行分类器的拟合。
与传统随机卷积核随机初始化不同，本发明初始化随机卷积核的联合概率分布，使其与轴承训练集数据分布一致。通过将随机卷积核的概率分布初始化为轴承数据的概率分布可以有益于随机卷积核对含噪耦合的轴承信号解耦为轴承故障相关特征和轴承故障无关特征的多尺度特征表征，从而提升对于未见过轴承的工况(即未知域)的模型泛化性，实现在不同工况下轴承信号模型也能准确判断退化趋势。
为了使模型关注于滚动轴承故障的周期性特征规律，本发明将随机卷积核的长度设置为超过滚动轴承一圈采样点数的数值C与正态分布的乘积。随机卷积核的权重、偏差、膨胀、步幅通过正太分布进行初始化。随机卷积核变换模块填充生成每个内核时，会随机、以相等的概率决定在应用内核时是否使用填充。
经过融合与降维后的特征会被用来训练一个线性分类器。线性分类器又分为岭回归分类器和逻辑回归分类器。当训练样本数量少于特征数量时，使用岭回归分类器，反之使用逻辑回归分类器。
此外，当随机卷积核变换模型和分类器相结合时，实际上是形成了一个具有随机核权重的单层卷积神经网络，模型的参数量相比于常规技术中的特征提取网络模型参数量低1-2个数量级，面向在线应用场景具有显著的速度优势且对计算资源的需求更低。
随机卷积核变换过程为：
其中，Xi为时间序列的第i个位置；ω为卷积核；lkernel为卷积核的长度；d为膨胀系数。
经过随机卷积核变换之后，会得到两个特征值：最大值(相当于全局最大池化)和正值的比例。
最后，将健康状态特征输入标签分类器进行训练，由于轴承退化趋势评估的退化阶段为整数值，在训练过程中还需要对模型预测输出的小数化归为整数。考虑到轴承退化过程常被划分为5个阶段，即轴承正常阶段、失效初期、发展期、快速发展期和末期，故将模型预测结果先进行0-1归一化，再乘以无量纲常数5，得到与真实轴承退化趋势所对应的健康状态。
S4.模型训练完成后将待测数据输入训练好的模型，对当前工况下的轴承退化趋势进行评估。
实施例2
一种变工况轴承的退化趋势评估方法，包括：
将待诊断的轴承振动信号数据输入到采用本发明实施例1所提供的变工况轴承的退化趋势评估模型的构建方法所构建的变工况轴承的退化趋势评估模型中，基于变工况轴承的退化趋势评估模型中的特征提取模块进行模态、时域特征提取后进行特征融合，构建健康状态指标，输入至变工况轴承的退化趋势评估模型中的标签分类器中，从而得到待诊断的轴承振动信号数据的故障类别标签。
1)准备数据集：
取西安交通大学轴承数据集。每个数据集具有多个轴承退化阶段，如轴承失效初期、发展期、快速发展期和末期。
对多时期的数据加载并划分训练集与测试集；对划分后的训练集中的数据进行标准化处理，并选取部分工况组合作为源域，如35Hz 12kN Bearing1_1与37.5Hz 11kNBearing2_1的数据作为源域，35Hz 12kN Bearing1_2与37.5Hz 11kN Bearing2_2的数据作为目标域。
2)训练变工况轴承的退化趋势评估模型：
采用发明实施例1所述的方法对变工况轴承故障诊断模型进行训练。与典型的卷积神经网络中的一样，随机卷积核变换使用卷积核转换时间序列。本质上，内核的任何方面都是随机的如长度、权重、偏差、膨胀和填充等。通过实验测试，对于每个内核，这些值设置如下：
长度从{7,9,11}中随机等概率选取，以保证卷积核在大多数情况下都比输入时间序列短很多；权重从一个标准正态分布中采样，并在设置后取均值；偏差采样自(-1,1)的均匀分布，且只与特征图中的正值比相关；膨胀在以2为底的指数尺度上采样，以确保核的有效长度(包括扩张)等于输入时间序列的长度，允许在其他方面相似，但具有不同膨胀的内核必须以不同的频率和尺度匹配相同或相似的模式；填充生成每个内核时，会(随机、以相等的概率)决定在应用内核时是否使用填充，如果使用填充，则在应用内核时，会在每个时间序列的开头和结尾附加一定量的零填充，这样内核的“中间”元素就会以时间序列中的每个点为中心；步幅则总是取1。
3)变工况轴承的退化趋势评估：
将测试集中未见无标签的轴承的振动信号数据轴承数据输入至训练好的变工况轴承的退化趋势评估模型中，经特征提取后，将所提取的特征直接输入至标签分类器中进行变工况轴承的退化趋势评估。
综上，本实施例以西安交通大学轴承数据集数据作为输入，同时选取合适的参数对轴承健康状况进行表征和验证。以基于随机卷积核变换的时序训练模型为基准，建立轴承的退化趋势评估模型，并利用其对轴承健康状况的表征参数进行预测。同时以西安交通大学轴承数据集给出的数据为实验和验证对象，代入建立的模型对轴承退化阶段进行预测，最终分析模型的适用范围和有效性。相比于传统的轴承健康状况与退化趋势评估只选用了一维时域特征向量，本文提出了时频域特征与模态特征参数的两阶段融合方法，防止模态特征淹没在众多时频域特征中。。使用了随机卷积核变换模型，随机卷积核变换模型使用大量的卷积核，受益于几乎不需要考虑学习权重，因此卷积计算的成本相对很低，所以可以使用相对较少的计算成本来使用大量内核。
相关技术方案同实施例1，这里不做赘述。
实施例3
一种变工况轴承的退化趋势评估系统，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本发明实施例1所提供的变工况轴承的退化趋势评估方法。
实施例4
一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器本发明实施例1所提供的变工况轴承故障诊断模型的构建方法和/或本发明实施例2所提供的变工况轴承故障诊断方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种变工况轴承的退化趋势评估方法，其特征在于，包括：
S1.构建轴承退化趋势评估模型；所述轴承退化趋势评估模型包括特征提取模块、特征融合模块、随机卷积核变换模块、降维模块以及标签分类器；特征提取模块用于提取输入数据的模态特征和时频特征；特征融合模块用于将时频特征、模态特征通过典型关联分析进行特征融合；随机卷积核变换模块用于对融合后的特征参数通过大量多尺度卷积核进行卷积操作，提取到轴承故障相关与轴承故障无关的多尺度特征；降维模块用于将多尺度特征进行降维投影，并构建健康状态特征；标签分类器用于将降维后的健康状态特征映射为对应的预测轴承健康状态；
S2.将已有多工况有标签轴承的振动信号数据作为源域数据、未见新工况无标签的轴承的振动信号数据作为目标域数据，构成训练样本集；
S3.采用训练样本集对轴承退化趋势评估模型进行迭代训练；训练过程中，将随机卷积核的联合概率分布初始化为与轴承训练集数据分布一致；将随机卷积核的长度设置为超过滚动轴承一圈采样点数的数值与正态分布的乘积
S4.将当前工况下待测轴承的振动数据输入训练好的模型，得到轴承退化趋势评估结果。
2.根据权利要求1所述的一种变工况轴承的退化趋势评估方法，其特征在于，模态特征和时频特征的融合过程为：
通过典型关联分析融合时频特征；
将结构模态特征与对应系数相乘后与典型关联分析融合后的时频特征进行concat二次融合。
3.根据权利要求2所述的一种变工况轴承的退化趋势评估方法，其特征在于，通过以协方差为基准的随机子空间辨识方法SSICOV获取模态特征；所述模态特征包括模态频率、模态振型和模态阻尼。
4.根据权利要求3所述的一种变工况轴承的退化趋势评估方法，其特征在于，所述模态特征还经过如下预处理：从多阶固有频率参数中取第一阶固有频率作为有效值；同时采用插值处理缺失值。
5.根据权利要求1-4任一项所述的一种变工况轴承的退化趋势评估方法，其特征在于，所述时域特征为均方根值和峭度指标。
6.根据权利要求5所述的一种变工况轴承的退化趋势评估方法，其特征在于，所述频域特征为均方根频率。
7.一种变工况轴承的退化趋势评估装置，其特征在于，包括：
评估模型构建模块，用于构建轴承退化趋势评估模型；所述轴承退化趋势评估模型包括特征提取模块、特征融合模块、随机卷积核变换模块、降维模块以及标签分类器；特征提取模块用于提取输入数据的模态特征和时频特征；特征融合模块用于将时频特征、模态特征通过典型关联分析进行特征融合；随机卷积核变换模块用于对融合后的特征参数通过大量多尺度卷积核进行卷积操作，提取到轴承故障相关与轴承故障无关的多尺度特征；降维模块用于将多尺度特征进行降维投影，并构建健康状态特征；标签分类器用于将降维后的健康状态特征映射为对应的预测轴承健康状态；
训练样本构建模块，用于将已有多工况有标签轴承的振动信号数据作为源域数据、未见新工况无标签的轴承的振动信号数据作为目标域数据，构成训练样本集；
迭代训练模块，用于采用训练样本集对轴承退化趋势评估模型进行迭代训练；训练过程中，将随机卷积核的联合概率分布初始化为与轴承训练集数据分布一致；将随机卷积核的长度设置为超过滚动轴承一圈采样点数的数值与正态分布的乘积
在线评估模块，用于将当前工况下待测轴承的振动数据输入训练好的模型，得到轴承退化趋势评估结果。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至6任一项所述的一种变工况轴承的退化趋势评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211493210.XA CN115878986A (zh) | 2022-11-25 | 2022-11-25 | 一种变工况轴承的退化趋势评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211493210.XA CN115878986A (zh) | 2022-11-25 | 2022-11-25 | 一种变工况轴承的退化趋势评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115878986A true CN115878986A (zh) | 2023-03-31 |
Family
ID=85764081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211493210.XA Pending CN115878986A (zh) | 2022-11-25 | 2022-11-25 | 一种变工况轴承的退化趋势评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115878986A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434372A (zh) * | 2023-06-12 | 2023-07-14 | 昆明理工大学 | 用于变工况设备的智能化数据采集系统、工况识别系统 |
-
2022
- 2022-11-25 CN CN202211493210.XA patent/CN115878986A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434372A (zh) * | 2023-06-12 | 2023-07-14 | 昆明理工大学 | 用于变工况设备的智能化数据采集系统、工况识别系统 |
| CN116434372B (zh) * | 2023-06-12 | 2023-08-18 | 昆明理工大学 | 用于变工况设备的智能化数据采集系统、工况识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| RU2522037C2 (ru) | Идентификация отказов в авиационном двигателе | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN112633339A (zh) | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 | |
| Nemani et al. | Ensembles of probabilistic LSTM predictors and correctors for bearing prognostics using industrial standards | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
| Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
| CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
| CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
| Ghorbani et al. | Estimating remaining useful life of turbofan engine using data-level fusion and feature-level fusion | |
| CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
| Wang et al. | Two-stage imbalanced learning-based quality prediction method for wheel hub assembly | |
| CN117782580B (zh) | 汽车零部件的缺陷检测方法及系统 | |
| Esfahani et al. | Remaining useful life prognostics based on stochastic degradation modeling: turbofan engine as case study | |
| CN111474476A (zh) | 一种电机故障预测方法 | |
| US20220044151A1 (en) | Apparatus and method for electronic determination of system data integrity | |
| Brandao et al. | Fault Diagnosis of Rotary Machines Using Machine Learning | |
| Li et al. | Fuzzy feature fusion and multimodal degradation prognosis for mechanical components | |
| CN115658371B (zh) | 基于案例学习与可诊断性分析的诊断算法量化推荐方法 | |
| CN111507639B (zh) | 理财风险分析方法及装置 | |
| Liu et al. | Refined Composite Multiscale Range Entropy and Pairwise Feature Proximity-Based Fault Detection Method of Rotating Machinery | |
| CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 |
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 |