CN116028840A - 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 - Google Patents
最大重叠离散小波包变换时频谱的船用转子故障诊断方法 Download PDFInfo
- Publication number
- CN116028840A CN116028840A CN202111253676.8A CN202111253676A CN116028840A CN 116028840 A CN116028840 A CN 116028840A CN 202111253676 A CN202111253676 A CN 202111253676A CN 116028840 A CN116028840 A CN 116028840A
- Authority
- CN
- China
- Prior art keywords
- signal
- rotor
- noise
- discrete wavelet
- wavelet packet
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000011426 transformation method Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 3
- 240000000037 Prosopis spicigera Species 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 108010014172 Factor V Proteins 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
本发明涉及一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，包括以下步骤：1)获取信号：采集转子振动信号x(t)；2)信号降噪：对转子振动信号x(t)采用奇异值差分谱降噪；3)信号重构：采用最大重叠离散小波包变换方法对降噪后信号x'(t)进行分解，获得重构信号x″(t)；4)构建数据集：采用Hilbert变换获得重构信号x″(t)的二维时频谱图，形成转子训练数据集M和测试数据集N；5)建立预训练故障诊断模型；6)微调网络模型参数；7)验证模型：将测试数据集N输入训练好的AlexNet网络中，根据输出结果对转子的工作状态和故障类型进行诊断。与现有技术相比，本发明具有提升信号特征的获取能力、提高诊断准确率等优点。
Description
技术领域
本发明涉及船用旋转机械故障诊断领域，尤其是涉及一种最大重叠离散小波包变换时频谱与迁移学习的船用转子故障诊断方法。
背景技术
汽轮机转子是船舶的核心零件，在工作时由于非线性激励、陀螺效性和零部件松动等原因，转子在运行过程中常伴有大量噪声并极易产生故障。当其出现故障而无法及时排查时，会导致船舶失去动力，严重时将造成巨大的经济损失及大量人员伤亡。此外，汽轮机正朝着复杂化、精密化和高效化方向发展，为适应此趋势并提升船舶运行的可靠性，急需探究基于转子振动信号分析的故障诊断方法。
基于转子振动信号的故障诊断方法具有无损检测、易于操作、诊断快速等优点，是目前最为常用的诊断手段，但现有信号处理方法需大量专家知识，且步骤复杂、诊断效率低，已逐步被深度学习方法所替代。
基于深度学习的故障诊断方法能够自动提取振动信号的特征，避免复杂的信号处理和特征提取工作，并可获取较为理想的诊断精度，但是将此方法应用于船用转子故障诊断领域，仍存在一定困难。一方面，基于深度学习的故障诊断方法需依靠充足样本数据以保证诊断的精度，但通常情况下难以获取足够的训练数据；另一方面，船用转子高速转动时伴有大量噪声，基于深度学习的故障诊断方法往往难以直接从此类信号中精确提取出故障特征，故障诊断准确性能以保证，因此，需借助信号处理方法对船用转子振动信号进行预处理，以保证深度学习模型可从中有效提取出故障特征，从而在小样本情况下进行船用转子故障的精确诊断。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，包括以下步骤：
1)获取信号：通过设在船舶设备上的信号采集装置采集转子振动信号x(t)；
2)信号降噪：对转子振动信号x(t)采用奇异值差分谱降噪，获得降噪后信号 x'(t)，用以滤除环境噪声的影响，提升信号的信噪比；
3)信号重构：采用最大重叠离散小波包变换方法对降噪后信号x'(t)进行分解，通过各分量的能量进一步滤除背景信号和环境噪声成分对于信号特征提取准确性的影响，获得重构信号x″(t)；
4)构建数据集：采用Hilbert变换获得重构信号x″(t)的二维时频谱图，并按照AlexNet网络模型需要调整二维时频谱图尺寸，形成转子训练数据集M和测试数据集N；
5)建立预训练故障诊断模型：采用ImageNet数据集训练好的AlexNet网络作为故障诊断模型以进行迁移学习；
6)微调网络模型参数：初始化AlexNet网络的卷积层和全连接层的相关参数，将训练数据集M输入AlexNet网络，分别采用不同学习率对卷积层和全连接层进行训练，以实现转子不同故障类型的诊断；
7)验证模型：将测试数据集N输入训练好的AlexNet网络中，根据输出结果对转子的工作状态和故障类型进行诊断。
所述的步骤2)中，对转子振动信号x(t)采用奇异值差分谱降噪具体包括以下步骤：
21)对含噪转子振动信号x(N)＝{x1,x2,···,xN}进行相空间重构得到m×n阶Hankel矩阵H，则有：
其中，信号点数N＝m+n-1，Dm×n为不含噪信号的子空间，Wm×n为噪声信号的子空间；
22)对Hankel矩阵H进行奇异值分解，则有：
其中，U、V为正交矩阵，∑为非负对角阵，
S＝diag(σ1,σ2,…,σr)，σi为矩阵H的奇异值，且σi＝∑(i,i)，r为矩阵H的秩；
23)对Hankel矩阵H进行奇异值分解后的奇异值σ1,σ2,…σr进行归一化后获取奇异值差分谱b(i)；
24)将奇异值差分谱中最大值所对应点k认定为信号与噪声的区分点，保留小于等于k对应的奇异值，其余设置为0后进行奇异值重构，得到降噪后信号x'(t)。
所述的步骤22)中，为实现信号降噪的目的，构造的Hankel矩阵的行数m和列数n的乘积应尽量大，根据信号点数N的奇偶性确定Hankel矩阵H的行数m和列数n，则有：
所述的步骤23)中，奇异值差分谱的计算式为：
e＝σ1+σ2+…+σr
e1+e2+…+er＝1
其中，ei和ei-1分别为Hankel矩阵H的第i个和第i-1个分量的归一化奇异值， emax和emin分别为矩阵H中各分量归一化奇异值的最大值和最小值。
所述的步骤3)具体包括以下步骤：
31)构建最大重叠离散小波包变换的尺度滤波器
和小波滤波器
32)在尺度为j时，对最大重叠离散小波包变换的尺度滤波器
和小波滤波器
中插入2j-1-1个零，根据Mallat算法，获得尺度为j时的尺度变换系数Vj,t和小波变换系数Wj,t，并计算出最大重叠离散小波包变换的分解系数；
33)计算出最大重叠离散小波包变换后各分量的能量，选取能量数值超过设定阈值的分量，得到重构信号x″(t)。
所述的步骤4)具体为：
采用Hilbert变换获得重构信号x″(t)的二维时频谱图，对于重构信号x″(t)的每个分量，构造解析信息计算瞬时频率后，得到时频谱。
所述的步骤5)中，根据实际转子的故障类型总数设置全连接层最后一层为K。
所述的步骤1)中，转子振动信号x(t)具体为不同采样频率在各运行状态下采集到的加速度信号，各运行状态包括正常工况以及故障工况，所述的故障工况包括不对中、不平衡、轴承座松动和动静碰摩故障工况。
所述的步骤4)中，转子训练数据集M和测试数据集N的比例设置为5:1。
所述的步骤5)中，采用基于Python3.6上的Pytorch深度学习框架搭建AlexNet 网络模型，并在ImageNet数据集上完成训练后作为故障诊断模型进行相应参数设置实现迁移学习。
与现有技术相比，本发明具有以下优点：
一、由于受背景噪声、采集系统等因素的影响，获取的船用转子信号往往含有大量噪声，直接以含噪信号为依据进行故障诊断，难以获得理想效果，本发明在获取信号后对其进行奇异值差分谱降噪以滤除环境噪声等因素的影响，提升信号的信号比，为故障特征的有效获取提供保证。
二、采用最大重叠离散小波包变换对降噪后信号进行进一步分解，以滤除仍可能存在于信号内的高频随机噪声和低频无效成分，从而提升信号获取能力，为故障的有效诊断提供保证。
三、采用迁移学习充分利用另一数据集训练好的卷积网络，有效降低了模型训练时间，避免了包含大量待训练参数的深度模型结构训练困难的问题。
四、利用小样本实现了基于深度学习方法的船用转子故障的有效诊断，避免了常用基于深度学习的故障诊断方法需依靠充足样本数据以保证诊断的精度，训练数据样本数量有限时，网络可能会出现过拟合的问题。
附图说明
图1为本发明的方法流程示意图。
图2为本发明应用实施例中采集的不同状态下转子振动信号，其中，图(2a) 为正常状态下的转子振动信号，图(2b)为不对中故障状态下的转子振动信号，图(2c)为不平衡故障状态下的转子振动信号，图(2d)为轴承座松动故障状态下的转子振动信号，图(2e)为动静碰摩故障状态下的转子振动信号。
图3为本发明应用实施例中转子不对中故障信号的奇异值及其奇异值差分谱。
图4为本发明应用实施例中转子不对中故障降噪后信号。
图5为本发明应用实施例中转子不同状态信号奇异值差分谱降噪后信号，其中，图(5a)为正常状态下的奇异值差分谱降噪后信号，图(5b)为不平衡故障状态下的奇异值差分谱降噪后信号，图(5c)为轴承座松动故障状态下的奇异值差分谱降噪后信号，图(5d)为动静碰摩故障状态下的奇异值差分谱降噪后信号。
图6为本发明应用实施例中不同状态下转子重构振动信号的时频谱图，其中，图(6a)为正常状态下的转子重构振动信号的时频谱图，图(6b)为不对中故障状态下的转子重构振动信号的时频谱图，图(6c)为不平衡故障状态下的转子重构振动信号的时频谱图，图(6d)为轴承座松动故障状态下的转子重构振动信号的时频谱图，图(6e)为动静碰摩故障状态下的转子重构振动信号的时频谱图。
图7为本发明应用实施例中所依据的AlexNet的网络结构。
图8为迁移模型在训练数据集的训练过程。
图9为迁移模型在测试数据集上的诊断准确率。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
汽轮机转子是船舶的核心零件，汽轮机正朝着复杂化、精密化和高效化方向发展，由此便导致了转子在运行过程中常伴有大量噪声并具有较高的故障发生率。传统信号分析方法由于需要大量专家知识已逐步被深度学习方法所替代。但样本数据数量和振动信号内的噪声是影响基于深度学习故障诊断方法精度的重要因素。
如图1所示，本发明提供一种基于最大重叠离散小波包变换时频谱与迁移学习的船用转子故障诊断方法，该方法的主要步骤包括获取信号、信号降噪、信号重构、构建数据集、建立预训练网络模型、微调网络模型参数和验证模型，本发明的步骤科学合理，使用安全方便，在对船舶转子振动信进行采集后，采用奇异值差分谱法对其进行降噪，并采用最大重叠离散小波包变换方法对降噪后信号进行分解，通过计算各分量的能量以进一步滤除背景信号和环境噪声成分，形成重构信号，随后对重构信号进行Hilbert变换获得时频谱图，形成数据集，通过AlexNet网络实现数据集的诊断和分类。本发明有助于提升信号特征的获取能力，有助于解决小样本情况下，基于深度学习方法的旋转机械故障诊断较低的问题，为旋转机械的故障诊断的高效诊断提供保证。
本发明方法包括以下步骤：
S1、信号采集：在转子故障模拟实验台上采集转子振动信号x(t)；
S2、对转子振动信号x(t)采用奇异值差分谱降噪，其具体过程为：
设x(N)＝{x1,x2,···,xN}为一含噪转子振动信号，经相空间重构可获得m×n阶Hankel矩阵H：
其中，N＝m+n-1；Dm×n为不含噪信号的子空间；Wm×n为噪声信号的子空间。
矩阵H经奇异值分解可得：
其中，U、V为正交矩阵，∑为非负对角阵，
S＝diag(σ1,σ2,…,σr)，σi为矩阵H的奇异值，σi＝∑(i,i)，r是矩阵H的秩。
为实现信号降噪的目的，构造的Hankel矩阵的行数m和列数n的乘积应尽量大。信号的奇偶性是上述条件实现的关键，结合信号点数N的奇偶性可确定Hankel 矩阵的行数m和列数n，即：
其中，N为信号点数。
设矩阵H经奇异值分解后可得到奇异值σ1,σ2,…σr，对每个分量进行归一化，即：
其中，e＝σ1+σ2+…+σr；e1+e2+…+er＝1。
奇异值差分谱可定义为：
其中，ei和ei-1分别为矩阵H第i个和第i-1个分量的归一化奇异值，emax和emin分别为矩阵H中各分量归一化奇异值的最大值和最小值。
由于噪声的奇异值明显小于信号的奇异值，可利奇异值差分谱中最大值所对应点k可认定为信号与噪声的区分点。因此，只需保留小于等于k对应的奇异值，其余设置为0后进行奇异值重构，即可实现信号降噪。
S3、由于奇异值降噪后信号内仍包含一定的背景信号和环境噪声，为进一步滤除上述干扰成分，采用最大重叠离散小波包变换分解方法对奇异值降噪后信号 x'(t)进行分解。
最大重叠离散小波包变换分解的具体包括：
设
分别为最大重叠离散小波包变换的尺度滤波器和小波滤波器，则
与离散小波变换中的尺度滤波器gl和小波滤波器hl有如下关系：
其中，gl为离散小波变换的尺度滤波器，hl为离散小波变换的小波滤波器；
同时满足：
或者
其中，
分别为长度是l、l-2n和L-l-1的最大重叠离散小波包变换的尺度滤波器；
为长度是l和L-l-1的最大重叠离散小波包变换的小波滤波器；
在尺度为j时，对最大重叠离散小波包变换的尺度滤波器
和小波滤波器
中插入2j-1-1个零：
由此根据Mallat算法，计算出尺度为j时的尺度变换系数和小波变换系数分别为：
其中，Vj,t、Wj,t为尺度j时最大重叠离散小波包变换的尺度变换系数和小波变换系数；
最大重叠离散小波包变换的分解系数由Wj,n＝{Wj,n,t,t＝0,…,N-1}表示，其中j为分解层数，n看作一个随j变化的频率索引，则计算出最大重叠离散小波包变换的分解系数：
其中，若n mod4＝0或3，则
若n mod4＝1或2，则
其中，
分别为最大重叠离散小波包变换的尺度滤波器和小波滤波器。
步骤S3采用以下公式计算各分量的能量：
其中，ui(t)为最大重叠离散小波包变换所得第i个分量；E(ui(t))为第i个分量所对应的能量值。
选取数值较大的分量对奇异值降噪信号进行重构。
S4、采用Hilbert变换获得重构信号的二维时频谱图，即对重构信号的每个分量ui(t)作Hilbert变换得到：
其中，
为分量ui(t)经Hilbert变换所得信号，τ为尺度因子。
构造解析信息zi(t)：
其中，
为幅值函数；
为相位函数。
求出瞬时频率：
将上述过程用于每个分量，便可获得
将上式展开，即可获得时频谱，记作：
其中，ηi(t)为各分量的频率值。
求出时频谱图后，并按照AlexNet网络模型需要调整二维时频谱图尺寸，并获取一定数据的图片，以形成转子训练数据集M和测试数据集N。
步骤S5、采用训练好的AlexNet网络的主要参数，并针对实子转子的工作状态、故障类型及需要设置学习率及全连接层最后一层。
步骤S6、微调网络模型参数：初始化卷积层和全连接层的相关参数，将训练数据集M输入AlexNet网络，分别采用不同学习率对卷积层和全连接层进行训练，实现转子不同故障类型的诊断。
步骤S7、验证模型：将测试数据集N输入训练好的网络中，根据输出结果对转子的工作状态和故障类型进行诊断。
实施例
为验证上述实施例的方法的有效性，在ZT-3转子故障综合模拟试验台上进行故障模拟，提取故障数据并进行相关分析。在此实验台上模拟正常、不对中、不平衡、轴承座松动和动静碰摩等5种不同工况。其中，拧松右侧轴承座上的紧固螺钉以模拟轴承座松动故障；在松动的紧固螺钉一侧放置1金属垫片，以模拟转子的不对中故障；将2个M2螺钉拧入转子圆盘的圆周凹槽内，以模拟不平衡故障；在实验台上安装一支架，在其上方留有螺纹空，让金属螺钉从中通过和转子接触，提高电动机转速直至转子和螺钉间产生摩擦，以模拟动静碰摩故障。
信号采集过程中，电动机转速为2700r/min，采样频率设置为2000Hz，采样时长90s，选用AI005型加速度传感器测得转子加速度信号。对不同采样频率每种状态下采集到的加速度信号，以1000个点为单位的时间窗对其进行无重叠的截取，即以1000个点为步长移动时间窗以无重叠的获取样本数据。从切割好的样本中，随机选取120个样本作为待使用的数据集s，将该数据集的训练样本集和测试样本集的比例设置为5:1，转子正常状态、不对中、不平衡、轴承座松动和动静碰摩的标签分别设置为1、2、3、4、5。
图2为随机选取的一组不同状态下测得的转子加速度信号。由图2可知，信号采集装置内未采用噪声消除装置，导致采集到的信号内存在大量噪声干扰成分，同时不同状态下转子的加速度信号间的波形还具有一定的相似性，若直接将此速度信号作为数据集用于转子故障诊断，将难以实现转子故障类型的精确诊断。为有效滤除噪声干扰等成分的影响，对上述5类数据进行奇异值差分谱降噪和最大重叠离散小波包变换分解，以获取其时频谱。
信号采样点数N＝2000为偶数，故Hankel矩阵行数为1000，获得1000个奇异值。图3为图2中不对中故障信号的奇异值及其奇异值差分谱。
由图3可知，奇异值差分谱中的最大突变点为2。保留前2个奇异值，将余下设置为0后进行重构，降噪后信号如图4所示。
由图4可知，转子不对中故障信号内大部分噪声干扰成分得到滤除，信号的冲击特性得到突显。图5为不同故障状态下转子振动信号经奇异值差分谱降噪后所得信号。
由图5可知，不同故障状态下转子振动信号得到有效提纯，突显了信号的自身特性。但仍可看出，各种状态下转子降噪信号间的波形存在一定的相似性，为保证故障诊断的准确性，需进一步对上述降噪信号特征提取。
采用最大重叠离散小波包变换方法对上述奇异值降噪后信号进行分解，分解所得各分量的能量值如表1所示。由表1可知，C1和C2的能量数值较大，表明其包含信号的主要特征信息，而C3和C4为迭代误差和高频噪声等干扰成分。为此，以C1和C2分量重构不同状态下的转子降噪信号，并采用Hilbert变换对上述重构信号进行分析，获取其时频谱图。图6分为不同状态下转子的重构信号的时频谱图。
表1奇异值降噪后信号分解所得各分量的能量值
对比图5和图6可知，重构信号内的时频谱图较好的反应了原始振动信号在时域和频域上的细节信息，信号内的噪声干扰和背景信号成分得到有效滤除，不同状态下各信号间的时频谱具有良好的分区度，更有利于转子故障类型的诊断。
将数据集s中的信号按上述步骤进行处理，得到其时频谱图，为适应AlexNet 模型的需要，将时频谱图的大小调整为227×227，并形成新数据集S。采用基于 Python3.6上的Pytorch深度学习框架搭建AlexNet网络模型，且该模型已在 ImageNet数据集上完成训练，模型结构如表2所示，将其作为故障诊断模型并进行相应参数设置实现迁移学习，图7为所参选的网络结构。
表2模型结构
| 层名称 | Conv1 | Conv2 | Conv3 | Conv4 | Conv5 | FC6 | FC7 | FC8 |
| CONV | 11×11×96 | 3×3×256 | 3×3×384 | 3×3×384 | 3×3×256 | N | N | N |
| LRN | Y | Y | N | N | N | N | N | N |
| POOL | Y | Y | N | N | Y | N | N | N |
| FC | N | N | N | N | N | 4096 | 4096 | 1000 |
| ReLU | N | N | N | N | N | Y | Y | N |
| Oropout | N | N | N | N | N | Y | Y | N |
注：输入图像大小为224×224×3的彩色RGB图像；
CONV表示卷积层；LRN表示局部响应归一化；
POOL表示池化层；FC表示全连接层；
ReLU表示激活函数；Dropout表示参与训练神经元百分比，针对全连接层。
对于转子5种不同状态的诊断要求，将模型全连接层最后一层的节点数设置为5，并针对卷积层用于获取图像特征、全连接层用于诊断分类的不同作用，将其学习率分别设置为0.0001和0.001。网络训练时，训练批量大小为40，步数为50。随机设置训练样本和测试样本，共进行5次测试。
图8为某次训练过程中测试精度随训练次数的变化情况。由图8可知，基于迁移模型的网络在训练次数为10时逐渐开始收敛，并一直保持较高的诊断精度，说明此迁移模型具有较高的训练稳定性并具备良好的训练效率。
图9为基于所建立数据集S的5次测试的准确率。从图9中可以看出，5次测试的准确率都在99％以上，转子不同状态可得到有效识别。
综述，通过实测数据的实验结果表明，本发明的方法可有效提取转子振动信号的故障特征并可实现在小样本情况下故障类型的精确诊断。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，包括以下步骤：
1)获取信号：通过设在船舶设备上的信号采集装置采集转子振动信号x(t)；
2)信号降噪：对转子振动信号x(t)采用奇异值差分谱降噪，获得降噪后信号x'(t)，用以滤除环境噪声的影响，提升信号的信噪比；
3)信号重构：采用最大重叠离散小波包变换方法对降噪后信号x'(t)进行分解，通过各分量的能量进一步滤除背景信号和环境噪声成分对于信号特征提取准确性的影响，获得重构信号x″(t)；
4)构建数据集：采用Hilbert变换获得重构信号x″(t)的二维时频谱图，并按照AlexNet网络模型需要调整二维时频谱图尺寸，形成转子训练数据集M和测试数据集N；
5)建立预训练故障诊断模型：采用ImageNet数据集训练好的AlexNet网络作为故障诊断模型以进行迁移学习；
6)微调网络模型参数：初始化AlexNet网络的卷积层和全连接层的相关参数，将训练数据集M输入AlexNet网络，分别采用不同学习率对卷积层和全连接层进行训练，以实现转子不同故障类型的诊断；
7)验证模型：将测试数据集N输入训练好的AlexNet网络中，根据输出结果对转子的工作状态和故障类型进行诊断。
2.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤2)中，对转子振动信号x(t)采用奇异值差分谱降噪具体包括以下步骤：
21)对含噪转子振动信号x(N)＝{x1,x2,···,xN}进行相空间重构得到m×n阶Hankel矩阵H，则有：
其中，信号点数N＝m+n-1，Dm×n为不含噪信号的子空间，Wm×n为噪声信号的子空间；
22)对Hankel矩阵H进行奇异值分解，则有：
其中，U、V为正交矩阵，∑为非负对角阵，
S＝diag(σ1,σ2,…,σr)，σi为矩阵H的奇异值，且σi＝∑(i,i)，r为矩阵H的秩；
23)对Hankel矩阵H进行奇异值分解后的奇异值σ1,σ2,…σr进行归一化后获取奇异值差分谱b(i)；
24)将奇异值差分谱中最大值所对应点k认定为信号与噪声的区分点，保留小于等于k对应的奇异值，其余设置为0后进行奇异值重构，得到降噪后信号x'(t)。
3.根据权利要求2所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤22)中，为实现信号降噪的目的，构造的Hankel矩阵的行数m和列数n的乘积应尽量大，根据信号点数N的奇偶性确定Hankel矩阵H的行数m和列数n，则有：
4.根据权利要求2所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤23)中，奇异值差分谱的计算式为：
e＝σ1+σ2+…+σr
e1+e2+…+er＝1
其中，ei和ei-1分别为Hankel矩阵H的第i个和第i-1个分量的归一化奇异值，emax和emin分别为矩阵H中各分量归一化奇异值的最大值和最小值。
5.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)构建最大重叠离散小波包变换的尺度滤波器
和小波滤波器
32)在尺度为j时，对最大重叠离散小波包变换的尺度滤波器
和小波滤波器
中插入2j-1-1个零，根据Mallat算法，获得尺度为j时的尺度变换系数Vj,t和小波变换系数Wj,t，并计算出最大重叠离散小波包变换的分解系数；
33)计算出最大重叠离散小波包变换后各分量的能量，选取能量数值超过设定阈值的分量，得到重构信号x″(t)。
6.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤4)具体为：
采用Hilbert变换获得重构信号x″(t)的二维时频谱图，对于重构信号x″(t)的每个分量，构造解析信息计算瞬时频率后，得到时频谱。
7.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤5)中，根据实际转子的故障类型总数设置全连接层最后一层为K。
8.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤1)中，转子振动信号x(t)具体为不同采样频率在各运行状态下采集到的加速度信号，各运行状态包括正常工况以及故障工况，所述的故障工况包括不对中、不平衡、轴承座松动和动静碰摩故障工况。
9.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤4)中，转子训练数据集M和测试数据集N的比例设置为5:1。
10.根据权利要求1所述的一种最大重叠离散小波包变换时频谱的船用转子故障诊断方法，其特征在于，所述的步骤5)中，采用基于Python3.6上的Pytorch深度学习框架搭建AlexNet网络模型，并在ImageNet数据集上完成训练后作为故障诊断模型进行相应参数设置实现迁移学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111253676.8A CN116028840A (zh) | 2021-10-27 | 2021-10-27 | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111253676.8A CN116028840A (zh) | 2021-10-27 | 2021-10-27 | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028840A true CN116028840A (zh) | 2023-04-28 |
Family
ID=86070018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111253676.8A Pending CN116028840A (zh) | 2021-10-27 | 2021-10-27 | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028840A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662793A (zh) * | 2023-07-31 | 2023-08-29 | 昆仑数智科技有限责任公司 | 转子裂纹故障诊断、模型构建方法及装置 |
-
2021
- 2021-10-27 CN CN202111253676.8A patent/CN116028840A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662793A (zh) * | 2023-07-31 | 2023-08-29 | 昆仑数智科技有限责任公司 | 转子裂纹故障诊断、模型构建方法及装置 |
| CN116662793B (zh) * | 2023-07-31 | 2024-03-08 | 昆仑数智科技有限责任公司 | 转子裂纹故障诊断、模型构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis | |
| CN107894564B (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
| Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
| Feng et al. | Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning | |
| CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
| Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
| CN111094927A (zh) | 轴承故障诊断方法及装置、可读存储介质及电子设备 | |
| CN107329932B (zh) | 基于非线性调频分量分解的时频域模态参数辨识方法 | |
| CN108388692B (zh) | 基于分层稀疏编码的滚动轴承故障特征提取方法 | |
| CN105445022B (zh) | 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法 | |
| CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
| CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
| CN113776835A (zh) | 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法 | |
| CN116028840A (zh) | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 | |
| Ma et al. | A novel time-frequency slice extraction method for target recognition and local enhancement of non-stationary signal features | |
| CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
| Zou et al. | Toward accurate extraction of bearing fault modulation characteristics with novel time–frequency modulation bispectrum and modulation Gini index analysis | |
| CN110543820A (zh) | 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
| CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
| Guo et al. | Ensemble difference mode decomposition based on transmission path elimination technology for rotating machinery fault diagnosis | |
| CN117370781A (zh) | 一种rv减速器复合缺陷特征提取方法、装置 | |
| CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
| CN116578840A (zh) | 一种基于eemd-isvd的滚动轴承振动信号降噪方法、装置、电子设备及介质 |
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 |