CN116046396A - 一种轴承故障诊断方法、装置、设备及介质 - Google Patents
一种轴承故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116046396A CN116046396A CN202310133521.3A CN202310133521A CN116046396A CN 116046396 A CN116046396 A CN 116046396A CN 202310133521 A CN202310133521 A CN 202310133521A CN 116046396 A CN116046396 A CN 116046396A
- Authority
- CN
- China
- Prior art keywords
- scattering
- wavelet
- bearing
- fault
- bearing fault
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请公开了一种轴承故障诊断方法、装置、设备及介质,涉及轴承故障诊断技术领域,包括:获取振动传感器采集到的轴承故障振动信号;利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。通过在轴承故障诊断过程中融合了小波散射卷积网络和门控循环单元结构,既能在提取特征的过程中具有平移不变性、局部形变稳定性以及信息完整性的特点,不会造成信号信息的丢失,又能实现准确的故障分类。
Description
技术领域
本发明涉及轴承故障诊断技术领域,特别涉及一种轴承故障诊断方法、装置、设备及介质。
背景技术
滚动轴承是机械设备中最常见的零部件,在实际加工中滚动轴承会因装配不当、润滑不良、腐蚀、超载等因素而损坏,因此及时有效的监测其状态对保证设备安全稳定运行和降低维护成本具有重要的意义。传统的滚动轴承故障诊断方法主要是基于专家经验的特征工程和分类器来识别轴承状态,然而这种方法存在以下问题:传统提取特征的方法需要依赖大量的专家经验,时间成本高且基于经验的手动筛选特征会遗漏掉原始信号中的有效信息,同时以往诊断模型多是在信号单一域上分析轴承故障信号,无法学习信号在其它域上的变化形式,模型的诊断准确性和泛化性仍待提高。
综上,在轴承故障诊断过程中,如何避免特征提取过程中信号信息的丢失,以进一步提高故障分类的准确性是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种轴承故障诊断方法、装置、设备及介质,能够在轴承故障诊断过程中,避免特征提取过程中信号信息的丢失,并进一步提高故障分类的准确性。其具体方案如下:
第一方面,本申请公开了一种轴承故障诊断方法,包括:
获取振动传感器采集到的轴承故障振动信号;
利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;
将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
可选的,所述利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,包括:
利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,并基于预设散射阶数将所述轴承故障振动信号散射到不同路径中,以便基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据。
可选的,所述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,包括:
确定小波散射卷积网络中小波基函数中的基函数尺度因子和基函数平移因子;
基于所述基函数尺度因子和所述基函数平移因子,利用所述小波基函数提取所述轴承故障振动信号在不同尺度和不同方向上的高频信号信息。
可选的,所述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息的过程中,还包括:
利用预设的小波变换模算子与所述轴承故障振动信号进行卷积运算;其中,所述小波变换模算子用于对提取到的高频信号信息进行取模运算。
可选的,所述基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据,包括:
确定所述轴承故障振动信号在当前阶经小波散射变换后得到的当前高频信号信息,并将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据;
将所述轴承故障振动信号在下一阶经小波散射变换后得到的高频信号信息作为当前高频信号信息,并重新跳转至所述将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据的步骤,直到满足所述预设散射阶数,得到与每一阶对应的散射特征数据。
可选的,所述门控循环单元结构包括输入门、遗忘门和输出门。
可选的,所述利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果,包括:
利用所述门控循环单元结构对所述散射系数矩阵进行处理,并通过全连接层输出故障类型概率,以及通过归一化指数函数输出与所述故障类型概率对应的故障分类结果。
第二方面,本申请公开了一种轴承故障诊断装置,包括:
信号获取模块,用于获取振动传感器采集到的轴承故障振动信号;
信号处理模块,用于利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;
故障分类模块,用于将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的轴承故障诊断方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的轴承故障诊断方法的步骤。
可见,本申请通过获取振动传感器采集到的轴承故障振动信号;利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。由此可见,本申请通过利用小波散射卷积网络对振动传感器采集到的轴承故障振动信号进行特征提取,能够在提取特征的过程中具有平移不变性、局部形变稳定性以及信息完整性的特点,不会造成信号信息的丢失;并且利用小波散射卷积网络提取到的散射特征数据包括原数据中的时序信息,再利用提取到的散射特征数据构建散射系数矩阵,并通过门控循环单元结构对散射系数矩阵进行故障分类,实现了准确的故障分类,也兼顾了数据中的时序相关性。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种轴承故障诊断方法流程图;
图2为本申请公开的一种门控循环单元结构的内部结构示意图;
图3为本申请公开的一种具体的轴承故障诊断方法流程图;
图4为本申请公开的一种信号在小波散射的传播过程示意图;
图5为本申请公开的一种深度卷积网络的信号分解迭代示意图;
图6为本申请公开的一种故障分类结果的混淆矩阵示意图;
图7为本申请公开的一种轴承故障诊断装置结构示意图;
图8为本申请公开的一种电子设备结构图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
传统的滚动轴承故障诊断方法主要是基于专家经验的特征工程和分类器来识别轴承状态,然而这种方法存在以下问题:传统提取特征的方法需要依赖大量的专家经验,时间成本高且基于经验的手动筛选特征会遗漏掉原始信号中的有效信息,同时以往诊断模型多是在信号单一域上分析轴承故障信号,无法学习信号在其它域上的变化形式,模型的诊断准确性和泛化性仍待提高。为此,本申请实施例公开了一种轴承故障诊断方法、装置、设备及介质,能够在轴承故障诊断过程中,避免特征提取过程中信号信息的丢失,并进一步提高故障分类的准确性。
参见图1所示,本申请实施例公开了一种轴承故障诊断方法,该方法包括:
步骤S11:获取振动传感器采集到的轴承故障振动信号。
本实施例中,获取利用振动传感器采集到的轴承故障振动信号,该信号是一种时变非平稳信号,且包含大量数据。
步骤S12:利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵。
本实施例中,利用小波散射卷积网络对轴承故障振动信号进行特征提取可以理解的是,小波散射卷积网络可以将信号与噪声加以分离提取信号的时频域特征,并且在提取特征的过程中具有平移不变性、局部形变稳定性以及信息完整性的特点,不会造成信号信息的丢失。此外,小波散射卷积网络提取到的散射特征数据包含了原数据中的时序信息。然后基于提取到的散射特征数据构建散射系数矩阵以便作为门控循环单元结构(GatedRecurrent Unit,即GRU)的输入。
步骤S13:将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
本实施例中,将散射系数矩阵输入至门控循环单元结构,以便利用门控循环单元结构对散射系数矩阵进行故障分类。由于小波散射卷积网络提取到的散射特征数据包含了原数据中的时序信息,即具有时序相关性,因此选用门控循环单元来学习故障信号与故障类型之间的映射关系,能够在保证故障分类的准确性的基础上也能兼顾数据中的时序相关性。需要指出的是,门控循环单元结构包括输入门、遗忘门和输出门,也即通过输入门、遗忘门、和输出门来控制数据在内部的传递。门控循环单元结构的内部结构如图2中所示,计算过程可以表示为:
zt=σ(Wz[ht-1,xt]+bz);
rt=σ(Wγ[ht-1,xt]+bγ);
其中,xt表示输入的时间序列,ht表示其中时间t时的隐藏状态输出,ht-1表示其中时间t-1时的隐藏状态输出,zt表示更新门,rt表示重置门,表示时间t的候选隐藏状态,σ和tanh表示激活函数,Wz、Wγ和Wh为权重参数矩阵,bz、bγ和bh为偏置向量。
可见,本申请通过获取振动传感器采集到的轴承故障振动信号;利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。由此可见,本申请通过利用小波散射卷积网络对振动传感器采集到的轴承故障振动信号进行特征提取,能够在提取特征的过程中具有平移不变性、局部形变稳定性以及信息完整性的特点,不会造成信号信息的丢失;并且利用小波散射卷积网络提取到的散射特征数据包括原数据中的时序信息,再利用提取到的散射特征数据构建散射系数矩阵,并通过门控循环单元结构对散射系数矩阵进行故障分类,实现了准确的故障分类,也兼顾了数据中的时序相关性。
参见图3所示,本申请实施例公开了一种具体的轴承故障诊断方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体包括:
步骤S21:获取振动传感器采集到的轴承故障振动信号。
步骤S22:利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,并基于预设散射阶数将所述轴承故障振动信号散射到不同路径中,以便基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据,然后基于所述散射特征数据构建散射系数矩阵。
本实施例中,由于傅里叶变换是一种全局变化,不能够很好的描述信号的局部特征,而小波变化则克服了传统傅里叶变换的缺点,能够提取信号在不同尺度和方向上的频率特征。小波散射卷积网络中先是通过小波基函数分层提取轴承故障振动信号中的高频信号信息,在具体实施方式中,上述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,包括:确定小波散射卷积网络中小波基函数中的基函数尺度因子和基函数平移因子;基于所述基函数尺度因子和所述基函数平移因子,利用所述小波基函数提取所述轴承故障振动信号在不同尺度和不同方向上的高频信号信息。在利用小波基函数分层提取轴承故障振动信号中的高频信号信息时,可以表示为:
其中,a为基函数尺度因子,b为基函数平移因子,t表示时间,W(a,t)表示提取到的高频信号信息,y(t)表示轴承故障振动信号,ψ表示小波函数高通滤波器。
因此,在确定出小波基函数中的基函数尺度因子和基函数平移因子后,即可在此基础上提取轴承故障振动信号在不同尺度和不同方向上的高频信号信息。需要指出的是,在提取信号的过程中一般的小波基函数会产生平移可变性,基函数的局部变化会干扰待分析信号中的特征,因此上述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息的过程中,还包括:利用预设的小波变换模算子与所述轴承故障振动信号进行卷积运算;其中,所述小波变换模算子用于对提取到的高频信号信息进行取模运算。也即,通过对小波变换取模来保证模算子的平移不变性和局部形变稳定性,通过预设的小波变换模算子和输入的轴承故障振动信号进行卷积,小波变换模算子可以表示为:
|W|x=(x*φ,|x*ψj|);
其中,φ是低通滤波器,ψj是高通滤波器,x*φ表示对信号x进行低通滤波,输入信号与尺度函数做卷积保证非零平移不变性,但非零平移不变性只保留了信号在低通滤波器φ频带内的低频部分,会导致高频信息的遗漏;因此为保证在不遗漏信息的条件下保证平移不变性,通过|x*ψj|的方式将信号在尺度j上高频滤波,并且通过取模的方式来恢复信号高频细节信息的遗漏。重复该分解过程,直到信号的高频分量与ψ的卷积结果为0为止。
在分解迭代过程中,会基于预设散射阶数将原始输入的轴承故障振动信号被散射到不同路径m={jn}1≤n≤m中,其中,m表示预设散射阶数,信号在每一阶散射系数构成的特征向量可以表示为:S(x)={S0(x),S1(x),…,Sm(x)}。进一步的,上述基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据,包括:确定所述轴承故障振动信号在当前阶经小波散射变换后得到的当前高频信号信息,并将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据;将所述轴承故障振动信号在下一阶经小波散射变换后得到的高频信号信息作为当前高频信号信息,并重新跳转至所述将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据的步骤,直到满足所述预设散射阶数,得到与每一阶对应的散射特征数据。可以理解的是,在整个散射过程中,高频信号在该层低通滤波产生的信息遗漏,都需要通过迭代上层的小波散射系数来恢复高频成分确保信息完整性。散射传播算子可以表示为:
其中,Sm表示信号在m阶小波散射变化中的小波散射系数,ψjn表示小波散射变化中的高通滤波器,具体的,当m=0时可以得到输入信号经小波散射变化在0阶上低频信号信息和高频信号信息分别表示为:
S0(x)=x*φ;
U1(x)=|x*ψj1|;
其中,S0(x)表示小波散射变化在0阶上的低频信号信息,U1(x)表示小波散射变化在0阶上的高频信号信息;然后,将0阶高频信号信息部分在1阶小波散射变换中进一步分解,得到:
其中,W1表示1阶小波模变换算子,用于对1阶小波变换取模运算,去掉所有小波散射系数的复相位,则得到1阶散射特征数据,即1阶散射系数为:
以此类推,即可在满足预设散射阶数的情况下,得到与每一阶对应的散射特征数据。信号在小波散射的传播过程可以参见图4中所示。可以理解的是,散射算子的关键属性取决于其在分解迭代信号的过程中实现了多阶次的卷积变换运算,所以该过程能够通过深度卷积网络来表示,如图5中所示。散射卷积网络的散射系数分布于散射传播的所有层次上,传统卷积网络的系数仅在最后一层输出。并且传统卷积网络的滤波函数的参数需要基于历史数据确定,而小波散射卷积网络的滤波器组就是预定义的小波滤波函数,不需要经过历史数据学习。
步骤S23:将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行处理,并通过全连接层输出故障类型概率,以及通过归一化指数函数输出与所述故障类型概率对应的故障分类结果。
本实施例中,将散射系数矩阵输入至门控循环单元结构,以便利用门控循环单元结构对散射系数矩阵进行相应的计算处理,并在计算完成后经过全连接层计算并输出故障类型概率,以及通过归一化指数函数(即softmax函数)输出与故障类型概率对应的故障分类结果。
其中,关于上述步骤S21更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例中利用小波变化克服了传统傅里叶变换的缺点,能够提取信号在不同尺度和方向上的频率特征,并且,为了避免利用小波基函数在提取信号的过程中会产生平移可变性,基函数的局部变化会干扰待分析信号中的特征,本申请通过对小波变换取模来保证模算子的平移不变性和局部形变稳定性,并恢复信号高频细节信息的遗漏。
下面采用一已完成项目中滚动轴承故障数据实例验证本申请中轴承故障诊断方法的有效性。
1、实验中的待监测对象为电机驱动端连接的某一型号的轴承,内径25mm、外径52mm,滚动体直径7.94mm,通过振动传感器采集不同故障种类下的振动信号,采样频率12kHz,故障种类包括:a)内圈故障;b)外圈故障;c)滚动体故障;故障位置损伤有0.007inch、0.014inch、0.021inch三种不同损伤尺寸,加上轴承正常状态数据集中共十类类别标签。从单个数据文件中按顺序截取序列长度为2048的信号段作为样本,总样本量为3000组;
2、数据标记及划分:轴承故障信号总共包含10种故障类型,分别进行one-hot编码。数据集共3000组样本,手动划分为训练集和测试集,其中训练集占比60%,测试集占比40%;
3、利用小波散射变换对样本信号进行3阶分解,得到0-3阶散射特征系数表征值,形成散射系数矩阵作为GRU的输入,系数矩阵的大小为158×32;
4、GRU层的隐藏单元个数为128,散射系数矩阵在GRU结构中计算完成后经过全连接层计算模型的概率,通过softmax函数输出预测标签,由于样本数据中故障种类为10,设置全连接层的隐藏单元数量为10;
5、采用Adam优化器,学习率为0.001,训练过程中epoch数量设置为1500,每个epoch中训练样本数量为100;
最后,融合小波散射卷积网络和门控循环单元结构的轴承故障诊断模型在10类故障样本上的诊断准确率达到98.33%,分类结果的混淆矩阵如图6中所示。
参见图7所示,本申请实施例公开了一种轴承故障诊断装置,该装置包括:
信号获取模块11,用于获取振动传感器采集到的轴承故障振动信号;
信号处理模块12,用于利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;
故障分类模块13,用于将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
可见,本申请通过获取振动传感器采集到的轴承故障振动信号;利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。由此可见,本申请通过利用小波散射卷积网络对振动传感器采集到的轴承故障振动信号进行特征提取,能够在提取特征的过程中具有平移不变性、局部形变稳定性以及信息完整性的特点,不会造成信号信息的丢失;并且利用小波散射卷积网络提取到的散射特征数据包括原数据中的时序信息,再利用提取到的散射特征数据构建散射系数矩阵,并通过门控循环单元结构对散射系数矩阵进行故障分类,实现了准确的故障分类,也兼顾了数据中的时序相关性。
图8为本申请实施例提供的一种电子设备的结构示意图。具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的由电子设备执行的轴承故障诊断方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的轴承故障诊断方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请实施例还公开了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的由轴承故障诊断过程中执行的方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种轴承故障诊断方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轴承故障诊断方法,其特征在于,包括:
获取振动传感器采集到的轴承故障振动信号;
利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;
将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
2.根据权利要求1所述的轴承故障诊断方法,其特征在于,所述利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,包括:
利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,并基于预设散射阶数将所述轴承故障振动信号散射到不同路径中,以便基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据。
3.根据权利要求2所述的轴承故障诊断方法,其特征在于,所述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息,包括:
确定小波散射卷积网络中小波基函数中的基函数尺度因子和基函数平移因子;
基于所述基函数尺度因子和所述基函数平移因子,利用所述小波基函数提取所述轴承故障振动信号在不同尺度和不同方向上的高频信号信息。
4.根据权利要求2所述的轴承故障诊断方法,其特征在于,所述利用小波散射卷积网络中的小波基函数提取所述轴承故障振动信号中的高频信号信息的过程中,还包括:
利用预设的小波变换模算子与所述轴承故障振动信号进行卷积运算;其中,所述小波变换模算子用于对提取到的高频信号信息进行取模运算。
5.根据权利要求2所述的轴承故障诊断方法,其特征在于,所述基于所述预设散射阶数对所述高频信号信息进行迭代分解,以得到相应的散射特征数据,包括:
确定所述轴承故障振动信号在当前阶经小波散射变换后得到的当前高频信号信息,并将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据;
将所述轴承故障振动信号在下一阶经小波散射变换后得到的高频信号信息作为当前高频信号信息,并重新跳转至所述将所述当前高频信号信息在当下一阶散射变换中进行迭代分解,以得到下一阶的散射特征数据的步骤,直到满足所述预设散射阶数,得到与每一阶对应的散射特征数据。
6.根据权利要求1所述的轴承故障诊断方法,其特征在于,所述门控循环单元结构包括输入门、遗忘门和输出门。
7.根据权利要求1至6任一项所述的轴承故障诊断方法,其特征在于,所述利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果,包括:
利用所述门控循环单元结构对所述散射系数矩阵进行处理,并通过全连接层输出故障类型概率,以及通过归一化指数函数输出与所述故障类型概率对应的故障分类结果。
8.一种轴承故障诊断装置,其特征在于,包括:
信号获取模块,用于获取振动传感器采集到的轴承故障振动信号;
信号处理模块,用于利用小波散射卷积网络对所述轴承故障振动信号进行特征提取,以得到相应的散射特征数据,并基于所述散射特征数据构建散射系数矩阵;
故障分类模块,用于将所述散射系数矩阵输入至门控循环单元结构,以便利用所述门控循环单元结构对所述散射系数矩阵进行故障分类,并输出故障分类结果。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的轴承故障诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的轴承故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133521.3A CN116046396A (zh) | 2023-02-07 | 2023-02-07 | 一种轴承故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133521.3A CN116046396A (zh) | 2023-02-07 | 2023-02-07 | 一种轴承故障诊断方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116046396A true CN116046396A (zh) | 2023-05-02 |
Family
ID=86125522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133521.3A Pending CN116046396A (zh) | 2023-02-07 | 2023-02-07 | 一种轴承故障诊断方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116046396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
-
2023
- 2023-02-07 CN CN202310133521.3A patent/CN116046396A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
CN117171681B (zh) * | 2023-11-03 | 2024-01-30 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Vibration signal denoising for structural health monitoring by residual convolutional neural networks | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
CN113191240A (zh) | 轴承故障诊断的多任务深度神经网络方法及装置 | |
CN113344295A (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
CN116046396A (zh) | 一种轴承故障诊断方法、装置、设备及介质 | |
CN109242924A (zh) | 一种基于深度学习的核磁共振图像的降采样伪影去除方法 | |
CN113358357A (zh) | 数控机床滚动轴承故障诊断方法 | |
CN116842475A (zh) | 基于多模态信息融合的疲劳驾驶检测方法 | |
CN116204768A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN114077854B (zh) | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 | |
CN111080168A (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN113129122A (zh) | 财务风险预警审计方法、装置、电子设备、及存储介质 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN116647405A (zh) | 一种多路径quic异常流量检测方法、系统及设备 | |
CN111209891A (zh) | 一种基于深度神经网络的轴承工况检测方法及系统 | |
CN105654527A (zh) | 一种基于结构化字典学习的磁共振成像重建方法和装置 | |
CN115797318A (zh) | 一种光谱数据预处理方法、装置、计算机设备及存储介质 | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
CN113505830B (zh) | 旋转机械故障诊断方法、系统、设备及存储介质 | |
CN114676593A (zh) | 一种纺织设备的异常检测方法及相关装置 | |
CN107389367A (zh) | 一种基于最优信噪比的信号自适应解包络方法及计算设备 |
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 |