CN116124398B - 旋转机械故障检测方法及装置、设备、存储介质 - Google Patents
旋转机械故障检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN116124398B CN116124398B CN202310101884.9A CN202310101884A CN116124398B CN 116124398 B CN116124398 B CN 116124398B CN 202310101884 A CN202310101884 A CN 202310101884A CN 116124398 B CN116124398 B CN 116124398B
- Authority
- CN
- China
- Prior art keywords
- vibration
- fault
- data
- rotary machine
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 239000000306 component Substances 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于故障检测技术领域,公开了一种旋转机械故障检测方法及装置、设备、存储介质,通过样本数据提取出预设振动特征,基于孤立森林算法训练获得异常检测模型,不需先验标签数据,能够准确高效地完成无监督故障检测;在利用异常检测模型对旋转机械的振动数据进行预测获得预测结果之后,确定相关的多个第一振动特征,从中筛选出多个第二振动特征,通过计算每个第二振动特征的重要程度,可以解读识别故障所使用的每个振动特征对预测结果所起的作用,由此支持执行根因分析获得故障成因,具备预测结果的可解释性,且通过调整故障检测所选用的不同预设振动特征组合,还能够应用于不同设备和不同类型的故障检测场景,拓宽应用范围。
Description
技术领域
本发明属于故障检测技术领域,具体涉及一种旋转机械故障检测方法及装置、设备、存储介质。
背景技术
在工业4.0的背景下,旋转机械已成为现代工业的关键设备。齿轮和轴承是旋转机械中的核心部件,齿轮或轴承中的任何故障均会导致机械故障,引发安全事故、产量下降和财务损失。因此,必须通过有效方法尽早发现故障。
机械故障诊断主要涉及到3个任务:首先,故障检测以确定设备是否正常工作;其次,分析早期故障类型及故障成因;最后,预测故障发展趋势。显然,故障检测是后续任务的基础。目前,人工智能(Artificial Intelligence,AI)技术在旋转机械监测中的应用得到了科研和工业人员的广泛研究。越来越多的工厂采纳了复杂的检测技术,以提高机器的可靠性和可用性,促进生产企业在全球市场的竞争力。例如,采用基于深度残差网络和迁移学习的机车轴承故障检测方法、基于卷积长短时记忆网络的旋转机械故障检测方法等方法,结合了快速傅立叶变换、连续小波变换和统计特征以实现准确的故障识别和分类。上述故障分类模型采用监督式学习需要在标注数据上进行训练。而大部分工业环境下的数据是无标签的,从机器设备中采集并标注数据的成本很高,无法得到所有条件下的故障样本。
现有技术中采用的故障检测AI模型,例如基于支持向量机(supportvectormachine,SVM)和堆叠自编码器(StackedAuto Encoder,SAE)的轴承故障诊断方法,简称FD-SAE,利用SVM区分正常数据和故障数据,其后利用基于特征距离的SAE进行故障分类。又例如,基于决策树算法的风电机故障检测方案,其中在大规模环境监测数据集上训练集成决策树(Decision Tree,DT)分类器,以自动提取振动信号中的异常并分析故障可能成因。但是,这些故障检测AI模型均不能够向用户提供可解读的结果,极大地限制AI模型在现实生产中的应用。可见现有故障检测模型需要先验标签数据,无法得到所有条件下的故障样本,而且不具备预测结果的可解释性,导致在旋转机械检测领域的实施规模受到限制。
发明内容
本发明的目的在于提供一种旋转机械故障检测方法及装置、设备、存储介质,不需要先验标签数据,能够准确高效地完成无监督故障检测,且具备预测结果的可解释性。
本发明第一方面公开一种旋转机械故障检测方法,包括:
获取与旋转机械的元件类型对应的若干样本数据;
根据若干样本数据,提取出多个预设振动特征;
根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型;
利用异常检测模型对旋转机械的振动数据进行预测获得预测结果;
若所述预测结果指示所述振动数据为异常数据,从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征;
从多个第一振动特征中筛选出多个第二振动特征;其中,多个第二振动特征为多个第一振动特征的子集;
根据所述预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值,所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度;
判断多个第二振动特征是否匹配到多种部件故障类型;
若匹配到多种故障类型,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
本发明第二方面公开一种旋转机械故障检测装置,包括:
获取单元,用于获取与旋转机械的元件类型对应的若干样本数据;
提取单元,用于根据若干样本数据,提取出多个预设振动特征;
训练单元,用于根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型;
检测单元,用于利用异常检测模型对旋转机械的振动数据进行预测获得预测结果;
确定单元,用于在所述预测结果指示所述振动数据为异常数据时,从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征;
选择单元,用于从多个第一振动特征中筛选出多个第二振动特征;其中,多个第二振动特征为多个第一振动特征的子集;
计算单元,用于根据所述预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值,所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度;
判断单元,用于判断多个第二振动特征是否匹配到多种部件故障类型;
分析单元,用于在所述判断单元的判断结果为是时,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
本发明第三方面公开一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的旋转机械故障检测方法。
本发明第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的旋转机械故障检测方法。
本发明的有益效果在于,所提供的旋转机械故障检测方法及装置、设备、存储介质,通过获取与旋转机械的元件类型对应的若干样本数据,提取出多个预设振动特征,然后根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型,用于后续的无监督故障检测,从而不需要先验标签数据,能够准确高效地完成无监督故障检测;以及在利用异常检测模型对旋转机械的振动数据进行预测获得预测结果之后,若预测结果指示振动数据为异常数据,从多个预设振动特征中确定与预测结果相关的多个第一振动特征,并从多个第一振动特征中筛选出多个第二振动特征,然后计算每个第二振动特征的特征值对预测结果的重要程度,若多个第二振动特征匹配到多种部件故障类型,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因,可见本发明中通过计算每个相关的振动特征的重要程度,可以解读识别故障所使用的每个振动特征对预测结果所起的作用,由此支持执行根因分析,具备预测结果的可解释性,而且通过调整故障检测所选用的不同预设振动特征组合,还能够应用于不同设备和不同类型的故障检测场景,进而可以拓宽应用范围。
附图说明
此处的附图,示出了本发明所述技术方案的具体实例,并与具体实施方式构成说明书的一部分,用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义,不同附图中,相同的附图标记代表相同或相似的技术特征,对于相同或相似的技术特征,也可能会采用不同的附图标记进行表示。
图1是一种旋转机械故障检测方法的流程图;
图2是输入向量和相应预测结果之间的作用关系示意图;
图3是本发明实施例与现有方法的故障分类准确度比较示例图;
图4是本发明实施例的基于Kendall-Tau距离的SHAP可视化结果示例图;
图5是一种旋转机械故障检测装置的结构示意图;
图6是一种电子设备的结构示意图。
附图标记说明:
501、获取单元;502、提取单元;503、训练单元;504、检测单元;505、确定单元;506、选择单元;507、计算单元;508、判断单元;509、分析单元;601、存储器;602、处理器。
具体实施方式
为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义,本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下,本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
除非特别说明或另有定义,本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容,该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的,也可以是相似的。此外,本文所使用的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
毫无疑义,与本发明的目的相违背,或者明显矛盾的技术内容或技术特征,应被排除在外。
如图1所示,本发明实施例公开一种旋转机械故障检测方法。该方法的执行主体可为如计算机电脑、笔记本电脑、平板电脑等电子设备,或内嵌于电子设备中的旋转机械故障检测装置,本发明对此不作限定。该方法包括以下步骤101~107:
101、获取与旋转机械的元件类型对应的若干样本数据。
在步骤101中,旋转机械指的是待监测的旋转机械,例如齿轮或轴承,在确定待监测的旋转机械之后,可以获取该待监测的旋转机械的元件类型(例如齿轮、轴承等),并按照这一元件类型获取对应的若干样本数据,即样本数据点,组成数据集。
102、根据若干样本数据,提取出多个预设振动特征。
具体的对各个样本数据进行特征提取,以提取出时域和频域中的振动特征作为预设振动特征(例如:均匀磨损故障时,其时域振动特征:齿侧间隙增大,使其正弦波式的啮合波形遭到破坏;其频域振动特征:其幅值大小会发生改变,而且高次谐波幅值相对增大较多。另外齿轮偏心、齿轮不同轴、齿轮局部异常和齿距误差等故障都会产生相应的时域和频域中的振动特征)。
一个元件的振动特征有多种,提取出多个预设振动特征之后,从多个预设振动特征中选择仅能够指示系统故障的通用特征。此类通用特征不支持故障识别或定位,而是检测系统全局变化以确保检测到故障。以及,从多个预设振动特征中选择可用于指示故障类型和/或故障位置的专属特征。将判定为通用特征的预设振动特征的标签信息设置为通用类,以及,将判定为专属特征的预设振动特征的标签信息设置为专属类。
在本发明实施例中,在轴承故障检测中采用的预设振动特征,至少可以包括峰度、rms、轴承外环轨道损坏频率(Ball Pass Frequency Outer,BPFO)、轴承内环轨道损坏频率(Ball Pass Frequency Inner,BPFI)和轴承滚动件损坏频率(Ball Spin Frequency,BSF)。其中,峰度和rms属于通用特征,仅用于识别是否存在故障,BPFI、BPFO和BSF则属于专属特征,可用于指示故障类型和/或故障位置。
103、根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型。
将数据集分为训练集和测试集,根据多个预设振动特征基于孤立森林(IsolationForest,IF)算法进行训练,在训练过程中,根据预设振动特征调整异常检测模型的超参数T,最终获得训练完成的异常检测模型,简称IF模型。其中,异常检测模型的超参数T指的是孤立森林中孤立树iTree的个数。
孤立森林算法是无监督异常检测算法,其基本思想是对若干样本数据进行子集采样后选择特征(即预设振动特征)孤立子集中的样本数据到一颗树的叶节点,直到终止条件发生,孤立树建立完成。再循环建立新的孤立树,直至形成一片孤立森林,获得IF模型。
具体的,在训练过程中,利用孤立程序推导出每个样本数据点的样本异常分。孤立程序以递归分割为基础,旨在定义数据域中仅包含要分析的样本数据点的区域给定包含p维数据集D={x1,...,xn},通过有放回采样为每棵孤立树t指定一个从原始数据集中采样的子集即bootstrap样本,并对采样的子集按照中间节点相关的分割检验执行孤立程序。bootstrap样本具有相同的预定义大小|Dt|=ψ,t=1,...,T。对Dt中的样本数据点进行递归分割,直至所有样本数据点均被孤立,或iTree达到预定义深度阈值hmax=[log2(ψ)]。由此,每个样本数据点xi均被放入叶节点lt(xi)中。令ht(xi)表示xi从根节点到相应叶节点的路径中的边数量,也就是lt(xi)的深度。在所有iTree上对上述孤立程序进行迭代,每个iTree均被分配了1个不同的bootstrap样本。其后,计算样本数据点xi的样本异常分s(xi):
式中,c(ψ)为归一化因子,计算为:
式中,H(k)为调和数,H(k)为公式中的H函数,k为参数,在公式中k为ψ-1,ψ表示bootstrap样本的预定义大小,可近似为H(k)≈ln(k)+0.5772156649。
式中,表示与样本数据点xi相关的平均路径长度,计算为:
最后,基于指定分数阈值,对样本异常分进行阈值分割,达到指定分数阈值的为异常样本数据点,未达到指定分数阈值的为正常样本数据点,从而标注出正常样本数据点和异常样本数据点。由此,将原始数据集D分割为:预测的正常样本子集以及异常样本子集/>其中,/>为阈值化操作生成的二进制标签,表示xi为异常样本数据点,/>表示xi为正常样本数据点。
104、利用异常检测模型对旋转机械的振动数据进行预测获得预测结果。
利用异常检测模型,可用于对旋转机械的振动数据(未知的新样本数据)进行检测。主要通过将旋转机械的振动数据放入IF模型,对实时采集的旋转机械的振动数据进行评估,若未检测到异常,则完成检测。若检测到异常,确定为异常数据。具体的,步骤104可以包括以下步骤1041~1044:
1041、利用异常检测模型,计算旋转机械的振动数据的目标异常分。
1042、判断目标异常分是否大于或等于指定分数阈值。若是,执行步骤1043;否则,执行步骤1044。
1043、确定旋转机械的振动数据为异常数据。
1044、确定旋转机械的振动数据为正常数据。
具体的,可以通过上述公式(1)至(3)计算振动数据的目标异常分。然后基于目标异常分与指定分数阈值进行对比判断,以识别振动数据的标签类别,从而识别振动数据是否为异常数据。
105、若预测结果指示振动数据为异常数据,从多个预设振动特征中确定与预测结果相关的多个第一振动特征。
其中多个第一振动特征包括全部或部分预设振动特征,与预测结果相关的第一振动特征指的是将振动数据识别为异常的多个预设振动特征,即将振动数据执行孤立程序所用到的预设振动特征,称之为最相关特征。
106、从多个第一振动特征中筛选出多个第二振动特征。
其中,多个第二振动特征为多个第一振动特征的子集。
在本发明实施例中,在步骤102中提取出多个预设振动特征之后,可以对多个预设振动特征进行分类,以获得每个预设振动特征的标签信息,该标签信息包括通用类或专属类,从而划分出多个通用特征和多个专属特征。因此在步骤106中,可以获取每个第一振动特征的标签信息,从中筛选出属于专属类的可用于指示故障类型和/或故障位置的专属特征确定为第二振动特征,以获得多个第二振动特征。
基于此,可以在后续的故障诊断过程中,丢弃仅指示故障是否存在而不能指示故障类型或位置的通用特征。保留下与相应机械部件中故障类型相关的专属特征,作为第二振动特征进行故障诊断,用以识别并定位故障。
举例来说,假定多个第一振动特征包括rms,BPFO,BPFI,峰度,BSF。在故障诊断中移除通用特征rms、峰度,得到多个第二振动特征为BPFO、BPFI和BSF。
107、根据振动数据的预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值。
其中,分解因子值用于表征第二振动特征的特征值对振动数据的预测结果的重要程度。其中优选的采用加法解释(SHapleyAdditive exPlanation,SHAP)工具对IF模型的预测结果进行解读。SHAP是基于博弈论的模型无关方法,通过计算每个第二振动特征的特征值ui对IF模型预测结果的相对作用,从而对IF模型在实例向量u上对振动数据做出的预测结果ζ(u)进行解释。解释函数g(z′)可分解为:
式中,解释函数g(.)取联合向量为输入,N为实例向量u中的特征数量(即第二振动特征的数量)。z’以二进制形式给出每个第二振动特征是否存在:条目为1代表相应第二振动特征与预测结果相关,条目为0则代表该第二振动特征与预测结果无关。φi为分解因子。
SHAP是一种特征作用累计方法,分析每个第二振动特征在预测结果中的重要程度,所有相关特征的作用之和是原始IF异常检测模型的输出ζ(u)的近似。附图2给出的样例展示了输入向量和相应预测结果之间的作用关系,其中,异常检测模型基于特征值ui得到预测结果ζ(u),而通过SHAP计算每个第二振动特征的特征值的分解因子φi,反映出每个第二振动特征的特征值对预测结果的重要程度。
基于合作博弈论,可将分解因子值(即SHAP值)计算为唯一解:
式中,u代表多个第二振动特征的特征值,即实例向量,N为u中输入特征数量(即第二振动特征的数量),ui为实例向量u中第i个第二振动特征的特征值,ζ为IF模型,P为模型中使用的所有特征值集合,S为模型中使用的不包含特征值ui的特征子集,|S|为S中的非零项数量。
特征i的SHAP值代表在不包含特征i的所有可能的特征值组合上,经过加权和加和后添加特征i的增益,特征值不同于SHAP值,特征值是第二振动特征实例的数值和类别值,SHAP值则代表第二振动特征对预测结果的作用。
为节约SHAP值计算时间,可利用蒙特卡洛采样得到SHAP值的近似解。SHAP模型向每个第二振动特征和每个局部预测结果分配一个近似值,代表每个第二振动特征对模型预测结果的作用,SHAP值越大,特征越重要。
108、判断多个第二振动特征是否匹配到多种故障类型。若是,执行步骤109;若否,执行步骤110。
故障和振动特征之间不是一一对应的关系,例如振动幅值大所对应的故障可能是力偶不平衡也可能是皮带磨损,其匹配方法:不同故障中该振动幅值的范围是否重合。因此在本发明实施例中,首先判断多个专属特征(即第二振动特征)是否匹配到多种故障类型,若匹配到多种故障类型,说明与多种故障相关,则进行下一步根因分析具体分析故障成因,转向执行步骤109。若未匹配到多种故障类型,视为仅匹配到单个故障类型,可基于预测结果的最显著特征进行无监督分类,即转向执行步骤110。
109、对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
由于每个专属特征与特定类型的部件故障相关,若特征与多部件故障相关,则按照SHAP计算出的重要性得分,即分解因子值,从大到小的顺序,对多个第二振动特征进行排序,例如排序后得到BPFO、BPFI和BSF。然后进行根因分析,向专家提供故障识别信息。
110、对分解因子值最大的第二振动特征的特征值进行无监督分类,获得目标故障类型。
对于非监督故障分类,确定分解因子值最大的第二振动特征的特征值为最显著特征,并进行故障分类。
可见,实施本发明实施例,在轴承故障数据集上的实验结果表明,所提方法能够及时地检测到早期机械故障的发生、准确高效地完成旋转机械的无监督故障检测和分类,并给出故障发生的原因和位置,从而有效提高机械设备运行和维护的稳定性和自动化。本发明实施例提供的基于IF模型和工具的无监督旋转机械故障检测方法,实现了可解读人工智能(Expainable Afrtifical Intelligence,XAI)的旋转机械故障检测,可以确保在标签数据不可用情况下对机械故障的早期准确检测和诊断。可应用于不同设备和不同类型的故障检测,且不需要先验标签数据,具有较好的工业应用价值。
关于实验及结果分析:
(1)测试数据集
本发明分析例使用轴承故障公开数据集作为测试数据集,验证本发明实施例所提方法在不同任务场景下的性能。轴承数据集由三个运行至故障测试组成,每个测试中有四个轴承。轴承转速保持为2000rpm(rpm表示每分钟转数,Revolutions PerMinute),通过弹簧机构向轴和轴承施加6000磅的径向载荷。轴上安装了Rexnord ZA-2115双列轴承,并在轴承座上安装了PCB 353B33加速度计。所有故障均发生在超过预计轴承寿命(超过1亿转)之后。
该测试数据集为运行故障测试,因此没有指示故障发生的标签,仅提供了测试解释时的故障类型。为评估所提方法的性能,本发明分析例对数据进行了手工标注。实验分析中,将故障发生后的同一实例中所有后续观察均视为故障轴承。要指出,添加的标签仅用于评估所提方法的性能,本发明所提方法依然利用无标签数据方式进行无监督故障检测和诊断。
最终测试数据集中包含11808个观察值,其中6372个观察值标注为正常,5436个观察值标注为故障。使用了轴承故障检测中常用的特征,包括峰度、rms、轴承外环轨道损坏频率(Ball Pass Frequency Outer,BPFO)、轴承内环轨道损坏频率(Ball Pass FrequencyInner,BPFI)和轴承滚动件损坏频率(Ball Spin Frequency,BSF)。其中通用特征(峰度和rms)仅用于识别是否存在故障,专属特征(BPFI、BPFO和BSF)则可用于指示故障类型和/或故障位置。
(2)评估指标
本发明分析例在故障检测性能分析中使用了F1得分(F1-score)和曲线下面积(Area Under Curve,AUC),这两个指标能够较好反应故障识别性能,尽管预测结果中可能存在一些假正例(误警),但对于机械故障检测来说,未能发现故障可能会造成设备损坏。此外,现实中机械故障数据集通常具有较高不平衡性,F1得分和AUC能够更好地反应模型性能。对于故障分类,使用无监督分类方法将每个识别出的故障样本分入相应的故障类型。由于分类中仅考虑识别出的故障,因此使用准确度作为评估指标。
(3)故障预测结果
本发明所提方法和比较方法在实验数据集上的故障检测的F1-score和AUC结果,以及每个新样本的训练和测试所需的平均时间。从下表1所示的故障预测结果中可发现,在F1-score结果中,所提方法和集成(Ensemble methods,Ensemble)方法取得了较好结果,FD-SAE方法在故障检测阶段使用简单SVM分类器,因此性能较差。Ensemble方法取得了较高的F1得分,但依然稍低于本发明方法,证明IF模型能够有效识别信号中的异常点。要指出,F1得分计算是基于训练阶段的分析而定义的阈值,以模拟无可用数据的现实场景,而非通过在整个数据集上调整最优阈值。AUC结果不受定义阈值的影响,能够更好地评估模型的通用性。在AUC结果中,Ensemble方法和本发明方法性能较为接近,但Ensemble方法的平均耗时为1.3547s,计算复杂度较高。故障预测结果表明,本发明方法在检测性能和效率之间实现了最优平衡。
表1故障预测结果
方法 | F1-score(/%) | AUC(/%) | 平均耗时(s) |
FD-SAE | 60.47 | 93.25 | 0.0124 |
DT | 88.27 | 98.82 | 0.1166 |
Ensemble | 96.58 | 99.89 | 1.3547 |
本发明方法 | 98.23 | 99.87 | 0.3715 |
下表2给出了本发明方法预测结果的混淆矩阵,从中可发现,所提方法对所有正常样本均做出了正确预测,由此完全避免了不必要的干预操作,这在现实生产中有着极大意义,因为若将正常信号错判为故障,会造成不必要的生产中断和资源浪费。此外,本发明方法能够正确识别包括早期故障阶段的绝大部分异常信号,支持工作人员做出及时调度和维护决策。
表2混淆矩阵
本发明所提异常检测方法是非监督式的,训练阶段不使用标注数据。随着故障进程的异常分变化而变化,在早期故障发生区域,可观察到异常分的逐渐上升趋势,表明设备行为的永久性变化,即发生故障。异常分变化情况会表现为离群点,即样本数值偏离正常观察,由此证明所提模型能够以无监督的方式准确识别出旋转机械中的故障。
(4)故障诊断结果
故障诊断过程中,丢弃仅指示故障是否存在而不能指示故障类型或位置的通用特征,例如rms、峰度等。仅使用专属特征得到新的重要性排序。举例来说,假定根据SHAP计算出的重要性得分,最相关特征排序依次为rms,BPFO,BPFI,峰度,BSF。在故障诊断中移除通用特征,得到新的重要性排序为BPFO、BPFI和BSF。其后,对于非监督故障分类,分析专属特征,并基于最相关特征进行故障分类。由于每个专属特征与特定类型的部件故障相关,将最相关特征考虑为系统故障。若特征与多部件故障相关,则在根原因分析中给出特征重要性排序,向专家提供故障识别信息。
各方法在实验数据集上的故障分类准确度比较如图3所示。从中可发现,DT方法在故障分类中表现出较差性能,这是因为该方法需要大量的训练数据,不适用于单个设备的故障诊断。FD-SAE方法在故障检测中性能较差,但其使用基于堆叠自编码器的诊断方法,取得了较高的分类准确度。Ensemble方法取得了次优性能,但该方法完成每个样本分类的平均耗时达到了9.2秒,严重影响了实时操作性。本发明所提方法实现了最高的准确度,证明SHAP工具能够很好地解释IF模型给出的预测结果,并从中分析出最相关的特征。
图4给出了使用本发明方法时,基于Kendall-Tau距离的SHAP可视化结果示例。对于IF做出的预测结果,SHAP模型给出了不同特征在故障识别中的重要程度。从中可发现,专属特征BPFO是该故障实例的最显著特征,由于本发明数据集中,BPFO对应的故障位置是轴承外环轨道,因此可直接完成无监督分类。若最相关特征对应于多个故障位置,则工作人员可根据SHAP模型给出的根因分析的重要性排序,制定相应的维修决策。
如图5所示,本发明实施例公开一种旋转机械故障检测装置,包括获取单元501、提取单元502、训练单元503、检测单元504、确定单元505、选择单元506、计算单元507、判断单元508、分析单元509,其中,
获取单元501,用于获取与旋转机械的元件类型对应的若干样本数据;
提取单元502,用于根据若干样本数据,提取出多个预设振动特征;
训练单元503,用于根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型;
检测单元504,用于利用异常检测模型对旋转机械的振动数据进行预测获得预测结果;
确定单元505,用于在预测结果指示振动数据为异常数据时,从多个预设振动特征中确定与预测结果相关的多个第一振动特征;
选择单元506,用于从多个第一振动特征中筛选出多个第二振动特征;其中,多个第二振动特征为多个第一振动特征的子集;
计算单元507,用于根据预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值,分解因子值用于表征第二振动特征的特征值对预测结果的重要程度;
判断单元508,用于判断多个第二振动特征是否匹配到多种部件故障类型;
分析单元509,用于在判断单元508的判断结果为是时,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
进一步可选的,旋转机械故障检测装置还可以包括未图示的分类单元,用于在判断单元508的判断结果为否时,对分解因子值最大的第二振动特征的特征值进行无监督分类,获得目标故障类型。
作为一种可选的实施方式,上述选择单元506可包括以下未图示的子单元:
获取子单元,具体用于获取每个第一振动特征的标签信息,所述标签信息包括通用类或专属类;
选择子单元,用于将属于专属类的第一振动特征确定为第二振动特征,以获得多个第二振动特征。
作为一种可选的实施方式,上述检测单元304可包括以下未图示的子单元:
计算子单元,用于利用异常检测模型,计算旋转机械的振动数据的目标异常分;
判断子单元,用于判断目标异常分是否大于或等于指定分数阈值;
确定子单元,用于在目标异常分大于或等于指定分数阈值时,确定旋转机械的振动数据为异常数据;以及,在目标异常分小于指定分数阈值时,确定旋转机械的振动数据为正常数据。
如图6所示,本发明实施例公开一种电子设备,包括存储有可执行程序代码的存储器601以及与存储器601耦合的处理器602;
其中,处理器602调用存储器601中存储的可执行程序代码,执行上述各实施例中描述的旋转机械故障检测方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中描述的旋转机械故障检测方法。
以上实施例的目的,是对本发明的技术方案进行示例性的再现与推导,并以此完整的描述本发明的技术方案、目的及效果,其目的是使公众对本发明的公开内容的理解更加透彻、全面,并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举,在此之外,还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进,均属本发明的保护范围。
Claims (8)
1.旋转机械故障检测方法,其特征在于,包括:
获取与旋转机械的元件类型对应的若干样本数据;
根据若干样本数据,提取出多个预设振动特征;
根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型;
利用异常检测模型对旋转机械的振动数据进行预测获得预测结果;
若所述预测结果指示所述振动数据为异常数据,从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征;其中,所述第一振动特征指的是将所述振动数据识别为异常数据的多个预设振动特征;
获取每个第一振动特征的标签信息,所述标签信息包括通用类或专属类;其中,通用类的特征仅用于识别是否存在故障,专属类的特征用于指示故障类型和/或故障位置;
将属于所述专属类的第一振动特征确定为第二振动特征,以获得多个第二振动特征;其中,多个第二振动特征为多个第一振动特征的子集;
根据所述预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值,所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度;
判断多个第二振动特征是否匹配到多种部件故障类型;
若匹配到多种故障类型,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因。
2.如权利要求1所述的旋转机械故障检测方法,其特征在于,判断多个第二振动特征是否匹配到多种部件故障类型之后,所述方法还包括:
若未匹配到多种故障类型,对分解因子值最大的第二振动特征的特征值进行无监督分类,获得目标故障类型。
3.如权利要求1或2所述的旋转机械故障检测方法,其特征在于,利用异常检测模型对旋转机械的振动数据进行预测获得预测结果,包括:
利用异常检测模型,计算旋转机械的振动数据的目标异常分;
判断所述目标异常分是否大于或等于指定分数阈值;
若所述目标异常分大于或等于指定分数阈值,确定所述旋转机械的振动数据为异常数据;
若所述目标异常分小于指定分数阈值,确定所述旋转机械的振动数据为正常数据。
4.旋转机械故障检测装置,其特征在于,包括:
获取单元,用于获取与旋转机械的元件类型对应的若干样本数据;
提取单元,用于根据若干样本数据,提取出多个预设振动特征;
训练单元,用于根据多个预设振动特征,基于孤立森林算法训练获得异常检测模型;
检测单元,用于利用异常检测模型对旋转机械的振动数据进行预测获得预测结果;
确定单元,用于在所述预测结果指示所述振动数据为异常数据时,从多个预设振动特征中确定与所述预测结果相关的多个第一振动特征;其中,所述第一振动特征指的是将所述振动数据识别为异常数据的多个预设振动特征;
选择单元,用于从多个第一振动特征中筛选出多个第二振动特征;其中,多个第二振动特征为多个第一振动特征的子集;
计算单元,用于根据所述预测结果以及每个第二振动特征的特征值,计算每个第二振动特征的特征值的分解因子值,所述分解因子值用于表征第二振动特征的特征值对所述预测结果的重要程度;
判断单元,用于判断多个第二振动特征是否匹配到多种部件故障类型;
分析单元,用于在所述判断单元的判断结果为是时,对多个第二振动特征的特征值及其分解因子值进行根因分析获得故障成因;
其中,所述选择单元包括:
获取子单元,具体用于获取每个第一振动特征的标签信息,所述标签信息包括通用类或专属类;其中,通用类的特征仅用于识别是否存在故障,专属类的特征用于指示故障类型和/或故障位置;
选择子单元,用于将属于所述专属类的第一振动特征确定为第二振动特征,以获得多个第二振动特征。
5.如权利要求4所述的旋转机械故障检测装置,其特征在于,还包括:
分类单元,用于在所述判断单元的判断结果为否时,对分解因子值最大的第二振动特征的特征值进行无监督分类,获得目标故障类型。
6.如权利要求4或5所述的旋转机械故障检测装置,其特征在于,所述检测单元包括:
计算子单元,用于利用异常检测模型,计算旋转机械的振动数据的目标异常分;
判断子单元,用于判断所述目标异常分是否大于或等于指定分数阈值;
确定子单元,用于在所述目标异常分大于或等于指定分数阈值时,确定所述旋转机械的振动数据为异常数据;以及,在所述目标异常分小于指定分数阈值时,确定所述旋转机械的振动数据为正常数据。
7.电子设备,其特征在于,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至3任一项所述的旋转机械故障检测方法。
8.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存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至3任一项所述的旋转机械故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101884.9A CN116124398B (zh) | 2023-02-08 | 2023-02-08 | 旋转机械故障检测方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101884.9A CN116124398B (zh) | 2023-02-08 | 2023-02-08 | 旋转机械故障检测方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116124398A CN116124398A (zh) | 2023-05-16 |
CN116124398B true CN116124398B (zh) | 2023-11-14 |
Family
ID=86304389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101884.9A Active CN116124398B (zh) | 2023-02-08 | 2023-02-08 | 旋转机械故障检测方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116124398B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365B (zh) * | 2023-08-02 | 2024-03-08 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN117251817A (zh) * | 2023-11-10 | 2023-12-19 | 北京珊瑚礁科技有限公司 | 雷达故障检测方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN113807211A (zh) * | 2021-08-31 | 2021-12-17 | 武汉理工大学 | 设备运行状态预警方法、计算机设备及存储介质 |
-
2023
- 2023-02-08 CN CN202310101884.9A patent/CN116124398B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN113807211A (zh) * | 2021-08-31 | 2021-12-17 | 武汉理工大学 | 设备运行状态预警方法、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116124398A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116124398B (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
Žvokelj et al. | EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN110059775A (zh) | 旋转型机械设备异常检测方法及装置 | |
Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
CN113792825A (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
Steidl et al. | Feature-based detection of bugs in clones | |
CN116450399B (zh) | 微服务系统故障诊断及根因定位方法 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
Al-Dahidi et al. | A novel ensemble clustering for operational transients classification with application to a nuclear power plant turbine | |
Kizito et al. | The application of random forest to predictive maintenance | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Purarjomandlangrudi et al. | Application of anomaly technique in wind turbine bearing fault detection | |
Leite et al. | A robust fleet-based anomaly detection framework applied to wind turbine vibration data | |
CN111913872A (zh) | 一种基于缺陷预测的软件静态检查警告排序优化方法 | |
Azeri et al. | Fault prediction using supervised and unsupervised learning algorithms in cyber physical systems | |
Chang et al. | Random forest-based multi-faults classification modeling and analysis for intelligent centrifugal pump system | |
Wang et al. | Fault diagnosis of rolling bearings based on undirected weighted graph | |
Ronchieri et al. | Machine Learning Techniques for Software Analysis of Unlabelled Program Modules | |
Lyu et al. | A Novel Fault Diagnosis Method Based on Feature Fusion and Model Agnostic Meta-Learning |
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 |