CN116222753A - 一种转子系统故障敏感特征提取方法及系统 - Google Patents
一种转子系统故障敏感特征提取方法及系统 Download PDFInfo
- Publication number
- CN116222753A CN116222753A CN202310026588.7A CN202310026588A CN116222753A CN 116222753 A CN116222753 A CN 116222753A CN 202310026588 A CN202310026588 A CN 202310026588A CN 116222753 A CN116222753 A CN 116222753A
- Authority
- CN
- China
- Prior art keywords
- fault
- feature extraction
- rotor system
- channel
- extraction model
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种转子系统故障敏感特征提取方法及系统,其特征在于,包括:实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本;将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征,本发明能够准确表征不同故障间的差异性以及同类故障的相似性,可以广泛应用于转子系统检测领域中。
Description
技术领域
本发明涉及转子系统检测领域,特别是关于一种转子系统故障敏感特征提取方法及系统。
背景技术
在进行机械设备故障诊断时,故障敏感特征提取是一个关键的步骤,最终诊断结果的好坏很大程度上取决于所提取特征的质量。卷积神经网络(Convolutional NeuralNetwork,CNN)凭借其独特的局部感知和参数共享的结构特性,成为了数据特征挖掘的一把“利器”。
但是,深度CNN也面临着梯度消失或爆炸、网络性能退化的问题。同时,在故障诊断领域,现有的研究多采用单通道的2D图像作为网络的输入,但也存在着单通道信号涵盖的信息不够全面的问题,且将1D数据转换为2D图像时又可能导致关键信息的丢失。
发明内容
针对上述问题,本发明的目的是提供一种涵盖信息全面且信息不会丢失的转子系统故障敏感特征提取方法及系统。
为实现上述目的,本发明采取以下技术方案:第一方面,提供一种转子系统故障敏感特征提取方法,包括:
实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本;
将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
进一步地,所述转子系统的故障标签包括正常状态、不对中、不平衡和轴承座松动。
进一步地,所述基于多通道一维残差网络的特征提取模型的构建过程为:
获取转子系统的振动加速度信号,添加故障标签后生成故障样本;
按照预先设定的比例,对故障样本进行随机划分,得到训练集和测试集;
构建基于多通道一维残差网络的特征提取模型,并基于得到的训练集和测试集对构建的特征提取模型进行训练和测试,得到训练好的基于多通道一维残差网络的特征提取模型。
进一步地,所述获取转子系统的振动加速度信号,添加故障标签后生成故障样本,包括:
在转子系统两端的轴承座上设置加速度传感器,通过加速度传感器获取转子系统在不同工况下转子径向和垂直方向的振动加速度信号;
对振动加速度信号添加故障标签;
采用滑窗取样策略,按照预先设定的样本长度、步长和重叠长度,对故障标签后的振动加速度信号进行划分,得到每一故障标签对应的故障样本。
进一步地,所述构建基于多通道一维残差网络的特征提取模型,并基于得到的训练集和测试集对构建的特征提取模型进行训练和测试,得到训练好的基于多通道一维残差网络的特征提取模型,包括:
构建基于多通道一维残差网络的特征提取模型,并确定特征提取模型的参数;
基于得到的训练集,对构建的基于多通道一维残差网络的特征提取模型进行训练;
基于得到的测试集,对训练好的特征提取模型进行测试,得到训练好的基于多通道一维残差网络的特征提取模型。
进一步地,所述构建基于多通道一维残差网络的特征提取模型,并确定特征提取模型的参数,包括:
确定基于多通道一维残差网络的特征提取模型的网络模型结构;
确定基于多通道一维残差网络的特征提取模型输入的原始数据维度;
确定基于多通道一维残差网络的特征提取模型的多通道信号输入;
确定基于多通道一维残差网络的特征提取模型的超参数。
进一步地,所述基于多通道一维残差网络的特征提取模型包括Conv1层、Conv2_x层、Conv3_x层和Conv4_x层;
所述Conv1层包括64个1×7的卷积核,步长为2;
所述Conv2_x层包括最大池化层、数据降维层、特征提取层和3个3层残差学习模块,其中,所述最大池化层的卷积核大小为1×3,步长为2;所述数据降维层的卷积核大小为1×1,通道数为64;所述特征提取层的卷积核大小为1×3,通道数为64;3个3层所述残差学习模块是由卷积核大小为1×1、通道数为256的数据升维层组成;
所述Conv3_x层包括1个将通道数改为128、128、512的3层残差学习模块;
所述Conv4_x层包括1个将通道数改为256、256、1024的3层残差学习模块。
第二方面,提供一种转子系统故障敏感特征提取系统,包括:
数据获取模块,用于实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本;
故障特征提取模块,用于将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述转子系统故障敏感特征提取方法对应的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述转子系统故障敏感特征提取方法对应的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明通过构建多通道一维残差网络,并采用1D形式的卷积运算,能够实现直接处理原始振动加速度信号、自动提取故障敏感特征,实现“端到端”的故障诊断。
2、本发明构建的基于多通道一维残差网络的特征提取模型采用改进的ResNet-50残差模型结构,通过减少残差块个数以及去除Conv5_x层,缩减网络深度、减小网络参数量,从而提高网络计算的效率。
3、本发明中基于多通道一维残差网络的特征提取模型采用多通道输入,能够充分发挥多通道卷积的优势,可以为故障诊断提供更加丰富的振动加速度信号。
4、本发明能够准确表征不同故障间的差异性以及同类故障的相似性,适用于故障分类任务。
综上所述,本发明可以广泛应用于转子系统检测领域中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1是本发明一实施例提供的模型构建过程示意图;
图2是本发明一实施例提供的样本故障生成策略示意图;
图3是本发明一实施例提供的转子故障诊断准确率曲线示意图;
图4是本发明一实施例提供的转子故障诊断损失函数曲线示意图;
图5是本发明一实施例提供的原始数据以及多通道1D-ResNet各层输出的特征可视化示意图;
图6是本发明一实施例提供的不同方法诊断结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整地传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
本发明实施例提供的转子系统故障敏感特征提取方法及系统,通过残差网络(Residual Network,ResNet)在CNN的基础上引入了“残差学习”,利用构建“天然的恒等映射”解决深度CNN面临的上述问题,同时针对数据维度转换过程中可能面临的信息丢失问题,构建1D-ResNet(One-dimensional Residual Network,1D-ResNet)直接处理原始一维振动加速度信号,并且采用多通道输入获取更加全面的故障信息,提升故障诊断的效果,实现基于多通道一维残差网络的转子系统故障敏感特征的提取。
实施例1
本实施例提供一种转子系统故障敏感特征提取方法,包括以下步骤:
1)如图1所示,预先构建基于多通道一维残差网络的特征提取模型,具体为:
1.1)获取转子系统的振动加速度信号,添加故障标签后生成故障样本。
1.1.1)在转子系统两端的轴承座上设置加速度传感器,通过加速度传感器获取转子系统在不同工况下转子径向和垂直方向的振动加速度信号,并通过数据采集器将加速度传感器获取的振动加速度信号发送至上位机供分析。
1.1.2)对振动加速度信号添加故障标签。
具体地,转子系统的故障标签包括正常状态(Normal State,NS)、不对中(Misalignment,MA)、不平衡(Imbalance,IB)和轴承座松动(Bearing Seat Looseness,BSL)四种。
1.1.3)如图2所示,采用滑窗取样策略,按照预先设定的样本长度、步长和重叠长度,对故障标签后的振动加速度信号进行划分,得到每一故障标签对应的故障样本。
1.2)按照预先设定的比例,对故障样本进行随机划分,得到训练集和测试集,用于模型的训练和测试。
1.3)构建基于多通道一维残差网络的特征提取模型,并基于得到的训练集和测试集对构建的特征提取模型进行训练和测试,得到训练和测试好的基于多通道一维残差网络的特征提取模型,具体为:
1.3.1)构建基于多通道一维残差网络的特征提取模型,并确定特征提取模型的网络深度、卷积核尺寸及个数、优化器类型和学习率大小等参数:
1.3.1.1)确定基于多通道一维残差网络的特征提取模型的网络模型结构。
具体地,残差网络是由多个残差单元堆叠而成,主要包括直接映射和残差两部分,F(x)为残差部分,网络的输出H(x)为残差部分与直接映射的加和。在ResNet中将残差函数F(x)设为网络学习的目标,通过多次迭代训练最小化F(x)并使其趋近于0,则输入和输出之间的恒等映射关系H(x)=就能实现:
F(x)=H(x)-x(1)
目前,常用的残差网络结构有ResNet-34、ResNet-50、ResNet-101等,其中,ResNet-34中残差学习模块采用2个卷积核大小为3×3、输出通道数相同的卷积层来学习数据特征;而ResNet-50则采用3层残差学习模块,即首先用1×1的卷积核对数据进行降维,接着采用3×3的卷积核提取特征,最后再经过1×1的卷积核对数据进行升维。采用这种方式既能保证网络精度,又可以减少参数量,更适用于深层网络。但是传统的ResNet-50模型结构复杂,堆叠的残差块较多,网络计算效率低。针对此问题,对ResNet-50模型进行改进。
具体地,本实施例构建的基于多通道一维残差网络的特征提取模型的网络模型结构采用改进的ResNet-50模型,可以有效解决现有的ResNet模型结构复杂、堆叠的残差块较多、网络计算效率低的问题。本实施例构建的基于多通道一维残差网络的特征提取模型的网络模型结构如下表1所示,表中记录了改进的ResNet-50模型的网络层级,以及每一层所对应的卷积核尺寸及数量。在改进中仍采用ResNet-50模型的3层残差学习模块形式,但是将原本的五层网络结构改为四层。保持原网络结构中的Conv1、Conv2_x层不变,在Conv3_x和Conv4_x层各保留一个残差块,并去除Conv5_x层,得到多通道一维残差网络的特征提取模型。通过上述修改可有效缩减网络深度、减小网络参数量,从而提高网络计算的效率。
具体地,基于多通道一维残差网络的特征提取模型包括Conv1层、Conv2_x层、Conv3_x层和Conv4_x层,其中,Conv1层包括64个1×7的卷积核,步长为2;Conv2_x层包括最大池化层、数据降维层、特征提取层和3个3层残差学习模块,其中,最大池化层的卷积核大小为1×3,步长为2;数据降维层的卷积核大小为1×1,通道数为64;特征提取层的卷积核大小为1×3,通道数为64;3个3层残差学习模块是由卷积核大小为1×1、通道数为256的数据升维层组成;Conv3_x层包括1个将通道数改为128、128、512的3层残差学习模块;Conv4_x层包括1个将通道数改为256、256、1024的3层残差学习模块。
表1:模型结构参数
1.3.1.2)确定基于多通道一维残差网络的特征提取模型输入的原始数据维度。
具体地,通常来讲,ResNet主要采用2D输入用于图像类数据的识别,即卷积核为二维矩阵形式。然而当监测数据为一维时间序列信号时,上述形式的卷积核显然不再适用。为解决此问题,本实施例通过构建一维残差网络(1D-ResNet),直接处理一维原始数据。相对于二维残差网络,1D-ResNet的主要特点在于卷积核的大小为1×W,如下所示:
ω1×W=[ω11…1W](2)
其中,ω1×W为卷积核权重矩阵;W为卷积核尺寸长度。
1.3.1.3)确定基于多通道一维残差网络的特征提取模型的多通道信号输入。
具体地,在图像处理领域,RGB三通道图像所含信息更加丰富,更有利于进行图像识别。类似地,在机械故障诊断中,采用多通道输入可以收集更加全面的故障信息,从而提升故障诊断的准确率。发生故障时设备不同位置的振动情况有所差异,所以针对同一种故障类型,各通道的时域、频域信息并不相同。当同时将多个通道的数据输入网络时,可以涵盖各个位置振动加速度信号的故障信息,更有利于故障分类任务的开展。
1.3.1.4)确定基于多通道一维残差网络的特征提取模型的超参数。
具体地,采用控制变量的方法,对特征提取模型的学习率、批量尺寸、迭代次数的取值进行测试,综合考虑模型结果的准确率和运行时间,在模型准确率能够达到最高的情况中,选出运行时间最短的参数组合。
1.3.2)基于得到的训练集,对构建的基于多通道一维残差网络的特征提取模型进行训练。
具体地,初始化网络权重和偏置,以批量方式将训练集输入至特征提取模型中进行前向和反向传播,提取故障特征并计算误差,重复训练以更新网络的权重和偏置。
1.3.3)基于得到的测试集,对训练好的特征提取模型进行测试,得到训练和测试好的基于多通道一维残差网络的特征提取模型。
具体地,采用训练好的特征提取模型对测试集进行分类,并根据分类结果定量评价模型性能,进而得到训练和测试好的基于多通道一维残差网络的特征提取模型。
2)实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本。
3)将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
下面利用Bently RK4转子试验台开展故障诊断试验为具体实施例详细说明本发明的转子系统故障敏感特征提取方法:
本次试验中转子系统由直流电机和联轴器驱动,电机由调速器实现调速。进行试验时,先启动设备使转速逐渐增加到3000转/分钟,运行一段时间使系统达到稳定状态后再采集振动加速度信号,采样频率为20kHz。在转子两端轴承座上安装加速度传感器,采集转子径向和垂直方向共4个通道的振动加速度信号。
实验设置:
试验共模拟转子系统的四种状态:正常状态、不对中、不平衡和轴承座松动。在转子上增加1.2g的额外配重以模拟转子不平衡状态;在轴承座和基座表面之间放置0.5mm的塞尺,以模拟转子不对中状态;松开某一个轴承座的螺栓模拟轴承座松动状态。
故障样本生成:
为获取大量故障样本用于模型的训练,采用滑窗取样策略对获取的振动加速度信号进行划分,样本长度设为1000,每种状态生成故障样本500个,并按照4:1的比例随机划分训练集和测试集,则4种故障状态下共有训练样本1600个,测试样本400个。
模型构建及超参数选取:
本实施例构建多通道一维残差网络开展故障诊断试验,结构参数如上表1所示,在本次试验过程中,选用Adam优化器,其余超参数具体设置如下:
学习率分别取0.01、0.001、0.0001,批量尺寸分别设为40、50、60,迭代次数取50和100两个值,各参数设置的试验结果如下表2所示。结果显示,不同的参数设置对诊断结果的影响很大。例如,当学习率取0.01,批量尺寸取40时,迭代50次的准确率仅为72.5%,诊断效果不理想。而当迭代50次时,学习率取0.001,批量尺寸设为40或50时诊断准确率均能达到100%。综合考虑运行时间,批量尺寸设为50时所花时间较短,因此,网络超参数设置分别为:学习率取0.001,批量尺寸取50,迭代次数设为50。
表2:参数设置的试验结果
故障诊断:
将转子系统的故障样本按照4:1的样本比例输入至构建的基于多通道一维残差网络的特征提取模型中,结果如图3、图4所示。当迭代次数达到20次时,准确率和损失函数均趋于平缓且损失函数值降到了0.02以下,表明所构建的基于多通道一维残差网络的特征提取模型能在较短时间内收敛,最终分类准确率达到100%,可以充分反映各类故障间的差异性。
采用t-分布邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)对原始振动加速度信号以及基于多通道一维残差网络的特征提取模型中各层输出的特征进行降维并聚类,可视化结果如图5所示,可以看出,原始振动加速度信号分布混乱无序,难以区分故障种类,经过第一个卷积层运算后,各类样本间出现聚集成簇的趋势。随着进一步的逐层特征挖掘,不同故障类别间的界限逐渐清晰,同一故障种类的样本逐渐聚拢。通过全连接层特征可视化图可以看出,4种故障已被清晰地区分开,同一类的故障样本也紧凑地聚集在一起。
方法对比:
构造单、多通道两种样本,分别采用本发明的模型(1D-ResNet)以及现有技术中的ResNet-18、VGG16和“人工特征+SVM”共4种方式开展故障诊断试验,结果如图6所示,在“人工特征+SVM”方法中,提取振动加速度信号的7个时域特征(方差、有效值、偏度、峭度、峰值因子、波形因子、裕度因子)和5个频域特征(重心频率、均方根频率、频率方差、频谱偏度、频谱峭度),结果表明,相对于单通道输入,多通道输入由于综合了多个传感器采集的多个位置处的故障信息,在各个方法中的诊断准确率提升约11~18个百分点。此外,基于深度网络(1D-ResNet、ResNet-18、VGG16)的诊断方法准确率均高于传统的人工提取特征方法。相对于基于“特征工程”的传统诊断方法,基于多通道1D-ResNet的智能诊断方法的准确率提升了24.31个百分点。因此,采用本发明的转子系统故障敏感特征提取方法,能够直接处理一维振动加速度信号,解决将1D数据转换为2D图像耗时费力及可能导致信息丢失的问题,同时采用多通道输入可以涵盖更加丰富的故障信息,更有利于故障诊断任务的开展。
实施例2
本实施例提供一种转子系统故障敏感特征提取系统,包括:
数据获取模块,用于实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本。
故障特征提取模块,用于将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
本实施例提供的系统是用于执行上述各方法实施例,具体流程和详细内容请参照上述实施例,此处不再赘述。
实施例3
本实施例提供一种与本实施例1所提供的转子系统故障敏感特征提取方法对应的处理设备,处理设备可以适用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序,处理设备运行计算机程序时执行本实施例1所提供的转子系统故障敏感特征提取方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,上述计算设备的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例4
本实施例提供一种与本实施例1所提供的转子系统故障敏感特征提取方法对应的计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的转子系统故障敏感特征提取方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种转子系统故障敏感特征提取方法,其特征在于,包括:
实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本;
将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
2.如权利要求1所述的一种转子系统故障敏感特征提取方法,其特征在于,所述转子系统的故障标签包括正常状态、不对中、不平衡和轴承座松动。
3.如权利要求1所述的一种转子系统故障敏感特征提取方法,其特征在于,所述基于多通道一维残差网络的特征提取模型的构建过程为:
获取转子系统的振动加速度信号,添加故障标签后生成故障样本;
按照预先设定的比例,对故障样本进行随机划分,得到训练集和测试集;
构建基于多通道一维残差网络的特征提取模型,并基于得到的训练集和测试集对构建的特征提取模型进行训练和测试,得到训练好的基于多通道一维残差网络的特征提取模型。
4.如权利要求3所述的一种转子系统故障敏感特征提取方法,其特征在于,所述获取转子系统的振动加速度信号,添加故障标签后生成故障样本,包括:
在转子系统两端的轴承座上设置加速度传感器,通过加速度传感器获取转子系统在不同工况下转子径向和垂直方向的振动加速度信号;
对振动加速度信号添加故障标签;
采用滑窗取样策略,按照预先设定的样本长度、步长和重叠长度,对故障标签后的振动加速度信号进行划分,得到每一故障标签对应的故障样本。
5.如权利要求3所述的一种转子系统故障敏感特征提取方法,其特征在于,所述构建基于多通道一维残差网络的特征提取模型,并基于得到的训练集和测试集对构建的特征提取模型进行训练和测试,得到训练好的基于多通道一维残差网络的特征提取模型,包括:
构建基于多通道一维残差网络的特征提取模型,并确定特征提取模型的参数;
基于得到的训练集,对构建的基于多通道一维残差网络的特征提取模型进行训练;
基于得到的测试集,对训练好的特征提取模型进行测试,得到训练好的基于多通道一维残差网络的特征提取模型。
6.如权利要求5所述的一种转子系统故障敏感特征提取方法,其特征在于,所述构建基于多通道一维残差网络的特征提取模型,并确定特征提取模型的参数,包括:
确定基于多通道一维残差网络的特征提取模型的网络模型结构;
确定基于多通道一维残差网络的特征提取模型输入的原始数据维度;
确定基于多通道一维残差网络的特征提取模型的多通道信号输入;
确定基于多通道一维残差网络的特征提取模型的超参数。
7.如权利要求5所述的一种转子系统故障敏感特征提取方法,其特征在于,所述基于多通道一维残差网络的特征提取模型包括Conv1层、Conv2_x层、Conv3_x层和Conv4_x层;
所述Conv1层包括64个1×7的卷积核,步长为2;
所述Conv2_x层包括最大池化层、数据降维层、特征提取层和3个3层残差学习模块,其中,所述最大池化层的卷积核大小为1×3,步长为2;所述数据降维层的卷积核大小为1×1,通道数为64;所述特征提取层的卷积核大小为1×3,通道数为64;3个3层所述残差学习模块是由卷积核大小为1×1、通道数为256的数据升维层组成;
所述Conv3_x层包括1个将通道数改为128、128、512的3层残差学习模块;
所述Conv4_x层包括1个将通道数改为256、256、1024的3层残差学习模块。
8.一种转子系统故障敏感特征提取系统,其特征在于,包括:
数据获取模块,用于实时获取待测转子系统的振动加速度信号,添加故障标签后生成故障样本;
故障特征提取模块,用于将生成的故障样本输入至预先构建的基于多通道一维残差网络的特征提取模型中,确定待测转子系统的故障特征。
9.一种处理设备,其特征在于,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的转子系统故障敏感特征提取方法对应的步骤。
10.一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上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的转子系统故障敏感特征提取方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026588.7A CN116222753A (zh) | 2023-01-09 | 2023-01-09 | 一种转子系统故障敏感特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026588.7A CN116222753A (zh) | 2023-01-09 | 2023-01-09 | 一种转子系统故障敏感特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116222753A true CN116222753A (zh) | 2023-06-06 |
Family
ID=86579762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026588.7A Pending CN116222753A (zh) | 2023-01-09 | 2023-01-09 | 一种转子系统故障敏感特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116222753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992255A (zh) * | 2023-07-13 | 2023-11-03 | 华北电力大学 | 一种暂态电压稳定特征量的筛选方法、系统及电子设备 |
-
2023
- 2023-01-09 CN CN202310026588.7A patent/CN116222753A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992255A (zh) * | 2023-07-13 | 2023-11-03 | 华北电力大学 | 一种暂态电压稳定特征量的筛选方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
Saxena et al. | Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems | |
CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN109186964B (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN116222753A (zh) | 一种转子系统故障敏感特征提取方法及系统 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN112487406B (zh) | 一种基于机器学习的网络行为分析方法 | |
Lyu et al. | A novel multiview sampling-based meta self-paced learning approach for class-imbalanced intelligent fault diagnosis | |
Tong et al. | A novel cuckoo search optimized deep auto-encoder network-based fault diagnosis method for rolling bearing | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
Bi et al. | K-means clustering optimizing deep stacked sparse autoencoder | |
Chakraborty et al. | Industrial fault detection using transfer learning models | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 |
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 |