CN116304551A - 一种基于bcb模型的电机轴承故障诊断及特征提取方法 - Google Patents
一种基于bcb模型的电机轴承故障诊断及特征提取方法 Download PDFInfo
- Publication number
- CN116304551A CN116304551A CN202211669894.4A CN202211669894A CN116304551A CN 116304551 A CN116304551 A CN 116304551A CN 202211669894 A CN202211669894 A CN 202211669894A CN 116304551 A CN116304551 A CN 116304551A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- training
- bcb
- type
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000008439 repair process Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000001537 neural effect Effects 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Abstract
本发明公开了一种基于BCB模型的电机轴承故障诊断及特征提取方法，涉及电机轴承故障诊断领域。本发明提出的BCB模型是基于贝叶斯分类‑卷积神经网络‑反向传播的神经网络（Bayes‑CNN‑BP）的一种传统分类技术与深度学习神经网络技术相结合的模型，包括特征提取及数据预处理；BCB模型功能设计；BCB模型训练参数设计；轴承故障诊断流程设计。本发明采用一种基于BCB的深度学习方法对这些特征数据进行分析，实现故障诊断，提高牵引电机轴承故障诊断的准确性。在降低风险的同时减少运行维护量，降低牵引电机的运行维护成本，轴承故障情况下，按照轴承故障状态进行状态修及预防修，减少计划修及过度修，节省维修成本及维修时间，提高维修效率。
Description
技术领域
本发明涉及电机轴承故障诊断领域，具体为一种基于BCB模型的电机轴承故障诊断及特征提取方法。
背景技术
轴承是牵引电机关键零部件，由于复杂的结构和工作条件，轴承容易发生故障，甚至严重是会导致牵引电机失效，引起安全隐患，甚至造成人员伤亡。因此在发生故障时准确定位故障状态，并及时采取针对性措施，是非常重要的，以此保证铁路运行的安全与稳定。
现有技术中对于电机轴承故障诊断方法多是基于传统数学模型分析的故障诊断方法，包括K近邻、主成分分析、支持向量机、随机森林等部分机器学习方法，或基于单一的神经网络算法及其他成熟模型。但是这些方法诊断方式单一，诊断结果可靠性较低；而且诊断效果强于相关专业技术人员的先验知识，不稳定；成熟模型的方法针对的应用场景不完全适用于轴承诊断的情况，且对数据量依赖大，在数据样本不充分的情况下，不能够识别多种故障类型，且诊断效果可靠度低。
因此需要开发一种新型的电机轴承故障诊断方法。
发明内容
本发明为了解决基于传统数学模型分析的电机轴承故障诊断方法所存在的上述问题，提供了一种基于BCB模型的电机轴承故障诊断及特征提取方法。
本发明提出的BCB模型是基于贝叶斯分类-卷积神经网络-反向传播的神经网络(Bayes-CNN-BP)的一种传统分类技术与深度学习神经网络技术相结合的模型，集合了各个模型的优势，最终得到更好的识别效果。本发明是通过如下技术方案来实现的：
一种基于BCB模型的电机轴承故障诊断及特征提取方法，包括两部分，分别为：一、特征提取及数据预处理方法；二、基于BCB模型的电机轴承故障诊断方法；
一、特征提取及数据预处理方法，具体包括如下步骤：
1)将7种故障状态下依次采集的牵引电机轴承X轴振动加速度信号，总共点数：229376＝32768*7，建立7个txt文件，每个txt文件含振动加速度信号点为32768，各自进行去均值处理，报告分析中选择的7种故障状态：①保持架1mm；②内圈0.06mm矩形槽；③内圈0.15mm矩形槽；④外圈1.0mm矩形槽；⑤外圈1.4mm矩形槽；⑥滚动体小；⑦滚动体大；
2)将每种故障状态下的速度信号划分为112个样本，其中训练样本82个，测试样本30个，每个样本为2048个采样点组成的信号段，因此，训练样本总共82*7＝574个，测试样本总共30*7＝210个；
3)对每个信号段提取统计特征参数，分别提取时域特征和频域特征：
①时域：提取2048个数据点的15种统计特征值，组成15维的时域特征向量；包括平均值、均方根、方根幅值、绝对平均值、最大值、峰峰值、偏斜度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标；
15个时域统计特征T1～T15计算公式如下：
平均值：
均方根：
方根幅值：
绝对平均值：
最大值：
T5＝max(xi) (5)
最小值：
T6＝min(xi) (6)
峰峰值：
T7＝max(xi)-min(xi) (7)
方差：
偏斜度：
峭度：
波形指标：
峰值指标：
脉冲指标：
裕度指标：
偏斜度指标：
②频域：进行FFT频谱变换，得到的每一个频谱长度为1024，提取这1024个频谱值的7种统计特征值，组成7维的频域特征向量；包括谱均值、谱方差、谱偏斜度、谱峭度、均值频率、均方根频率、重心频率；
7个频域特征参数(F1-F7)计算公式如下：
谱均值：
谱方差：
谱偏斜度：
谱峭度：
均值频率：
均方根频率：
重心频率：
根据上述3，两种特征数据分别是15维的时域特征数据，和7维的频域特征数据，各自的总共样本为874，各自均有7类，每类112个，随机选择82个作为训练样本，剩余30个为测试样本，最初这些特征数据都是未归一化的；在后续算法中对提取到的这些数据进行归一化处理；
二、基于BCB模型的电机轴承故障诊断方法，具体包括如下步骤
1)牵引电机轴承关键部件运行状态与其各种征兆参数之间存在着因果关系，而这种复杂的非线性映射关系难以用公式明确表达。因此BCB模型主要完成的功能正是分析牵引电机轴承部件的采集信号，实现故障诊断。基于采集的各健康状态下牵引电机轴承的运行数据划分训练样本和测试样本，提取特征参数，训练样本用于模型训练，建立输入特征与输出状态类别间的映射关系，测试样本用于评估模型的诊断性能；
2)BCB模型训练参数设计：
①BCB模型训练过程中的输入分为以下两类：
a.Bayes的训练样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；训练样本标签集，为一个列向量，每行代表一个样本对应的标签；训练过程中指定训练样本分布类型为高斯分布；让分类器更容易提取相应分布的特征。提取的特征间要求相关性较小，且不同特征之间各自归一化，采用最大最小值的线性归一化策略，范围为0到1；标签为离散数0、1、2、3、4、5、6，表示7个不同类型的故障状态；
b.CNN和BP的训练样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；训练标签集为一个二维矩阵，每行代表一个样本对应的标签；设计CNN模型的超参数：隐含层数为5层及全连接层，学习率，迭代次数500次，卷积核个数分别为3,5,7,9,11，卷积层尺寸为1，步长为1，激活函数使用ReLU，最终以softmax分类输出；设计BP模型的超参数：学习率为0.001，迭代次数为20000，3层神经网络结构，输入层节点为7，隐藏层节点为50；原始数据采用线性归一化策略，范围为-1到1；标签为离散数0和1组成，两类健康状态情形中第一类为[0,1]，第二类为[1,0]，三类健康状态情形中第一类为[0,0,1]，第二类为[0,1,0]，第三类为[1,0,0]，7类故障状态中，第一类为[0,0,0,0,0,0,1]，第二类为[0,0,0,0,0,1,0]，第三类为[0,0,0,0,1,0,0]，第四类为[0,0,0,1,0,0,0]，第五类为[0,0,1,0,0,0,0]，第六类为[0,1,0,0,0,0,0]，第七类为[1,0,0,0,0,0,0]；
②BCB模型测试过程中的输入分为以下两类：
a.Bayes的测试样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；已经训练好的Bayes模型，该模型已建立训练样本特征及标签间的映射关系；
b.CNN和BP的测试样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；已经训练好的CNN模型，该模型已建立训练样本特征及标签间的映射关系；
3)轴承故障诊断流程：
①准备阶段，确定牵引电机轴承健康状态类别，并收集相应状态下关键部件的运行数据，包括振动、温度、流量、压力、电压、电流，提取统计特征并经归一化，包括时域、频域，形成训练样本集合；这一阶段的输入是所有待分类数据，输出是训练样本及特征；需要设置准确的样本标签以便模型的训练；其质量对整个过程将有重要影响，模型的诊断质量很大程度上由特征质量及训练样本数量决定；
②训练阶段，确定BCB模型各个部分的模型参数，创建对应的模型结构，并设置参数及超参数，基于准备阶段的训练样本，对模型进行训练，这一阶段是机械性阶段，由程序自动计算完成；
③应用阶段，验证已完成训练的诊断模型的测试性能，其输入是待分类项和已完成训练的诊断模型，待分类项即测试样本，输出是待分类项与健康状态类别的映射关系，即测试样本的预测标签，根据预测标签及其真实标签计算测试诊断准确率；将训练好的模型进行决策融合，3个模型的分类结果作为输入变量，并将输出结果进行拼接，建立一个空的list存放最后的结果：对results进行转置，此时矩阵的每一行代表3个模型分别对该样本的预测结果；按照对单个模型的预测正确率设置相应的权重，最终给定预测结果。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于BCB模型的电机轴承故障诊断及特征提取方法，为轴承健康状况诊断提供了数据特征及数据预处理方法，有针对性的提取信号数据；使用决策融合的方法将传统算法与神经网络算法相结合，进行决策融合，既保留了传统算法的稳定性预测，也增加了深度学习算法的高效准确性。本发明可提升牵引电机轴承故障诊断的准确性，在降低风险的同时减少运行维护量，降低牵引电机的运行维护成本。轴承故障情况下，使维修人员按照轴承故障状态进行状态修及预防修，减少计划修及过度修，节省维修成本及维修时间，提高维修效率。
附图说明
图1为BCB模型的主要工作流程图。
图2为Bayes测试结果ba图。
图3为CNN测试结果cnn图。
图4为BP模型测试结构bp图。
图5为BCB预测模型预测结果bcb图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种基于BCB模型的电机轴承故障诊断及特征提取方法，流程如图1所示，包括两部分，分别为：一、特征提取及数据预处理方法；二、基于BCB模型的电机轴承故障诊断方法；
一、特征提取及数据预处理方法，具体包括如下步骤：
1)将7种故障状态下依次采集的牵引电机轴承X轴振动加速度信号，总共点数：229376＝32768*7，建立7个txt文件，每个txt文件含振动加速度信号点为32768，各自进行去均值处理(也可以考虑再经过高通滤波后积分得到每种故障状态下的速度信号)，报告分析中选择的7种故障状态：①保持架1mm；②内圈0.06mm矩形槽；③内圈0.15mm矩形槽；④外圈1.0mm矩形槽；⑤外圈1.4mm矩形槽；⑥滚动体小；⑦滚动体大；
2)将每种故障状态下的速度信号划分为112个样本，其中训练样本82个，测试样本30个，每个样本为2048个采样点组成的信号段，因此，训练样本总共82*7＝574个，测试样本总共30*7＝210个；
3)对每个信号段提取统计特征参数，分别提取时域特征和频域特征：
①时域：提取2048个数据点的15种统计特征值，组成15维的时域特征向量；包括平均值、均方根、方根幅值、绝对平均值、最大值、峰峰值、偏斜度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标；
15个时域统计特征T1～T15计算公式如下：
平均值：
均方根：
方根幅值：
绝对平均值：
最大值：
T5＝max(xi) (5)
最小值：
T6＝mix(xi) (6)
峰峰值：
T7＝max(xi)-min(xi) (7)
方差：
偏斜度：
峭度：
波形指标：
峰值指标：
脉冲指标：
裕度指标：
偏斜度指标：
②频域：进行FFT频谱变换，得到的每一个频谱长度为1024，提取这1024个频谱值的7种统计特征值，组成7维的频域特征向量；包括谱均值、谱方差、谱偏斜度、谱峭度、均值频率、均方根频率、重心频率；
7个频域特征参数(F1-F7)计算公式如下：
谱均值：
谱方差：
谱偏斜度：
谱峭度：
均值频率：
均方根频率：
重心频率：
根据上述3，两种特征数据分别是15维的时域特征数据，和7维的频域特征数据，各自的总共样本为874，各自均有7类，每类112个，随机选择82个作为训练样本，剩余30个为测试样本，最初这些特征数据都是未归一化的；在后续算法中对提取到的这些数据进行归一化处理；
二、基于BCB模型的电机轴承故障诊断方法，具体包括如下步骤
1)牵引电机轴承关键部件运行状态与其各种征兆参数之间存在着因果关系，而这种复杂的非线性映射关系难以用公式明确表达。因此BCB模型主要完成的功能正是分析牵引电机轴承部件的采集信号，实现故障诊断。基于采集的各健康状态下牵引电机轴承的运行数据划分训练样本和测试样本，提取特征参数，训练样本用于模型训练，建立输入特征与输出状态类别间的映射关系，测试样本用于评估模型的诊断性能；
2)BCB模型训练参数设计：
①BCB模型训练过程中的输入分为以下两类：
a.Bayes的训练样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；训练样本标签集，为一个列向量，每行代表一个样本对应的标签；训练过程中指定训练样本分布类型为高斯分布；让分类器更容易提取相应分布的特征。提取的特征间要求相关性较小，且不同特征之间各自归一化，采用最大最小值的线性归一化策略，范围为0到1；标签为离散数0、1、2、3、4、5、6，表示7个不同类型的故障状态；
b.CNN和BP的训练样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；训练标签集为一个二维矩阵，每行代表一个样本对应的标签；设计CNN模型的超参数：隐含层数为5层及全连接层，学习率，迭代次数500次，卷积核个数分别为3,5,7,9,11，卷积层尺寸为1，步长为1，激活函数使用ReLU，最终以softmax分类输出；设计BP模型的超参数：学习率为0.001，迭代次数为20000，3层神经网络结构，输入层节点为7，隐藏层节点为50；原始数据采用线性归一化策略，范围为-1到1；标签为离散数0和1组成，两类健康状态情形中第一类为[0,1]，第二类为[1,0]，三类健康状态情形中第一类为[0,0,1]，第二类为[0,1,0]，第三类为[1,0,0]，7类故障状态中，第一类为[0,0,0,0,0,0,1]，第二类为[0,0,0,0,0,1,0]，第三类为[0,0,0,0,1,0,0]，第四类为[0,0,0,1,0,0,0]，第五类为[0,0,1,0,0,0,0]，第六类为[0,1,0,0,0,0,0]，第七类为[1,0,0,0,0,0,0]；
②BCB模型测试过程中的输入分为以下两类：
a.Bayes的测试样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；已经训练好的Bayes模型，该模型已建立训练样本特征及标签间的映射关系；
b.CNN和BP的测试样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；已经训练好的CNN模型，该模型已建立训练样本特征及标签间的映射关系；
3)轴承故障诊断流程：
①准备阶段，确定牵引电机轴承健康状态类别，并收集相应状态下关键部件的运行数据，包括振动、温度、流量、压力、电压、电流，提取统计特征并经归一化，包括时域、频域，形成训练样本集合；这一阶段的输入是所有待分类数据，输出是训练样本及特征；需要设置准确的样本标签以便模型的训练；其质量对整个过程将有重要影响，模型的诊断质量很大程度上由特征质量及训练样本数量决定；
②训练阶段，确定BCB模型各个部分的模型参数，创建对应的模型结构，并设置参数及超参数，基于准备阶段的训练样本，对模型进行训练，这一阶段是机械性阶段，由程序自动计算完成；
③应用阶段，验证已完成训练的诊断模型的测试性能，其输入是待分类项和已完成训练的诊断模型，待分类项即测试样本，输出是待分类项与健康状态类别的映射关系，即测试样本的预测标签，根据预测标签及其真实标签计算测试诊断准确率；将训练好的模型进行决策融合，3个模型的分类结果作为输入变量，并将输出结果进行拼接，建立一个空的list存放最后的结果：对results进行转置，此时矩阵的每一行代表3个模型分别对该样本的预测结果；按照对单个模型的预测正确率设置相应的权重，最终给定预测结果。
单个模型训练结果如下所示，如图2～图5所示：
Bayes的准确率为：0.9809523809523809
Bayes测试结果ba为：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 2 2 4 2 2 2 2 2 2 2 2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 4 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 2 4 55 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 66 6 6 6 6 6 66 6 6 6 6 6 6 6 6 6 6 6 6]
CNN的准确率为：0.9761904761904762
CNN模型测试结果cnn为：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 4 4 2 2 2 4 2 2 22 2 2 2 2 2 2 2 2 2 2 4 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 55 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 66 6 6 6 6 6 66 6 6 6 6 6 6 6 6 6 6 6 6]
BP的准确率为：0.9571428571428572
BP模型测试结果bp为：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 2 2 4 2 2 2 2 2 2 2 2 2 22 2 4 2 2 2 4 2 4 2 2 2 2 4 2 4 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 3 4 4 4 4 4 55 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 66 6 6 6 6 6 66 6 6 6 6 6 6 6 6 6 6 6 6]
BCB预测准确率为：0.9952380952380953
BCB模型预测结果bcb为：
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,4,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6]。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (2)
1.一种基于BCB模型的电机轴承故障诊断及特征提取方法，其特征在于：包括两部分，分别为：一、特征提取及数据预处理方法；二、基于BCB模型的电机轴承故障诊断方法；
一、特征提取及数据预处理方法，具体包括如下步骤：
1)将7种故障状态下依次采集的牵引电机轴承X轴振动加速度信号，总共点数：229376＝32768*7，建立7个txt文件，每个txt文件含振动加速度信号点为32768，各自进行去均值处理，报告分析中选择的7种故障状态：①保持架1mm；②内圈0.06mm矩形槽；③内圈0.15mm矩形槽；④外圈1.0mm矩形槽；⑤外圈1.4mm矩形槽；⑥滚动体小；⑦滚动体大；
2)将每种故障状态下的速度信号划分为112个样本，其中训练样本82个，测试样本30个，每个样本为2048个采样点组成的信号段，因此，训练样本总共82*7＝574个，测试样本总共30*7＝210个；
3)对每个信号段提取统计特征参数，分别提取时域特征和频域特征：
①时域：提取2048个数据点的15种统计特征值，组成15维的时域特征向量；包括平均值、均方根、方根幅值、绝对平均值、最大值、峰峰值、偏斜度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标；
15个时域统计特征T1～T15计算公式如下：
平均值：
均方根：
方根幅值：
绝对平均值：
最大值：
T5＝max(xi) (5)
最小值：
T6＝min(xi) (6)
峰峰值：
T7＝max(xi)-min(xi) (7)
方差：
偏斜度：
峭度：
波形指标：
峰值指标：
脉冲指标：
裕度指标：
偏斜度指标：
②频域：进行FFT频谱变换，得到的每一个频谱长度为1024，提取这1024个频谱值的7种统计特征值，组成7维的频域特征向量；包括谱均值、谱方差、谱偏斜度、谱峭度、均值频率、均方根频率、重心频率；
7个频域特征参数(F1-F7)计算公式如下：
谱均值：
谱方差：
谱偏斜度：
谱峭度：
均值频率：
均方根频率：
重心频率：
根据上述3，两种特征数据分别是15维的时域特征数据，和7维的频域特征数据，各自的总共样本为874，各自均有7类，每类112个，随机选择82个作为训练样本，剩余30个为测试样本，最初这些特征数据都是未归一化的；在后续算法中对提取到的这些数据进行归一化处理；
二、基于BCB模型的电机轴承故障诊断方法，具体包括如下步骤
1)基于采集的各健康状态下牵引电机轴承的运行数据划分训练样本和测试样本，提取特征参数，训练样本用于模型训练，建立输入特征与输出状态类别间的映射关系，测试样本用于评估模型的诊断性能；
2)BCB模型训练参数设计：
①BCB模型训练过程中的输入分为以下两类：
a.Bayes的训练样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；训练样本标签集，为一个列向量，每行代表一个样本对应的标签；训练过程中指定训练样本分布类型为高斯分布；提取的特征间要求相关性较小，且不同特征之间各自归一化，采用最大最小值的线性归一化策略，范围为0到1；标签为离散数0、1、2、3、4、5、6，表示7个不同类型的故障状态；
b.CNN和BP的训练样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；训练标签集为一个二维矩阵，每行代表一个样本对应的标签；设计CNN模型的超参数：隐含层数为5层及全连接层，学习率，迭代次数500次，卷积核个数分别为3,5,7,9,11，卷积层尺寸为1，步长为1，激活函数使用ReLU，最终以softmax分类输出；设计BP模型的超参数：学习率为0.001，迭代次数为20000，3层神经网络结构，输入层节点为7，隐藏层节点为50；原始数据采用线性归一化策略，范围为-1到1；标签为离散数0和1组成，两类健康状态情形中第一类为[0,1]，第二类为[1,0]，三类健康状态情形中第一类为[0,0,1]，第二类为[0,1,0]，第三类为[1,0,0]，7类故障状态中，第一类为[0,0,0,0,0,0,1]，第二类为[0,0,0,0,0,1,0]，第三类为[0,0,0,0,1,0,0]，第四类为[0,0,0,1,0,0,0]，第五类为[0,0,1,0,0,0,0]，第六类为[0,1,0,0,0,0,0]，第七类为[1,0,0,0,0,0,0]；
②BCB模型测试过程中的输入分为以下两类：
a.Bayes的测试样本数据集为一个矩阵，每行代表一个样本，每列代表一个特征；已经训练好的Bayes模型，该模型已建立训练样本特征及标签间的映射关系；
b.CNN和BP的测试样本数据集为一个三维矩阵，第一维表示样本序号，第二维和第三维组成的方阵为样本；已经训练好的CNN模型，该模型已建立训练样本特征及标签间的映射关系；
3)轴承故障诊断流程：
①准备阶段，确定牵引电机轴承健康状态类别，并收集相应状态下关键部件的运行数据，包括振动、温度、流量、压力、电压、电流，提取统计特征并经归一化，包括时域频域，形成训练样本集合；这一阶段的输入是所有待分类数据，输出是训练样本及特征；需要设置准确的样本标签以便模型的训练；
②训练阶段，确定BCB模型各个部分的模型参数，创建对应的模型结构，并设置参数及超参数，基于准备阶段的训练样本，对模型进行训练，这一阶段是机械性阶段，由程序自动计算完成；
③应用阶段，验证已完成训练的诊断模型的测试性能，其输入是待分类项和已完成训练的诊断模型，待分类项即测试样本，输出是待分类项与健康状态类别的映射关系，即测试样本的预测标签，根据预测标签及其真实标签计算测试诊断准确率；将训练好的模型进行决策融合，3个模型的分类结果作为输入变量，并将输出结果进行拼接，建立一个空的list存放最后的结果：对results进行转置，此时矩阵的每一行代表3个模型分别对该样本的预测结果；按照对单个模型的预测正确率设置相应的权重，最终给定预测结果。
2.根据权利要求1所述的一种基于BCB模型的电机轴承故障诊断及特征提取方法，其特征在于：一、特征提取及数据预处理方法的步骤1)中，牵引电机轴承X轴振动加速度信号更换为经过高通滤波后积分得到每种故障状态下的速度信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669894.4A CN116304551A (zh) | 2022-12-25 | 2022-12-25 | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669894.4A CN116304551A (zh) | 2022-12-25 | 2022-12-25 | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304551A true CN116304551A (zh) | 2023-06-23 |
Family
ID=86827600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211669894.4A Pending CN116304551A (zh) | 2022-12-25 | 2022-12-25 | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304551A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648565A (zh) * | 2023-10-27 | 2024-03-05 | 甘肃倚莱克特电力科技有限公司 | 一种发电机故障识别算法 |
-
2022
- 2022-12-25 CN CN202211669894.4A patent/CN116304551A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648565A (zh) * | 2023-10-27 | 2024-03-05 | 甘肃倚莱克特电力科技有限公司 | 一种发电机故障识别算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN104020401B (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
| CN109947080A (zh) | 一种故障诊断的方法、装置、计算机存储介质及终端 | |
| CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
| CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
| CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
| CN106813921A (zh) | 一种旋转机械复合故障诊断方法 | |
| CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
| CN116304551A (zh) | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 | |
| CN115048874A (zh) | 一种基于机器学习的飞行器设计参数预估方法 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| CN113188807A (zh) | 一种abs结果自动判定算法 | |
| Chen et al. | Multiscale shared learning for fault diagnosis of rotating machinery in transportation infrastructures | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| 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 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN116087647A (zh) | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 | |
| CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
| CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
| CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 |
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 |