CN116304633A - 一种机械部件在线智能故障诊断方法及故障诊断系统 - Google Patents
一种机械部件在线智能故障诊断方法及故障诊断系统 Download PDFInfo
- Publication number
- CN116304633A CN116304633A CN202310271351.5A CN202310271351A CN116304633A CN 116304633 A CN116304633 A CN 116304633A CN 202310271351 A CN202310271351 A CN 202310271351A CN 116304633 A CN116304633 A CN 116304633A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- signal
- mfcc
- intelligent fault
- physical
- 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 143
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000010183 spectrum analysis Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电池生产技术领域,公开了一种机械部件在线智能故障诊断方法及故障诊断系统,其中方法包括:采集机械部件运行时产生的物理信号;提取所述物理信号的MFCC特征图;将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。本发明通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
Description
技术领域
本发明涉及电池生产技术领域,尤其涉及一种机械部件在线智能故障诊断方法及故障诊断系统。
背景技术
随着锂电池应用端需求的持续扩大,锂电池生产企业通过不断扩产实现规模化以实现降低成本,这对产线工艺、性能、生产效率提出了更高的要求,因此需要锂电池生产企业对产品工艺、技术进一步革新,使产线设备良品率、智能化程度和生产效率得到持续提高,释放设备更新迭代潜能。
按照生产流程,锂电池生产设备可划分为前端设备、中端设备、后端设备,其中关键设备主要集中在前端和中端。搅拌机、辊压机作为前段设备的重要组成部分,该些设备的稳定性对所生产的电池的品质和性能起到至关重要的作用。而轴承作为搅拌机、辊压机等设备的重要机械部件,在很大程度上,它决定着搅拌机、辊压机等设备的稳定性,如果不能及时检测出轴承的故障,则设备的稳定性无法保证,从而影响所生产的电池的品质和性能。
因此,如何对轴承进行故障检测成为了本领域技术人员亟待解决的技术难题。
以上信息作为背景信息给出只是为了辅助理解本公开,并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。
发明内容
本发明提供一种机械部件在线智能故障诊断方法及故障诊断系统,以实现对轴承等机械部件的故障检测。
为实现上述目的,本发明提供以下的技术方案:
第一方面,本发明提供一种机械部件在线智能故障诊断方法,所述方法包括:
采集机械部件运行时产生的物理信号;
提取所述物理信号的MFCC特征图;
将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
进一步地,所述机械部件在线智能故障诊断方法中,所述提取所述物理信号的MFCC特征图的步骤包括:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
进一步地,所述机械部件在线智能故障诊断方法中,所述对所述物理信号进行预处理,得到所述物理信号的MFCC特征的步骤包括:
对所述物理信号进行预加重处理,得到加重物理信号;
对所述加重物理信号进行分帧处理,得到若干个信号帧;
对每个所述信号帧进行加窗处理,得到若干个信号加窗帧;
对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度;
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征;或者,
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波;
计算所述梅尔滤波器组输出的对数能量;
对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
进一步地,所述机械部件在线智能故障诊断方法中,在所述将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果的步骤之前,所述方法还包括:
构建并训练智能故障诊断模型。
进一步地,所述机械部件在线智能故障诊断方法中,所述构建并训练智能故障诊断模型的步骤包括:
构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集;
使用预训练模型训练所述数据集,得到智能故障诊断模型。
第二方面,本发明提供一种机械部件在线智能故障诊断系统,所述系统包括:
信号采集模块,用于采集机械部件运行时产生的物理信号;
特征提取模块,用于提取所述物理信号的MFCC特征图;
故障诊断模块,用于将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
进一步地,所述机械部件在线智能故障诊断系统中,所述特征提取模块具体用于:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
进一步地,所述机械部件在线智能故障诊断系统中,所述特征提取模块执行的所述对所述物理信号进行预处理,得到所述物理信号的MFCC特征的步骤包括:
对所述物理信号进行预加重处理,得到加重物理信号;
对所述加重物理信号进行分帧处理,得到若干个信号帧;
对每个所述信号帧进行加窗处理,得到若干个信号加窗帧;
对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度;
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征;或者,
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波;
计算所述梅尔滤波器组输出的对数能量;
对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
进一步地,所述机械部件在线智能故障诊断系统中,所述系统还包括模型构建模块,用于:
构建并训练智能故障诊断模型。
进一步地,所述机械部件在线智能故障诊断系统中,所述模型构建模块具体用于:
构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集;
使用预训练模型训练所述数据集,得到智能故障诊断模型。
第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的机械部件在线智能故障诊断方法。
第四方面,本发明提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令由计算机处理器执行,以实现如上述第一方面所述的机械部件在线智能故障诊断方法。
与现有技术相比,本发明具有以下有益效果:
本发明提供的一种机械部件在线智能故障诊断方法及故障诊断系统,通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
附图说明
为了更清楚地说明本发明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一些实施例,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,还可以根据这些附图获得其它的附图。
图1是本发明实施例一提供的一种机械部件在线智能故障诊断方法的流程示意图;
图2是本发明实施例一提及的旋转轴的结构示意图;
图3是本发明实施例一提及的诊断机械部件故障时需要用到的软、硬件设备的结构示意图;
图4是本发明实施例二提供的一种机械部件在线智能故障诊断方法的流程示意图;
图5是本发明实施例二提及的各f(m)之间的间隔随着m值的减小二缩小,随着m值的增大而增宽的示意图;
图6是本发明实施例三提供的一种机械部件在线智能故障诊断方法的流程示意图;
图7是本发明实施例四提供的一种机械部件在线智能故障诊断系统的功能模块示意图;
图8是本发明实施例五提供的一种计算机设备的结构示意图。
附图标记:
辊1,轴承座2,轴承3,信号检测传感器4,数据采集卡5,计算机6。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。此外,本领域普通技术人员可知,随着技术发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
在本申请的描述中,需要理解的是,除非另有定义,本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。此外,使用的任何术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
有鉴于上述现有的诊断轴承等机械部件故障的技术存在的缺陷,本申请人基于从事此领域设计制造多年丰富的实务经验及专业知识,并配合学理的运用,积极加以研究创新,以希望创设能够解决现有技术中缺陷的技术。经过不断的研究、设计,并经过反复试作样品及改进后,终于创设出确切可行的本发明。
请参考附图1,附图1为本发明实施例一提供的一种机械部件在线智能故障诊断方法的流程示意图,该方法适用于对辊压机、搅拌机等机械设备中的轴承等机械部件进行故障诊断的场景,该方法由机械部件在线智能故障诊断系统来执行,该系统可以由软件和/或硬件实现。该方法具体包括如下步骤:
S101、采集机械部件运行时产生的物理信号。
需要说明的是,本实施例中的机械部件除轴承外,还可以是机械设备中长期运行可能出现故障的其它机械部件,比如紧固件、齿轮等。
本实施例以诊断轴承的故障为例,请参考附图2,该图为旋转轴的结构示意图,旋转轴包括辊1、轴承座2和轴承3。
请参考附图3,诊断轴承3的故障时需要用到的软、硬件设备包括信号检测传感器4、数据采集卡5和计算机6;其中,信号检测传感器4布置在轴承座2上,并与数据采集卡6通信连接;数据采集卡6与计算机7通信连接;计算机7中安装有机械部件在线智能故障诊断系统。当需要进行对轴承3的故障诊断时,首先先通过信号检测传感器4采集轴承3运行时产生的物理信号,然后信号检测传感器4将采集到的物理信号输出给数据采集卡6,数据采集卡6再通过网线接入到计算机7,继而将物理信号传递给计算机7,由计算机7中的机械部件在线智能故障诊断系统进行对轴承3的故障诊断。
可以理解的是,本实施例中的物理信号为机械部件处于正常和故障这两种状态时具有不同表征的信号,比如可以是音频信号,也可以是振动信号;当物理信号为音频信号时,能够通过音频采集装置(例如:噪声检测传感器、麦克风,本发明不以此为限)采集检测目标,即机械部件运行过程产生的音频信号;当物理信号为振动信号时,能够通过振动感测器(例如:加速度感测器、速度感测器、位移感测器或加速规,本发明不以此为限)采集检测目标,即机械部件运行过程产生的振动信号。
S102、提取所述物理信号的MFCC特征图。
需要说明的是,音频信号和振动信号等物理信号是能够及时反映机械部件运行状态的有效特征。
在信号识别技术中,需要提取信号的特征,然后就可以使用该信号进行模型的训练或者是进行识别,目前很常用的一种特征叫做MFCC特征,又叫做Mel(梅尔)倒谱系数特征(Mel-Frequency Cepstral Coefficients)。Mel频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系。MFCC(Mel频率倒谱系数)特征则是利用它们之间的这种关系,计算得到的Hz频谱特征,MFCC特征已经广泛地应用在信号识别领域。
MFCC特征保留了语义相关的一些内容,过滤掉了诸如背景杂音等无关的信息。由于不同信号的MFCC特征图差异很大,而相同信号的MFCC特征图非常相近,可以将其理解为信号识别问题中的同种类别信号的图片,因此可以将信号识别问题转换为图像识别问题。
S103、将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
需要说明的是,该步骤实际是将MFCC特征图与智能故障诊断模型进行匹配,当匹配结果低于所设定的阈值时,则诊断为机械部件故障;例如,若机械部件为辊压机中的轧辊轴承时,诊断为轧辊轴承或轴承座故障;若机械部件为搅拌机中的搅拌轴或分散轴时,诊断为搅拌轴或分散轴故障,又或者是负压密封不良、油封磨损的故障;反之,当匹配结果不低于所设定的阈值时,则诊断为机械部件正常。
智能故障诊断模型是对预先搭建的神经网络模型进行训练得到的,用于根据机械部件的信号特征,诊断当前时刻机械部件是否会发生故障的模型。
通过上述步骤,可以基于机械部件的实时信号特征,借助智能故障诊断模型,在线对机械部件当前时刻是否已发生故障或者在未来一段时间之内是否会发生故障进行诊断,进而为机械设备的使用规划带来便利。
尽管本申请中较多的使用了机械部件、物理信号、MFCC特征、智能故障诊断模型等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
本发明提供的一种机械部件在线智能故障诊断方法,通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
实施例二
请参考附图4,附图4是本发明实施例二提供的一种机械部件在线智能故障诊断方法的流程示意图,本实施例在实施例一的基础上,对步骤S102“提取所述物理信号的MFCC特征图”做了进一步优化。与上述各实施例相同或相应的术语的解释在此不再赘述。即:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
基于上述优化,如附图4所示,本实施例提供的一种机械部件在线智能故障诊断方法,可以包括如下步骤:
S201、采集机械部件运行时产生的物理信号。
S202、对所述物理信号进行预处理,得到所述物理信号的MFCC特征。
需要说明的,该步骤对所述物理信号进行的预处理实际上是提取所述物理信号的MFCC特征的过程,在该过程中可以采用梅尔倒谱的分析方法,也可以采用梅尔频谱的分析方法,即:
在一种实施方式中,当采用梅尔频谱的分析方法时,所述步骤S202可进一步细化为包括如下步骤:
(1)对所述物理信号进行预加重处理,得到加重物理信号。
需要说明的是,通过对输入的物理信号经过一个高通滤波器H(Z)=1-μz-1进行预加重处理,可提升高频信号,将信号的频谱变得平坦,保持在低频到高频的整个频带中,可以用同样的信噪比求频谱,同时也为了补偿信号受到系统所抑制的高频部分,为了突出高频的共振峰。
(2)对所述加重物理信号进行分帧处理,得到若干个信号帧。
需要说明的是,在预加重之后,将信号分成短时帧。信号在大多数情况下是非平稳的,对整个信号进行傅里叶变换没有意义,因为会随着时间的推移丢失信号的频率轮廓。因此需要在短时帧信号上进行傅里叶变换,通过连接相邻帧来获得信号频率轮廓的良好近似。
(3)对每个所述信号帧进行加窗处理,得到若干个信号加窗帧。
需要说明的是,加窗是为了解决由于信号的非周期截断,导致频谱在整个频带内发生了拖尾现象的泄漏问题,可以使得使全局更加连续,避免出现吉布斯效应。将信号分帧之后,将每一帧代入汉明窗函数W(n)=(1-a)-a*cos(2*π*n/N),1≤n≤N,窗外的值设为0,消除各个帧两端可能造成的信号不连续。a的取值为0.46。
(4)对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度。
需要说明的是,由于信号在时域上的变换通常很难看出信号的特性,所以通常将它转换为频域上的能量来分布观察,不同的能量特性,就能代表不同的信号特性。对分帧加窗后的各帧信号进行短时傅里叶变换(STFT),通过做一个N点FFT来计算频谱,其中N通常为256或者512。对于加窗后的矩阵,对每一帧进行N=512的FFT快速傅里叶变换,得到一个大小对每一帧的512个数据点分别取模,再取平方,然后除以512,得到能量谱密度E。
(5)使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征。
需要说明的是,梅尔滤波器组是一种根据人耳听觉机理特性构造的仿生滤波器,梅尔滤波器组具有低频密集,高频稀疏的特点。
将能量谱通过一组Mel尺度的三角形滤波器组,定义一个有M个滤波器的滤波器组(滤波器的个数和临界带的个数相近),采用的滤波器为三角滤波器。各f(m)之间的间隔随着m值的减小二缩小,随着m值的增大而增宽,如附图5所示。
三角滤波器的频率响应:
三角带通的滤波器对频谱进行平滑化,并消除谐波的作用,突显原先信号的共振峰,并同时降低运算量。
在另一种实施方式中,当采用梅尔倒谱的分析方法时,所述步骤S202可进一步细化为包括如下步骤:
(1)对所述物理信号进行预加重处理,得到加重物理信号。
(2)对所述加重物理信号进行分帧处理,得到若干个信号帧。
(3)对每个所述信号帧进行加窗处理,得到若干个信号加窗帧。
(4)对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度。
(5)使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波。
(6)计算所述梅尔滤波器组输出的对数能量。
需要说明的是,计算每个滤波器组输出的对数能量的公式为:
(7)对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
需要说明的是,对上一步中计算出的对数能量进行离散余弦变换(DiscreteCosine Transform,DCT),可得到所述物理信号的MFCC特征。
由上可见,相比于采用梅尔频谱的分析方法,梅尔倒谱的分析方法会多两个步骤,即采用梅尔频谱的分析方法时在梅尔滤波器滤波后会直接得到MFCC特征,而采用梅尔倒谱的分析方法时在梅尔滤波器滤波后还需要再进行对数运算和离散余弦变换才会得到MFCC特征。
S203、将所述MFCC特征转换为MFCC特征图。
需要说明的是,通过将MFCC特征转换成灰度图,可得到MFCC特征图。
S204、将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
本发明提供的一种机械部件在线智能故障诊断方法,通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
实施例三
请参考附图6,附图6是本发明实施例三提供的一种机械部件在线智能故障诊断方法的流程示意图,本实施例在实施例一的基础上,在步骤S103“将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果”之前,更具体地,是在步骤S101“采集机械部件运行时产生的物理信号”之前,对该方法做了进一步优化。与上述各实施例相同或相应的术语的解释在此不再赘述。具体的,本实施例提供的的方法还可以包括如下步骤:
构建并训练智能故障诊断模型。
基于上述优化,如附图6所示,本实施例提供的一种机械部件在线智能故障诊断方法,可以包括如下步骤:
S301、构建并训练智能故障诊断模型。
可以理解的是,在本实施例提供的方案中,由于需要借助预先训练得到的智能故障诊断模型进行诊断,则智能故障诊断模型的训练效果,决定了进行诊断时,诊断结果的正确率。
故,在本实施例中,所述步骤S301可进一步细化为包括如下步骤:
(1)构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集。
需要说明的是,神经网络模型可以采用backbone(主干网络)模型,还可以采用传统的GMM(高斯混合)模型,或者SVM(支持向量机)模型等其它神经网络模型。
(2)使用预训练模型训练所述数据集,得到智能故障诊断模型。
需要说明的是,该步骤具体可使用imagnet的预训练模型训练数据集。
imagnet是一个计算机视觉系统识别项目,是目前世界上图像识别最大的数据库。其由美国斯坦福的计算机科学家模拟人类的识别系统建立的,能够从图片识别物体。
S302、采集机械部件运行时产生的物理信号。
S303、提取所述物理信号的MFCC特征图。
S304、将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
本发明提供的一种机械部件在线智能故障诊断方法,通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
实施例四
请参考附图7,附图7为本发明实施例四提供的一种机械部件在线智能故障诊断系统的功能模块示意图,该系统适用于执行本发明实施例提供的机械部件在线智能故障诊断方法。该系统具体包含如下模块:
信号采集模块401,用于采集机械部件运行时产生的物理信号;
特征提取模块402,用于提取所述物理信号的MFCC特征图;
故障诊断模块403,用于将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
可选地,所述特征提取模块401具体用于:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
可选地,所述特征提取模块401执行的所述对所述物理信号进行预处理,得到所述物理信号的MFCC特征的步骤包括:
对所述物理信号进行预加重处理,得到加重物理信号;
对所述加重物理信号进行分帧处理,得到若干个信号帧;
对每个所述信号帧进行加窗处理,得到若干个信号加窗帧;
对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度;
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征;或者,
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波;
计算所述梅尔滤波器组输出的对数能量;
对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
可选地,所述系统还包括模型构建模块,用于:
构建并训练智能故障诊断模型。
可选地,所述模型构建模块具体用于:
构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集;
使用预训练模型训练所述数据集,得到智能故障诊断模型。
本发明提供的一种机械部件在线智能故障诊断系统,通过采集轴承等机械部件运行时产生的物理信号,对采集的物理信号进行频谱分析,并结合智能故障诊断模型实现对机械部件的在线智能故障诊断,不仅提高了故障诊断的及时性,从而能够保证机械设备运行的稳定性,而且诊断结果准确性高,易于工程实现和实际应用。
上述系统可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
附图8为本发明实施例五提供的一种计算机设备的结构示意图。附图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。附图8显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如附图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(附图8未显示,通常称为“硬盘驱动器”)。尽管附图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备15(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如附图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管附图8中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的机械部件在线智能故障诊断方法。
实施例六
本发明实施例六提供了一种计算机可读存储介质,其上存储有计算机可执行指令,该指令被处理器执行时实现如本申请所有发明实施例提供的机械部件在线智能故障诊断方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合,不同实施例中的特征任意组合也在本申请的保护范围内,也就是说,上述描述的多个实施例还可根据实际需要任意组合。
需要说明的是,上述所有附图均为本申请示例性的图示,并不代表产品实际大小。且附图中部件之间的尺寸比例关系也不作为对本申请实际产品的限定。
最后,应注意的是,以上所述,仅为本申请的部分实施例和实施方式,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,本申请的保护范围不局限于此,任何熟知本领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种机械部件在线智能故障诊断方法,其特征在于,所述方法包括:
采集机械部件运行时产生的物理信号;
提取所述物理信号的MFCC特征图;
将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的机械部件在线智能故障诊断方法,其特征在于,所述提取所述物理信号的MFCC特征图的步骤包括:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
3.根据权利要求2所述的机械部件在线智能故障诊断方法,其特征在于,所述对所述物理信号进行预处理,得到所述物理信号的MFCC特征的步骤包括:
对所述物理信号进行预加重处理,得到加重物理信号;
对所述加重物理信号进行分帧处理,得到若干个信号帧;
对每个所述信号帧进行加窗处理,得到若干个信号加窗帧;
对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度;
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征;或者,
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波;
计算所述梅尔滤波器组输出的对数能量;
对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
4.根据权利要求1所述的机械部件在线智能故障诊断方法,其特征在于,在所述将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果的步骤之前,所述方法还包括:
构建并训练智能故障诊断模型。
5.根据权利要求4所述的机械部件在线智能故障诊断方法,其特征在于,所述构建并训练智能故障诊断模型的步骤包括:
构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集;
使用预训练模型训练所述数据集,得到智能故障诊断模型。
6.一种机械部件在线智能故障诊断系统,其特征在于,所述系统包括:
信号采集模块,用于采集机械部件运行时产生的物理信号;
特征提取模块,用于提取所述物理信号的MFCC特征图;
故障诊断模块,用于将所述MFCC特征图输入到智能故障诊断模型中进行故障诊断,得到故障诊断结果。
7.根据权利要求6所述的机械部件在线智能故障诊断系统,其特征在于,所述特征提取模块具体用于:
对所述物理信号进行预处理,得到所述物理信号的MFCC特征;
将所述MFCC特征转换为MFCC特征图。
8.根据权利要求7所述的机械部件在线智能故障诊断系统,其特征在于,所述特征提取模块执行的所述对所述物理信号进行预处理,得到所述物理信号的MFCC特征的步骤包括:
对所述物理信号进行预加重处理,得到加重物理信号;
对所述加重物理信号进行分帧处理,得到若干个信号帧;
对每个所述信号帧进行加窗处理,得到若干个信号加窗帧;
对每个所述信号加窗帧进行离散傅里叶变换,并根据傅里叶变换结果,计算每个所述信号加窗帧的能量谱密度;
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波,得到所述物理信号的MFCC特征;或者,
使用梅尔滤波器组对每个所述信号加窗帧的能量谱密度进行滤波;
计算所述梅尔滤波器组输出的对数能量;
对所述对数能量进行离散余弦变换,得到所述物理信号的MFCC特征。
9.根据权利要求6所述的机械部件在线智能故障诊断系统,其特征在于,所述系统还包括模型构建模块,用于:
构建并训练智能故障诊断模型。
10.根据权利要求9所述的机械部件在线智能故障诊断系统,其特征在于,所述模型构建模块具体用于:
构建神经网络模型,并通过所述神经网络模型将正常状态下机械部件的物理信号的MFCC特征图转换为RGB三通道的图像,得到数据集;
使用预训练模型训练所述数据集,得到智能故障诊断模型。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的机械部件在线智能故障诊断方法。
12.一种包含计算机可执行指令的存储介质,所述计算机可执行指令由计算机处理器执行,以实现如权利要求1-5中任一项所述的机械部件在线智能故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271351.5A CN116304633A (zh) | 2023-03-20 | 2023-03-20 | 一种机械部件在线智能故障诊断方法及故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271351.5A CN116304633A (zh) | 2023-03-20 | 2023-03-20 | 一种机械部件在线智能故障诊断方法及故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304633A true CN116304633A (zh) | 2023-06-23 |
Family
ID=86781212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310271351.5A Pending CN116304633A (zh) | 2023-03-20 | 2023-03-20 | 一种机械部件在线智能故障诊断方法及故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304633A (zh) |
-
2023
- 2023-03-20 CN CN202310271351.5A patent/CN116304633A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020173133A1 (zh) | 情感识别模型的训练方法、情感识别方法、装置、设备及存储介质 | |
CN110322891B (zh) | 一种语音信号的处理方法、装置、终端及存储介质 | |
CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
JP2021526242A (ja) | 保険の録音による品質検査方法、装置、機器及びコンピュータ記憶媒体 | |
CN110246504A (zh) | 鸟类声音识别方法、装置、计算机设备和存储介质 | |
US20230032417A1 (en) | Game special effect generation method and apparatus, and storage medium and electronic device | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN118364271B (zh) | 基于声音及图像特征的gis断路器运行状态监测方法及系统 | |
Luo et al. | A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2 | |
CN114065809A (zh) | 一种乘用车异响识别方法、装置、电子设备以及存储介质 | |
CN115910097A (zh) | 一种高压断路器潜伏性故障可听声信号识别方法及系统 | |
Liu et al. | Successive multivariate variational mode decomposition | |
CN115273904A (zh) | 一种基于多特征融合的愤怒情绪识别方法及装置 | |
CN115035887A (zh) | 语音信号的处理方法、装置、设备及介质 | |
Pang et al. | Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings | |
WO2023185801A1 (zh) | 振动信号的识别方法及装置 | |
CN112382293A (zh) | 一种电力物联网的智能语音交互方法及系统 | |
CN116304633A (zh) | 一种机械部件在线智能故障诊断方法及故障诊断系统 | |
CN116631380A (zh) | 一种音视频多模态的关键词唤醒方法及装置 | |
CN113035230B (zh) | 认证模型的训练方法、装置及电子设备 | |
CN113782005B (zh) | 语音识别方法及装置、存储介质及电子设备 | |
CN103971676A (zh) | 一种快速语音孤立词识别算法及其用途、语音识别系统 | |
CN113823089A (zh) | 交通量检测方法、装置、电子设备及可读存储介质 | |
CN113327265A (zh) | 一种基于指导学习策略的光流估计方法和系统 | |
Zhao et al. | Fault diagnosis based on feature enhancement and spatial adjacent region dropout strategy |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 215500 No. 68, Xin'anjiang Road, Southeast street, Changshu, Suzhou, Jiangsu Applicant after: Jiangsu Zhengli New Energy Battery Technology Co.,Ltd. Address before: 215500 No. 68, Xin'anjiang Road, Southeast street, Changshu, Suzhou, Jiangsu Applicant before: Jiangsu Zenergy Battery Technologies Co.,ltd Country or region before: China |
|
CB02 | Change of applicant information |