CN116415185A - 一种基于工业互联网的滚动轴承监测方法、设备及介质 - Google Patents

一种基于工业互联网的滚动轴承监测方法、设备及介质 Download PDF

Info

Publication number
CN116415185A
CN116415185A CN202310653038.8A CN202310653038A CN116415185A CN 116415185 A CN116415185 A CN 116415185A CN 202310653038 A CN202310653038 A CN 202310653038A CN 116415185 A CN116415185 A CN 116415185A
Authority
CN
China
Prior art keywords
fault
rolling bearing
monitoring
signal
target rolling
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.)
Granted
Application number
CN202310653038.8A
Other languages
English (en)
Other versions
CN116415185B (zh
Inventor
谷兴龙
肖雪
商广勇
李佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Yunzhou Shandong Industrial Internet Co Ltd
Original Assignee
Inspur Yunzhou Shandong Industrial Internet Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Yunzhou Shandong Industrial Internet Co Ltd filed Critical Inspur Yunzhou Shandong Industrial Internet Co Ltd
Priority to CN202310653038.8A priority Critical patent/CN116415185B/zh
Publication of CN116415185A publication Critical patent/CN116415185A/zh
Application granted granted Critical
Publication of CN116415185B publication Critical patent/CN116415185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Discrete Mathematics (AREA)
  • Operations Research (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本说明书实施例公开了一种基于工业互联网的滚动轴承监测方法、设备及介质，方法包括：获取多个振动传感器分别采集的第一监测信号，并将第一监测信号存储于预设时序数据库；对第一监测信号过滤，获得第二监测信号，并对第二监测信号分割，获得第三监测信号；通过预设算法提取第三监测信号的故障特征，将故障特征输入预设故障分类模型，获得目标滚动轴承的故障类型；根据故障类型与故障特征，确定当前故障等级；获取预设时序数据库中与故障类型相对应的第四监测信号，并根据第一监测信号与第四监测信号获取预设周期内的故障参数值的变化数据；根据变化数据与故障类型确定当前故障等级到下一故障等级的时间，实现对目标滚动轴承的故障监测。

Description

一种基于工业互联网的滚动轴承监测方法、设备及介质
技术领域
本说明书涉及故障监测技术领域，尤其涉及一种基于工业互联网的滚动轴承监测方法、设备及介质。
背景技术
滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件，是风电、轮渡、航空等领域的大型机械设备中比较重要的部件之一。在很多机械设备中由于滚动轴承对于承受冲击的能力比较差，在冲击载荷的作用下不可避免的容易出现滚动轴承的损坏情况，此外由于工作人员的安装不当、润滑不良、转速过高、腐蚀生锈等原因也容易导致滚动轴承出现损坏。滚动轴承的损坏会使机械设备产生异常的振动和噪声，进而发展成为故障，造成机械设备损坏，甚至发生灾难性事故。因此对于滚动轴承进行有效的故障监测，对于提高机械设备的安全性与可靠性具有重要的意义。
现有技术中，通过设备维修人员对于滚动轴承所在机械进行定期的或者不定期的检查，来发现设备中的滚动轴承的故障。基于人工监测的方式无法及时反馈滚动轴承的故障状态，无法对于故障进行及时响应，使得后续维修成本过高。
因此，现需要一种实时高效的滚动轴承的监测方法。
发明内容
本说明书一个或多个实施例提供了一种基于工业互联网的滚动轴承监测方法、设备及介质，用于解决如下技术问题：如何提供一种实时高效的滚动轴承的监测方法。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例提供一种基于工业互联网的滚动轴承监测方法，方法包括：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
可选地，本说明书一个或多个实施例中，所述对所述第一监测信号进行预处理，
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，具体包括：
基于所述第一监测信号的采样频率，获取所述第一监测信号的采样点的幅值，以根据所述采样点的幅值获取所述第一监测信号的采样平均值，并将所述采样平均值作为所述第一监测信号中的直流分量；
依次获取所述采样点与所述直流分量的差值，并根据所述差值构成所述第一监测信号的第一过滤信号；
获取所述目标滚动轴承的历史故障监测数据，基于所述历史故障监测数据，确定所述目标滚动轴承的各故障类型所对应的待分析频率覆盖范围；其中，所述待分析频率覆盖范围为各故障类型的异常信号能量谱所对应的频率构成。
将所述频率覆盖范围确定滤波器的窗函数，以根据所述窗函数对所述第一过滤信号进行过滤，获得第二过滤信号；
基于预设曲线拟合算法对所述第二过滤信号进行拟合，获取所述第二过滤信号的第一拟合信号，并根据所述第一拟合信号去除所述第二过滤信号的趋势项数据，获得第三过滤信号；
基于预设曲线拟合算法对所述第三过滤信号进行拟合，获取所述第三过滤信号的第二拟合信号，并根据所述第二拟合信号去除所述第三过滤信号的趋势项数据，获得所述目标滚动轴承的第二监测信号。所述对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，具体包括：
基于所述第一监测信号的采样频率，获取所述第一监测信号的采样点的幅值，以根据所述采样点的幅值获取所述第一监测信号的采样平均值，并将所述采样平均值作为所述第一监测信号中的直流分量；
依次获取所述采样点与所述直流分量的差值，并根据所述差值构成所述第一监测信号的第一过滤信号；
获取所述目标滚动轴承的历史故障监测数据，基于所述历史故障监测数据，确定所述目标滚动轴承的各故障类型所对应的待分析频率覆盖范围；其中，所述待分析频率覆盖范围为各故障类型的异常信号能量谱所对应的频率范围；
将所述频率覆盖范围确定滤波器的窗函数，以根据所述窗函数对所述第一过滤信号进行过滤，获得第二过滤信号；
基于预设拟合算法对所述第二过滤信号进行一次线性拟合，获取所述第二过滤信号的第一拟合信号，并根据所述第一拟合信号去除所述第二过滤信号的第一趋势项数据，获得第三过滤信号；
基于所述预设拟合算法对所述第三过滤信号进行二次曲线拟合，获取所述第二过滤信号的第二拟合信号，并根据所述第二拟合信号去除所述第三过滤信号的第二趋势项数据，获得所述目标滚动轴承的第二监测信号。
可选地，本说明书一个或多个实施例中，所述通过预设离散小波算法提取所述多个第三监测信号的故障特征，具体包括：
基于预设离散小波算法将所述第三监测信号分解为多个监测分量；
分别计算所述多个监测分量的峭度值，提取所述峭度值大于预设峭度阈值的监测分量作为待分析分量，根据所述待分析分量对所述第三监测信号进行傅里叶变换，得到所述第三监测信号的时域特征与频域特征；
基于所述目标滚动轴承的预存理论故障特征，所对应的理论时域特征与理论频域特征，对所述第三监测信号的时域特征与频域特征进行提取，获得所述第三监测信号的第一故障特征；
基于所述预设离散小波算法将所述多个监测分量分解为瞬时监测分量，以基于所述瞬时监测分量获取所述第三监测信号的第二故障特征；其中，所述瞬时监测分量包括：瞬时信号频率与瞬时信号幅值；
确定所述第一故障特征与所述第二故障特征的并集为所述第三监测信号的故障特征。
可选地，本说明书一个或多个实施例中，所述基于所述瞬时监测分量获取所述第三监测信号的第二故障特征具体包括：
根据所述目标滚动轴承的理论故障特征，确定所述目标滚动轴承的故障频率覆盖范围；
获取属于所述故障频率覆盖范围的瞬时监测分量，并对所述瞬时监测分量进行谱峭度计算获得所述第三监测信号的谱峭度图；
获取所述谱峭度图对应峭度的频率参数以及所述谱峭度图对应的频率带宽，并根据所述频率参数与所述频率带宽确定所述第三监测信号的带通滤波器；
根据所述带通滤波器对所述第三监测信号进行过滤，得到第四过滤信号，并对所述第四过滤信号进行时域与频域的转换分析，基于傅里叶变换获得对应的频率包络图；
基于所述包络图对应的包络频谱与所述第四过滤信号对应的信号频谱，确定所述第四过滤信号的频率特征，将所述频率特征进行转换，获取对应的时域特征，以基于所述频率特征与所述对应的时域特征确定所述第三监测信号的第二故障特征。
可选地，本说明书一个或多个实施例中，所述将所述故障特征输入到预设故障分类模型之前，所述方法还包括：
获取所述目标滚动轴承对应的故障样本集；其中，所述故障样本集包含所述目标轴承对应的不同故障类型的故障样本；
将所述故障样本集划分为训练样本集与测试样本集；其中，所述训练集包含故障类别不平衡的故障样本，所述测试集包含故障类别平衡的故障样本；
根据所述训练样本集和预设反向传播算法，训练深度卷积神经网络模型，生成初始故障诊断模型；
获取所述初始故障诊断模型内包含的训练器，通过预设错误故障样本与所述训练样本集对所述训练器进行训练，获取所述训练器的分类误差，并获取所述分类误差最小的训练器；
获取所述初始故障诊断模型内包含的生成器，通过不同的损失函数对所述生成器进行迭代训练得到符合要求的生成器；其中，所述损失函数包括：极大极小损失函数、最小二乘损失函数；
基于所述分类误差最小的训练器与所述符合要求的生成器，生成所述初始故障分类模型，基于所述初始故障分类模型对所述测试样本集进行故障检测，将检测结果的误差小于预设阈值的初始故障分类模型作为所述预设故障分类模型。
可选地，本说明书一个或多个实施例中，所述获取所述目标滚动轴承对应的故障样本集，具体包括：
分别获取所述目标滚动轴承的所述内圈、所述外圈、所述滚动体和所述保持架处于正常工作状态下的正常监测信号，并将所述正常监测信号作为第一信号样本；
分别获取所述目标滚动轴承的所述内圈、所述外圈、所述滚动体和所述保持架处于故障工作状态下的异常监测信号，并将所述异常监测信号作为第二信号样本；
对所述第一信号样本与所述第二信号样本进行预处理，获得符合要求的信号样本；
获取所述符合要求的信号样本所对应的故障类型，所述故障类型对应的所述目标滚动轴承的工况数据，以将所述符合要求的信号样本、所述故障类型以及所述工况数据进行组合获得所述目标滚动轴承对应的故障样本集。
可选地，本说明书一个或多个实施例中，所述根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据，具体包括：
基于所述第一监测信号与所述第四监测信号，获取所述目标滚动轴承预设周期内的差异信号；
对所述差异信号进行分解，得到所述差异信号的频域空间数据与所述差异信号的时域空间数据；
根据所述时域空间数据、所述时域空间数据与所述目标滚动轴承的理论故障特征所对应的理论时域特征与理论频域特征，确定所述差异信号中与所述故障特征相对应的故障参数；
根据所述预设周期内故障参数的变化值确定所述目标滚动轴承预设周期内的故障参数变化数据。
可选地，本说明书一个或多个实施例中，所述基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间之后，所述方法还包括：
根据所述预设时序数据库与所述故障类型、所述故障等级与所述当前故障等级到下一故障等级的时间获取所述目标滚动轴承指定区域内的关联滚动轴承；
基于所述工业互联网平台获取所述目标滚动轴承的第一位置信息与所述关联滚动轴承的第二位置信息；
根据所述第一位置信息与所述第二位置信息与所述指定区域的预设范围内维修人员的位置信息，确定所述目标滚动轴承与所述关联滚动轴承的维修策略。
本说明书一个或多个实施例提供一种基于工业互联网的滚动轴承故障监测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
根据工业互联网对第一监测信号进行处理，并对第二监测信号进行分割，在提高监测准确性的同时，使得分析可以分块进行，从而提高了监测的效率。基于预设离散小波算法对第三监测信号的故障特征进行提取，再利用预设故障分类模型对故障进行分类，高效的实现了对故障特征的完整提取和故障分类，可靠性较高。同时基于工业互联网平台进行故障检测，使得监测过程可以迅速形成流程化处理提高了监测的准确性。基于历史检测信号与第一监测信号确定的故障发展趋势，确定出从当前故障等级发展到下一故障等级的时间，实现了对目标滚动轴承的有效监测，提高了设备的安全性和可靠性，为后续维修提供了充足的维修时间。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书实施例提供的一种基于工业互联网的滚动轴承监测方法的方法流程示意图；
图2为本说明书实施例提供的一种基于工业互联网的滚动轴承故障监测设备的内部结构示意图；
图3为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种基于工业互联网的滚动轴承监测方法、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
如图1所示，本说明书实施例提供了一种基于工业互联网的滚动轴承故障检测方法的方法流程示意图。本申请实施例中应用于对设备中的滚动轴承进行故障监测的场景中，通过工业互联网平台或各执行单元执行本说明书中的方案。
如图1所示，方法包括以下步骤：
S101：获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号。
滚动轴承是传动机械中的核心组件，对于保持转动轴的位置和旋转精度具有举足轻重的作用，由于滚动轴承发生故障可能会造成整个机械系统停机，引起严重的经济损失，甚至带来灾难性的事故。所以，为了实现对于滚动轴承的实时监测，避免故障发生后才确定滚动轴承的故障带来的经济损失，本说明书实施例中将多个振动传感器预先设置在滚动轴承的不同位置，用来分别采集目标滚动轴承的内圈、外圈、滚动体和保持架的不同位置的第一监测信号。为了对于监测过程进行流程化处理，实现对于故障数据的高效处理，工业互联网平台获取多个振动传感器采集的第一监测信号，并将第一监测信号根据时间顺序存储在工业互联网平台的预设时序数据库中。通过引入工业互联网平台，能够以低代码的形式进行后续操作快速形成对于信号的流程化处理，提高了监测的效率，节省了人力查看花费的时间成本。
S102：对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号。
由于目标滚动轴承在不同工况下受噪声、摩擦等影响，使得第一监测数据中存在影响故障识别的数据，使得目标滚动轴承的故障监测结果准确性较低，因此，为了提高监测信号的可靠性。在本说明书一个或多个实施例中，通过对第一监测信号进行预处理，获得了目标滚动轴承的第二监测信号。具体地，通过对第一监测信号进行预处理，获得目标滚动轴承地第二监测信号，具体包括以下步骤：
首先，由于振动传感器存在地偏置电流等因素使得振动传感器采集的第一监测信号中存在有影响数据可靠性的直流分量。因此第一监测信号根据第一监测信号的采样频率，获取到第一监测信号的全部采样点。从而根据全部采样点的幅值，确定出第一监测信号所对应的的采样平均值，将获取的对应的采样平均值作为采集的第一监测信号中的直流分量。通过采样点与直流分量依次做差，获得全部的采样点分别和直流分量之间的差值，然后对全部的差值进行求和处理，构建出第一监测信号直流分量后的第一过滤信号。
然后获取到目标滚动轴承的历史故障监测数据，根据历史故障监测数据获取目标滚动轴承的各故障类型所对应的待分析频率覆盖范围。其中，待分析频率覆盖范围为各故障类型的异常信号能量谱所对应的频率构成：比如：故障类型1对应的频率覆盖范围为
Figure SMS_1
—
Figure SMS_2
，故障类型2对应的频率覆盖范围为/>
Figure SMS_3
—/>
Figure SMS_4
那么待分析频率覆盖范围即为/>
Figure SMS_5
—/>
Figure SMS_6
。根据确定出的频率覆盖范围确定滤波器的符合要求的窗函数，从而根据符合要求的窗函数对第一过滤信号进行过滤，获得该频率覆盖范围内的第二过滤信号。通过对于第一过滤信号的过滤获得第二过滤信号，减少了对于无关数据的分析造成的计算资源的浪费，加快了对于目标滚动轴承的故障分析过程。由于零漂、噪声、非正周期采样等因素经过积分累积之后造成的信号随时间偏离基线的趋势项现象，影响了信号数据反映出的正确性，所以为了去除第二过滤信号中存在的影响数据分析的趋势项，所以根据预设拟合算法对第二过滤信号进行一次线性拟合，获取第二过滤信号的第一拟合信号。并根据第一拟合信号去除掉第二过滤信号的第一趋势项数据，获得第三过滤信号。其中，需要说明的是一次线性拟合为直线拟合，去除的第一趋势项数据为线性趋势项数据。进一步的，为了进一步去除不同项数的趋势项增加数据的可靠性，在获得第三过滤信号之后，再根据预设拟合算法对第三过滤信号进行第二次曲线拟合处理，获取第三过滤信号的第二拟合信号，然后根据第二拟合信号去除掉第三过滤信号中的第二趋势项数据，获得目标滚动轴承的第二监测信号其中，需要说明的是二次曲线拟合为非线性拟合，以去除第二趋势项数据，可以理解的是第一趋势项数据基于一次积分获得，而第二趋势项数据基于二次积分获得，因此需要基于不同的拟合曲线进行去除，从而提高监测信号的可靠性。其中，预设拟合算法可以选用最小二乘算法。
在获得第二监测数据之后，通过基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号，使得多个第三监测信号可以基于并列线程进行分析处理，节省了单线程大量数据分析时，缓解了故障分析监测的效率较低的问题。
S103：通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
目前，目标滚动轴承主要故障形式可以分为：内圈、外圈和滚动体故障等，当外圈局部损伤时，故障信号的包络谱在外圈故障特征频率及其倍频处出现幅值衰减的离散谱线；当内圈或滚动体局部损伤时，故障信号的包络谱内圈或滚动体故障特征频率及其倍频处出现幅值逐渐减小的离散谱线，并且在内圈故障特频率及其倍频两侧出现以转频为间隔的边频带。 即当目标滚动轴承出现故障时，故障特征频率、倍频成分等特征构成不同类型故障的故障特征。为了可以基于准确的故障特征获得目标滚动轴承对应的故障类型，本说明书一个或多个实施例中，通过预设离散小波算法提取多个第三监测信号的故障特征。具体地，通过预设离散小波算法提取多个第三监测信号的故障特征，具体包括以下步骤:
首先根据预先设置的离散小波算法将第三监测信号分解为多个监测分量；然后分别计算各个监测分量的峭度值，从而基于各个监测分量的峭度值，提取出峭度值大于预设峭度阈值的监测分量作为待分析分量。根据提取到的待分析分量对第三监测信号进行预设的傅里叶变换，得到所述第三监测信号所包含的时域特征与频域特征。
然后根据目标滚动轴承的理论故障特征所对应的理论时域特征与理论频域特征，对第三监测信号的时域特征与频域特征进行提取，获得第三监测信号的第一故障特征。然后为了获取解决理论故障特征对时域特征与频域特征进行特征提取时，可能造成的微小特征数据被忽略的情况，提升故障识别的可靠性与全面性，本说明书一个或多个实施例中，根据预先设置的离散小波算法将多个监测分量分解为瞬时监测分量，从而根据获取到的瞬时监测分量确定出第三监测信号的第二故障特征。其中需要说明的时，瞬时监测分量包括：瞬时信号频率与瞬时信号幅值。
具体地，本说明书一个或多个实施例中，根据瞬时监测分量获取第三监测信号的第二故障特征，具体包括以下步骤：
首先，根据目标滚动轴承的预存理论故障特征，确定出目标滚动轴承的故障频率覆盖范围。然后获取到属于故障频率覆盖范围内的瞬时监测分量，并对瞬时监测分量进行谱峭度计算获得第三监测信号的谱峭度图。再获取谱峭度图所对应峭度的频率参数以及谱峭度图所对应的频率带宽，从而根据频率参数和频率带宽确定出第三监测信号的带通滤波器。根据确定地带通滤波器对第三监测信号进行过滤获得第四过滤信号。并对所述第四过滤信号进行时域与频域的转换分析，从而根据傅里叶变换获得第四过滤信号所对应的频率包络图。之后再根据获取地对应的包络图的包络频谱与第四过滤信号对应的信号频谱，获取第四过滤信号的频率特征。将确定的第四过滤信号的频率特征进行转换，获取对应的时域特征。从而根据第四过滤信号的频率特征以及第四过滤信号对应的时域特征确定出第三监测信号的第二故障特征。
根据上述过程中确定出的第一故障特征与第二故障特征。通过取第一故障特征与第二故障特征的并集作为第三监测信号的故障特征。通过再第一故障特征的基础上获取第二故障特征作为补充获得第三监测信号的故障特征，解决了微小数据缺乏造成的故障监测不准确的问题。
在获取到目标滚动轴承的故障特征后，通过将故障特征作为输入，分别输入到预设故障分类模型中，获得到目标滚动轴承的故障类型。为了提高故障类型识别的准确性，在本说明书一个或多个实施例中，将故障特征输入到预设故障分类模型之前，方法还包括：
获取目标滚动轴承对应的故障样本集，以便基于故障样本集训练预设故障分类模型。其中可以理解地是：故障样本集包含有目标轴承所对应的不同故障类型的故障样本。具体地，在本说明书一个或多个实施例中，获取目标滚动轴承对应地故障样本集，包括以下步骤：
首先，为了准确识别目标滚动轴承是否存在故障进而对故障类型进行识别，本申请实施例分别获取目标滚动轴承的内圈、外圈、滚动体和保持架处在正常工作状态下时振动传感器采集到的正常监测信号，并将该正常监测信号作为第一信号样本。同样地，分别获取目标滚动轴承的内圈、外圈、滚动体和保持架处于故障工作状态下时振动传感器采集到的异常监测信号，并将该异常监测信号作为第二信号样本。然后对获取的第一信号样本与第二信号样本进行预处理，获得符合要求的信号样本。获取符合要求的信号样本所对应的故障类型，不同故障类型所对应的目标滚动轴承的工况数据，以便于确定出现该类型的故障时目标滚动轴承处于何种工况状态。然后把符合要求的信号样本、故障类型以及工况数据进行组合获得目标滚动轴承对应的故障样本集。
获取目标滚动轴承对应的故障样本集之后，将故障样本集划分为训练样本集与测试样本集；其中，为了克服目标滚动轴承数据类别不平衡的问题，将训练集划分为包含故障类别不平衡的故障样本，测试集划分为包含故障类别平衡的故障样本。获得测试样本集与训练样本集之后，再根据训练样本集和预设反向传播算法，对深度卷积神经网络模型训练，生成初始故障诊断模型。为了提高初始故障诊断模型的精确性，获取初始故障诊断模型内包含的训练器，通过预设错误故障样本与训练样本集对训练器进行训练，获取训练器的分类误差，并获取所述分类误差最小的训练器。比如：预设错误故障样本为10个并对这10个错误故障样本进行标识，若识别结果中包含有错误故障样本则说明分类结果存在有误差，通过标签出现次数与总的训练次数获取分类器的分类误差，从而选择出分类误差最小的分类器。同时，获取初始故障诊断模型内包含的生成器，通过不同的损失函数对生成器进行迭代训练获得符合要求的生成器；其中，需要说明的是，损失函数包括有极大极小损失函数、最小二乘损失函数等。根据上述过程中获取的分类误差最小的训练器以及符合要求的生成器，更新初始故障诊断模型生成初始故障分类模型。然后根据初始故障分类模型对测试样本集进行故障检测，将检测结果的误差小于预设阈值的初始故障分类模型作为预设故障分类模型。通过对于初始故障诊断模型的更新，提高了故障分类模型的识别精确度，使得目标滚动轴承所在设备的安全性得到保证，提高了故障识别的可靠性。
S104：根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级。
基于上述步骤S103确定的预设故障分类模型对故障特征进行识别后，输出了目标滚动轴承的故障类型；根据不同故障类型所对应的故障特征，通过对比预先设置的标准故障表可以确定出目标滚动轴承该故障类型的当前故障等级。通过确定当前故障等级方便了维修人员对于不同等级的故障安排合适的维修人员进行维修，减少了高端人才维修设备造成的科研成本上升的问题。
S105：获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据。
在本说明书一个或多个实施例中，通过预设时序数据库获取与目标滚动轴承的故障类型相对应的目标滚动轴承的历史监测信号作为第四监测信号，并根据第一监测信号和第四监测信号获取到目标滚动轴承在预设周期内的故障参数发展趋势。具体地，根据第一监测信号与第四监测信号获取目标滚动轴承预设周期内的故障参数发展趋势，具体包括以下过程：
获取目标滚动轴承在预设周期内第一监测信号和第四监测信号的差异信号。然后再对差异信号进行分解获取到差异信号的频域空间数据和差异信号的时域空间数据。根据差异信号对应的时域空间数据、时域空间数据以及目标滚动轴承的理论故障特征所对应的理论时域特征与理论频域特征，确定出差异信号中与故障特征相对应的故障参数。然后再根据预设周期内故障参数的变化值确定出目标滚动轴承预设周期内的故障参数值的变化数据。
S106：基于所述故障参数发展趋势与所述故障类型确定所述目标滚动轴承由所述当前故障等级到下一故障等级的发展时间，实现对所述目标滚动轴承的故障监测。
为了监控预测目标滚动轴承的故障发展速度，以在限定时间内及时对目标滚动轴承的故障进行维修，避免设备停机带来的经济损失。本说明书实施例在上述步骤S105确定出故障参数的发展趋势之后，根据故障参数值的变化数据和故障类型确定出目标滚动轴承的故障发展速度以及发展到下一等级是所需的参数变换值，从而基于发展速度与所需的参数变换值，确定出从当前故障等级发展到下一故障等级的发展时间，实现对目标滚动轴承的故障监测。
具体地，在本说明书一个或多个实施例中，基于故障参数发展趋势与故障类型确定目标滚动轴承由当前故障等级到下一故障等级的时间之后，方法还包括以下步骤：
先根据预设时序数据库与目标滚动轴承的故障类型、故障等级以及发展时间获取该目标滚动轴承在指定区域范围内的关联滚动轴承。比如目标滚动轴承A在指定区域范围每的关联滚动轴承为滚动轴承B和滚动轴承C。然后基于工业互联网平台获取该目标滚动轴承的第一位置信息与关联滚动轴承的第二位置信息。接上述例子，即为：获取目标滚动轴承A的第一位置信息，获取滚动轴承B和滚动轴承C分别对应的第二位置信息。然后根据第一位置信息、第二位置信息以及指定区域的预设范围内维修人员的位置信息，确定出目标滚动轴承与所述关联滚动轴承的维修策略，以实现在该目标滚动轴承由当前故障等级发展到下一故障等级的时间内及时对目标滚动轴承以及关联轴承进行维修，从而减少设备停机造成的经济损失。
如图2所示，本说明书实施例提供了一种基于工业互联网的滚动轴承故障监测设备的内部结构示意图。
由图2可知，设备包括：
至少一个处理器201；以及，
与所述至少一个处理器201通信连接的存储器202；其中，
所述存储器202存储有所述至少一个处理器201的可执行指令，以使所述至少一个处理器201能够：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
如图3所示，本说明书实施例提供了一种非易失性存储介质的内部结构示意图。
由图3可知，一种非易失性存储介质，存储有计算机可执行指令301，该可执行指令301包括：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于工业互联网的滚动轴承监测方法，其特征在于，所述方法包括：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
2.根据权利要求1所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，具体包括：
基于所述第一监测信号的采样频率，获取所述第一监测信号的采样点的幅值，以根据所述采样点的幅值获取所述第一监测信号的采样平均值，并将所述采样平均值作为所述第一监测信号中的直流分量；
依次获取所述采样点与所述直流分量的差值，并根据所述差值构成所述第一监测信号的第一过滤信号；
获取所述目标滚动轴承的历史故障监测数据，基于所述历史故障监测数据，确定所述目标滚动轴承的各故障类型所对应的待分析频率覆盖范围；其中，所述待分析频率覆盖范围为各故障类型的异常信号能量谱所对应的频率范围；
将所述频率覆盖范围确定滤波器的窗函数，以根据所述窗函数对所述第一过滤信号进行过滤，获得第二过滤信号；
基于预设拟合算法对所述第二过滤信号进行一次线性拟合，获取所述第二过滤信号的第一拟合信号，并根据所述第一拟合信号去除所述第二过滤信号的第一趋势项数据，获得第三过滤信号；
基于所述预设拟合算法对所述第三过滤信号进行二次曲线拟合，获取所述第二过滤信号的第二拟合信号，并根据所述第二拟合信号去除所述第三过滤信号的第二趋势项数据，获得所述目标滚动轴承的第二监测信号。
3.根据权利要求1所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述通过预设离散小波算法提取所述多个第三监测信号的故障特征，具体包括：
基于预设离散小波算法将所述第三监测信号分解为多个监测分量；
分别计算所述多个监测分量的峭度值，提取所述峭度值大于预设峭度阈值的监测分量作为待分析分量，根据所述待分析分量对所述第三监测信号进行傅里叶变换，得到所述第三监测信号的时域特征与频域特征；
基于所述目标滚动轴承的预存理论故障特征，所对应的理论时域特征与理论频域特征，对所述第三监测信号的时域特征与频域特征进行提取，获得所述第三监测信号的第一故障特征；
基于所述预设离散小波算法将所述多个监测分量分解为瞬时监测分量，以基于所述瞬时监测分量获取所述第三监测信号的第二故障特征；其中，所述瞬时监测分量包括：瞬时信号频率与瞬时信号幅值；
确定所述第一故障特征与所述第二故障特征的并集为所述第三监测信号的故障特征。
4.根据权利要求3所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述基于所述瞬时监测分量获取所述第三监测信号的第二故障特征具体包括：
根据所述目标滚动轴承的理论故障特征，确定所述目标滚动轴承的故障频率覆盖范围；
获取属于所述故障频率覆盖范围的瞬时监测分量，并对所述瞬时监测分量进行谱峭度计算获得所述第三监测信号的谱峭度图；
获取所述谱峭度图对应峭度的频率参数以及所述谱峭度图对应的频率带宽，并根据所述频率参数与所述频率带宽确定所述第三监测信号的带通滤波器；
根据所述带通滤波器对所述第三监测信号进行过滤，得到第四过滤信号，并对所述第四过滤信号进行时域与频域的转换分析，基于傅里叶变换获得对应的频率包络图；
基于所述包络图对应的包络频谱与所述第四过滤信号对应的信号频谱，确定所述第四过滤信号的频率特征，将所述频率特征进行转换，获取对应的时域特征，以基于所述频率特征与所述对应的时域特征确定所述第三监测信号的第二故障特征。
5.根据权利要求1所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述将所述故障特征输入到预设故障分类模型之前，所述方法还包括：
获取所述目标滚动轴承对应的故障样本集；其中，所述故障样本集包含所述目标轴承对应的不同故障类型的故障样本；
将所述故障样本集划分为训练样本集与测试样本集；其中，所述训练集包含故障类别不平衡的故障样本，所述测试集包含故障类别平衡的故障样本；
根据所述训练样本集和预设反向传播算法，训练深度卷积神经网络模型，生成初始故障诊断模型；
获取所述初始故障诊断模型内包含的训练器，通过预设错误故障样本与所述训练样本集对所述训练器进行训练，获取所述训练器的分类误差，并获取所述分类误差最小的训练器；
获取所述初始故障诊断模型内包含的生成器，通过不同的损失函数对所述生成器进行迭代训练得到符合要求的生成器；其中，所述损失函数包括：极大极小损失函数、最小二乘损失函数；
基于所述分类误差最小的训练器与所述符合要求的生成器，生成所述初始故障分类模型，基于所述初始故障分类模型对所述测试样本集进行故障检测，将检测结果的误差小于预设阈值的初始故障分类模型作为所述预设故障分类模型。
6.根据权利要求5所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述获取所述目标滚动轴承对应的故障样本集，具体包括：
分别获取所述目标滚动轴承的所述内圈、所述外圈、所述滚动体和所述保持架处于正常工作状态下的正常监测信号，并将所述正常监测信号作为第一信号样本；
分别获取所述目标滚动轴承的所述内圈、所述外圈、所述滚动体和所述保持架处于故障工作状态下的异常监测信号，并将所述异常监测信号作为第二信号样本；
对所述第一信号样本与所述第二信号样本进行预处理，获得符合要求的信号样本；
获取所述符合要求的信号样本所对应的故障类型，所述故障类型对应的所述目标滚动轴承的工况数据，以将所述符合要求的信号样本、所述故障类型以及所述工况数据进行组合获得所述目标滚动轴承对应的故障样本集。
7.根据权利要求3所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据，具体包括：
基于所述第一监测信号与所述第四监测信号，获取所述目标滚动轴承预设周期内的差异信号；
对所述差异信号进行分解，得到所述差异信号的频域空间数据与所述差异信号的时域空间数据；
根据所述时域空间数据、所述时域空间数据与所述目标滚动轴承的理论故障特征所对应的理论时域特征与理论频域特征，确定所述差异信号中与所述故障特征相对应的故障参数；
根据所述预设周期内故障参数的变化值确定所述目标滚动轴承预设周期内的故障参数变化数据。
8.根据权利要求7所述的一种基于工业互联网的滚动轴承监测方法，其特征在于，所述基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间之后，所述方法还包括：
根据所述预设时序数据库与所述故障类型、所述故障等级与所述当前故障等级到下一故障等级的时间获取所述目标滚动轴承指定区域内的关联滚动轴承；
基于所述工业互联网平台获取所述目标滚动轴承的第一位置信息与所述关联滚动轴承的第二位置信息；
根据所述第一位置信息与所述第二位置信息与所述指定区域的预设范围内维修人员的位置信息，确定所述目标滚动轴承与所述关联滚动轴承的维修策略。
9.一种基于工业互联王的滚动轴承检测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有所述至少一个处理器的可执行指令，以使所述至少一个处理器能够：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
10.一种非易失性存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令包括：
获取多个振动传感器分别采集的对目标滚动轴承进行监测的第一监测信号，并基于时间顺序将所述第一监测信号存储于工业互联网平台的预设时序数据库中；其中，所述多个振动传感器分别用于采集所述目标滚动轴承的内圈、外圈、滚动体和保持架所在不同位置的相应振动信号；
对所述第一监测信号进行过滤，获得所述目标滚动轴承的第二监测信号，并基于预设序列长度对所述第二监测信号进行分割，获得多个第三监测信号；
通过预设离散小波算法提取所述多个第三监测信号中有所述目标滚动轴承的故障特征，将所述故障特征输入到预设故障分类模型，以确定所述目标滚动轴承的故障类型；
根据所述故障类型与所述故障特征，确定所述目标滚动轴承的当前故障等级；
获取所述预设时序数据库中与所述故障类型相对应的所述目标滚动轴承的历史第一监测信号作为第四监测信号，并根据所述第一监测信号与所述第四监测信号确定所述目标滚动轴承预设周期内的故障参数值的变化数据；
基于所述故障参数值的变化数据与所述故障类型，确定所述目标滚动轴承由所述当前故障等级到下一故障等级的时间，以将所述故障类型、所述当前故障等级与所述时间发送到对应操作人员的移动终端。
CN202310653038.8A 2023-06-05 2023-06-05 一种基于工业互联网的滚动轴承监测方法、设备及介质 Active CN116415185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310653038.8A CN116415185B (zh) 2023-06-05 2023-06-05 一种基于工业互联网的滚动轴承监测方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310653038.8A CN116415185B (zh) 2023-06-05 2023-06-05 一种基于工业互联网的滚动轴承监测方法、设备及介质

Publications (2)

Publication Number Publication Date
CN116415185A true CN116415185A (zh) 2023-07-11
CN116415185B CN116415185B (zh) 2023-08-25

Family

ID=87056306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310653038.8A Active CN116415185B (zh) 2023-06-05 2023-06-05 一种基于工业互联网的滚动轴承监测方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116415185B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849647A (zh) * 2024-03-08 2024-04-09 山东美燃氢动力有限公司 一种燃料电池的电堆健康状态监测方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2977933A1 (en) * 2017-03-24 2018-09-24 Canadian Pacific Railway Company Condition based maintenance of railcar roller bearings using predictive wayside alerts based on acoustic bearing detector measurements
CN115753101A (zh) * 2022-06-22 2023-03-07 河北工业大学 一种基于权重自适应特征融合的轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2977933A1 (en) * 2017-03-24 2018-09-24 Canadian Pacific Railway Company Condition based maintenance of railcar roller bearings using predictive wayside alerts based on acoustic bearing detector measurements
CN115753101A (zh) * 2022-06-22 2023-03-07 河北工业大学 一种基于权重自适应特征融合的轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIEN VAN: "Rolling Element Bearing Fault Diagnosis Using Integrated Nonlocal Means Denoising with Modified Morphology Filter Operators", 《HINDAWI》, pages 1 - 15 *
万丽: "设备状态在线监测平台在旋转型机械中的应用", 《机械研究与应用》, pages 176 - 179 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849647A (zh) * 2024-03-08 2024-04-09 山东美燃氢动力有限公司 一种燃料电池的电堆健康状态监测方法及设备

Also Published As

Publication number Publication date
CN116415185B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Ebersbach et al. Expert system development for vibration analysis in machine condition monitoring
El-Thalji et al. A summary of fault modelling and predictive health monitoring of rolling element bearings
Zappalá et al. Side‐band algorithm for automatic wind turbine gearbox fault detection and diagnosis
Li et al. Fault features extraction for bearing prognostics
EP2581724B1 (en) A method and a system for the purpose of condition monitoring of gearboxes
Dou et al. A rule-based intelligent method for fault diagnosis of rotating machinery
Shanbr et al. Detection of natural crack in wind turbine gearbox
CN116415185B (zh) 一种基于工业互联网的滚动轴承监测方法、设备及介质
CN110940917B (zh) 一种电动机故障预警方法及系统
US10823700B2 (en) Active oil debris monitor particle detection and monitoring system
Xue et al. Automatic diagnosis method for structural fault of rotating machinery based on distinctive frequency components and support vector machines under varied operating conditions
Attoui et al. Vibration-based bearing fault diagnosis by an integrated DWT-FFT approach and an adaptive neuro-fuzzy inference system
Kass et al. Self-running bearing diagnosis based on scalar indicator using fast order frequency spectral coherence
CN110887679A (zh) 一种轨道交通车辆健康管理方法、装置和系统
Gómez et al. Analysis of vibration signals of drivetrain failures in wind turbines for condition monitoring
Daniyan et al. Development of a diagnostic and prognostic tool for predictive maintenance in the railcar industry
CN111860899A (zh) 电机运维方法、装置、电子设备以及系统
Mendel et al. Rolling element bearing fault diagnosis in rotating machines of oil extraction rigs
US20240053225A1 (en) Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component
CN109934404B (zh) 船机轴承箱的状态预测方法、装置及计算机设备
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
Koukoura et al. Wind turbine intelligent gear fault identification
Jantunen et al. Predicting the remaining useful life of rolling element bearings
Hamadache et al. Improving signal-to-noise ratio (SNR) for inchoate fault detection based on principal component analysis (PCA)
Koukoura et al. Wind turbine gearbox planet bearing failure prediction using vibration data

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

Address after: 19th Floor, Building S02, Inspur Science and Technology Park, No. 1036, Inspur Road, High-tech Zone, Jinan City, Shandong Province, 250000

Applicant after: Inspur Yunzhou Industrial Internet Co.,Ltd.

Address before: 19th Floor, Building S02, Inspur Science and Technology Park, No. 1036, Inspur Road, High-tech Zone, Jinan City, Shandong Province, 250000

Applicant before: Inspur Yunzhou (Shandong) Industrial Internet Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant