CN116625654A - 一种振动信号故障诊断方法、装置、设备及存储介质 - Google Patents
一种振动信号故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116625654A CN116625654A CN202310407041.1A CN202310407041A CN116625654A CN 116625654 A CN116625654 A CN 116625654A CN 202310407041 A CN202310407041 A CN 202310407041A CN 116625654 A CN116625654 A CN 116625654A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- training
- dimensional array
- neural network
- fault diagnosis
- 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 76
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims description 73
- 238000003062 neural network model Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000004458 analytical method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 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
- G01M13/00—Testing of machine parts
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
本发明公开了一种振动信号故障诊断方法、装置、设备及存储介质,该方法将连续FRFT时频谱图和神经网络结合在一起,利用FRFT的频率‑相位特征提取能力和神经网络的局部特征分析能力,采集和建立设备振动信号故障数据集,使用该数据集训练图像分类神经网络,使用训练得到的神经网络进行推理,有效地对采集的振动信号进行故障判别和分类。能够准确地对振动信号进行故障诊断,及时判别故障类型和成因,从而提高机械设备运转的安全性。
Description
技术领域
本发明涉及故障诊断技术领域,特别是涉及一种基于FRFT时频谱图和神经网络的振动信号故障诊断方法、装置、设备及存储介质。
背景技术
机械振动是机械设备工作过程中常见的物理现象,设备中的传输、筛选等环节都会产生具有特定时频特征的振动信号,同时振动产生的载荷会对机械本身造成损伤并降低机械的使用寿命。机械正常运转时,其振动信号通常是平稳的周期信号,而当机械发生诸如传动失衡、部件损坏、外部干扰等故障时,其振动信号会产生频率、幅度和相位变化。采集和分析振动信号是对机械设备进行故障诊断的重要方法。但是通常机械设备振动信号的噪声较强,故障诱发的时变特征微小且不易提取,难以利用振动信号准确进行故障诊断。
传统的振动信号分析方法和步骤包括,对原始振动信号进行裁剪、降噪等处理,对初步处理的信号进行时频分析提取特定的信号特征,对特征进行筛选和分类得到诊断结果。其中的时频分析方法包括STFT(短时傅里叶变换)、WT(小波变换)、HT(希尔伯特变换)等,这些方法提取了信号的时频特征、小波特征等,对这些特征或其分布做进一步的筛选即可得到信号诊断结果。
而另一种振动信号的分析处理方法是采用神经网络。首先对原始采集信号做降噪、归一化等初步处理,将处理后的信号输入神经网络,计算得到网络输出,对神经网络输出做聚类处理得到诊断结果。采集大量的各个种类的振动信号,制作成数据集,使用数据集对上述神经网络进行训练,训练得到网络参数即可对新的信号进行诊断。上述神经网络通常包括1D-CNN(一维卷积神经网络),RNN(循环神经网络)等。
然而,由于传统的振动信号分析方法中,使用了先验的知识对信号进行特征提取(如采用STFT提取信号的频域特征、采用WT提取信号的小波特征),故而方法的范用性和鲁棒性不足。即是说,这些方法针对在特定特征上区别明显的故障类型能够进行有效提取,而对更多样的和更复杂的故障类型效果不佳;同时这些方法的特征提取也依赖于前期的信号预处理,对于有外部干扰等场景效果会有所下降。
而基于深度学习的振动信号分析方法中,使用了神经网络将振动信号转换为未知的特征向量,由于提取的特征缺乏了先验知识,其效果非常依赖于大量的数据,往往数据集难以制作且神经网络训练时难以收敛。同时,由于神经网络运算过程中的信息丢失,这些方法往往对于微小的故障特征难以做到有效提取和判别。
发明内容
鉴于上述问题,本发明提供用于克服上述问题或者至少部分地解决上述问题的一种振动信号故障诊断方法、装置、设备及存储介质。解决了难以利用振动信号对机械设备进行故障诊断的问题。
本发明提供了如下方案:
一种振动信号故障诊断方法,包括:
获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
获取待诊断振动信号数据,将所述待诊断振动信号数据转化为诊断二维数组;
将所述诊断二维数组输入所述目标图像分类神经网络模型进行推理输出故障诊断结果。
优选地:所述分数域时频谱图的横坐标从1至N,所述横坐标的单位为采样间隔;所述分数域时频谱图的纵坐标为0至π,所述纵坐标的单位为弧度。
优选地:一维数据x(t)的p阶分数阶傅里叶变换的积分变换如下式所示:
式中:Fp为分数阶傅里叶变换算子,Kp(t,u)为核函数。
优选地:所述核函数Kp(t,u)如下式所示:
式中:α代表时频平面的旋转角度,0≤α≤π。
优选地:α为0时变换为原始时域信号,α为π时变换为频域信号。
优选地:所述归一化处理包括将训练二维数组中的值取模并归一到[0,1]范围。
优选地:所述图像分类神经网络模型包括深度残差网络Resnet50、轻量级卷积网络Mobilenet、视觉注意力网络ViT中的任意一种。
一种振动信号故障诊断装置,包括:
训练振动信号数据获取单元,用于获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
训练二维数组转换单元,用于将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
输入格式转换单元,用于将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
图像数据集获取单元,用于将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
目标图像分类神经网络模型获取单元,用于利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
待诊断振动信号数据获取单元,用于获取待诊断振动信号数据,将所述待诊断振动信号数据转化为诊断二维数组;
故障诊断结果输出单元,用于将所述诊断二维数组输入所述目标图像分类神经网络模型,以便所述图像分类神经网络模型输出故障诊断结果。
一种振动信号故障诊断设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述的振动信号故障诊断方法。
一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述的振动信号故障诊断方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本申请实施例提供的一种振动信号故障诊断方法、装置、设备及存储介质,将连续FRFT时频谱图和神经网络结合在一起,利用FRFT的频率-相位特征提取能力和神经网络的局部特征分析能力,采集和建立设备振动信号故障数据集,使用该数据集训练图像分类神经网络,使用训练得到的神经网络进行推理,有效地对采集的振动信号进行故障判别和分类。能够准确地对振动信号进行故障诊断,及时判别故障类型和成因,从而提高机械设备运转的安全性。
该方法克服了利用传统算法从振动信号分析机械故障算法的泛用性差和鲁棒性低的问题,利用该方法能够有效对各类故障进行诊断,且诊断的稳定性好,对微小特征也能准确识别。克服了现有的使用神经网络从振动信号分析机械故障方法难以训练和准确性不高的问题,利用该方法可以使神经网络有效收敛,并且提高故障诊断的准确性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
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说,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他的附图。
图1是本发明实施例提供的一种振动信号故障诊断方法的流程图;
图2是本发明实施例提供的一种振动信号故障诊断方法的具体步骤框架图;
图3是本发明实施例提供的一种振动信号故障诊断装置的示意图;
图4是本发明实施例提供的一种振动信号故障诊断设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,为本发明实施例提供的一种振动信号故障诊断方法,如图1所示,该方法可以包括:
S101:获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
S102:将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;具体的,所述分数域时频谱图的横坐标从1至N,所述横坐标的单位为采样间隔;所述分数域时频谱图的纵坐标为0至π,所述纵坐标的单位为弧度。
一维数据x(t)的p阶分数阶傅里叶变换的积分变换如下式所示:
式中:Fp为分数阶傅里叶变换算子,Kp(t,u)为核函数。
进一步的,所述核函数Kp(t,u)如下式所示:
式中:α代表时频平面的旋转角度,0≤α≤π。
α为0时变换为原始时域信号,α为π时变换为频域信号。
所述归一化处理包括将训练二维数组中的值取模并归一到[0,1]范围。
S103:将所述训练二维数组下采样到图像分类神经网络模型的输入格式;具体的,所述图像分类神经网络模型包括深度残差网络Resnet50、轻量级卷积网络Mobilenet、视觉注意力网络ViT中的任意一种。
S104:将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
S105:利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
S106:获取待诊断振动信号数据,将所述待诊断振动信号数据转化为诊断二维数组;其中诊断二维数组的转化方法与训练二维数组的转化方法相同,在此不再赘述。
S107:将所述诊断二维数组输入所述目标图像分类神经网络模型,以便所述图像分类神经网络模型输出故障诊断结果。
本申请实施例提供的振动信号故障诊断方法,将连续FRFT谱图和神经网络结合在一起,利用FRFT的频率-相位特征提取能力和神经网络的局部特征分析能力,采集和建立设备振动信号故障数据库,使用训练得到的神经网络进行推理,有效地对采集的振动信号进行故障判别和分类。使用这种方法能够准确地对振动信号进行故障诊断,及时判别故障类型和成因,从而提高机械设备运转的安全性。
使用连续FRFT(分数阶傅里叶变换)将振动信号转换为分数阶时频谱图的方法,该方法有效地将一维的振动信号扩展为二维,同时保留了振动信号时域、频域和分数域的特征,让信号的不同故障特征能很好地保留和凸显。
使用图像分类神经网络模型对FRFT时频谱图进行学习的方法,该方法充分利用了图像分类神经网络对二维数据的高效的特征提取能力,让故障分类网络的训练难度大幅下降,推理结果准确性提升显著。
下面对本申请实施例提供的方法进行详细介绍。
该方法利用连续FRFT(分数阶傅里叶变换),计算出振动信号的分数域时频谱图,将振动信号一维的时域特征扩展为二维的分数域时频特征;并建立图像分类神经网络模型,采用采集的振动信号时频谱图数据集进行训练,使用训练好的神经网络对新的振动信号进行故障诊断。如图2所示,该方法的实现步骤如下:
(1)利用数据采集技术,采集机械设备正常运行和发生不同种类故障的大量振动信号数据作为训练振动信号数据,将这些信号数据分割为等长的片段,即长度为N的一维数组;
(2)对(1)中长度为N的一维数组做连续FRFT(分数阶傅里叶变换),将其转化到横坐标从1至N(单位为采样间隔),纵坐标从0至π(单位为弧度)的分数域时频谱图,即维度为[N;N]的二维数组(复数),并对该二维数组做归一化,将值取模并归一到[0,1]范围;
(3)选取合适的图像分类神经网络模型(例如深度残差网络Resnet50),将(2)中最后得到的二维数组下采样到图像分类神经网络模型的输入格式[U;V](例如Resnet50中[U;V]=[224,224])。
(4)将上述处理后的所有数据根据故障类别打上标签,分类后制作成振动信号时频谱图数据集,并用该振动信号时频谱图数据集对(3)中图像分类神经网络模型进行训练,得到训练后的目标图像分类神经网络模型;
(5)在需要对故障进行诊断时,将获取到的待诊断振动信号数据,使用上述步骤1-3处理后将其转换为诊断二维数组,并将结果输入到上述步骤4中得到的目标图像分类神经网络模型中,目标图像分类神经网络模型经过运算得到推理结果,此结果即为故障诊断结果。
(1)FRFT(分数阶傅里叶变换)的原理如下:
一维数据x(t)的p阶FRFT积分变换定义为式(1)
其中,Fp为分数阶傅里叶变换算子,核函数Kp(t,u)表达式为式2
式中,α代表时频平面的旋转角度,α为0时变换为原始时域信号,α为π时变换为频域信号。本发明中仅使用0≤α≤π的部分。
该方法使用基于FFT(快速傅里叶变换)方法的FRFT算法,其类Python语法的伪代码表达式如下:
(3)本申请实施例采用连续FRFT将振动信号(一维时间序列)转换为FRFT分数域时频谱图(二维数组),其类Python语法的算法流程表达式如下:
使用上述代码流程将振动信号数据的连续N个值转化为横坐标为1至N(单位为采样时间),纵坐标为0至π(单位为弧度)的二维复数数组,对数组取模并归一化到[0,1]区间。
(4)该方法中将一维的振动信号数据转换成了归一化的二维数组,之后根据选择的图像分类神经网路模型的输入,对二维数组进行进一步的下采样和格式转换,将[N;N]格式的二维数组,下采样到[U;V],其中N为振动信号分片时截取的长度,U和V为神经网络的输入图像长宽。神经网络可以选择深度残差网络Resnet50,轻量级卷积网络Mobilenet,视觉注意力网络ViT等,均效果良好。
总之,本申请提供的振动信号故障诊断方法,克服了利用传统算法从振动信号分析机械故障算法的范用性差和鲁棒性低的问题,利用该方法能够有效对各类故障进行诊断,且诊断的稳定性好,对微小特征也能准确识别。克服了现有的使用神经网络从振动信号分析机械故障方法难以训练和准确性不高的问题,利用该方法可以使神经网络有效收敛,并且提高故障诊断的准确性。
参见图3,本申请实施例还可以提供一种振动信号故障诊断装置,如图3所示,该装置可以包括:
训练振动信号数据获取单元301,用于获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
训练二维数组转换单元302,用于将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
输入格式转换单元303,用于将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
图像数据集获取单元304,用于将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
目标图像分类神经网络模型获取单元305,用于利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
待诊断振动信号数据获取单元306,用于获取待诊断振动信号数据,将所述待诊断振动信号数据转化为所述诊断二维数组;
故障诊断结果输出单元307,用于将所述诊断二维数组输入所述目标图像分类神经网络模型,以便所述图像分类神经网络模型输出故障诊断结果。
本申请实施例还可以提供一种振动信号故障诊断设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述的振动信号故障诊断方法的步骤。
如图4所示,本申请实施例提供的一种振动信号故障诊断设备,可以包括:处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
在本申请实施例中,处理器10可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
处理器10可以调用存储器11中存储的程序,具体的,处理器10可以执行振动信号故障诊断方法的实施例中的操作。
存储器11中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器11中至少存储有用于实现以下功能的程序:
获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
获取待诊断振动信号数据,将所述待诊断振动信号数据转化为所述诊断二维数组;
将所述诊断二维数组输入所述目标图像分类神经网络模型,以便所述图像分类神经网络模型输出故障诊断结果。
在一种可能的实现方式中,存储器11可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及至少一个功能(比如文件创建功能、数据读写功能)所需的应用程序等;存储数据区可存储使用过程中所创建的数据,如初始化数据等。
此外,存储器11可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件。
通信接口12可以为通信模块的接口,用于与其他设备或者系统连接。
当然,需要说明的是,图4所示的结构并不构成对本申请实施例中振动信号故障诊断设备的限定,在实际应用中振动信号故障诊断设备可以包括比图4所示的更多或更少的部件,或者组合某些部件。
本申请实施例还可以提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述的振动信号故障诊断方法的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本申请各个实施例或者实施例的某些部分所述的方法。
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,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种振动信号故障诊断方法,其特征在于,包括:
获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
获取待诊断振动信号数据,将所述待诊断振动信号数据转化为诊断二维数组;
将所述诊断二维数组输入所述目标图像分类神经网络模型进行推理输出故障诊断结果。
2.根据权利要求1所述的振动信号故障诊断方法,其特征在于,所述分数域时频谱图的横坐标从1至N,所述横坐标的单位为采样间隔;所述分数域时频谱图的纵坐标为0至π,所述纵坐标的单位为弧度。
3.根据权利要求1所述的振动信号故障诊断方法,其特征在于,一维数据x(t)的p阶分数阶傅里叶变换的积分变换如下式所示:
式中:Fp为分数阶傅里叶变换算子,Kp(t,u)为核函数。
4.根据权利要求3所述的振动信号故障诊断方法,其特征在于,所述核函数Kp(t,u)如下式所示:
式中:α代表时频平面的旋转角度,0≤α≤π。
5.根据权利要求4所述的振动信号故障诊断方法,其特征在于,α为0时变换为原始时域信号,α为π时变换为频域信号。
6.根据权利要求1所述的振动信号故障诊断方法,其特征在于,所述归一化处理包括将训练二维数组中的值取模并归一到[0,1]范围。
7.根据权利要求1所述的振动信号故障诊断方法,其特征在于,所述图像分类神经网络模型包括深度残差网络Resnet50、轻量级卷积网络Mobilenet、视觉注意力网络ViT中的任意一种。
8.一种振动信号故障诊断装置,其特征在于,包括:
训练振动信号数据获取单元,用于获取训练振动信号数据,将所述训练振动信号数据分割为等长的若干片段获得训练一维数组;所述训练振动信号数据包括机械设备正常运行时的振动信号数据以及发生不同种类故障时的振动信号数据;
训练二维数组转换单元,用于将所述训练一维数组做连续分数阶傅里叶变换获得分数域时频谱图,并将所述分数域时频谱图进行归一化处理得到训练二维数组;
输入格式转换单元,用于将所述训练二维数组下采样到图像分类神经网络模型的输入格式;
图像数据集获取单元,用于将下采样后的所有数据根据故障类别打上标签,分类后获得振动信号时频谱图数据集;
目标图像分类神经网络模型获取单元,用于利用所述振动信号时频谱图数据集训练所述图像分类神经网络模型获得目标图像分类神经网络模型;
待诊断振动信号数据获取单元,用于获取待诊断振动信号数据,将所述待诊断振动信号数据转化为诊断二维数组;
故障诊断结果输出单元,用于将所述诊断二维数组输入所述目标图像分类神经网络模型,以便所述图像分类神经网络模型输出故障诊断结果。
9.一种振动信号故障诊断设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的振动信号故障诊断方法。
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用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的振动信号故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407041.1A CN116625654A (zh) | 2023-04-17 | 2023-04-17 | 一种振动信号故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407041.1A CN116625654A (zh) | 2023-04-17 | 2023-04-17 | 一种振动信号故障诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116625654A true CN116625654A (zh) | 2023-08-22 |
Family
ID=87590963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407041.1A Pending CN116625654A (zh) | 2023-04-17 | 2023-04-17 | 一种振动信号故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116625654A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232846A (zh) * | 2023-09-15 | 2023-12-15 | 广东海洋大学 | 基于粗粒度的船用涡轮增压器故障诊断方法、装置及设备 |
-
2023
- 2023-04-17 CN CN202310407041.1A patent/CN116625654A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232846A (zh) * | 2023-09-15 | 2023-12-15 | 广东海洋大学 | 基于粗粒度的船用涡轮增压器故障诊断方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
US11543326B2 (en) | Method and system for performing fault diagnosis by bearing noise detection | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN112729835B (zh) | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 | |
CN116625654A (zh) | 一种振动信号故障诊断方法、装置、设备及存储介质 | |
CN111665050B (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
Benkedjouh et al. | Gearbox fault diagnosis based on mel-frequency cepstral coefficients and support vector machine | |
Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
Wang et al. | Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample | |
CN114548272A (zh) | 一种离心泵空化状态识别方法 | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
CN116106013A (zh) | 轴承故障特征识别方法及系统、电子设备、存储介质 | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
CN109784284A (zh) | 基于旋转机械的工作状态的自学习识别方法 | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
CN109100146A (zh) | 用于检测电机轴承故障的方法及装置 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 |
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 |