CN116685967A - 用于识别机械装置或机械部件中的异常的方法及装置 - Google Patents
用于识别机械装置或机械部件中的异常的方法及装置 Download PDFInfo
- Publication number
- CN116685967A CN116685967A CN202180089505.8A CN202180089505A CN116685967A CN 116685967 A CN116685967 A CN 116685967A CN 202180089505 A CN202180089505 A CN 202180089505A CN 116685967 A CN116685967 A CN 116685967A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- undersampled
- machine
- types
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 43
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000001934 delay Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered 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
- G01M13/04—Bearings
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种用于识别机械装置或机械部件中的异常的方法(200),至少包括以下步骤:i)获取在机械装置或机械部件中或上采集的至少两类欠采样的测量数据,所述至少两类欠采样测量数据中的各类之间在以下方面中的任一个或两者上不同于彼此:相对于触发事件的发生时间t0的延迟△t,采用频率fs;和ii)基于所获取的所述至少两类欠采样测量数据利用基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型来识别机械装置或机械部件中的异常。还提供一种用于训练基于机器学习的异常识别模型的方法、计算机装置、计算机程序产品和检测装置,计算机装置包括处理器(10)和与处理器(10)通信连接的计算机刻度存储介质(20),从而形成具有成本效益且效果可靠的故障诊断或预测性维护方案。
Description
本发明涉及一种用于识别机械装置或机械部件中的异常的方法。本发明还涉及一种用于训练基于机器学习的异常识别模型的方法、一种相应的计算机装置、一种相应的计算机程序产品、一种相应的检测装置以及一种相应的机械装置或机械部件。
电驱动系、即电机和齿轮箱中的机械部件的故障诊断或预测性维护旨在识别代表机械部件、例如轴承、转子、传动轴、法兰、凸缘、壳体、螺栓和齿轮等的切实存在的或潜在的机械故障的信号。这种信号可能反应加速度、位移、旋转、惯性、电压或电流。
然而,现有的故障诊断或预测性维护方案往往依赖于高采样频率信号。但是,高采样频率不仅会提高采样装置、处理装置和通信装置的复杂性和成本,而且也会增加车辆的成本,这在车辆市场价格竞争愈发激烈的情况下是不可取的。在另一方面,如果将低采样频率信号应用于现有的故障诊断或预测性维护方案的话,则会导致不可靠的诊断结果,这是因为低采样频率信号中由于混叠现象而对于缺陷或故障的表达是模糊且不起眼的。
因此,期待提供一种具有成本效益且结果可靠的故障诊断或预测性维护方案。
发明内容
本发明的目的通过一种用于识别机械装置或机械部件中的异常的方法来实现,该方法至少包括以下步骤:
i)获取在机械装置或机械部件中或上采集的至少两类欠采样测量数据,所述至少两类欠采样测量数据中的各类欠采样测量数据之间在以下方面中 的任一个或两者上不同于彼此:相对于触发事件的发生时间t
0的延迟Δt,采样频率f
s;以及
ii)基于所获取的所述至少两类欠采样测量数据利用基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型来识别机械装置或机械部件中的异常。
根据本发明的一可选实施例,步骤ii)包括:
a)对所述至少两类欠采样测量数据分别进行特征提取;
b)将所提取的特征输入训练好的基于分类算法的异常识别模型,以获得机械装置或机械部件的异常识别结果。
根据本发明的一可选实施例,步骤ii)包括:
将所述至少两类欠采样测量数据输入训练好的基于深度学习的异常识别模型,以获得机械装置或机械部件的异常识别结果。
根据本发明的一可选实施例,借助于单一个传感器通过以下方式来采集所述至少两类欠采样测量数据:使得所述单一个传感器相对于触发事件的发生时间t
0以至少两种不同的延迟Δt开始信号采集和/或使得所述单一个传感器以不同的欠采样频率f
s采集信号。
根据本发明的一可选实施例,借助于至少两个传感器通过以下方式来采集所述至少两类欠采样测量数据:使得所述至少两个传感器相对于触发事件的发生时间t
0以不同的延迟Δt开始信号采集和/或使得所述至少两个传感器以不同的欠采样频率f
s采集信号。
根据本发明的一可选实施例,在步骤ii)之前执行:将所获取的所述至少两类欠采样测量数据分别划分成多个样本,其中,在时间上彼此相邻的样本之间具有时间重叠,其中,在步骤ii)中对各样本分别进行特征提取或将各样本输入基于深度学习的异常识别模型。
在另一方面,本发明的目的还通过一种用于训练基于机器学习的异常识别模型的方法来实现,所述异常识别模型用于识别机械装置或机械部件中的异常,该方法至少包括以下步骤:
i’)获取在机械装置或机械部件中或上采集的至少两类欠采样测量数据,所述至少两类欠采样测量数据中的各类欠采样测量数据之间在以下方面中 的任一个或两者上不同于彼此:相对于触发事件的发生时间t
0的延迟Δt,采样频率f
s;以及
ii’)基于所获取的所述至少两类欠采样测量数据训练异常识别模型。
在又一方面,本发明的目的还通过一种计算机装置来实现,该计算机装置包括处理器和与处理器通信连接的计算机可读存储介质,计算机可读存储介质中存储有计算机指令,当所述计算机指令被处理器执行时,实现根据上文描述的方法的步骤。
在再一方面,本发明的目的还通过一种计算机程序产品来实现,该计算机程序产品包括计算机指令,当所述计算机指令被处理器执行时,实现根据上文描述的方法的步骤。
在更一方面,本发明的目的还通过一种检测装置来实现,该检测装置被设置在机械装置或机械部件中或上,以用于以欠采样频率采集代表机械装置或机械部件的工作状况的测量数据,其中,所述检测装置包括单一个传感器,该传感器配置成响应于触发事件以可变的延迟Δt开始信号采集和/或配置成具有可变的欠采样频率f
s;或者所述检测装置包括至少两个传感器,所述至少两个传感器中的第一传感器配置成响应于触发事件以第一延迟Δt
1开始信号采集,而第二传感器配置成响应于触发事件以不同于第一延迟Δt
1的第二延迟Δt
2开始信号采集;和/或,第一传感器配置成具有第一欠采样频率f
s1,第二传感器配置成具有不同于第一欠采样频率f
s1的第二欠采样频率f
s2。
根据一可选的实施例,检测装置与上文描述的计算机装置或其处理器通信连接。
在又一方面,本发明的目的通过一种机械装置或机械部件来实现,所述机械装置或机械部件包括上文描述的检测装置。
本发明具有以下优点:
-只使用一个或多个具有低采样频率的传感器,其中,低采样频率的传感器相对于现有的故障诊断或预测性维护方法所依赖的高采样频率传感器具有显著的成本优势;
-装置、例如传感器由于性能低和数据少而不需要配备复杂的计算模 块和/或高耗能的电源,这减小了这些装置的复杂性、体积和能耗。
从说明书、附图和权利要求书中,本发明主题的其他优点和有利实施例是显而易见的。
本发明的更多特征及优点可以通过下述参考附图的具体实施例的详细说明来进一步阐述。所述附图为:
图1示出了根据本发明的一示例性实施例的用于识别机械装置或机械部件中的异常的装置的结构框图;
图2示出了根据本发明的一示例性实施例的用于训练基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型的方法的流程图;
图3A和3B分别示出了以满足采样定理的要求的高采样频率从健康的旋转件采集的振动信号的时域图和频域图;
图4A和4B分别示出了以与图3A和3B相同的采样频率从存在异常的旋转件采集的振动信号的时域图和频域图;
图5A和5B分别示出了以等于图3-4的采样频率的1/11的欠采样频率从所述健康的旋转件采集的振动信号的时域图和频域图;
图6A和6B分别示出了以与图5A和5B相同的欠采样频率从所述存在异常的旋转件采集的信号的时域图和频域图;
图7A和7B分别示出了以等于图3-4的采样频率的1/17的欠采样频率从所述健康的旋转件采集的振动信号的时域图和频域图;
图8A和8B分别示出了以与图7A和7B相同的欠采样频率从所述存在异常的旋转件采集的信号的时域图和频域图;
图9A示出了从健康的机械部件采集的信号的时域图,其标示出具有不同延迟的两组欠采样测量数据;
图9B示出了从存在异常的机械部件采集的信号的时域图,其标示出具有不同延迟的两组欠采样测量数据;
图9C示出了从存在异常的机械部件采集的信号的时域图,其标示出具有不同采样频率的两组欠采样测量数据;
图10示出了根据本发明的用于训练异常识别模型的方法的一个步骤的流程图;以及
图11示出了根据本发明的一示例性实施例的用于识别机械装置或机械部件中的异常的方法的流程图。
为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白,以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,而不是用于限定本发明的保护范围。在附图中,相同或类似的附图标记指代相同或等价的部件。
图1示出根据本发明的一示例性实施例的用于识别机械装置或机械部件中的异常的装置1的结构框图。所述机械装置可以广泛地包括各种类型的机械装置,例如驱动系、尤其是车辆驱动系中的电机和齿轮箱。所述机械部件可以广泛地包括各种类型的机械部件,例如用于电机和齿轮箱中的旋转件(比如转子、传动轴、齿轮或类似物)以及轴承(比如滚动轴承)、凸缘、法兰、壳体和螺栓等。
在本文中,术语“异常”应广泛地理解为机械装置或机械部件中出现的使其自身或其所在的设备的功能和/或效率下降或降级的任何非正常现象,它不仅包括机械装置或机械部件中出现的已经导致其自身或其所在的设备的功能和/或特性偏离正常范围的故障或缺陷,而且还包括机械装置或机械部件中出现的导致其自身或其所在的设备的功能和/或效率下降但尚未偏离正常范围的“亚健康”问题。
当装置1应用于机械装置时,其能够识别机械装置中的至少一个部件的异常。当装置1应用于机械部件时,其能够识别机械部件中的至少一种异常。
装置1包括检测10和与处理器10通信连接的计算机可读存储介质20,计算机可读存储介质20中存储有计算机指令,当所述计算机指令被处理器10执行时,实现根据本发明的将在下文中予以详细描述的方法100和/或200 的步骤。
进一步而言,检测装置被设置在机械装置或机械部件中或上,用于采集代表机械装置或机械部件的工作状况的测量数据,例如振动信号、扭矩信号、加速信号、位移信号、惯性信号、旋转信号或诸如电压信号和电流信号的电信号。由检测装置采集的测量数据可以被装置1获取以作为训练样本来训练异常识别模型(参见下文描述)或者作为检测数据来分析评估机械装置或机械部件中的异常。
在一示例中,当借助于装置1监测电机内的轴承滚动体的损坏和/或传动轴的偏心情况时,可以将振动传感器(例如振动加速度传感器)作为所述检测装置布置在电机的壳体上,以便捕捉电机的振动信号,所述振动信号被装置1获取以进行异常识别。在另一示例中,当借助于装置1监测轴承润滑降级情况时,可以将电流传感器和/或电压传感器作为所述检测装置来检测逆变器中的电流和/或电压信号,所述电流和/或电压信号被装置1获取以进行异常识别。
在一示例中,装置1可以配置成远程服务器,而检测装置被设置在车辆中或上。在另一示例中,装置1和检测装置均被设置在车辆中或上。
图2示出根据本发明的一示例性实施例的用于训练基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型的方法100的流程图。
在步骤S110中,获取例如由检测装置在机械装置或机械部件中或上采集的至少两类欠采样测量数据,其中,所述至少两类欠采样测量数据中的各类之间在以下方面中的任一个或两者上不同于彼此:相对于触发事件的发生时间的延迟,采样频率。
“欠采样”可以理解为采样时所使用的采样频率不足,即不满足采样定理的要求,以导致所采集的信号出现混叠(aliasing)现象。通常而言,欠采样的采样频率可以为比2倍的信号频率低的频率,因为这种情况下会出现高频混叠成低频这种混叠现象。
图3A和3B分别示出了以满足采样定理的要求的高采样频率从健康的旋转件采集的振动信号的时域图2和频域图3,图4A和4B分别示出了以与图3A和3B相同的采样频率从存在异常的旋转件采集的振动信号的时域 图4和频域图5。对比性地,图5A和5B分别示出了以等于图3-4的采样频率的1/11的欠采样频率从所述健康的旋转件采集的振动信号的时域图2a和频域图3a,图6A和6B分别示出了以与图5A和5B相同的欠采样频率从所述存在异常的旋转件采集的信号的时域图4a和频域图5a,图7A和7B分别示出了以等于图3-4的采样频率的1/17的欠采样频率从所述健康的旋转件采集的振动信号的时域图2b和频域图3b,图8A和8B分别示出了以与图7A和7B相同的欠采样频率从所述存在异常的旋转件采集的信号的时域图4b和频域图5b。
从图3-8可以看出,无论在高采样频率下还是欠采样频率下,健康的旋转件与存在异常的旋转件的信号频域图之间均存在差异。尽管如此,在欠采样频率下却难以基于信号时域图和频域图从多个可能的故障源识别出真正的故障原因,因为此时信号时域图和频域图中由于混叠现象而丧失了高频采样的信号时域图和频域图中的表征特定故障的特征值和/或清晰现象。因而,现有技术中已知的适用于高频采样信号的故障识别手段不再适用于欠采样信号。
基于此,本发明提出获取至少两类、例如三类不同的欠采样测量数据以作为后续的模型训练或异常识别的基础。
根据一实施例,检测装置可以包括单一个传感器。在这种情况下,所述单一个传感器可以配置成相对于特定的触发事件的发生时间t
0以可变的延迟Δt开始信号采集和/或配置成具有可变的欠采样频率f
s。采用这种方式,可以由单一个传感器采集不同类的欠采样测量数据。特定的触发事件可以根据具体情况来设定,例如可以是每次电机被启,每次加速踏板或制动踏板被致动,或者每次切换到相应的档位。
附加地,为了获得至少两类欠采样测量数据,可以使得单一个传感器每次被触发事件触发时使用的延迟Δt和/或欠采样频率f
s不同于上次触发时使用的延迟Δt和/或欠采样频率f
s。
根据一替代实施例,检测装置可以包括两个或多于两个传感器。在这种情况下,可以为各传感器设置不同的延迟Δt和/或不同的欠采样频率f
s。特别地,所述两个或多于两个传感器可以布置在相同或相邻的位置处。
在一个示例性实施例中,所述至少两类欠采样测量数据中的第一类欠采样测量数据是相对于特定的触发事件的发生时间t
0以延迟Δt
1在采样频率为f
s1下所采集的信号,而所述至少两类欠采样测量数据中的第二类欠采样测量数据是相对于特定的触发事件的发生时间t
0以延迟Δt
2在采样频率为f
s1下所采集的信号,其中,Δt
1≠Δt
2。对此,可参见图9A和9B,其中,图9A示出了从健康的机械部件采集的信号的时域图,而图9B示出了从存在异常的机械部件采集的信号的时域图。在图9A和9B中,连续的曲线代表以满足采样定理的要求的采样频率f
sh采集的信号,圆圈代表以第一延迟在欠采样频率f
s1下采集的信号,三角形代表以不同于第一延迟的第二延迟在欠采样频率f
s1下采集的信号,其中,
在另一个示例性实施例中,第一类欠采样测量数据是相对于特定的触发事件的发生时间t
0以延迟Δt
1在采样频率为f
s1下所采集的信号,而第二类欠采样测量数据是相对于特定的触发事件的发生时间t
0以延迟Δt
1在采样频率为f
s2下所采集的信号,其中,f
s1≠f
s2。对此,可参见图9C,图9C示出了从存在异常的机械部件采集的信号的时域图。在图9C中,连续的曲线代表以满足采样定理的要求的采样频率f
sh采集的信号,圆圈代表以第一欠采样频率f
s1采集的信号,三角形代表以不同于第一欠采样频率f
s1的第二欠采样频率f
s2采集的信号,其中,
在又一示例性实施例中,第一类欠采样测量数据的首个采样时间点相对于特定的触发事件的发生时间t
0具有延迟Δt
1,且采样频率为f
s1,而第二类欠采样测量数据的首个采样时间点相对于特定的触发事件的发生时间t
0具有延迟Δt
2,且采样频率为f
s2,其中,Δt
1≠Δt
2且fs
1≠fs
2。
进一步而言,每类欠采样测量数据可以分别包括至少一组、尤其是多 组测量数据,其中,一组欠采样测量数据可以指的是传感器从开始采集至结束采集所采集的数据流。示例性地,在以车辆发动为触发事件的话,则每次车辆发动触发一次数据采集以获得一组测量数据,那么可以由多次车辆发动触发采集多组欠采样测量数据,这些欠采样测量数据中具有相同延迟Δt和相同采样频率为f
s的欠采样测量数据可以组成同一类欠采样测量数据。
接下来,可选地,在步骤S120中,将所获取的所述至少两类欠采样测量数据分别划分成多个样本,尤其是将所述至少两类欠采样测量数据中的各组测量数据分别划分成多个样本,并将由此获得的样本中的一部分用作训练数据,另一部分用作测试数据,其中,训练数据和测试数据均包括来自至少两类欠采样测量数据的样本。
示例性地,可以采用以下方式来划分样本:使各样本具有预设的恒定时间长度。附加地,可以采用以下方式来划分样本:使在时间上彼此相邻的样本之间具有预设的时间重叠,也即,使得在时间上在前的样本的结束时间点落在在时间上在后的样本的起始时间点之后,且使得在时间上在后的样本的起始时间点落在在时间上在前的样本的结束时间点之前。采用这种方式,可以减少或消除机械装置或机械部件工况的改变所导致的测量数据的变化对异常识别结果所带来的误差。
然后,在步骤S130中,对各样本分别配属标签。标签可以是“正常”和“异常”。附加地,“异常”标签可以包括代表不同类型的异常和/或不同的异常部位和/或异常等级的标签。
接下来,在步骤S140中,利用所获取的样本训练基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型。在步骤S120被省略的情况下,可以直接用所述至少两类欠采样测量数据中的各组测量数据来训练异常识别模型。
在一示例中,异常识别模型被配置和训练成能识别机械装置或机械部件中是否存在异常,以及异常的类型和等级。示例性地,在用于滚动轴承的情况下,异常识别模型可以确定出滚动轴承是内圈、外圈、滚动体还是保持架存在异常以及异常的严重程度。
根据一示例性实施例,异常识别模型是采用基于特征的分类算法构建的。这种异常识别模型适用于所监测的异常或故障背后的机理或者信号与故障之间的因果关系可以被获知的情况。
步骤S140进而包括(参见图10):步骤S141中,对各样本执行特征提取。所提取的特征可以基于所监测的机械装置或机械部件和/或所监测的故障的机理来确定并包括以下特征中的任一个或任意多个:
i.频域幅值;
ii.具有显著幅值的频率;
iii.所述显著幅值的数量级;以及
iv.时域的幅值的分散指标,其一阶和二阶导数,包括分散指标和/
或一阶或二阶导数的
1.最大值,平均值和最小值
2.在固定时间内大于特定阈值的峰值的出现,其中,该特定阈值
由解析模型和有限元分析确定;
3.方差和标准差
4.峰值与峰值之比和峰值与均值之比
5.统计分布峰度和偏度;以及
v.倒谱中的显著时间段,这尤其适用于变速箱故障和一些轴承故障。
在一示例中,可以通过专家系统来确定所提取的特征。
总的来说,如果机械装置或机械部件的状态已经很危险,则时域的总体平均值和总体分散指标或者数量级最大的几个幅值对此可能有明显地反映。在发展到这种情况之前,时域的其它统计指标和频域特征可以帮助识别这些还不太危险的潜在异常。
接下来,在步骤S142中,将所提取的特征及其标签输入异常识别模型以执行有监督学习过程,直至将异常识别模型训练至符合要求。
根据另一示例性实施例,异常识别模型是采用深度学习算法构建的。这种异常识别模型适用于无法知晓所监测的异常或故障背后的机理或者信号与故障之间的因果关系的情况。
用于训练这种异常识别模型的数据可以是从步骤S120获取的样本,也 可以是各组时域或频域测量数据本身。而且,用于训练基于深度学习的异常识别模型的样本的时间长度与用于训练基于分类算法的异常识别模型的样本的时间长度可以是相同的或不同的。
示例性地,基于深度学习的异常识别模型是基于神经网络构建的,特别是基于卷积神经网络或双向LSTM(长短期记忆)神经网络构建的。特别地,对于基于双向LSTM神经网络的异常识别模型,可以利用时序数据来进行训练。对于基于卷积神经网络的异常识别模型,可以用来学习时域或频域数据的形态(pattern),例如固定转速下的频域数据(例如波谱)的形态、一个转速区间内的频域数据(例如坎贝尔图)的形态或者从坎贝尔图获得的梯度图的形态。
图11示出根据本发明的一示例性实施例的用于识别机械装置或机械部件中的异常的方法200的流程图。
在方法200中,在步骤S210中,实时地、定期地、或者借助于数据获取请求获取例如由检测装置在机械装置或机械部件中或上采集的至少两类欠采样测量数据,其中,所述至少两类欠采样测量数据中的各类之间在以下方面中的任一个或两者上不同于彼此:相对于特定的触发事件的发生时间的延迟,采样频率。
可选地,在步骤S220中,将所获取的至少两类欠采样测量数据分别划分成多个样本。
然后,在步骤S230中,对所获取的样本进行特征提取。在步骤S220被省略的情况下,可以直接对所述至少两类欠采样测量数据进行特征提取。
接下来,在步骤S240中,将所提取的特征输入基于分类算法的异常识别模型,以输出机械装置或机械部件的异常监测结果。
在另一方面,在步骤S250中,将所述至少两类欠采样测量数据或者所述多个样本输入基于深度学习的异常识别模型,以输出机械装置或机械部件的异常监测结果。
步骤S210、S220和S230分别对应于上文描述的步骤S110、S120和S141,因而,上文对步骤S110、S120和S141的解释适用于步骤S210、S220和S230。
在一示例中,在步骤S120和S220之前,可以对所获取的测量数据进行预处理,例如数据正规化、清洁和/或插补。
根据本发明的方法不仅可以识别出机械装置或机械部件中已经出现的、需要作出相应修复的故障,还可以在机械装置或机械部件中的异常尚未演变成切实的故障之前提前识别出这些异常的存在,从而可以帮助相关人员做出有关预测性维护的决策。
尽管一些实施例已经被说明,但是这些实施例仅仅是以示例的方式予以呈现,而没有旨在限定本发明的范围。所附的权利要求和它们的等价形式旨在覆盖落在本发明范围和精神内的所有改型、替代和改变。
Claims (11)
- 一种用于识别机械装置或机械部件中的异常的方法(200),其至少包括以下步骤:i)获取在机械装置或机械部件中或上采集的至少两类欠采样测量数据,所述至少两类欠采样测量数据中的各类欠采样测量数据之间在以下方面中的任一个或两者上不同于彼此:相对于触发事件的发生时间(t 0)的延迟(Δt),采样频率(f s);以及ii)基于所获取的所述至少两类欠采样测量数据利用基于机器学习的用于识别机械装置或机械部件中的异常的异常识别模型来识别机械装置或机械部件中的异常。
- 根据权利要求1所述的方法(200),其特征在于,步骤ii)包括:a)对所述至少两类欠采样测量数据分别进行特征提取;以及b)将所提取的特征输入训练好的基于分类算法的异常识别模型,以获得机械装置或机械部件的异常识别结果。
- 根据权利要求1所述的方法(200),其特征在于,步骤ii)包括:将所述至少两类欠采样测量数据输入训练好的基于深度学习的异常识别模型,以获得机械装置或机械部件的异常识别结果。
- 根据前述权利要求中任一项所述的方法(200),其特征在于,借助于单一个传感器通过以下方式采集所述至少两类欠采样测量数据:使得所述单一个传感器响应于触发事件以可变的延迟(Δt)开始数据采集和/或使得所述单一个传感器以可变的欠采样频率(f s)采集数据。
- 根据权利要求1-3中任一项所述的方法(200),其特征在于,借助于至少两个传感器通过以下方式采集所述至少两类欠采样测量数据:使得所述至少两个传感器响应于触发事件以不同的延迟(Δt)开始数据 采集和/或使得所述至少两个传感器以不同的欠采样频率(f s)采集数据。
- 根据前述权利要求中任一项所述的方法(200),其特征在于,在步骤ii)之前执行:将所获取的所述至少两类欠采样测量数据分别划分成多个样本,其中,在时间上彼此相邻的样本之间具有时间重叠,其中,在步骤ii)中对各样本分别进行特征提取或者将各样本输入基于深度学习的异常识别模型以获得异常识别结果。
- 一种用于训练基于机器学习的异常识别模型的方法(100),所述异常识别模型用于识别机械装置或机械部件中的异常,该方法至少包括以下步骤:i’)获取在机械装置或机械部件中或上采集的至少两类欠采样测量数据,所述至少两类欠采样测量数据中的各类欠采样测量数据之间在以下方面中的任一个或两者上不同于彼此:相对于触发事件的发生时间(t 0)的延迟(Δt),采样频率(f s);以及ii’)基于所获取的所述至少两类欠采样测量数据训练异常识别模型。
- 一种计算机装置,其包括处理器(10)和与处理器(10)通信连接的计算机可读存储介质(20),计算机可读存储介质(20)中存储有计算机指令,当所述计算机指令被处理器(10)执行时,实现根据前述权利要求中任一项所述的方法(100,200)的步骤。
- 一种计算机程序产品,其包括计算机指令,当所述计算机指令被处理器(10)执行时,实现根据权利要求1-7中任一项所述的方法(100,200)的步骤。
- 一种检测装置,其配置成用于以欠采样频率采集反映机械装置或机械部件的工作状况的测量数据并尤其与根据权利要求8所述的计算机装 置通信连接,其特征在于,所述检测装置包括单一个传感器,该传感器配置成响应于触发事件以可变的延迟(Δt)开始数据采集和/或配置成具有可变的欠采样频率(f s);或者所述检测装置包括至少两个传感器,所述至少两个传感器中的第一传感器配置成响应于触发事件以第一延迟(Δt 1)开始数据采集,而第二传感器配置成响应于触发事件以不同于第一延迟(Δt 1)的第二延迟(Δt 2)开始数据采集;和/或,第一传感器配置成具有第一欠采样频率(f s1),第二传感器配置成具有不同于第一欠采样频率(f s1)的第二欠采样频率(f s2)。
- 一种机械装置或机械部件,其包括根据权利要求10所述的检测装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/070457 WO2022147684A1 (zh) | 2021-01-06 | 2021-01-06 | 用于识别机械装置或机械部件中的异常的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116685967A true CN116685967A (zh) | 2023-09-01 |
Family
ID=82357031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180089505.8A Pending CN116685967A (zh) | 2021-01-06 | 2021-01-06 | 用于识别机械装置或机械部件中的异常的方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240053225A1 (zh) |
JP (1) | JP2024504289A (zh) |
KR (1) | KR20230127337A (zh) |
CN (1) | CN116685967A (zh) |
DE (1) | DE112021005667T5 (zh) |
WO (1) | WO2022147684A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524002B (zh) * | 2022-09-19 | 2023-08-22 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
CN116091445B (zh) * | 2023-01-05 | 2024-01-02 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783900B2 (en) * | 2014-10-03 | 2020-09-22 | Google Llc | Convolutional, long short-term memory, fully connected deep neural networks |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN111695639A (zh) * | 2020-06-17 | 2020-09-22 | 浙江经贸职业技术学院 | 一种基于机器学习的电力用户用电异常检测方法 |
CN112069998A (zh) * | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
-
2021
- 2021-01-06 US US18/260,385 patent/US20240053225A1/en active Pending
- 2021-01-06 KR KR1020237026408A patent/KR20230127337A/ko unknown
- 2021-01-06 DE DE112021005667.0T patent/DE112021005667T5/de active Pending
- 2021-01-06 CN CN202180089505.8A patent/CN116685967A/zh active Pending
- 2021-01-06 WO PCT/CN2021/070457 patent/WO2022147684A1/zh active Application Filing
- 2021-01-06 JP JP2023541057A patent/JP2024504289A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022147684A1 (zh) | 2022-07-14 |
US20240053225A1 (en) | 2024-02-15 |
DE112021005667T5 (de) | 2023-09-14 |
KR20230127337A (ko) | 2023-08-31 |
JP2024504289A (ja) | 2024-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
Yang | An intelligent condition-based maintenance platform for rotating machinery | |
US9721399B2 (en) | Vehicle diagnosing apparatus, vehicle diagnosing system, and diagnosing method | |
CN110234972B (zh) | 状态监视系统及风力涡轮机 | |
CN116685967A (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN113834657A (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Medjaher et al. | Feature extraction and evaluation for Health Assessment and Failure prognostics. | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
CN115905341A (zh) | 数据质量异常的检测方法、装置、电子设备及存储介质 | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
Koukoura et al. | On the use of AI based vibration condition monitoring of wind turbine gearboxes | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
EP3953580B1 (en) | A method for computer-implemented monitoring of a component of a wind turbine | |
CN113516023A (zh) | 设备振动异常诊断方法和系统 | |
CN114674562A (zh) | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、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 |