CN117076973B - 基于对抗性网络的轴承包络阶谱生成方法、设备及介质 - Google Patents

基于对抗性网络的轴承包络阶谱生成方法、设备及介质 Download PDF

Info

Publication number
CN117076973B
CN117076973B CN202310844651.8A CN202310844651A CN117076973B CN 117076973 B CN117076973 B CN 117076973B CN 202310844651 A CN202310844651 A CN 202310844651A CN 117076973 B CN117076973 B CN 117076973B
Authority
CN
China
Prior art keywords
envelope
data
spectrum
order
order spectrum
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.)
Active
Application number
CN202310844651.8A
Other languages
English (en)
Other versions
CN117076973A (zh
Inventor
孙士龙
黄昊东
徐文福
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.)
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
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 Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202310844651.8A priority Critical patent/CN117076973B/zh
Publication of CN117076973A publication Critical patent/CN117076973A/zh
Application granted granted Critical
Publication of CN117076973B publication Critical patent/CN117076973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于对抗性网络的轴承包络阶谱生成方法、设备及存储介质，其包括将第一工况的故障数据划分为多个子样本，将划分后的每组数据长度为K的数据提取包络谱，再将提取后的包络谱数据进行阶次分析，得到数据长度为M的第一包络阶次谱；将第一包络阶次谱作为GAN网络的输入来生成伪包络阶次谱；利用伪包络阶次谱和第二工况正常数据的包络阶次谱对CNN网络模型进行训练，并将第二工况的包络阶次谱数据输入训练好的CNN网络模型进行验证，从而实现跨越工况生成数据。本发明可以将包络阶次谱作为GAN的输入，通过将生成的故障数据和原本的正常数据集合在一起，经过一个CNN来判别结果，可以实现轴承跨工况的故障诊断，为新工况的诊断提供了有效手段。

Description

基于对抗性网络的轴承包络阶谱生成方法、设备及介质
技术领域
本发明涉及轴承故障检测技术领域，具体涉及一种基于对抗性网络的轴承包络阶谱生成方法，还涉及一种实现上述方法的计算机设备以及存储介质。
背景技术
随着现代机械设备向着高速化、精密化和智能化方向发展，机械设备的故障诊断日益受到高度重视。轴承作为旋转机械中的一种关键零部件，其健康状态对机械设备的稳定运行至关重要。轴承由外圈、内圈、滚动体等组成，当相应部位出现故障时，上述各部件之间相互运动接触到故障点时会产生机械冲击波。包络检测是轴承故障振动诊断的一种有效方法，在实际检测中得到了广泛的应用。轴承的故障特征参数，主要包括外圈、内圈和滚动体故障特征频率。
在进行轴承故障检测时，针对数据不足的问题，现有的方法都是基于已有的一种工况下进行的。即利用生成式对抗网络(GAN)对目前工况下的故障数据实现数据扩充，此方法确实可以提高诊断精度，但是不能扩充到另一个工况。如果目前有一种全新的工况，那么轴承只有健康状态下的数据，这不利于新工况的诊断。
发明内容
本发明的目的在于提供一种基于对抗性网络的轴承包络阶谱生成方法、设备及存储介质，用于解决现有技术中跨工况的数据生成问题、在某种工况下标签数据不足等问题，提出了将包络阶次谱作为GAN的输入，包络阶次谱在一定程度上抹去了由于工况带来的数据波形变化，通过将生成的故障数据和原本的正常数据集合在一起，经过一个CNN来判别结果，利用包络阶次谱作为GAN的输入可以实现轴承跨工况的故障诊断，从一个工况下的数据跨越到了另一个工况，充分利用了数据中的信息，为新工况的诊断提供了有效手段。
第一方面，本发明提供一种基于对抗性网络的轴承包络阶谱生成方法，该方法包括以下步骤：将第一工况的故障数据划分为多个子样本，将划分后的每组数据长度为K的数据提取包络谱，再将提取后的包络谱数据进行阶次分析，得到数据长度为M的第一包络阶次谱；
将第一包络阶次谱作为GAN网络的输入来生成伪包络阶次谱；
利用伪包络阶次谱和第二工况正常数据的包络阶次谱对CNN网络模型进行训练，并将第二工况的包络阶次谱数据输入训练好的CNN网络模型进行验证，从而实现跨越工况生成数据。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，在对提取后的数据进行阶次分析时，包括：
通过计算轴承的故障频率，且将故障频率转化为故障阶次，得到内圈故障、外圈故障和滚动体的故障阶次范围处在2.5到8之间，表示为公式(1)：
然后，通过线性插值将数据长度为K1的包络阶次谱插值到故障阶次范围，最终得到的数据长度为M的第一包络阶次谱。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，所述将划分后的每组数据长度为K的数据提取包络谱，包括：
将划分后的每组数据长度为K的数据经过Hilbert变换后，得到解析信号；
求解解析信号复数的模，得到包络信号，对包络信号做FFT变换得到Hilbert包络谱。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，若一连续的时间信号为x(t)，则该时间信号的Hilbert变换为公式(2)：
其中，式中相当于是时间信号经过一系列正交滤波器的输出。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，构造解析信号，令x(t)作为实部，作为虚部，得到公式(3)：
其中，时间信号的A(t)即为x(t)的Hilbert包络谱，对A(t)做傅立叶变换得到包络谱。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，对于滚动轴承，通过对等时间间隔采样信号进行重采样，将其转化为等角度间隔采样信号，使不同工况下的谱线一一对应，其中，阶次、频率和转速的关系为公式(4)：
O＝60f/n (4)
其中，O为被测对象的阶次；f为被测对象的频率；n为电机的转速。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，GAN网络包括鉴别器以及生成器，GAN网络用于将随机噪声z输入到生成器中来生成伪故障包络阶次谱，将伪故障包络阶次谱和第一包络阶次谱同时输入给鉴别器来判别，进而生成伪包络阶次谱。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，K为10000，K1为5000，M为150，将得到的每组数据长度为10000的数据提取包络谱和阶次分析，得到长度为5000的包络阶次谱，通过线性插值将数据长度为5000的包络阶次谱插值到故障阶次范围，最终得到的数据长度为150的第一包络阶次谱。
由此可见，相对于现有技术，本发明提供一种基于包络阶次谱的GAN数据生成方法，该方法从一个工况下的数据跨越到了另一个工况，由于传递的生成的包络阶次谱，不是采集到的数据，可以在一定程度上保护数据的隐私，且为完全正常没有故障的设备提供了健康诊断的指引。目前利用数据做包络阶次谱，相当于提取到了数据与转速无关的特征，本发明利用这一特性给处于其他工况下的设备提供伪特征，最后用自身的特征进行测试，充分利用了数据中的信息。
另外，本发明的关键点在于包络阶次谱，对数据取包络即对数据做希尔伯特变换和傅里叶变化，相比于普通的傅里叶变换可以降低一些无用的部分，增大冲击。对包络谱取阶次可以使得不同工况下的尖峰对齐，这相当于在一定程度上抹除了不同工况之间的差异。
第二方面，本发明还提供一种电子设备，包括：
存储器，存储有计算机可执行指令；
处理器，配置为运行所述计算机可执行指令，
其中，所述计算机可执行指令被所述处理器运行时实现上述任意一种的基于对抗性网络的轴承包络阶谱生成方法的步骤。
第三方面，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现上述任意一种的基于对抗性网络的轴承包络阶谱生成方法的步骤。
由此可见，本发明还提供了一种基于对抗性网络的轴承包络阶谱生成方法的电子设备以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例的流程图。
图2是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例的原理图。
图3是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例中关于数据划分的示意图。
图4是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例中关于数据长度为150的包络阶次谱图的示意图。
图5是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例中关于GAN网络的原理图。
图6是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例中关于CNN网络模型的原理图。
图7是本发明一种基于对抗性网络的轴承包络阶谱生成方法实施例的数据t-SNE特征降维图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，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，都属于本发明保护的范围。
参见图1和图2，本发明提供一种基于对抗性网络的轴承包络阶谱生成方法，其包括以下步骤：
步骤S1，将第一工况的故障数据划分为多个子样本，将划分后的每组数据长度为K的数据提取包络谱，再将提取后的包络谱数据进行阶次分析，得到数据长度为M的第一包络阶次谱；
步骤S2，将第一包络阶次谱作为GAN网络的输入来生成伪包络阶次谱；
步骤S3，利用伪包络阶次谱和第二工况正常数据的包络阶次谱对CNN网络模型进行训练；
步骤S4，将第二工况的包络阶次谱数据输入训练好的CNN网络模型进行验证，从而实现跨越工况生成数据。
根据本发明提供的一种基于对抗性网络的轴承包络阶谱生成方法，在对提取后的数据进行阶次分析时，包括：
通过计算轴承的故障频率，且将故障频率转化为故障阶次，得到内圈故障、外圈故障和滚动体的故障阶次范围处在2.5到8之间，表示为公式(1)：
然后，通过线性插值将数据长度为K1的包络阶次谱插值到故障阶次范围，最终得到的数据长度为M的第一包络阶次谱。
在本实施例中，将划分后的每组数据长度为K的数据提取包络谱，包括：
将划分后的每组数据长度为K的数据经过Hilbert变换后，得到解析信号；然后求解解析信号复数的模，得到包络信号，对包络信号做FFT变换得到Hilbert包络谱。(横坐标为频率，纵坐标为幅值)包络谱对振动冲击比较敏感。若一连续的时间信号为x(t)，则该时间信号的Hilbert变换为公式(2)：
其中，式中相当于是时间信号经过一系列正交滤波器的输出。
接下来构造解析信号，目的是把实信号变成复信号，令x(t)作为实部，作为虚部，得到公式(3)：
其中，时间信号的A(t)即为x(t)的Hilbert包络谱，对A(t)做傅立叶变换得到包络谱。
其中，公式(2)得到的是解析信号，公式(3)得到的是解析信号的模，也就是包络信号，即为A(t)，对A(t)做傅里叶变换得到的就是Hilbert包络谱。
在本实施例中，对于滚动轴承，不同的工况下存在着转速和载荷的不同，这使得不同工况下的频谱无法对应，但是阶次谱的对应关系比较精准，通过软件对等时间间隔采样信号进行重采样，将其转化为等角度间隔采样信号，这个操作可以使不同工况下的谱线一一对应，其中，阶次、频率和转速的关系为公式(4)：
O＝60f/n (4)
其中，O为被测对象的阶次；f为被测对象的频率；n为电机的转速。
具体的，通过软件对等时间间隔采样信号进行重采样就是取采集到的信号，比如总长度为100000个点，但是本实施例是需要460组长度为10000的数据，如果460组数据之间没有重叠，就大于数据总量。所以每得到10000个点的数据，选择500或者更小的长度作为时间间隔(即为等时间间隔重采样)来取下一段10000个点。最后得到这460组数据后，将数据做上面序号4,5的操作，得到了460组包络谱数据。由于做过傅里叶变换，数据量减半，所以得到的包络谱数据长度为5000，由于采样定理，采样频率为12000Hz，这5000个点的横坐标是从1到6000，间隔为6000/5000＝1.2，这横坐标即为f，对f做公式(4)即转化为角度域。
在本实施例中，生成对抗网络(GAN)包括鉴别器(D)以及生成器(G)，GAN网络用于将随机噪声z输入到生成器中来生成伪故障包络阶次谱，将伪故障包络阶次谱和第一包络阶次谱同时输入给鉴别器来判别，进而生成伪包络阶次谱。可见，GAN是一对神经网络组成：鉴别器(D)和生成器(G)。GAN是将随机噪声z输入到G中来生成数据，而通过G生成的数据我们称为伪样本。将伪样本和真实样本同时输入给D来判别。D的目的是正确辨别出伪样本和真实样本，G的目的是希望G生成与原始数据相似的数据，这使得D和G互相博弈。最后期望的结果是G辨别伪样本和真实样本的准确率为0.5，使得伪样本达到以假乱真的目的。GAN的结构如图5所示，CNN网络模型的结构如图6所示。
在本实施例中，K为10000，K1为5000，M为150，将得到的每组数据长度为10000的数据提取包络谱和阶次分析，得到长度为5000的包络阶次谱，通过线性插值将数据长度为5000的包络阶次谱插值到故障阶次范围，最终得到的数据长度为150的第一包络阶次谱。
因此，本实施例提出了一种将利用包络阶次谱来生成数据的方法。首先将划分后的数据做包络分析，再将数据进行阶次分析，实现了不同域的包络谱图对齐。再利用GAN的网络从一种工况的包络阶次谱来生成另一种工况的包络阶次谱。随后，为了可以自动提取这些故障特征，利用CNN网络模型对GAN网络生成的包络阶次谱提取特征，并利用另一种工况下的包络阶次谱数据验证。实验结果表明，所提出的方法可以跨工况生成数据，实验结果说明了生成数据的可靠性。
具体的，本实施例假设有多组不同工况的数据。一组数据拥有所有故障数据，但是另一组数据只拥有正常的数据。本实施例将第一种工况下的数据经过Hilbert变换和FFT变换之后得到包络谱，再将得到的包络谱的频率进行线性插值并除以转速，得到的横坐标为阶次，此时得到的是包络阶次谱，将包络阶次谱作为GAN网络的输入来生成伪包络阶次谱。利用生成的伪包络阶次谱和第二种工况下的正常的数据的包络阶次谱来训练一个网络，如CNN网络模型，最后利用第二种工况的数据输入CNN网络模型来测试网络的可行性。
具体的，从第一工况的故障数据到包络阶次谱的过程成为数据的预处理，数据的详细的过程如下：
1、首先将整个长度的数据划分为多个子样本，子信号获取如图3所示，每一段子信号的长度选为10000。CWRU(凯特西储大学公开数据集)文件中轴承正常状态的数据量较多，正常轴承的数据步长取500，故障轴承的步长取240。得到正常数据为620组，故障数据为460组。
2、将得到的每组长度为10000的数据取包络谱和阶次分析，得到长度为5000的包络阶次谱。
3、将阶次定位到故障特征阶次更为准确，且降低了数据的长度。通过计算轴承的故障频率，且将故障频率转化为故障阶次，得到内圈故障、外圈故障和滚动体的故障阶次处在2.5到8之间，其计算公式如公式(1)。生成的包络阶次谱图如图4所示。
4、通过线性插值将数据长度为5000的包络阶次谱插值到故障阶次范围，最终得到的数据长度为150。
在实际应用中，通过对比实验对本发明所提供的轴承包络阶谱生成方法进行测试，包括：
实验参数设置，参见表(1)：
(1)
数据工况，参见表(2)：
(2)
数据划分：
在实验的过程中，第一工况的数据分为3部分(内圈故障、滚动体故障和外圈故障)，将这3部分数据作为鉴别器的真实样本输入；第二工况参与训练的数据只有正常的数据，通过将预处理后的数据进行划分。第一工况的3种数据长度为3×460×150，第二工况的正常数据长度为620×150，故障数据长度为3×460×150。其中，正常数据中460组参与训练，160组数据参与测试。实验设置如下，轴承的健康状态一共有4种：正常、内圈故障、滚动体故障和外圈故障。根据载荷的0,1,2,3将数据分为1,2,3,4个工况，一共6组实验，参见表(3)：
(3)
在实验过程，生成了通过GAN后的数据t-SNE特征降维图，如图7所示。
本实施例的实验结果，参见表(4)：
(4)
本实施例的实验对比：
为了体现提出本发明的优越性，将本实施例提出的方法与FFT频谱作对比。为了体现实验的单一变量，FFT频谱数据长度也取150，其数据预处理的过程如下：
1、通过相同的方法将文件中的数据划分成若干组长度为10000的数据，得到正常数据为620组，故障数据为460组。
2、将得到的每组长度为10000的数据做FFT，得到长度为5000的频谱。
3、确定故障特征频率，通过下面公式确认，选取频率20Hz至200Hz之间的数据。
4、通过线性插值将20Hz到200Hz的点插值到150个点长度的数据。
对比实验结果参见表(5)：
(5)
综上可得，本实施例提供一种基于包络阶次谱的GAN数据生成方法，该方法从一个工况下的数据跨越到了另一个工况，由于传递的生成的包络阶次谱，不是采集到的数据，可以在一定程度上保护数据的隐私，且为完全正常没有故障的设备提供了健康诊断的指引。目前利用数据做包络阶次谱，相当于提取到了数据与转速无关的特征，本发明利用这一特性给处于其他工况下的设备提供伪特征，最后用自身的特征进行测试，充分利用了数据中的信息
在一个实施例中，提供了一种电子设备，该电子设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于对抗性网络的轴承包络阶谱生成方法。
本领域技术人员可以理解，本实施例示出的电子设备结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比本实施例中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
由此可见，本发明还提供了一种基于对抗性网络的轴承包络阶谱生成方法的电子设备以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (8)

1.一种基于对抗性网络的轴承包络阶谱生成方法，其特征在于，该方法包括以下步骤：
将第一工况的故障数据划分为多个子样本，将划分后的每组数据长度为K的数据提取包络谱，再将提取后的包络谱数据进行阶次分析，得到数据长度为M的第一包络阶次谱；
将第一包络阶次谱作为GAN网络的输入来生成伪包络阶次谱；
利用伪包络阶次谱和第二工况正常数据的包络阶次谱对CNN网络模型进行训练，并将第二工况的包络阶次谱数据输入训练好的CNN网络模型进行验证，从而实现跨越工况生成数据；
其中，在对提取后的数据进行阶次分析时，包括：
通过计算轴承的故障频率，且将故障频率转化为故障阶次，得到内圈故障、外圈故障和滚动体的故障阶次范围处在2.5到8之间，表示为公式(1)：
n——滚动轴承滚珠个数
d——滚动体直径
D——滚道节直径
φ——接触角
OBPFO——外圈故障阶次
OBPFI——内圈故障阶次
OBSF——滚动体故障阶次
然后，通过线性插值将数据长度为K1的包络阶次谱插值到故障阶次范围，最终得到的数据长度为M的第一包络阶次谱；
其中，GAN网络包括鉴别器以及生成器，GAN网络用于将随机噪声z输入到生成器中来生成伪故障包络阶次谱，将伪故障包络阶次谱和第一包络阶次谱同时输入给鉴别器来判别，进而生成伪包络阶次谱。
2.根据权利要求1所述的方法，其特征在于，所述将划分后的每组数据长度为K的数据提取包络谱，包括：
将划分后的每组数据长度为K的数据经过Hilbert变换后，得到解析信号；
求解解析信号复数的模，得到包络信号，对包络信号做FFT变换得到Hilbert包络谱。
3.根据权利要求2所述的方法，其特征在于：
若一连续的时间信号为x(t)，则该时间信号的Hilbert变换为公式(2)：
其中，式(2)中相当于是时间信号经过一系列正交滤波器的输出。
4.根据权利要求3所述的方法，其特征在于：
构造解析信号，令x(t)作为实部，作为虚部，得到公式(3)：
其中，时间信号的A(t)即为x(t)的Hilbert包络谱，对A(t)做傅立叶变换得到包络谱。
5.根据权利要求1所述的方法，其特征在于：
对于滚动轴承，通过对等时间间隔采样信号进行重采样，将其转化为等角度间隔采样信号，使不同工况下的谱线一一对应，其中，阶次、频率和转速的关系为公式(4)：
O＝60f/n (4)
其中，O为被测对象的阶次；f为被测对象的频率；n为电机的转速。
6.根据权利要求1所述的方法，其特征在于：
K为10000，K1为5000，M为150，将得到的每组数据长度为10000的数据提取包络谱和阶次分析，得到长度为5000的包络阶次谱，通过线性插值将数据长度为5000的包络阶次谱插值到故障阶次范围，最终得到的数据长度为150的第一包络阶次谱。
7.一种电子设备，其特征在于，包括：
存储器，存储有计算机可执行指令；
处理器，配置为运行所述计算机可执行指令，
其中，所述计算机可执行指令被所述处理器运行时实现如权利要求1-6任意一项所述的基于对抗性网络的轴承包络阶谱生成方法的步骤。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的基于对抗性网络的轴承包络阶谱生成方法的步骤。
CN202310844651.8A 2023-07-11 2023-07-11 基于对抗性网络的轴承包络阶谱生成方法、设备及介质 Active CN117076973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310844651.8A CN117076973B (zh) 2023-07-11 2023-07-11 基于对抗性网络的轴承包络阶谱生成方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310844651.8A CN117076973B (zh) 2023-07-11 2023-07-11 基于对抗性网络的轴承包络阶谱生成方法、设备及介质

Publications (2)

Publication Number Publication Date
CN117076973A CN117076973A (zh) 2023-11-17
CN117076973B true CN117076973B (zh) 2024-05-28

Family

ID=88710442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310844651.8A Active CN117076973B (zh) 2023-07-11 2023-07-11 基于对抗性网络的轴承包络阶谱生成方法、设备及介质

Country Status (1)

Country Link
CN (1) CN117076973B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109520738A (zh) * 2018-10-25 2019-03-26 桂林电子科技大学 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN114648044A (zh) * 2022-03-18 2022-06-21 江苏迪普勒信息科技有限公司 基于eemd和深度域对抗网络的振动信号诊断分析方法
CN115683617A (zh) * 2022-09-28 2023-02-03 航天智控(北京)监测技术有限公司 一种改进的变工况故障诊断方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114323647A (zh) * 2020-09-29 2022-04-12 斯凯孚公司 通过轴承噪声检测进行故障诊断的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109520738A (zh) * 2018-10-25 2019-03-26 桂林电子科技大学 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN114648044A (zh) * 2022-03-18 2022-06-21 江苏迪普勒信息科技有限公司 基于eemd和深度域对抗网络的振动信号诊断分析方法
CN115683617A (zh) * 2022-09-28 2023-02-03 航天智控(北京)监测技术有限公司 一种改进的变工况故障诊断方法及系统

Also Published As

Publication number Publication date
CN117076973A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
He et al. A new hybrid deep signal processing approach for bearing fault diagnosis using vibration signals
Smith et al. Optimal demodulation-band selection for envelope-based diagnostics: A comparative study of traditional and novel tools
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
Nikolaou et al. Rolling element bearing fault diagnosis using wavelet packets
Song et al. Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis
CN103471848A (zh) 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法
Klein et al. Bearing diagnostics using image processing methods
CN111679654A (zh) 基于神经网络的电力驱动系统振动信号诊断方法及装置
CN104596766A (zh) 一种轴承早期故障确定方法
CN110553839A (zh) 一种齿轮箱的单一和复合故障诊断方法、设备及系统
CN105527077A (zh) 一种基于振动信号的通用旋转机械故障诊断与检测的方法
Ayad et al. Search of a robust defect signature in gear systems across adaptive Morlet wavelet of vibration signals
CN109916626A (zh) 滚动轴承复合故障确定的方法及终端设备
CN115808312A (zh) 基于可变形卷积和Transformer的滚动轴承故障诊断方法
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
Abboud et al. Synchronous analysis of cyclo-non-stationary signals: A comprehensive study with aeronautic applications
Matania et al. Algorithms for spectrum background estimation of non-stationary signals
CN117076973B (zh) 基于对抗性网络的轴承包络阶谱生成方法、设备及介质
CN103674550A (zh) 一种滚动轴承静电监测信号实时混合去噪方法
Shao et al. A simulation study of defects in a rolling element bearing using FEA
Song et al. Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE
Ahsan et al. Early-stage faults detection using harmony search algorithm and STFT-based spectral kurtosis
Wan et al. Adaptive asymmetric real Laplace wavelet filtering and its application on rolling bearing early fault diagnosis
Li et al. A spectrum detection approach for bearing fault signal based on spectral kurtosis

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
GR01 Patent grant
GR01 Patent grant