CN117708677A - 一种港口起重机传动装置的故障分类方法及系统 - Google Patents
一种港口起重机传动装置的故障分类方法及系统 Download PDFInfo
- Publication number
- CN117708677A CN117708677A CN202311837500.6A CN202311837500A CN117708677A CN 117708677 A CN117708677 A CN 117708677A CN 202311837500 A CN202311837500 A CN 202311837500A CN 117708677 A CN117708677 A CN 117708677A
- Authority
- CN
- China
- Prior art keywords
- data
- dimension
- fault classification
- characteristic information
- wavelet
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种港口起重机传动装置的故障分类方法及系统。通过收集港口起重机传动装置的实时信号作为原始数据,对原始数据进行去噪和降维处理,然后对降维后的数据的特征进行提取,并利用小样本学习增强的思想,对提取到的特征进行增强,之后将提取的深度特征向量输入构建好的深度学习模型中对传动装置的故障类型进行划分,有效提高了故障分类的准确性。
Description
技术领域
本发明涉及故障分类技术领域,尤其涉及一种港口起重机传动装置的故障分类方法及系统。
背景技术
目前,针对旋转机械的故障诊断,一般是对振动信号进行分析,振动信号与机械故障强相关,而且振动信号易于采集、信噪比较高。但是对于大型的复杂机械,如港口起重机,由于其处于多种工况下,因而采集到的信号复杂且存在环境噪声,难以从信号中提取出典型的特征信息,因而故障分类的准确性不高。
发明内容
本发明通过提供一种港口起重机传动装置的故障分类方法及系统,解决了现有技术中故障分类准确性不高的技术问题,实现了提高了故障分类的准确性的技术效果。
本发明提供了一种港口起重机传动装置的故障分类方法,包括:
采集传动装置的状态数据;
对所述状态数据进行去噪和降维,得到降维后的数据;
从所述降维后的数据中提取出特征信息,对所述特征信息进行增强,得到增强后的特征信息;
将所述增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
具体来说,所述对所述状态数据进行去噪和降维,得到降维后的数据,包括:
为所述状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出所述状态数据的各层小波系数;
对所述各层小波系数进行阈值量化处理;
基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
将所述去噪后的数据转换为矩阵信息;
根据数据维度对所述矩阵信息进行降维,得到所述降维后的数据。
具体来说,所述从所述降维后的数据中提取出特征信息,包括:
将所述降维后的数据分解为有限个模态信号,利用互信息法从所述有限个模态信号中提取与所述降维后的数据相关的模态信号;
对所述提取出的模态信号进行求和重构,得到所述状态数据的特征频率。
具体来说,所述对所述特征信息进行增强,得到增强后的特征信息,包括:
将参考数据和所述特征信息输入到生成对抗网络中,通过所述参考数据对所述特征信息进行对比增强,得到所述增强后的特征信息。
具体来说,所述故障分类模型是基于卷积神经网络的故障分类模型。
本发明还提供了一种港口起重机传动装置的故障分类系统,包括:
数据采集模块,用于采集传动装置的状态数据;
去噪降维模块,用于对所述状态数据进行去噪和降维,得到降维后的数据;
特征信息增强模块,用于从所述降维后的数据中提取出特征信息,对所述特征信息进行增强,得到增强后的特征信息;
故障分类模块,用于将所述增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
具体来说,所述去噪降维模块,包括:
小波变换单元,用于为所述状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出所述状态数据的各层小波系数;
阈值量化单元,用于对所述各层小波系数进行阈值量化处理;
小波逆变换重构单元,用于基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
数据转换单元,用于将所述去噪后的数据转换为矩阵信息;
降维单元,用于根据数据维度对所述矩阵信息进行降维,得到所述降维后的数据。
具体来说,所述特征信息增强模块,包括:
模态信号获取单元,用于将所述降维后的数据分解为有限个模态信号,利用互信息法从所述有限个模态信号中提取与所述降维后的数据相关的模态信号;
数据重构单元,用于对所述提取出的模态信号进行求和重构,得到所述状态数据的特征频率;
数据增强单元,用于将参考数据和所述特征信息输入到生成对抗网络中,通过所述参考数据对所述特征信息进行对比增强,得到所述增强后的特征信息。
具体来说,所述故障分类模型是基于卷积神经网络的故障分类模型。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过收集港口起重机传动装置的实时信号作为原始数据,对原始数据进行去噪和降维处理,然后对降维后的数据的特征进行提取,并利用小样本学习增强的思想,对提取到的特征进行增强,之后将提取的深度特征向量输入构建好的深度学习模型中对传动装置的故障类型进行划分,有效提高了故障分类的准确性。
2、通过小波变换对原始数据进行多尺度分解、各尺度去噪以及变换重构,充分突出数据某些方面的特征,自动适应时频信号分析的要求,能够达到很好的数据去噪效果。通过对数据进行最近重构性和最大可分性的处理,从而保留高维度数据最重要的一些特征,去除噪声和不重要的特征,不仅进一步提高了故障分类的准确性,而且还加快了对样本有价值信息的处理速度。
3、本发明采用了基于变分模态分解的自适应形态学的方法提取特征,从而能够有效提取港口机器设备中传动装置振动信号的特征频率。并利用现有实验室数据通过生成对抗网络对提取到的特征进行不断的对比增强,使传动装置的故障诊断情况与实际状况尽量接近,更进一步地提高了故障分类的准确性。
附图说明
图1为本发明实施例提供的港口起重机传动装置的故障分类方法的流程图;
图2为本发明实施例中对状态数据进行去噪和降维的原理图;
图3为本发明实施例中对数据进行特征提取和增强的原理图;
图4为本发明实施例中通过故障分类模型进行故障分类的示意图;
图5为本发明实施例提供的港口起重机传动装置的故障分类系统的模块图。
具体实施方式
本发明实施例通过提供一种港口起重机传动装置的故障分类方法及系统,解决了现有技术中故障分类准确性不高的技术问题,实现了提高了故障分类的准确性的技术效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1,本发明实施例提供的港口起重机传动装置的故障分类方法,包括:
步骤S110:采集传动装置的状态数据;
在本实施例中,状态数据为振动数据、温度数据、湿度数据等。
步骤S120:对状态数据进行去噪和降维,得到降维后的数据;
参见图2,对本步骤进行具体说明,对状态数据进行去噪和降维,得到降维后的数据,包括:
为状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出状态数据的各层小波系数;
对各层小波系数进行阈值量化处理;
基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
将去噪后的数据转换为矩阵信息;
根据数据维度对矩阵信息进行降维,得到降维后的数据。
具体地,通过观察矩阵的特征来确定数据的维度。
步骤S130:从降维后的数据中提取出特征信息,对特征信息进行增强,得到增强后的特征信息;
参见图3,对本步骤进行具体说明,从降维后的数据中提取出特征信息,包括:
利用变分模态分解方法将降维后的数据分解为有限个模态信号,利用互信息法从有限个模态信号中提取与降维后的数据相关的模态信号;
对提取出的模态信号进行求和重构,得到状态数据的特征频率。
对特征信息进行增强,得到增强后的特征信息,包括:
将参考数据和特征信息输入到生成对抗网络中,通过参考数据对特征信息进行对比增强,得到增强后的特征信息。
在本实施例中,参考数据是通过实验室所收集到的模拟出的故障数据。
步骤S140:将增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
参见图4,对本步骤进行具体说明,将增强后的特征信息输入到故障分类模型中,输出得到故障分类结果,包括:
将增强后的特征信息输入到训练完成的故障分类模型中,输出得到故障分类结果,例如轴承故障、齿轮磨损、结构共振、间隙异常等。
在本实施例中,故障分类模型是基于卷积神经网络的故障分类模型。
参见图5,本发明实施例提供的港口起重机传动装置的故障分类系统,包括:
数据采集模块100,用于采集传动装置的状态数据;
在本实施例中,状态数据为振动数据、温度数据、湿度数据等。
去噪降维模块200,用于对状态数据进行去噪和降维,得到降维后的数据;
具体地,去噪降维模块200,包括:
小波变换单元,用于为状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出状态数据的各层小波系数;
阈值量化单元,用于对各层小波系数进行阈值量化处理;
小波逆变换重构单元,用于基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
数据转换单元,用于将去噪后的数据转换为矩阵信息;
降维单元,用于根据数据维度对矩阵信息进行降维,得到降维后的数据。
具体地,通过观察矩阵的特征来确定数据的维度。
特征信息增强模块300,用于从降维后的数据中提取出特征信息,对特征信息进行增强,得到增强后的特征信息;
具体地,特征信息增强模块300,包括:
模态信号获取单元,用于利用变分模态分解方法将降维后的数据分解为有限个模态信号,利用互信息法从有限个模态信号中提取与降维后的数据相关的模态信号;
数据重构单元,用于对提取出的模态信号进行求和重构,得到状态数据的特征频率;
数据增强单元,用于将参考数据和特征信息输入到生成对抗网络中,通过参考数据对特征信息进行对比增强,得到增强后的特征信息。
在本实施例中,参考数据是通过实验室所收集到的模拟出的故障数据。
故障分类模块400,用于将增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
具体地,故障分类模块400,具体用于将增强后的特征信息输入到训练完成的故障分类模型中,输出得到故障分类结果,例如轴承故障、齿轮磨损、结构共振、间隙异常等。
在本实施例中,故障分类模型是基于卷积神经网络的故障分类模型。
本发明实施例针对变工况环境下岸边集装箱起重机传动装置的服役状态数据进行实时监测,结合数据处理技术,利用数据驱动的机器学习算法进行实时健康状态特征挖掘,再利用人工智能领域内前沿深度学习算法,对其设备状况进行诊断。本发明实施例的实施及其成果泛化将为未来港口设备故障诊断的智能化推广提供理论支撑。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明实施例未详述之处,均为本技术领域技术人员的公知技术。最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种港口起重机传动装置的故障分类方法,其特征在于,包括:
采集传动装置的状态数据;
对所述状态数据进行去噪和降维,得到降维后的数据;
从所述降维后的数据中提取出特征信息,对所述特征信息进行增强,得到增强后的特征信息;
将所述增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
2.如权利要求1所述的港口起重机传动装置的故障分类方法,其特征在于,所述对所述状态数据进行去噪和降维,得到降维后的数据,包括:
为所述状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出所述状态数据的各层小波系数;
对所述各层小波系数进行阈值量化处理;
基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
将所述去噪后的数据转换为矩阵信息;
根据数据维度对所述矩阵信息进行降维,得到所述降维后的数据。
3.如权利要求1所述的港口起重机传动装置的故障分类方法,其特征在于,所述从所述降维后的数据中提取出特征信息,包括:
将所述降维后的数据分解为有限个模态信号,利用互信息法从所述有限个模态信号中提取与所述降维后的数据相关的模态信号;
对所述提取出的模态信号进行求和重构,得到所述状态数据的特征频率。
4.如权利要求1所述的港口起重机传动装置的故障分类方法,其特征在于,所述对所述特征信息进行增强,得到增强后的特征信息,包括:
将参考数据和所述特征信息输入到生成对抗网络中,通过所述参考数据对所述特征信息进行对比增强,得到所述增强后的特征信息。
5.如权利要求1-4中任一项所述的港口起重机传动装置的故障分类方法,其特征在于,所述故障分类模型是基于卷积神经网络的故障分类模型。
6.一种港口起重机传动装置的故障分类系统,其特征在于,包括:
数据采集模块,用于采集传动装置的状态数据;
去噪降维模块,用于对所述状态数据进行去噪和降维,得到降维后的数据;
特征信息增强模块,用于从所述降维后的数据中提取出特征信息,对所述特征信息进行增强,得到增强后的特征信息;
故障分类模块,用于将所述增强后的特征信息输入到故障分类模型中,输出得到故障分类结果。
7.如权利要求6所述的港口起重机传动装置的故障分类系统,其特征在于,所述去噪降维模块,包括:
小波变换单元,用于为所述状态数据选出分解层数以及小波基函数,进行小波变换多尺度分解,确定出所述状态数据的各层小波系数;
阈值量化单元,用于对所述各层小波系数进行阈值量化处理;
小波逆变换重构单元,用于基于阈值量化处理之后的各层小波系数进行小波逆变换的重构,得到去噪后的数据;
数据转换单元,用于将所述去噪后的数据转换为矩阵信息;
降维单元,用于根据数据维度对所述矩阵信息进行降维,得到所述降维后的数据。
8.如权利要求6所述的港口起重机传动装置的故障分类系统,其特征在于,所述特征信息增强模块,包括:
模态信号获取单元,用于将所述降维后的数据分解为有限个模态信号,利用互信息法从所述有限个模态信号中提取与所述降维后的数据相关的模态信号;
数据重构单元,用于对所述提取出的模态信号进行求和重构,得到所述状态数据的特征频率;
数据增强单元,用于将参考数据和所述特征信息输入到生成对抗网络中,通过所述参考数据对所述特征信息进行对比增强,得到所述增强后的特征信息。
9.如权利要求6-8中任一项所述的港口起重机传动装置的故障分类系统,其特征在于,所述故障分类模型是基于卷积神经网络的故障分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837500.6A CN117708677A (zh) | 2023-12-28 | 2023-12-28 | 一种港口起重机传动装置的故障分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837500.6A CN117708677A (zh) | 2023-12-28 | 2023-12-28 | 一种港口起重机传动装置的故障分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708677A true CN117708677A (zh) | 2024-03-15 |
Family
ID=90153303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837500.6A Pending CN117708677A (zh) | 2023-12-28 | 2023-12-28 | 一种港口起重机传动装置的故障分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708677A (zh) |
-
2023
- 2023-12-28 CN CN202311837500.6A patent/CN117708677A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
Yan et al. | Wavelets for fault diagnosis of rotary machines: A review with applications | |
Saravanan et al. | Fault diagnosis of spur bevel gear box using artificial neural network (ANN), and proximal support vector machine (PSVM) | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
He et al. | A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
Khazaee et al. | 810. Vibration condition monitoring of planetary gears based on decision level data fusion using Dempster-Shafer theory of evidence | |
CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
Liu et al. | Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis | |
CN113865872A (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN107766882A (zh) | 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法 | |
CN117708677A (zh) | 一种港口起重机传动装置的故障分类方法及系统 | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
CN115600126A (zh) | 一种基于ceemd-drsn的离心泵空化状态识别方法 | |
CN114235409A (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
Cao et al. | Fault diagnosis of gearbox based on EEMD and HMM | |
CN113158769A (zh) | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 | |
CN113505654A (zh) | 基于多视角注意力网络的轴承健康状态识别方法 | |
Rahman et al. | Enhanced fault diagnosis in motor bearings: Leveraging optimized wavelet transform and non-local attention |
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 |