CN110276416B - 一种滚动轴承故障预测方法 - Google Patents

一种滚动轴承故障预测方法 Download PDF

Info

Publication number
CN110276416B
CN110276416B CN201910588499.5A CN201910588499A CN110276416B CN 110276416 B CN110276416 B CN 110276416B CN 201910588499 A CN201910588499 A CN 201910588499A CN 110276416 B CN110276416 B CN 110276416B
Authority
CN
China
Prior art keywords
rolling bearing
time
training
extracted
features
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
CN201910588499.5A
Other languages
English (en)
Other versions
CN110276416A (zh
Inventor
朱海平
李晓涛
程一伟
金炯华
李朝晖
黄培
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.)
Guangdong Intelligent Robotics Institute
Original Assignee
Guangdong Intelligent Robotics Institute
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 Guangdong Intelligent Robotics Institute filed Critical Guangdong Intelligent Robotics Institute
Priority to CN201910588499.5A priority Critical patent/CN110276416B/zh
Publication of CN110276416A publication Critical patent/CN110276416A/zh
Application granted granted Critical
Publication of CN110276416B publication Critical patent/CN110276416B/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
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/23—Clustering 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

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

Abstract

一种滚动轴承故障预测方法，先获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，作去奇异值处理，提取时域特征、频域特征和时频域特征，再利用欧式距离对特征进行筛选，然后利用筛选的特征数据训练自适应核谱聚类异常诊断模型，然后利用筛选的特征数据训练深度长短期记忆循环神经网络模型；最后实时获取滚动轴承在线监测振动信号并去奇异值处理，提取上述筛选出来的特征，将特征输入到自适应核谱聚类异常诊断模型中，实现异常诊断，再以异常发生时间为起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络模型中，实现故障时间预测。本发明能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测。

Description

一种滚动轴承故障预测方法
技术领域
本发明涉及一种滚动轴承故障预测方法，尤其涉及一种基于自适应核谱聚类和深度长短期记忆循环神经网络的滚动轴承故障预测方法。
背景技术
滚动轴承是机械设备最常见的部件之一，其工作状态直接影响整个机械设备的可靠性与安全性。一旦滚动轴承出现故障，机械设备将会停转，出现功能丧失等各种异常现象，甚至造成重大安全事故。因此开展滚动轴承故障预测对于提高机械设备的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。
文献显示很多数据驱动的方法被用来实现滚动轴承的故障预测，例如支持向量机、人工神经网络等。虽然这些方法可以实现滚动轴承的故障预测，但是也存在两点问题。第一个问题，滚动轴承的退化过程大致可以分为健康阶段、异常阶段、和故障阶段。现有文献中方法大多从健康阶段开始进行故障预测，缺乏异常诊断过程。第二个问题，支持向量机、人工神经网络等方法仅仅是对输入数据和输出数据进行映射，无法对不同时刻的时间序列数据进行记忆。
发明内容
本发明要解决的技术问题是提供一种滚动轴承故障预测方法。
为了解决上述技术问题，本发明采取以下技术方案：
一种滚动轴承故障预测方法，包括以下步骤：
包括训练阶段和测试阶段；
训练阶段包括如下步骤：
步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；
步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；
步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；
步骤4：选取滚动轴承健康状态下的筛选特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；
步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM-RNN)模型；
测试阶段包括如下步骤：
步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；
步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；
步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；
步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。
所述步骤3中平均特征的计算公式如下：
Figure BDA0002115265840000021
其中，Fcenter表示平均特征，
Figure BDA0002115265840000022
表示平均特征的第m个值，
Figure BDA0002115265840000023
表示第l个提取的特征的第m个值，L表示提取的所有的时域特征、频域特征和时频域特征的总数，m表示采样点总数，l和m为自然数。
所述步骤3中所有提取的特征到平均特征的欧式距离计算公式如下：
Figure BDA0002115265840000024
所述步骤4中训练自适应核谱聚类(AKSC)异常诊断模型的过程如下：
随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集
Figure BDA0002115265840000025
其中δi∈RM表示任意的训练样本点，M表示筛选特征的数量，Ntr表示训练样本数量，函数
Figure BDA0002115265840000026
用于将训练数据集Ftr从原始维度RM映射到较高维度
Figure BDA0002115265840000027
并得到特征矩阵
Figure BDA0002115265840000028
为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化为：
Figure BDA0002115265840000031
Figure BDA0002115265840000032
得到初始核谱聚类模型，上式中，
Figure BDA0002115265840000033
为模型参数，
Figure BDA0002115265840000034
是全为1的向量，bl表示偏置项，
Figure BDA0002115265840000035
表示Kronecker乘积，
Figure BDA0002115265840000036
表示在w(1),…,w(k-1)跨越的空间中Ntr训练数据点的投影，D为过渡矩阵，γ(l)表示正则化常数。
所述得到初始核谱聚类模型后，还进行校准操作，具体为：
随机选取部分滚动轴承健康状态下的筛选特征数据作为校准数据集
Figure BDA0002115265840000037
其中δi∈RM表示任意的校准样本点，M表示筛选特征的数量，Nca表示训练样本数量，本征空间ci,ca中每个校准数据的坐标计算如下：
Figure BDA0002115265840000038
其中K(·)是径向基函数核函数，α(l)是权系数，K表示RBF核相似度函数，然后，根据聚类中心之间的欧氏距离和特征空间中数据点的位置，可计算δi,ca的聚类隶属度，确定数据点的聚类关系，当新的数据点进入时，聚类中心将被更新。
所述步骤8中，利用自适应核谱聚类(AKSC)异常诊断模型进行的滚动轴承异常诊断过程如下：
定义一个离群值指标OI来表示异常水平，并实时识别滚动轴承的异常行为，向训练好的自适应核谱聚类(AKSC)异常诊断模型中输入步骤7中获得的在线监测数据提取的特征的数据δi，其中δi∈RM，M表示筛选特征的数量，异常值指标的计算公式如下：
Figure BDA0002115265840000039
其中OI表示数据δi与聚类中心之间的最大相似度值，K表示RBF核相似函数，Cs代表聚类中心，
Figure BDA00021152658400000310
代表特征空间中的聚类中心，Kα(·)代表核函数的特征向量的余弦相似度函数，当OI指标低于给定的容限阈值时，表示当前的在线监测数据与正常状态有差异，即出现异常状态。
本发明具有以下有益效果：
1、本发明针对滚动轴承故障预测问题，基于AKSC和DLSTM-RNN建立了一种滚动轴承故障在线预测方法，能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测，保障滚动轴承的安全、稳定、长周期运行。
2、本发明将时域、频域和时频域特征结合起来，达到更加广泛的特征提取，得到足够多的振动信号信息。
3、本发明应用一种新的基于欧氏距离的振动信号特征筛选方法，可以实现有效特征的筛选。
4、本发明应用一种新的基于AKSC的滚动轴承异常检测方法，可以在线快速精确实施滚动轴承异常检测，为故障预测确定预测起点。
5、与现有技术比较，本发明的滚动轴承故障预测方法能够提高轴承故障预测的准确性和有效性，为解决轴承故障诊断问题提供了一种新思路。
附图说明
图1本发明方法的流程图；
图2滚动轴承加速性能退化实验装置；
图3滚动轴承特征筛选结果图；
图4基于AKSC的滚动轴承异常检测结果。
具体实施方式
为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1，一种基于自适应核谱聚类和深度长短期记忆循环神经网络的滚动轴承故障预测方法包含训练阶段和测试阶段：
训练阶段包括如下步骤：
步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理。
步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征。
提取的时域特征共12个，包括：绝对平均值、均方根值、方根幅值、峰值、歪度、峭度、波形指标、峰值因子、脉冲因子、裕度因子、歪度因子、和峭度因子；
提取的频域特征共12个，包括如下的f f1～f f12。
Figure BDA0002115265840000051
Figure BDA0002115265840000052
Figure BDA0002115265840000053
Figure BDA0002115265840000054
Figure BDA0002115265840000055
Figure BDA0002115265840000056
Figure BDA0002115265840000057
Figure BDA0002115265840000058
Figure BDA0002115265840000059
Figure BDA00021152658400000510
Figure BDA00021152658400000511
Figure BDA00021152658400000512
其中，s(i)是振动信号经傅里叶变换得到的频谱，N为谱线数，fi是第i条谱线的频率值。
提取的时频域特征是基于CEEMDAN方法的。CEEMDAN方法可以将滚动轴承的振动信号自适应的分解，得到若干个本征模态函数。通过计算各本征模态函数中的能量值来获得时频域特征，公式如下。
Figure BDA0002115265840000061
其中，Ei表示滚动轴承振动信号的第i个时频域特征，IMFi(t)表示CEEMDAN分解振动信号得到的第i个本征模态函数，N表示滚动轴承振动信号中采样点个数。
步骤3：计算步骤2中提取的所有特征的平均特征，该平均特征的计算公式如下
Figure BDA0002115265840000062
其中，Fcenter表示平均特征，
Figure BDA0002115265840000063
表示平均特征的第m个值，
Figure BDA0002115265840000064
表示第l个提取的特征的第m个值，L表示所有提取特征的总数,m表示采样点总数，l和m为自然数。然后分别计算所有提取的特征到平均特征的欧式距离，将与平均特征的欧氏距离小于设定阈值的特征筛选出来。第l个提取的特征到平均特征的欧氏距离的计算公式如下
Figure BDA0002115265840000065
步骤4：选取滚动轴承健康状态下的筛选特征数据，即按照步骤1-3重新选取健康状态下的滚动轴承的相关特征数据，训练自适应核谱聚类(AKSC)异常诊断模型。训练自适应核谱聚类(AKSC)异常诊断模型过程如下：
随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集
Figure BDA0002115265840000066
其中δi∈RM表示任意的训练样本点，M表示筛选特征的数量，Ntr表示训练样本数量。函数
Figure BDA0002115265840000067
用于将Ftr从原始维度RM映射到较高维度
Figure BDA0002115265840000068
并得到特征矩阵
Figure BDA0002115265840000069
为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化，即该最小化的目标函数为：
Figure BDA00021152658400000610
Figure BDA00021152658400000611
其中
Figure BDA00021152658400000612
为模型参数，
Figure BDA00021152658400000613
是全为1的向量，bl表示偏置项，
Figure BDA00021152658400000614
表示Kronecker乘积，
Figure BDA00021152658400000615
表示在w(1),w(2),…,w(k-1)跨越的空间中Ntr训练数据点的投影，D表示过渡矩阵，γ(l)表示正则化常数，K表示RBF核相似度函数，即在空间中的投影。
得到初始阶段的核谱聚类模型后，接着是校准阶段。初始核谱聚类模型的参数自动更新，以便匹配未来的数据演进并最大化识别精度。随机选取部分滚动轴承健康状态下的筛选特征数据作为校准数据集
Figure BDA0002115265840000071
其中δi∈RM表示任意的校准样本点，M表示筛选特征的数量，Nca表示训练样本数量。本征空间ci,ca中每个校准数据的坐标计算如下：
Figure BDA0002115265840000072
其中K(·)是径向基函数核函数，α(l)是权系数，K表示RBF核相似函数。然后，根据聚类中心之间的欧氏距离和特征空间中数据点的位置，可以计算δi,ca的聚类隶属度。确定数据点的聚类关系。当新的数据点进入时，聚类中心将被更新。
步骤5：利用步骤3中筛选的特征训练深度长短期记忆循环神经网络(DLSTM-RNN)模型。
测试阶段包括如下步骤：
步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理。
步骤7：针对滚动轴承在线监测振动信号，提取步骤3中筛选出来的特征。
步骤8：将步骤7中提取的特征输入训练好的AKSC模型,实现滚动轴承异常诊断。异常诊断过程如下：
定义一个离群值指标OI来表示异常水平，并实时识别滚动轴承的异常行为。向训练好的AKSC模型中输入步骤7中获得的在线监测数据提取的特征数据δi，其中δi∈RM，M表示筛选特征的数量。异常值指标的计算公式如下：
Figure BDA0002115265840000073
其中OI表示数据点δi与聚类中心之间的最大相似度值。K表示RBF核相似函数，Cs代表聚类中心，
Figure BDA0002115265840000074
代表特征空间中的聚类中心，Kα(·)代表核函数的特征向量的余弦相似度函数。一般情况下，当OI指标低于给定的容限阈值时，表示当前的在线监测数据与正常状态有较大的差异，即出现异常状态。
步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。
以下进行具体实施例验证。
使用美国威斯康辛-密尔沃基大学工业与制造工程系智能维护***实验室的滚动轴承加速性能退化实验对本发明的有效性进行验证。
滚动轴承加速性能退化实验装置如图2所示，4个Rexnord ZA-2115双列滚子轴承(内圈直径：2.815英寸，滚子直径：0.331英寸，接触角：15.17°)串在一根轴上，轴由交流电机通过带传动驱动，转速维持在2000rmp，6000磅的径向力施加在轴上。轴承采用强制润滑，润滑***通过流量和温度来调节润滑，磁性传感器安装在轴承润滑油回路，当磁性传感器吸附收集到的金属碎片超过设定值后，表明轴承已经失效，则停止试验。在信号检测方面，采用8个PCB 353B33高灵敏度石英加速度传感器安装在轴承座上，每个轴承相互垂直的安装两个加速度传感器。4个温度传感器安装在轴承外圈记录轴承润滑油温度用来考察润滑情况。振动信号通过DAQCarde-6062E数据采集卡采集，采样频率为20KHz，采集后的数据由LabVIEW软件收集。
实验数据集包含了3组实验，分别命名为：实验一、实验二和实验三。实验一中，当实验结束时，只有轴承3和轴承4出现故障。实验二中，当实验结束时，只有轴承1出现故障。因此实验二中轴承1的监测数据被选为训练数据，实验一轴承3的监测数据被选为测试数据。
基于上述设定以及获取的振动信号，本实验的具体验证过程如下：
首先，对训练数据进行去奇异值处理。
然后，对去奇异值处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征。
接着，计算提取的特征的平均特征，然后分别计算所有提取的特征到平均特征的欧式距离，根据欧式距离大小对提取的特征进行选择。滚动轴承特征筛选结果如图3所示，图中时域特征用字母tf表示，频域域特征用字母ff表示，时频域用字母IME表示，特征序号对应步骤2中提出的特征的序号。图中框格内未填充的特征代表距离平均特征欧氏距离小于阈值的特征，这些特征被筛选出来，包括IME8、IME11、IME9、ff6、ff10、ff12、tf3共8个，框格内填充的特征代表没有被筛选的特征。
下一步，选取滚动轴承健康状态下的筛选特征数据，训练自适应核谱聚类(AKSC)异常诊断模型。
接着，利用步骤3中筛选的特征训练深度长短期记忆循环神经网络(DLSTM-RNN)模型。
在测试阶段，针对测试数据，提取上述筛选出来的8个特征，包括IME8、IME11、IME9、ff6、ff10、ff12、tf3。然后提取的特征输入训练好的AKSC模型,实现滚动轴承异常诊断。异常诊断结果如图4所示，从图中可以看到，在1810个采样时间时，OI突变为零，且此时聚类关系中生成一种新的类，因此确定在1810个采样时间时滚动轴承发生异常。通过对比滚动轴承的特征发现，在1810个采样时间之前，特征的峰值偏小，而1810个采样时间之后，特征的峰值变大，这一结果证明了异常检测的准确性。
接着以1810采样时间为预测起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。最终预测的故障时间为2155.375采样时间。
为了验证本方法的优势，基于本方法的结果与现有技术中基于粒子滤波与神经模糊***预测的预测方法、基于概率方法与支持向量机的预测方法、基于威布尔失效率函数和径向基函数神经网络的预测方法和基于关联向量机与逻辑回归的预测方法等四种方法进行了对比。预测的结果通过预测精度(Accuracy)指标来衡量。
Accuracy的表达公式如下：
Figure BDA0002115265840000091
其中，tr表示真实的故障时间，
Figure BDA0002115265840000092
表示预测的故障时间。
表1展示了不同方法对比结果，从表中可以看到，本方法的预测效果明显优于其他四种方法。
表1不同方法对比结果
Figure BDA0002115265840000093
需要说明的是，以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但是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，均应包含在本发明的保护范围之内。

Claims (3)

1.一种滚动轴承故障预测方法，包括以下步骤：
包括训练阶段和测试阶段；
训练阶段包括如下步骤：
步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；
步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；
步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；
步骤4：选取步骤3中筛选的特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；
步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM-RNN)模型；
测试阶段包括如下步骤：
步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；
步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；
步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；
步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测；
所述步骤4中训练自适应核谱聚类(AKSC)异常诊断模型的过程如下：
随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集
Figure FDA0004137404120000011
δi∈RM表示任意的训练样本点，M表示筛选特征的数量，Ntr表示训练样本数量，函数
Figure FDA0004137404120000012
用于将训练数据集Ftr从原始维度RM映射到较高维度
Figure FDA0004137404120000014
并得到特征矩阵
Figure FDA0004137404120000013
为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化，表示为：
Figure FDA0004137404120000021
Figure FDA0004137404120000022
上式中，
Figure FDA0004137404120000023
为模型参数，l＝1，2，...，k-1，
Figure FDA0004137404120000024
是全为1的向量，bl表示偏置项，
Figure FDA0004137404120000025
表示Kronecker乘积，
Figure FDA0004137404120000026
表示在w(1)，...，w(k-1)跨越的空间中Ntr训练数据点的投影，D为过渡矩阵，γ(l)表示正则化常数，R表示实数，δi∈RM表示δi是M维实数向量，利用上式得到模型为初始核谱聚类模型。
2.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，所述步骤3中平均特征的计算公式如下：
Figure FDA0004137404120000027
其中，Fcenter表示平均特征，
Figure FDA0004137404120000028
表示平均特征的第m个值，
Figure FDA0004137404120000029
表示第l个提取的特征的第m个值，L表示提取的所有的时域特征、频域特征和时频域特征的总数，m表示采样点总数，l和m为自然数。
3.根据权利要求2所述的滚动轴承故障预测方法，其特征在于，所述步骤3中所有提取的特征到平均特征的欧式距离计算公式如下：
Figure FDA00041374041200000210
CN201910588499.5A 2019-07-02 2019-07-02 一种滚动轴承故障预测方法 Active CN110276416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910588499.5A CN110276416B (zh) 2019-07-02 2019-07-02 一种滚动轴承故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588499.5A CN110276416B (zh) 2019-07-02 2019-07-02 一种滚动轴承故障预测方法

Publications (2)

Publication Number Publication Date
CN110276416A CN110276416A (zh) 2019-09-24
CN110276416B true CN110276416B (zh) 2023-04-28

Family

ID=67962723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588499.5A Active CN110276416B (zh) 2019-07-02 2019-07-02 一种滚动轴承故障预测方法

Country Status (1)

Country Link
CN (1) CN110276416B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046869B (zh) * 2019-11-27 2023-09-29 北京腾信软创科技股份有限公司 一种基于深度学习的显著区域提取方法及***
CN112903001A (zh) * 2019-12-03 2021-06-04 财团法人纺织产业综合研究所 织物定型机的操作方法
CN111062100A (zh) * 2019-12-18 2020-04-24 北京航天智造科技发展有限公司 轴承剩余寿命预测模型建立方法及装置
US11175973B1 (en) 2020-05-11 2021-11-16 International Business Machines Corporation Prediction of performance degradation with non-linear characteristics
CN111765075B (zh) * 2020-05-20 2022-05-03 天津市天锻压力机有限公司 一种锻造液压机泵源故障预测方法及***
CN112100767A (zh) * 2020-09-02 2020-12-18 西北工业大学 一种基于奇异值分解和gru的航空发动机寿命预测方法
CN112197890B (zh) * 2020-09-08 2021-07-13 西安交通大学 一种热量表性能退化评估方法、存储介质及设备
CN112039474B (zh) * 2020-09-14 2024-03-15 沈阳铁路信号有限责任公司 一种基于改变系数对铁路继电器吸合时间数据滤波的方法
CN112036051B (zh) * 2020-11-05 2021-01-26 中国人民解放军国防科技大学 磁悬浮***剩余使用寿命预测方法、装置、设备及介质
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN113342476B (zh) * 2021-07-05 2023-04-07 中山大学 一种基于迁移学习的设备集群跨域故障预测方法及***
CN113449674B (zh) * 2021-07-12 2022-09-30 江苏商贸职业学院 一种猪脸识别方法及***
CN113642101B (zh) * 2021-07-21 2023-12-01 北京航天发射技术研究所 一种液压助力转向器故障诊断方法及装置
CN113551764B (zh) * 2021-07-29 2024-05-03 西门子工厂自动化工程有限公司 振动分析设备及其方法
CN113607413A (zh) * 2021-08-26 2021-11-05 上海航数智能科技有限公司 一种基于可控温湿度的轴承部件故障监测预测方法
CN114638280B (zh) * 2022-01-30 2023-04-11 江苏东佳电气有限公司 基于本地设备网络的防爆电机轴承温度异常监测***
CN115310497A (zh) * 2022-10-11 2022-11-08 南通韦俐数控机床有限公司 用于数控机床轴承的异常识别方法
CN117191394B (zh) * 2023-11-06 2024-01-19 南京凯奥思数据技术有限公司 一种空气压缩机设备的故障检测方法及装置
CN117359391B (zh) * 2023-12-08 2024-02-13 江苏雷鸣智能装备有限公司 数控机床滚动轴承的故障智能诊断方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956581B (zh) * 2016-06-08 2019-08-20 华南理工大学 一种快速的人脸特征点初始化方法
KR101764540B1 (ko) * 2016-06-21 2017-08-02 두산중공업 주식회사 풍력발전기 진동 상태감시 및 진단 시스템
CN106658169B (zh) * 2016-12-18 2019-06-07 北京工业大学 一种基于深度学习多层次分割新闻视频的通用方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN109100143A (zh) * 2018-07-06 2018-12-28 华中科技大学 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备
CN109635676B (zh) * 2018-11-23 2020-12-11 清华大学 一种从视频中定位音源的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法

Also Published As

Publication number Publication date
CN110276416A (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN110276416B (zh) 一种滚动轴承故障预测方法
Sobie et al. Simulation-driven machine learning: Bearing fault classification
Huo et al. Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
Kuncan An intelligent approach for bearing fault diagnosis: combination of 1D-LBP and GRA
Li et al. Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
Samanta et al. Artificial neural networks and genetic algorithm for bearing fault detection
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Malhi et al. PCA-based feature selection scheme for machine defect classification
Yiakopoulos et al. Rolling element bearing fault detection in industrial environments based on a K-means clustering approach
Yang et al. Bearing fault automatic classification based on deep learning
Islam et al. Discriminant Feature Distribution Analysis‐Based Hybrid Feature Selection for Online Bearing Fault Diagnosis in Induction Motors
US20150160101A1 (en) Method and System for Testing Operational Integrity of a Drilling Rig
Zhang et al. Fault diagnosis of rotating machinery based on kernel density estimation and Kullback-Leibler divergence
EP3186598A1 (en) Monitoring of a device having a movable part
Gowid et al. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems
Omoregbee et al. Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model
Wu et al. Design a degradation condition monitoring system scheme for rolling bearing using EMD and PCA
Kumar et al. Fault diagnosis of bearings through vibration signal using Bayes classifiers
Gecgel et al. Machine learning in crack size estimation of a spur gear pair using simulated vibration data
Zhou et al. Fault detection of rolling bearing based on FFT and classification
Cannarile et al. Elastic net multinomial logistic regression for fault diagnostics of on-board aeronautical systems
Gu et al. Fault diagnosis of spindle device in hoist using variational mode decomposition and statistical features
CN115753101A (zh) 一种基于权重自适应特征融合的轴承故障诊断方法

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