CN111275198B - 一种轴承异常检测方法及*** - Google Patents
一种轴承异常检测方法及*** Download PDFInfo
- Publication number
- CN111275198B CN111275198B CN202010046363.4A CN202010046363A CN111275198B CN 111275198 B CN111275198 B CN 111275198B CN 202010046363 A CN202010046363 A CN 202010046363A CN 111275198 B CN111275198 B CN 111275198B
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- bearing
- feature
- detected
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 119
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 22
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种轴承异常检测方法及***。该方法包括:获取轴承加速度样本数据;对加速度样本数据进行预处理;采用自动编码机挖掘预处理后的加速度样本数据的特征数据;对各加速度样本数据对应的特征数据进行聚类分析;根据聚类分析结果,确定正常特征数据和异常特征数据;以特征数据为样本,以特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;获取待检测轴承加速度数据;对待检测轴承加速度数据进行预处理;采用自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;将待检测轴承加速度数据的特征数据输入神经网络模型,得到待检测轴承加速度数据是否异常的结果。本发明能够对轴承的异常与否进行直接地识别。
Description
技术领域
本发明涉及异常检测技术领域,特别是涉及一种轴承异常检测方法及***。
背景技术
异常检测问题是机器学习中的一个应用,是分类问题的一个特殊应用。所谓异常事件,就是在样本中非常稀少、难以预测的非预期事件,这些异常样本一般不能有类似的特征,因此很难把这些事件分类到同一个类别之中。异常问题在样本中的分布高度不均衡,并且异常的方式各不相同,不能加以分类。异常问题通常是一些当前知识不足以定义其类型,因此不会提供带有已标记样例的训练集,所以异常检测的问题往往使用无监督的方法建模,或者在只有正常样例的训练集上训练机器学习模型,根据预测值和真实值之间的偏差来触发异常。
对于轴承的异常检测问题,由于异常数据的周期特征不明显,并且数据噪声比较多,因此,不能把所有的异常数据分类到一个类别中,进而为轴承的异常检测带来了很大的困难。
发明内容
本发明的目的是提供一种轴承异常检测方法及***,能够对轴承的异常与否进行直接地识别。
为实现上述目的,本发明提供了如下方案:
一种轴承异常检测方法,包括:
获取轴承加速度样本数据;
对所述加速度样本数据进行预处理;
采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
根据分类结果,确定正常特征数据和异常特征数据;
以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
获取待检测轴承加速度数据;
对所述待检测轴承加速度数据进行预处理;
采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果。
可选的,所述对所述加速度样本数据进行预处理,具体包括:
通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度。
可选的,在所述通过采用插值法对所述加速度样本数据进行插值之前,还包括:
获取预设阈值n;
选取所述加速度样本数据中第n个的数据之后的数据,作为新的加速度样本数据。
可选的,所述采用自动编码机挖掘的特征数据包括一个周期的轴承加速度特征数据以及剩余周期特有的特征数据。
可选的,所述对各所述加速度样本数据对应的特征数据进行聚类分析,具体包括:
计算各所述特征数据之间的相似度,得到相似度矩阵;
根据所述相似度矩阵计算度矩阵和Laplace矩阵;
确定Laplace矩阵中前k个特征值对应的特征向量;
对所述特征向量进行聚类。
可选的,所述根据分类结果,确定正常特征数据和异常特征数据,具体包括:
对各聚类簇中的特征数据进行傅里叶变换,将各特征数据转换到频域上;
将覆盖频率低的特征数据确定为正常特征数据,将覆盖频率高的特征数据确定为异常特征数据。
可选的,所述聚类分析采用的算法为K-Means聚类算法。
本发明还提供了一种轴承异常检测***,包括:
轴承加速度样本数据获取模块,用于获取轴承加速度样本数据;
加速度样本数据预处理模块,用于对所述加速度样本数据进行预处理;
样本特征挖掘模块,用于采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
聚类分析模块,用于对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
样本特征类型确定模块,用于根据分类结果,确定正常特征数据和异常特征数据;
分类模型训练模块,用于以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
待检测轴承加速度数据获取模块,用于获取待检测轴承加速度数据;
待检测数据预处理模块,用于对所述待检测轴承加速度数据进行预处理;
待检测数据特征挖掘模块,用于采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
待检测数据识别模块,用于将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果。
可选的,所述加速度样本数据预处理模块,具体包括:
长度归一化单元,用于通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度。
可选的,所述聚类分析模块,具体包括:
相似度计算单元,用于计算各所述特征数据之间的相似度,得到相似度矩阵;
拉普拉斯矩阵计算模块,用于根据所述相似度矩阵计算度矩阵和Laplace矩阵;
特征向量确定模块,用于确定Laplace矩阵中前k个特征值对应的特征向量;
聚类分析单元,用于对所述特征向量进行聚类。
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:本发明提供的轴承异常检测方法及***,采用聚类分析这种无监督学习的方法对轴承加速度样本数据做预处理,根据聚类结果中的类别为没有标签的原始数据打上标签,作为有监督学习的训练样本集输入到神经网络分类模型中,训练出具有合适参数和属性信息的模型,使用训练好的模型直接对待检测的轴承加速度数据的异常与否进行预测,从而得到待检测轴承的健康状态。
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讲,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为本发明实施例中轴承异常检测方法流程图;
图2为本发明实施例中轴承异常检测***结构示意图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的第一方面提供了一种轴承异常检测方法,如图1所示,该方法包括以下步骤:
步骤101:获取轴承加速度样本数据;
步骤102:对所述加速度样本数据进行预处理;
步骤103:采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
步骤104:对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
步骤105:根据分类结果,确定正常特征数据和异常特征数据;
步骤106:以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
步骤107:获取待检测轴承加速度数据;
步骤108:对所述待检测轴承加速度数据进行预处理;
步骤109:采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
步骤110:将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果。
轴承的加速度数据可以来源于轴承上安装的加速度计传感器,加速度计传感器采集的数据为轴承的震动数据,模拟的是轴承的震动强度随时间的变化,根据该震动强度的变化可以确定轴承的状态:正常和故障。正常状态下轴承的震动状态呈现明显的周期性,并且正常数据的波峰值和波谷值维持在一个相对稳定的范围内。
通过对特征数据进行聚类,并根据聚类结果,筛选出异常数据,并对各特征数据打上异常数据和正常数据的标签,进而作为分类模型(神经网络模型)的训练样本,这使得训练得到的神经网络模型能够直接对待检测的轴承加速度数据进行识别分类,而不必像现有技术中通过预测值和真实值之间的偏差来间接确定轴承的健康状态。
在上述实施例中,步骤102可以包括以下步骤:
通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度。
由于获得的轴承加速度样本数据的原始数据各自都具有不同的长度,这样势必会给后面的处理带来问题,因此需要对数据进行预处理来使得原始数据的长度保持一致。可以采用的方法为:查询每一批原始数据最大长度,对于不能满足最大长度的原始数据曲线采用插值法补齐,插值法可以使用最大最小值插值,也可以使用平均值插值,本发明中使用的是平均值插值。经过该归一化处理之后,将每一批原始数据的长度转换为同一个数值。
在上述实施例中,在对加速度样本数据的原始数据进行长度归一化处理之前,作为一个优选的实施方式,还可以剔除原始数据中初始部分的不可靠数据,具体可以采用以下方式实现:
获取预设阈值n;选取所述加速度样本数据中第n个的数据之后的数据,作为新的加速度样本数据。
在上述实施例中,作为一个优选的实施方式,所述采用自动编码机挖掘的特征数据可以包括:一个周期的轴承加速度特征数据以及剩余周期特有的特征数据。
使用自动编码机挖掘出原始数据的特征,使用自动编码机的中间编码结果替代原始数据进行分类。自动编码机是一个神经网络,可以学习到数据当中一些有效地表示,即数据真正有效有价值的部分。自动编码机分为编码器和解码器,通过编码器提取原始数据有效部分,数据有效部分是指能最大程度表示出原始数据特征的部分,比如轴承加速计传感器数据是具有周期性的时序数据,每个周期的数据具有相似甚至相同的特征,那么自动编码机的编码器可以直接提取出传感器数据一个周期的数据特征和其他周期特有的特征,整合编码作为传感器数据的有效部分。根据解码器重构出来的数据和原始数据进行比较,解码器的功能就是将编码器的输出结果转换成在数据长度上和编码器输入数据序列一致的序列,尽可能地减少重构数据和原始数据之间的偏差,以保证编码器结果的准确性。
在上述实施例中,作为一个优选的实施方式,步骤104可以采用以下方法实现:
计算各所述特征数据之间的相似度,得到相似度矩阵;
根据所述相似度矩阵计算度矩阵和Laplace矩阵;
确定Laplace矩阵中前k个特征值对应的特征向量;
对所述特征向量进行聚类。
在上述实施例中,作为一个优选的实施方式,所述聚类分析采用的算法为K-Means聚类算法。
在上述实施例中,作为一个优选的实施方式,步骤105可以采用以下方法实现:
对各聚类簇中的特征数据进行傅里叶变换,将各特征数据转换到频域上;
将覆盖频率低的特征数据确定为正常特征数据,将覆盖频率高的特征数据确定为异常特征数据。
根据已经聚类的数据和聚类的结果,从不同聚类类别中挑选出具有代表性的数据和明显异常的数据,为每种数据打上各自对应的标签,组成分类过程的训练数据集。然后构建以LSTM神经网络为核心的分类模型,LSTM神经网络对处理具有时序信息的数据有很好的效果,利用已经挑选好的训练数据集对分类模型进行训练。
下面以示例的方式对本发明优选的实施方案进行解释说明:
在获取对轴承加速度的样本数据后,对该数据进行以下处理:
步骤一、对原始数据进行预处理。通过插值的方法将原始数据的数据长度统一,然后使用自动编码机提取原始数据最有效的部分。具体过程如下:
首先,对同一批原始数据进行阈值处理,设置一个合适的阈值,对原始数据进行处理,如果原始数据从数据开始到刚好出现大于阈值的数据,则这一段直接截去不作为原始数据的一部分,剩下的部分构成数据集U。
然后,计算数据集U中每条数据的长度,然后对每条数据按照数据长度进行排序,计算所有数据长度的最小值,以这个最小值数据长度作为基准,对其它数据进行插值。首先计算每条数据长度与最小值之间的商,这个商就是每条数据做平均值的数据点的个数,取多个点的平均值作为新的插值点,对其它数据也进行相同的操作,得到数据集X。
接着,再构建自动编码机提取每条数据中最有价值的部分。这个过程分为以下几个步骤:
第一步,首先确定自动编码机的超参数,也就是编码器和解码器的神经网络参数,主要是网络层数n、激活函数f、优化函数op以及损失函数loss,一般来讲网络层数n值越大,编码器输出的结果精确度就越高,即结果中含有数据有效部分就越多,不同的激活函数对自动编码机训练速率和训练精度也会有不同的影响,常用的激活函数包括tanh函数、relu函数等。
第二步,构造n层LSTM网络作为隐藏层的编码器和解码器。为了处理时序数据并且能够解决一般循环神经网络存在的长期依赖的问题,使用LSTM网络来构造编码器和解码器,它的核心思想是使用遗忘门、记忆门和更新门来保证长时间的状态。而自动编码机就是使用LSTM网络先将数据编码,再通过解码后的输出和原始数据进行比较,多次训练之后减小误差得到最合适的编码器和解码器的模型。
第三步,使用插值后的数据集X训练构造出来的自动编码机。在训练时,为自动编码机指定第一步中设置的超参数,插值处理后的数据作为训练数据进行训练。
步骤二、对经过预处理的数据集进行聚类,使用谱聚类的方法,得到聚类结果。具体过程如下:
首先,对同一批预处理数据构造相似度矩阵。在机器学习中,相似度矩阵是用来衡量向量之间的关联程度,如果两个向量比较相似,那么这两个向量的相似度会比较大,反之则比较小。常用的相似度算法有以下几种:欧几里得相似度、皮尔森相似度、余弦相似度、布雷柯蒂斯相似度、emd相似度等。本发明使用皮尔森相似度、布雷柯蒂斯相似度和emd相似度,分别计算三种相似度矩阵,最后合并成总的相似度矩阵。
下面介绍三种相似度的计算方法:
皮尔森相似度
计算公式如下所示:
即两个连续变量(X,Y)的Pearson相关系数等于它们之间的协方差cov(X,Y)除以各自标准差的乘积(σ(X),σ(Y))。
布雷柯蒂斯相似度
Bray Curtis距离主要用于生态学和环境科学,计算坐标之间的距离。该距离取值在[0,1]之间。它也可以用来计算样本之间的差异。
计算公式如下所示:
emd相似度
EMD全称是Earth Mover’s Distance,是2000年IJCV期刊论文《The EarthMover'sDistance as aMetric for Image Retrieval》提出的一种直方图相似度量,用来表示两个分布的相似程度。Emd距离衡量了把数据从分布p“移动到”分布q时所需要移动的平均距离的最小值。它的计算方法如下所示:
然后,使用谱聚类对相似度矩阵进行聚类。
谱聚类算法先根据样本点计算相似度矩阵,然后计算度矩阵和Laplace矩阵,同时计算该Laplace矩阵前k个特征值对应的特征向量,最后将这些特征向量拼接成n*k的矩阵,新矩阵的每一行成为一个新生成的样本点,对这些新的样本点进行K-Means聚类,输出聚类的结果。
下面是谱聚类算法的简单描述:
输入:n个样本点X={x1,x2,…xn}和聚类簇的个数K
输出:聚类簇A1,A2,…Ak
计算相似度矩阵W;
相似度矩阵W是以sij为元素组成的矩阵。
计算度矩阵D;
即相似度矩阵W的每一行的元素之和
度矩阵D就是以di为对角线元素组成对角矩阵。
计算拉普拉斯矩阵L=D-W
计算拉普拉斯矩阵的特征值和特征向量,将特征值从小到大进行排序,取前K个特征值,记录这K个特征值对应的特征向量u1,u2,…uk;
将上面的K个列向量拼接成特征矩阵U={u1,u2,…uk},U∈Rn*k;
将矩阵U的每一行作为一个新生成的样本点,即yi是矩阵U的第i行向量,使用K-Means算法将新样本点Y={y1,y2,…yn}聚类成簇C1,C2,…Ck;
步骤三、从聚类结果中挑选出正常样例和异常样例,各自打上标签,作为分类训练集,作为分类器的输入数据,对分类器进行训练。具体过程如下:
首先,从聚类结果的每个簇中,挑选出该类别正常的数据和明显异常的数据,因为轴承加速计传感器数据正常数据具有明显的周期性,而异常数据周期性不明显并且数据噪声比较多,所以转换到频域上,正常数据覆盖的频谱较窄,出现的频率较低,而异常数据覆盖的频谱范围较宽,出现的频率也比较高。因此判断典型数据和明显异常数据的具体做法如下,对每个聚类簇中的数据执行傅里叶变换操作,将数据转换到频域上,覆盖频率低的数据就是典型的正常数据,而覆盖频率高的数据就是异常数据。将所有类别中正常的数据合并,打上“正常”的标签,同时将所有异常的数据合并,并打上“异常”的标签,作为训练数据集。
然后,构造LSTM深度神经网络为核心的分类器,确定分类器的超参数,训练时需要的参数,使用训练数据集对分类器进行训练,得到一个效果比较好的分类器,用这个分类器去预测轴承待检测数据的异常与否。
本发明采用无监督学***,同时使用聚类算法可以解决一部分需要人工为原始数据打标签的弊端,同时在挑选样本构造分类器训练数据集时,可以更加准确和高效。
本发明的第二方面提供了一种轴承异常检测***,如图2所示,该***包括:
轴承加速度样本数据获取模块201,用于获取轴承加速度样本数据;
加速度样本数据预处理模块202,用于对所述加速度样本数据进行预处理;
样本特征挖掘模块203,用于采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
聚类分析模块204,用于对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
样本特征类型确定模块205,用于根据分类结果,确定正常特征数据和异常特征数据;
分类模型训练模块206,用于以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
待检测轴承加速度数据获取模块207,用于获取待检测轴承加速度数据;
待检测数据预处理模块208,用于对所述待检测轴承加速度数据进行预处理;
待检测数据特征挖掘模块209,用于采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
待检测数据识别模块210,用于将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果。
作为本发明的一个优选的实施例,加速度样本数据预处理模块202可以包括:
长度归一化单元,用于通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度。
作为本发明的一个优选的实施例,所述聚类分析模块204可以包括:
相似度计算单元,用于计算各所述特征数据之间的相似度,得到相似度矩阵;
拉普拉斯矩阵计算模块,用于根据所述相似度矩阵计算度矩阵和Laplace矩阵;
特征向量确定模块,用于确定Laplace矩阵中前k个特征值对应的特征向量;
聚类分析单元,用于对所述特征向量进行聚类。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种轴承异常检测方法,其特征在于,包括:
获取轴承加速度样本数据;
对所述加速度样本数据进行预处理;
采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
根据分类结果,确定正常特征数据和异常特征数据;
以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
获取待检测轴承加速度数据;
对所述待检测轴承加速度数据进行预处理;
采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果;
其中,所述轴承的加速度样本数据来源于轴承上安装的加速度计传感器;
所述对所述加速度样本数据进行预处理,具体包括:
设置一个预设阈值,选取所述加速度样本数据中预设阈值数据之后的数据,作为新的加速度样本数据;采用插值的方法统一所述加速度样本数据的长度;
所述根据分类结果,确定正常特征数据和异常特征数据,具体包括:
对各聚类簇中的特征数据进行傅里叶变换,将各特征数据转换到频域上;
将覆盖频率低的特征数据确定为正常特征数据,将覆盖频率高的特征数据确定为异常特征数据。
2.根据权利要求1所述的轴承异常检测方法,其特征在于,所述对所述加速度样本数据进行预处理,具体包括:
通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度。
3.根据权利要求2所述的轴承异常检测方法,其特征在于,在所述通过采用插值法对所述加速度样本数据进行插值之前,还包括:
获取预设阈值n;
选取所述加速度样本数据中第n个的数据之后的数据,作为新的加速度样本数据。
4.根据权利要求1所述的轴承异常检测方法,其特征在于,所述采用自动编码机挖掘的特征数据包括一个周期的轴承加速度特征数据以及剩余周期特有的特征数据。
5.根据权利要求1-4任一项所述的轴承异常检测方法,其特征在于,所述对各所述加速度样本数据对应的特征数据进行聚类分析,具体包括:
计算各所述特征数据之间的相似度,得到相似度矩阵;
根据所述相似度矩阵计算度矩阵和Laplace矩阵;
确定Laplace矩阵中前k个特征值对应的特征向量;
对所述特征向量进行聚类。
6.根据权利要求1所述的轴承异常检测方法,其特征在于,所述聚类分析采用的算法为K-Means聚类算法。
7.一种轴承异常检测***,其特征在于,包括:
轴承加速度样本数据获取模块,用于获取轴承加速度样本数据;
加速度样本数据预处理模块,用于对所述加速度样本数据进行预处理;
样本特征挖掘模块,用于采用自动编码机挖掘预处理后的加速度样本数据的特征数据;
聚类分析模块,用于对各所述加速度样本数据对应的特征数据进行聚类分析,得到分类结果;
样本特征类型确定模块,用于根据分类结果,确定正常特征数据和异常特征数据;
分类模型训练模块,用于以所述特征数据为样本,以所述特征数据的正常或异常为标签,对神经网络进行训练,得到神经网络模型;
待检测轴承加速度数据获取模块,用于获取待检测轴承加速度数据;
待检测数据预处理模块,用于对所述待检测轴承加速度数据进行预处理;
待检测数据特征挖掘模块,用于采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据;
待检测数据识别模块,用于将所述待检测轴承加速度数据的特征数据输入所述神经网络模型,得到所述待检测轴承加速度数据是否异常的结果;
其中,轴承加速度样本数据获取模块获取的所述轴承的加速度样本数据来源于轴承上安装的加速度计传感器;
所述加速度样本数据预处理模块,具体包括:
加速度样本数据确定单元,用于设置一个预设阈值,选取所述加速度样本数据中预设阈值数据之后的数据,作为新的加速度样本数据;
长度归一化单元,用于通过采用插值法对所述加速度样本数据进行插值,以统一各所述加速度样本数据的长度;
所述样本特征类型确定模块,用于根据分类结果,确定正常特征数据和异常特征数据,具体包括:
对各聚类簇中的特征数据进行傅里叶变换,将各特征数据转换到频域上;
将覆盖频率低的特征数据确定为正常特征数据,将覆盖频率高的特征数据确定为异常特征数据。
8.根据权利要求7所述的轴承异常检测***,其特征在于,所述聚类分析模块,具体包括:
相似度计算单元,用于计算各所述特征数据之间的相似度,得到相似度矩阵;
拉普拉斯矩阵计算模块,用于根据所述相似度矩阵计算度矩阵和Laplace矩阵;
特征向量确定模块,用于确定Laplace矩阵中前k个特征值对应的特征向量;
聚类分析单元,用于对所述特征向量进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046363.4A CN111275198B (zh) | 2020-01-16 | 2020-01-16 | 一种轴承异常检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046363.4A CN111275198B (zh) | 2020-01-16 | 2020-01-16 | 一种轴承异常检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275198A CN111275198A (zh) | 2020-06-12 |
CN111275198B true CN111275198B (zh) | 2023-10-24 |
Family
ID=71003233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046363.4A Active CN111275198B (zh) | 2020-01-16 | 2020-01-16 | 一种轴承异常检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275198B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915015B (zh) * | 2020-06-30 | 2024-06-07 | 上海金仕达软件科技股份有限公司 | 一种异常值检测方法、装置、终端设备及存储介质 |
CN111763958A (zh) * | 2020-08-24 | 2020-10-13 | 沈阳铝镁设计研究院有限公司 | 一种基于阳极导杆振动的阳极效应检测方法 |
CN113028966B (zh) * | 2021-03-10 | 2021-11-12 | 哈尔滨市科佳通用机电股份有限公司 | 车轮踏面擦伤及不圆度在线动态检测方法 |
CN113586554A (zh) * | 2021-07-09 | 2021-11-02 | 上海中联重科桩工机械有限公司 | 一种液压马达检测***及方法 |
EP4160229A1 (de) * | 2021-09-30 | 2023-04-05 | Siemens Aktiengesellschaft | Verfahren zum überwachen einer maschine, computerprogrammprodukt und anordnung |
CN115906642B (zh) * | 2022-11-28 | 2023-07-28 | 东莞科达五金制品有限公司 | 轴承生产检测控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975388A (zh) * | 2016-03-28 | 2016-09-28 | 南京邮电大学 | 基于频谱的增量式缺陷定位方法 |
CN105973595A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学深圳研究生院 | 一种滚动轴承故障的诊断方法 |
CN106203519A (zh) * | 2016-07-17 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 基于分类聚类的故障预警算法 |
CN108564107A (zh) * | 2018-03-21 | 2018-09-21 | 温州大学苍南研究院 | 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法 |
CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和*** |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
-
2020
- 2020-01-16 CN CN202010046363.4A patent/CN111275198B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975388A (zh) * | 2016-03-28 | 2016-09-28 | 南京邮电大学 | 基于频谱的增量式缺陷定位方法 |
CN105973595A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学深圳研究生院 | 一种滚动轴承故障的诊断方法 |
CN106203519A (zh) * | 2016-07-17 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 基于分类聚类的故障预警算法 |
CN108564107A (zh) * | 2018-03-21 | 2018-09-21 | 温州大学苍南研究院 | 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法 |
CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和*** |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Machine Learning and Deep Learning Algorithms for Bearing Fault Diagnostics-A ComprehensiveReview;Zhang Shen 等;《arXiv:1901.08247》;全文 * |
航空发动机在线振动监测***的开发;周俊;刘峻华;杨涛;郭盛;黄树红;;计算机测量与控制(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275198A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275198B (zh) | 一种轴承异常检测方法及*** | |
CN111931868B (zh) | 时间序列数据异常检测方法和装置 | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备***异常检测方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN114139624A (zh) | 一种基于集成模型挖掘时间序列数据相似性信息的方法 | |
CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
CN115456107A (zh) | 一种时间序列异常检测***及方法 | |
CN110717602B (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN113806198B (zh) | 一种基于深度学习的***状态诊断方法 | |
CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
CN111563886A (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN115758086A (zh) | 卷烟烘丝机故障检测的方法、装置、设备及可读存储介质 | |
CN112561306B (zh) | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 | |
CN115310041A (zh) | 一种基于dtw算法解读时间序列局部特征的方法 | |
KR102333893B1 (ko) | 실내위치인식 시스템 성능유지를 위한 크라우드소싱 기반 무선신호세기 데이터베이스 갱신 알림 방법 및 장치 | |
CN112632466A (zh) | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 | |
Dumler et al. | Automatic time series segmentation and clustering for process monitoring in series production |
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 |