CN113092083A - 一种基于分形维数和神经网络的机泵故障诊断方法和装置 - Google Patents
一种基于分形维数和神经网络的机泵故障诊断方法和装置 Download PDFInfo
- Publication number
- CN113092083A CN113092083A CN202110149123.1A CN202110149123A CN113092083A CN 113092083 A CN113092083 A CN 113092083A CN 202110149123 A CN202110149123 A CN 202110149123A CN 113092083 A CN113092083 A CN 113092083A
- Authority
- CN
- China
- Prior art keywords
- fractal
- fractal dimension
- neural network
- dimension
- matrix
- 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.)
- Granted
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于分形维数和神经网络的机泵故障诊断方法和装置,通过采集离心泵的震动信号,获得第一震动信号;对第一震动信息进行经验模态分解,获得分量集合;将分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;根据预设条件分量,计算分形维数,获得分形维数集;根据分形维数集,构建分形矩阵;将分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。达到了利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,实现多种分类故障诊断的技术效果。
Description
技术领域
本发明涉及机泵故障诊断技术领域,尤其涉及一种基于分形维数和神经网络的机泵故障诊断方法和装置。
背景技术
工业设备的故障诊断一直是研究热点,国内外的学者已经对机泵故障诊断展开了一定的研究、分析了离心泵振动的原因及其影响因素;常见的诊断方法有利用压力脉动来诊断变转速离心泵的汽蚀故障问题;将自回归谱分析和隐马尔可夫模型相结合,该模型对常见的离心泵故障有良好的诊断效果;根据Mahalanobis-Taguchi***的相关理论,对采集到的离心泵振动信号进行故障特征提取、故障分离与分析,能够成功对密封、叶轮和过滤器阻塞等故障部件进行诊断;利用统计参数(均值、标准差、峭度、偏度等)作为故障特征,利用模糊神经网络作为分类器,对旋转机械的多种故障进行实时监测,对汽蚀,叶轮磨损、转子不平衡等故障具有良好的诊断效果。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。
发明内容
本申请实施例通过提供一种基于分形维数和神经网络的机泵故障诊断方法和装置,解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。达到了利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,获得了更好的诊断分类效果,有效提高故障分类诊断的准确性,实现多种分类故障诊断的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于分形维数和神经网络的机泵故障诊断方法和装置。
第一方面,本申请实施例提供了一种基于分形维数和神经网络的机泵故障诊断方法,应用于一离心泵,所述方法包括:采集离心泵的震动信号,获得第一震动信号;对所述第一震动信息进行经验模态分解,获得分量集合;将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;根据所述预设条件分量,计算分形维数,获得分形维数集;根据所述分形维数集,构建分形矩阵;将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
另一方面,本申请还提供了一种基于分形维数和神经网络的机泵故障诊断装置,所述装置包括:
第一获得单元,所述第一获得单元用于采集离心泵的震动信号,获得第一震动信号;
第二获得单元,所述第二获得单元用于对所述第一震动信息进行经验模态分解,获得分量集合;
第三获得单元,所述第三获得单元用于将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;
第一计算单元,所述第一计算单元用于根据所述预设条件分量,计算分形维数,获得分形维数集;
第一构建单元,所述第一构建单元用于根据所述分形维数集,构建分形矩阵;
第四获得单元,所述第四获得单元用于将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
第三方面,本发明提供了一种基于分形维数和神经网络的机泵故障诊断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例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:
本申请实施例提供了一种基于分形维数和神经网络的机泵故障诊断方法和装置,通过采集离心泵的震动信号,获得第一震动信号;对所述第一震动信息进行经验模态分解,获得分量集合;将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;根据所述预设条件分量,计算分形维数,获得分形维数集;根据所述分形维数集,构建分形矩阵;将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。实现在分形维数的基础上,通过提取分形矩阵来表征设备的运行状态,再通过加入机器学习即神经网络模型进行信号特征提取,更为有效全面的进行故障分类诊断,从而解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。达到了利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,获得了更好的诊断分类效果,有效提高故障分类诊断的准确性,实现多种分类故障诊断的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于分形维数和神经网络的机泵故障诊断方法的流程示意图;
图2为本申请实施例中状态空间的线段示意图;
图3为本申请实施例一种基于分形维数和神经网络的机泵故障诊断装置的结构示意图;
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一计算单元14,第一构建单元15,第四获得单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种基于分形维数和神经网络的机泵故障诊断方法和装置,解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。达到了利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,获得了更好的诊断分类效果,有效提高故障分类诊断的准确性,实现多种分类故障诊断的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
工业设备的故障诊断一直是研究热点,国内外的学者已经对机泵故障诊断展开了一定的研究、分析了离心泵振动的原因及其影响因素;常见的诊断方法有利用压力脉动来诊断变转速离心泵的汽蚀故障问题;将自回归谱分析和隐马尔可夫模型相结合,该模型对常见的离心泵故障有良好的诊断效果;根据Mahalanobis-Taguchi***的相关理论,对采集到的离心泵振动信号进行故障特征提取、故障分离与分析,能够成功对密封、叶轮和过滤器阻塞等故障部件进行诊断;利用统计参数(均值、标准差、峭度、偏度等)作为故障特征,利用模糊神经网络作为分类器,对旋转机械的多种故障进行实时监测,对汽蚀,叶轮磨损、转子不平衡等故障具有良好的诊断效果。但现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
采集离心泵的震动信号,获得第一震动信号;对所述第一震动信息进行经验模态分解,获得分量集合;将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;根据所述预设条件分量,计算分形维数,获得分形维数集;根据所述分形维数集,构建分形矩阵;将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。达到了利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,获得了更好的诊断分类效果,有效提高故障分类诊断的准确性,实现多种分类故障诊断的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于分形维数和神经网络的机泵故障诊断方法,应用于一离心泵,所述方法包括:
步骤S100:采集离心泵的震动信号,获得第一震动信号;
具体而言,通过离心泵震动信号采集装置对离心泵的震动信息进行采集,第一震动信息即为对当前处理分析的离心泵采集到的震动数据。该信号采集技术为现有技术不再赘述。
步骤S200:对所述第一震动信息进行经验模态分解,获得分量集合。
具体而言,通过经验模态分解,即EMD分解,将第一震动信息中的震动信号进行分解,获得其中的各分量。经验模态分解(empirical mode decomposition,EMD)是由美国国家宇航局的华裔科学家Norden e.Huang博士于1998年提出的一种新的处理非平稳信号的方法——希尔伯特——黄变化的重要组成部分。基于EMD的时频分析方法既适合于非线性、非平稳信号的分析,也适合于线性、平稳信号的分析,并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义。其中分解的分量即内涵模态分量(Intrinsic Mode Functions,IMF)就是原始信号被EMD分解之后得到的各层信号分量。EMD的提出人黄锷认为,任何信号都可以拆分成若干个内涵模态分量之和。而内涵模态分量有两个约束条件:1)在整个数据段内,极值点的个数和过零点的个数必须相等或相差最多不能超过一个。2)在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称。
步骤S300:将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;
具体而言,按照EMD分解过程获得对应的分量,取分解后的前5个分量,具体数值不做具体限定,按照分解分量的情况和具体故障诊断目标可以进行对应的调整,本申请实施例以取前五个分量为例进行具体描述。即本申请实施例设定的预设条件为分解获得的前五个分量。
步骤S400:根据所述预设条件分量,计算分形维数,获得分形维数集;
进一步而言,所述根据所述预设条件分量,计算分形维数,获得分形维数集,本申请实施例步骤S400包括:
步骤S410:获得预设算法,其中,所述预设算法包括多种维数类别;
步骤S420:根据所述预设算法分别对所述预设条件分量进行维数计算,获得每个所述分量的分形维数集,所述每个分量的所述分形维数集包括多种维数类别。
具体而言,预设算法包括Box维数、Higuchi维数、Detrend维数、Petrosian维数,对确定的分量分别计算Box维数、Higuchi维数、Detrend维数、Petrosian维数,获得每个分量的分形维数,分形维数集中包括了预定条件分量的Box维数、Higuchi维数、Detrend维数、Petrosian维数。
步骤S500:根据所述分形维数集,构建分形矩阵;
进一步而言,所述根据所述分形维数集,构建分形矩阵,本申请实施例步骤S500包括:
步骤S510:将所述分形维数集按照数值变化进行分类,提取分形维数矩阵,获得N个所述分形维数矩阵,其中,N为大于1的自然数;
步骤S520:根据所述分形维数矩阵,构建所述分形矩阵。
进一步而言,本申请实施例还包括:
步骤S710:获得设备空间;
步骤S720:根据所述设备空间、N个所述分形矩阵,获得N个状态空间,其中,每个所述状态空间均包括第一端点、第二端点,所述第一端点具有第一分形维数、所述第二端点具有第二分形维数,且,所述第一分形维数为该状态空间的最小分形维数,所述第二分形维数为所述状态空间的最大分形维数。
进一步而言,本申请实施例还包括:所述N个状态空间满足公式S1∩S2∩……∩SN=0,且S1、S2……SN≠0,其中,S1为第一状态空间、S2为第一状态空间、SN为第N状态空间。
具体而言,按照分形维数数值的变化来提取分形矩阵。分形维数是度量数据分形特征的一种参量,是将分形特征经过量化的度量参数,所以分形维数是以数值的形式出现的,具有简单直观的特点,因此可以通过分形维数数值的变化对信号的状态进行区分,实现故障的分类。提取分形矩阵的核心思想是以分形矩阵的形态表征设备的运行状态,在分形故障诊断中,任何设备的状态空间都可以用一条直线来表示,而设备不同的状态可以通过直线上不同的线段区分,状态空间中不同状态的线段示意图如图2所示。设备有N种状态,在设备空间中应该划分出N个区间,每条线段的起点和终点就是该状态分形维数的最小值和最大值。例如状态1,其状态空间为[D1,D1’],D1和D1’分别为状态1在端点处的分形维数数值。假设将设备的状态空间设为S,设备第j中的状态区间Sj,则Sj=[Dj,Dj′]其中j=1,2,3…N,Dj和Dj’分别为该状态下分形维数的最小值和最大值,其中,状态j的区间长度为|Sj|=[Dj,Dj′],每个状态区间的长度都是由分形维数的最大值和最小值决定的,状态空间是一条直线,而设备状态是一段线段,因此状态空间中必然有一段区域没有对应的状态,则有用的状态区域Su为Su=S1∪S2∪…∪SN,无用的状态区域为:所以使用分形维数作为状态区分的标准,则状态空间的划分是非常重要的,如果可以很好地划分状态空间,那么故障诊断将变得容易。状态空间的划分应该满足以下条件S1∩S2∩……∩SN=0,且S1、S2……SN≠0,也就是各个状态的集合不应该为空集,各个状态之间不应该存在交集。但是在实际应用中,状态区间的分形维数是存在一定的波动范围的,在该范围之内,分形维数表征的都是同一种状态。如果分形维数的划分范围存在交集,则信号可能会被误判。或者信号存在两种状态的特征,在重叠的区间范围内,分形维数的表征状态是无法确定的,为了能够实现故障诊断,需要放宽区间划分的条件,做一些必要的处理。在算法中除了扩大分形维数的划分区间,还使用了多种分形维数表征信号状态特征,算法中使用的分形维数分别为Box维数,Higuchi维数,Detrend维数,Petrosian维数,以确定故障诊断的确定性,提高故障诊断结果的准确性。
步骤S600:将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
进一步而言,所述卷积神经网络模型包括输入层、隐含层、输出层,所述将所述分形矩阵输入卷积神经网络模型中,获得输出结果,本申请实施例步骤S600包括:
步骤S610:将所述分形矩阵输入所述输入层进行数据激活;
步骤S620:将激活的分形矩阵输入所述隐含层进行特征提取;
步骤S630:通过所述输出层的分类器获得故障分类结果,其中,所述故障分类结果为所述输出结果。
进一步而言,所述将所述分形矩阵输入卷积神经网络模型中,获得输出结果之前,本申请实施例还包括:
步骤S640:训练所述卷积神经网络模型,其中,所述训练所述卷积神经网络模型,包括:
步骤S641:初始化所述分形矩阵,获得训练数据;
步骤S642:根据所述训练数据,确定输入数据、目标输出信息;
步骤S643:通过所述隐含层和所述输出层对所述训练数据进行处理,获得实际输出信息;
步骤S644:根据所述目标输出信息、所述实际输出信息,获得输出偏量;
步骤S645:判断所述输出偏量是否满足预设范围要求;
步骤S646:当不满足时,根据所述输出偏量,获得网络误差;
步骤S647:根据所述网络误差,获得误差梯度;
步骤S648:根据所述误差梯度,获得更新权值;
步骤S649:根据所述更新权值重新输入所述隐含层进行处理,直到所述输出偏量满足所述预设范围要求。
具体而言,将构建的分形矩阵输入训练好的卷积神经网络模型中,通过卷积神经网络模型输出层的Softmax分类器得到故障分类结果进行输出,获得最终的故障诊断结果,达到了便于更好地提取信号特征,得到更好的故障诊断效果。从而解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。实现在分形维数的基础上,通过提取分形矩阵来表征设备的运行状态,再通过加入机器学习即神经网络模型进行信号特征提取,更为有效全面的进行故障分类诊断。实验表明在不同的故障状态下分形维数是不同的,利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,获得了更好的诊断效果。卷积神经网络分为三个结构,输入层,隐含层和输出层,将得到的分形矩阵输入卷积神经网络进行特征提取并利用输出层的Softmax分类器得到故障分类的结果。神经网络的训练分成两个步骤,前向特征提取和反向梯度传播,卷积神经网络训练过程中不同优化算法的分类准确率和损失值不同。其中损失值代表实际的网络输出和理想输出的区别,损失值越低,表示网络的训练效果越好,准确率也更高。为了提高准确性我们对不同的优化函数分别进行了处理,结论发现训练效果存在较大的差异,其中基于SGD,Adadelta,Ftrl优化算法的损失值偏高,根据SGD优化算法的损失值,可以看出SGD优化算法的收敛速度较慢。基于RMS,Adam,Nadam优化算法的损失值和准确率趋势相似,都能较快的趋于稳定,最终损失值稳定在0.26左右,准确率稳定在90%左右,因而通过选择适合的优化算法可以提高训练的效果,达到进行准确故障分类诊断的效果。
应理解,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学***移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”卷积神经网络仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。
所述训练的过程实质为监督学习的过程,通过每一组训练数据不断的自我修正、调整,直至获得的输出结果与目标输出结果一致,则结束本组数据监督学习,进行下一组数据监督学习;当卷积神经网络的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对卷积神经网络的监督学习,进而使得卷积神经网络处理所述输入信息更加准确,进而获得更加准确、适合的故障分类诊断结果。
进一步而言,本申请实施例还包括:
步骤S810:根据所述分形维数集,获得所述第一分形维数、第二分形维数,直至第P分形维数,其中,P为大于1的自然数;
步骤S820:根据所述第一分形维数生成第一验证码,所述第一验证码与所述第一分形维数一一对应;
步骤S830:根据所述第二分形维数和第一验证码生成第二验证码,以此类推,根据所述第P分形维数和第P-1验证码生成第P验证码;
步骤S840:将所有分形维数和验证码复制存储在Q台电子设备上,其中,Q为大于1的自然数。
具体而言,为了提高模型处理结果的准确性,防止输入数据、训练数据被篡改影响模型输出结果的正确性,也提高数据存储的安全性,本申请实施例采用了区域链技术对计算出的分形维数进行存储,以提高数据的安全性,从而确保模型输出和诊断结果的准确性。区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账”,共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一分形维数生成第一验证码,所述第一验证码与第一分形维数一一对应;根据所述第二分形维数和第一验证码生成第二验证码,第二验证码与第二分形维数一一对应;以此类推,根据所述第N分形维数和第N-1验证码生成第N验证码,其中,N为大于1的自然数,将所有分形维数和验证码分别复制保存在M台设备上,其中,所述第一分形维数和所述第一验证码作为第一存储单元保存在一台设备上,所述第二分形维数和所述第二验证码作为第二存储单元保存在一台设备上,所述第N分形维数和所述第N验证码作为第N存储单元保存在一台设备上,当需要调用所述分形维数时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单元进行串接,使得筛选条件不易丢失和遭到破坏,通过区块链的逻辑对所述分形维数进行加密处理,保证了所述分形维数的安全性,进而保证了通过所述分形维数训练获得的卷积神经网络模型的准确性,为后续获得更加准确的故障诊断分类结果夯实了基础,也保证了数据的安全性。
实施例二
基于与前述实施例中一种基于分形维数和神经网络的机泵故障诊断方法同样发明构思,本发明还提供了一种基于分形维数和神经网络的机泵故障诊断装置,如图3所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于采集离心泵的震动信号,获得第一震动信号;
第二获得单元12,所述第二获得单元12用于对所述第一震动信息进行经验模态分解,获得分量集合;
第三获得单元13,所述第三获得单元13用于将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;
第一计算单元14,所述第一计算单元14用于根据所述预设条件分量,计算分形维数,获得分形维数集;
第一构建单元15,所述第一构建单元15用于根据所述分形维数集,构建分形矩阵;
第四获得单元16,所述第四获得单元16用于将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
进一步的,所述装置还包括:
第五获得单元,所述第五获得单元用于获得预设算法,其中,所述预设算法包括多种维数类别;
第六获得单元,所述第六获得单元用于根据所述预设算法分别对所述预设条件分量进行维数计算,获得每个所述分量的分形维数集,所述每个分量的所述分形维数集包括多种维数类别。
进一步的,所述装置还包括:
第七获得单元,所述第七获得单元用于将所述分形维数集按照数值变化进行分类,提取分形维数矩阵,获得N个所述分形维数矩阵,其中,N为大于1的自然数;
第二构建单元,所述第二构建单元用于根据所述分形维数矩阵,构建所述分形矩阵。
进一步的,所述装置还包括:
第八获得单元,所述第八获得单元用于获得设备空间;
第九获得单元,所述第九获得单元用于根据所述设备空间、N个所述分形矩阵,获得N个状态空间,其中,每个所述状态空间均包括第一端点、第二端点,所述第一端点具有第一分形维数、所述第二端点具有第二分形维数,且,所述第一分形维数为该状态空间的最小分形维数,所述第二分形维数为所述状态空间的最大分形维数。
进一步的,所述装置还包括:所述N个状态空间满足公式S1∩S2∩……∩SN=0,且S1、S2……SN≠0,其中,S1为第一状态空间、S2为第一状态空间、SN为第N状态空间。
进一步的,所述装置还包括:
第一执行单元,所述第一执行单元用于将所述分形矩阵输入所述输入层进行数据激活;
第二执行单元,所述第二执行单元用于将激活的分形矩阵输入所述隐含层进行特征提取;
第十获得单元,所述第十获得单元用于通过所述输出层的分类器获得故障分类结果,其中,所述故障分类结果为所述输出结果。
进一步的,所述装置还包括:
第一训练单元,第一训练单元用于训练所述卷积神经网络模型,其中,所述训练所述卷积神经网络模型,包括:
第十一获得单元,所述第十一获得单元用于初始化所述分形矩阵,获得训练数据;
第一确定单元,所述第一确定单元用于根据所述训练数据,确定输入数据、目标输出信息;
第十二获得单元,所述第十二获得单元用于通过所述隐含层和所述输出层对所述训练数据进行处理,获得实际输出信息;
第十三获得单元,所述第十三获得单元用于根据所述目标输出信息、所述实际输出信息,获得输出偏量;
第一判断单元,所述第一判断单元用于判断所述输出偏量是否满足预设范围要求;
第十四获得单元,所述第十四获得单元用于当不满足时,根据所述输出偏量,获得网络误差;
第十五获得单元,所述第十五获得单元用于根据所述网络误差,获得误差梯度;
第十六获得单元,所述第十六获得单元用于根据所述误差梯度,获得更新权值;
第三执行单元,所述第三执行单元用于根据所述更新权值重新输入所述隐含层进行处理,直到所述输出偏量满足所述预设范围要求。
进一步的,所述装置还包括:
第十七获得单元,所述第十七获得单元用于根据所述分形维数集,获得所述第一分形维数、第二分形维数,直至第P分形维数,其中,P为大于1的自然数;
第一生成单元,所述第一生成单元用于根据所述第一分形维数生成第一验证码,所述第一验证码与所述第一分形维数一一对应;
第二生成单元,所述第二生成单元用于根据所述第二分形维数和第一验证码生成第二验证码,以此类推,根据所述第P分形维数和第P-1验证码生成第P验证码;
第一存储单元,所述第一存储单元用于将所有分形维数和验证码复制存储在Q台电子设备上,其中,Q为大于1的自然数。
前述图1实施例一中的一种基于分形维数和神经网络的机泵故障诊断方法的各种变化方式和具体实例同样适用于本实施例的一种基于分形维数和神经网络的机泵故障诊断装置,通过前述对一种基于分形维数和神经网络的机泵故障诊断方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于分形维数和神经网络的机泵故障诊断装置的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备。
图4图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于分形维数和神经网络的机泵故障诊断方法的发明构思,本发明还提供一种基于分形维数和神经网络的机泵故障诊断装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于分形维数和神经网络的机泵故障诊断方法的任一方法的步骤。
其中,在图4中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他***通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例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:
本申请实施例提供了一种基于分形维数和神经网络的机泵故障诊断方法和装置,通过采集离心泵的震动信号,获得第一震动信号;对所述第一震动信息进行经验模态分解,获得分量集合;将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;根据所述预设条件分量,计算分形维数,获得分形维数集;根据所述分形维数集,构建分形矩阵;将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。实现在分形维数的基础上,通过提取分形矩阵来表征设备的运行状态,再通过加入机器学习即神经网络模型进行信号特征提取,更为有效全面的进行故障分类诊断,从而解决了现有技术中机泵故障诊断主要针对某类问题进行处理,不能有效进行信号特征提取,进行全面的故障诊断分类的技术问题。达到了利用分形维数,构造信号的分形矩阵,然后利用卷积神经网络对分形矩阵进行故障分类,便于更好地提取信号特征,获得了更好的诊断分类效果,有效提高故障分类诊断的准确性,实现多种分类故障诊断的技术效果。
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、***、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(***)、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***。
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***的制造品,该指令***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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于分形维数和神经网络的机泵故障诊断方法,应用于一离心泵,其中,所述方法包括:
采集离心泵的震动信号,获得第一震动信号;
对所述第一震动信息进行经验模态分解,获得分量集合;
将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;
根据所述预设条件分量,计算分形维数,获得分形维数集;
根据所述分形维数集,构建分形矩阵;
将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
2.如权利要求1所述的方法,其中,所述根据所述预设条件分量,计算分形维数,获得分形维数集,所述方法包括:
获得预设算法,其中,所述预设算法包括多种维数类别;
根据所述预设算法分别对所述预设条件分量进行维数计算,获得每个所述分量的分形维数集,所述每个分量的所述分形维数集包括多种维数类别。
3.如权利要求1所述的方法,其中,所述根据所述分形维数集,构建分形矩阵,包括:
将所述分形维数集按照数值变化进行分类,提取分形维数矩阵,获得N个所述分形维数矩阵,其中,N为大于1的自然数;
根据所述分形维数矩阵,构建所述分形矩阵。
4.如权利要求3所述的方法,其中,所述方法包括:
获得设备空间;
根据所述设备空间、N个所述分形矩阵,获得N个状态空间,其中,每个所述状态空间均包括第一端点、第二端点,所述第一端点具有第一分形维数、所述第二端点具有第二分形维数,且,所述第一分形维数为该状态空间的最小分形维数,所述第二分形维数为所述状态空间的最大分形维数。
5.如权利要求4所述的方法,其中,所述方法包括:
所述N个状态空间满足公式S1∩S2∩……∩SN=0,且S1、S2……SN≠0,其中,S1为第一状态空间、S2为第一状态空间、SN为第N状态空间。
6.如权利要求1所述的方法,其中,所述卷积神经网络模型包括输入层、隐含层、输出层,所述将所述分形矩阵输入卷积神经网络模型中,获得输出结果,包括:
将所述分形矩阵输入所述输入层进行数据激活;
将激活的分形矩阵输入所述隐含层进行特征提取;
通过所述输出层的分类器获得故障分类结果,其中,所述故障分类结果为所述输出结果。
7.如权利要求6所述的方法,其中,所述将所述分形矩阵输入卷积神经网络模型中,获得输出结果之前,包括:
训练所述卷积神经网络模型,其中,所述训练所述卷积神经网络模型,包括:
初始化所述分形矩阵,获得训练数据;
根据所述训练数据,确定输入数据、目标输出信息;
通过所述隐含层和所述输出层对所述训练数据进行处理,获得实际输出信息;
根据所述目标输出信息、所述实际输出信息,获得输出偏量;
判断所述输出偏量是否满足预设范围要求;
当不满足时,根据所述输出偏量,获得网络误差;
根据所述网络误差,获得误差梯度;
根据所述误差梯度,获得更新权值;
根据所述更新权值重新输入所述隐含层进行处理,直到所述输出偏量满足所述预设范围要求。
8.如权利要求1所述的方法,其中,所述方法包括:
根据所述分形维数集,获得所述第一分形维数、第二分形维数,直至第P分形维数,其中,P为大于1的自然数;
根据所述第一分形维数生成第一验证码,所述第一验证码与所述第一分形维数一一对应;
根据所述第二分形维数和第一验证码生成第二验证码,以此类推,根据所述第P分形维数和第P-1验证码生成第P验证码;
将所有分形维数和验证码复制存储在Q台电子设备上,其中,Q为大于1的自然数。
9.一种基于分形维数和神经网络的机泵故障诊断装置,适用于权利要求1-8任一所述步骤,其中,所述装置包括:
第一获得单元,所述第一获得单元用于采集离心泵的震动信号,获得第一震动信号;
第二获得单元,所述第二获得单元用于对所述第一震动信息进行经验模态分解,获得分量集合;
第三获得单元,所述第三获得单元用于将所述分量集合中的多个分量按照信号的分解顺序进行排序,获得预设条件分量;
第一计算单元,所述第一计算单元用于根据所述预设条件分量,计算分形维数,获得分形维数集;
第一构建单元,所述第一构建单元用于根据所述分形维数集,构建分形矩阵;
第四获得单元,所述第四获得单元用于将所述分形矩阵输入卷积神经网络模型中,获得输出结果,所述输出结果包括故障分类结果。
10.一种基于分形维数和神经网络的机泵故障诊断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149123.1A CN113092083B (zh) | 2021-02-03 | 2021-02-03 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149123.1A CN113092083B (zh) | 2021-02-03 | 2021-02-03 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092083A true CN113092083A (zh) | 2021-07-09 |
CN113092083B CN113092083B (zh) | 2023-06-13 |
Family
ID=76663794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149123.1A Active CN113092083B (zh) | 2021-02-03 | 2021-02-03 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092083B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114406409A (zh) * | 2022-03-30 | 2022-04-29 | 中国船级社 | 一种焊接机故障状态的确定方法、装置及设备 |
CN115238389A (zh) * | 2022-07-27 | 2022-10-25 | 中国航发沈阳发动机研究所 | 一种航空发动机一维模型的机匣机动载荷分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN108303255A (zh) * | 2018-01-09 | 2018-07-20 | 内蒙古科技大学 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及*** |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
CN110147739A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于多重分形谱算法的电抗器故障识别方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
-
2021
- 2021-02-03 CN CN202110149123.1A patent/CN113092083B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN108303255A (zh) * | 2018-01-09 | 2018-07-20 | 内蒙古科技大学 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及*** |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
CN110147739A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于多重分形谱算法的电抗器故障识别方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114406409A (zh) * | 2022-03-30 | 2022-04-29 | 中国船级社 | 一种焊接机故障状态的确定方法、装置及设备 |
CN114406409B (zh) * | 2022-03-30 | 2022-07-12 | 中国船级社 | 一种焊接机故障状态的确定方法、装置及设备 |
CN115238389A (zh) * | 2022-07-27 | 2022-10-25 | 中国航发沈阳发动机研究所 | 一种航空发动机一维模型的机匣机动载荷分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113092083B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
Chen et al. | Graph neural network-based fault diagnosis: a review | |
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
Zheng et al. | Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network | |
CN113092083B (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
CN107490964A (zh) | 一种基于特征证据离散化的旋转机械故障特征约简方法 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN116502162A (zh) | 边缘算力网络中的异常算力联邦检测方法、***及介质 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN111125186B (zh) | 一种基于调查问卷的数据处理方法及*** | |
CN112488171A (zh) | 一种变分模式分解的sru故障预测方法 | |
CN109894495B (zh) | 一种基于能耗数据和贝叶斯网络的挤压机异常检测方法及*** | |
Yafei et al. | Fault Diagnosis of Axial Piston Pump Based on Extreme‐Point Symmetric Mode Decomposition and Random Forests | |
Gaugel et al. | PrecTime: A deep learning architecture for precise time series segmentation in industrial manufacturing operations | |
CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
CN108573282A (zh) | 基于小数据集下的bn参数学习的目标识别方法 | |
Tolas et al. | Periodicity detection algorithm and applications on IoT data | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和*** | |
CN116126807A (zh) | 一种日志分析方法及相关装置 |
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 |