CN113177537A - 一种旋转机械设备的故障诊断方法及*** - Google Patents
一种旋转机械设备的故障诊断方法及*** Download PDFInfo
- Publication number
- CN113177537A CN113177537A CN202110723758.8A CN202110723758A CN113177537A CN 113177537 A CN113177537 A CN 113177537A CN 202110723758 A CN202110723758 A CN 202110723758A CN 113177537 A CN113177537 A CN 113177537A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- frequency domain
- time
- vibration signal
- diagnosed
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种旋转机械设备的故障诊断方法及***,方法包括:提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;对时频域特征数据进行曲线二次编码;计算曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。本发明对待诊断设备的振动信号的时频域特征数据进行二次编码,得到高阶的编码特征,从而获得了更加丰富的特征信息,并且提取到的特征能够降低学习算法参数对于故障识别率的影响。
Description
技术领域
本发明涉及机械设备故障诊断领域,更具体地,涉及一种旋转机械设备的故障诊断方法及***。
背景技术
旋转机械设备随着现代化工业进程的发展,已成为使用最为广泛的工业机械设备之一,其广泛存在于大中型机械装置中,如汽轮机、发电机、航空发动机、汽轮机等。由于旋转机械运行环境复杂以及自身老化等原因,其不可避免会出现故障,轻则影响到企业的正常生产,重则威胁到工人的人身安全。
由于旋转机械的广泛应用以及其重要性,人们对其可靠性要求也越来越高。旋转机械故障的发生通常遵循着一个特定的规律,称为“浴盆曲线”。在频繁发生故障的期间,如果能够找到并排除故障,则可以大大提高其工作寿命。故障诊断能够有效实现这一目的,其包括信号采集、信号特征提取以及诊断决策3个步骤。其中,信号特征提取是关键的一步,信号特征的有效性直接影响故障诊断的正确性。在大中型旋转机械中一般安装有各种类型的传感器,如振动传感器、声音传感器、电流传感器等。这些传感器能够用于采集关键部位的信号,对这些信号应用相应的特征提取方法后,能够提取出信号特征。
在传统的旋转机械故障诊断方法中,主要依赖于工程师丰富的经验,分析信号特征所包含的信息,从而对故障进行诊断,但由于机组数量多、特征数量大并且关系复杂,这种人工分析的方式费时费力同时还存在很大的不确定性。机器学习作为近年来兴起的新学科,其理论和方法广泛应用于解决工程应用和科学领域的复杂问题。对于旋转机械故障诊断问题,将旋转机械故障样本数据作为机器学习的输入,能够实现对模型的训练,训练好的模型能够用于旋转机械故障检测。相对于人工分析,机器学习具有强大的数据学习能力,能够更加快速且更加准确地对故障进行诊断。
发明内容
本发明针对现有技术中存在的技术问题,提供一种旋转机械设备的故障诊断方法及***。
根据本发明的第一方面,提供了一种旋转机械设备的故障诊断方法,包括:提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;计算所述曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
根据本发明的第二方面,提供一种旋转机械设备的故障诊断***,包括:提取模块,用于提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;编码模块,用于对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;计算模块,用于计算所述曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;获取模块,用于将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现旋转机械设备的故障诊断方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现旋转机械设备的故障诊断方法的步骤。
本发明提供的一种旋转机械设备的故障诊断方法、***、电子设备及存储介质,提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;对时频域特征数据进行曲线二次编码;计算曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。本发明对待诊断设备的振动信号的时频域特征数据进行二次编码,得到高阶的编码特征,从而获得了更加丰富的特征信息,并且提取到的特征能够降低学习算法参数对于故障识别率的影响。
附图说明
图1为本发明提供的一种旋转机械设备的故障诊断方法流程图;
图2为振动信号基于集合经验模态EEMD分解图;
图3为曲线一次编码和一次编码过程示例;
图4为本发明提供的一种旋转机械设备的故障诊断***结构示意图;
图5为本发明提供的一种可能的电子设备的硬件结构示意图;
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种旋转机械设备的故障诊断方法流程图,如图1所示,方法包括:101、提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;102、对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;103、计算所述曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;104、将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
可以理解的是,基于背景技术中的缺陷,本发明实施例提出了一种可提高机械设备的故障诊断率的故障诊断方法。首先,收集待诊断设备的原始振动信号,对原始振动信号进行处理,分别提取其时域特征数据、频域特征数据和时频域特征数据,对时频域特征数据进行二次编码,得到二次编码序列。然后计算曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,得到对应的多维距离特征数据。最后将时域特征数据、频域特征数据和距离特征数据输入故障诊断模型中,以输出待诊断设备的故障类型。
本发明对待诊断设备的振动信号的时频域特征数据进行二次编码,得到高阶的编码特征,从而获得了更加丰富的特征信息,并且提取到的特征能够降低学习算法参数对于故障识别率的影响。
在一种可能的实施例方式中,提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据,包括:对采集的待诊断设备的原始振动信号进行相邻系数的小波阈值去噪,获取时域信号,提取时域信号的均方根值、均值、峭度因子、峰值、峰值因子以及脉冲因子作为待诊断设备的原始振动信号的6维时域特征数据;对所述时域信号进行傅里叶变换,获得对应的频域信号,提取所述频域信号的重心频域、均方频率及频率方差作为待诊断设备的原始振动信号的3维频域特征数据;利用集合经验模态分解算法EEMD,将时域信号、频域信号分解为本征模态分量IMFs,获得时频域特征数据。
可以理解的是,对于收集的待诊断设备的原始振动信号,基于时域分析、快速傅里叶变换以及集合经验模态分解EEMD,对待诊断设备的振动信号数据进行处理,得到特征数据,特征数据包括时域特征数据、频域特征数据和时频域特征数据。其中,本发明实施例中的时域特征数据为6维,频域特征数据为3维,利用集合经验模态分解算法EEMD,将时域信号、频域信号分解为本征模态分量IMFs,获得时频域特征数据。
在一种可能的实施例方式中,利用集合经验模态分解算法EEMD,将时域信号、频域信号分解为本征模态分量IMFs,获得时频域特征数据,主要包括以下步骤:
a、对原始振动信号x(t)添加随机白噪声r(t)得到目标信号y(t):
y(t)=x(t)+r(t);(1)
b、对于目标信号y(t),使用三次样条函数连接其所有局部极大值和所有局部极小值,分别获取目标信号的上包络和下包络,上包络和下包络覆盖目标信号的所有数据;
c、计算上包络和下包络的均值m(t),并计算对应的信号成分h(t):
h(t)=y(t)-m(t);(2)
用h(t)代替y(t),重复p次步骤b、c,直到hp(t)满足预设条件,获取p次重复过程中每一次产生的信号成分hi(t),i=1,2,...,p。
d、计算剩余分量r(t),重复w次步骤a、b、c、d,直到rw(t)满足预设条件,其中,计算剩余分量r(t)包括:
r(t)=y(t)-h(t);(3)
将目标信号y(t)分解为IMFs分量特征数据,所述IMFs分量特征数据包括hi(t)。
e、重复n次步骤a、b、c和d,获取n个IMFs分量特征数据,将n个IMFs分量特征数据的平均值作为最终IMFs分量特征数据:其中,最终IMFs分量特征数据为原始振动信号的时频域特征数据。
可以理解的是,每重复执行一遍a、b、c、d步骤,即可得到一个IMFs分量特征数据,其中,一个IMFs分量特征数据包括一系列hi(t),共p个,也就是说,一个IMFs分量特征数据为p维。比如,进行100次过程,得到100个IMFs分量特征数据,j为IMFs分量特征数据的序号,hj,i(t)为第j个IMFs分量特征数据的第i维特征数据。将100个IMFs分量特征数据中的每一维特征数据求取平均值,得到IMFs分量特征数据的p维特征数据,IMFs分量特征数据即为时频域特征数据,本发明实施例中,p=9,得到的IMFs分量特征数据为9维,每一维的特征数据可参见图2所示。
在一种可能的实施例方式中,IMFs分量特征数据为p维特征数据,表示为;相应的,对时频域特征数据进行
曲线二次编码,获得曲线二次编码序列,包括:计算IMFs分量特征数据中每一维特征数据hi
(t)的均方根值,记为RMS点值;设置曲线一次编码长度Cn,取Cn维的特征数据,获取对应的Cn个RMS点值,其
中,相邻两个RMS点值形成一条线段;对每条线段进行一次编码,获得每条线段一次编码后
的编码值Cx;按照顺序拼接获得的多个编码值Cx,获得一次编码值序列;对一次编码值序列
进行二次编码,得到多个二次编码值;根据多个二次编码值,获得曲线二次编码序列。
可以理解的是,原始信号中有很多噪声,因此,对原始信号进行编码,编码的过程相当于对数据进行滤波,滤除了一些影响准确率的噪声,本发明实施例使用曲线二次编码进行特征提取能够有更高的准确率。在对IMFs分量特征数据进行二次编码时,首先,对于p维的特征数据,由于每一维特征数据是基于时间的信号序列,此处,计算每一维特征数据的hi(t)的均方根值,记为RMS点值,共获得p个RMS点值。
设置曲线一次编码长度Cn,如果RMS点值的数量大于Cn,则只截取小于等于Cn部分的RMS点值,如果RMS点值的数量小于Cn值,则补0,使得RMS点值的数量等于Cn。
比如,本发明实施例中p=9,也就是RMS点值的数量为9,Cn=8,则取前8个RMS点值进行曲线一次编码。在对Cn个RMS点值进行曲线一次编码时,可参见图3,每相邻两个RMS点值形成一条线段,对于每一条线段进行一次编码,得到对应的编码值Cx,x=1,2,...,Cn-1。对得到的Cn-1个Cx进行曲线二次编码,得到多个二次编码值,获取曲线二次编码序列。
在一种可能的实施例方式中,可以理解的是,对每条线段进行一次编码,获得每条线段一次编码后的编码值Cx,包括:
计算Cn个RMS点值中的最大值和最小值的差值App:
其中,k=Cn,Tm为自定义的超参数,x=1,2,...,Cn-1,本发明实施例中,Tm的取值为0.12。
通过上述的曲线一次编码,得到Cn-1个Cx,将所有Cx进行拼接,如式(7)所示,得到一串用于表示曲线的序列,记为Seq1,序列长度记为nseq1。
CC=C1C2...CCn-1。(7)
然后在一次编码的基础上进行二次编码,按顺序对Seq1中所有的连续两段进行编码,得到二次编码长度为nseq2的二次编码序列Seq2,其中nseq2=nseq1-1,曲线二次编码规则见表1。
表1
由表1可知,进行二次编码后,得到9个二次编码值,形成9维的二次编码序列。
在一种可能的实施例方式中,通过如下方式获取多个训练样本聚类中心:采集旋转机械设备的已知故障类型的多个原始振动信号,获取每一个原始振动信号的时频域特征数据,并计算时频域特征数据中每一维特征数据的RMS值;将多个原始振动信号的时频域特征数据的RMS值进行K均值聚类,得到K个聚类中心。
可以理解的是,对待诊断设备的原始振动信号的时频域特征数据进行二次编码后,得到了由9个二次编码值形成的二次编码序列,随后计算二次编码序列与K个训练样本聚类中心之间的距离。
需要说明的是,K个训练样本聚类中心是通过聚类得来的,具体的,采集旋转机械设备的已知故障类型的多个原始振动信号,提取每一个原始振动信号的时频域特征数据,计算时频域特征数据中每一维特征数据的均方根值,也就是RMS点值,由前述可知,p=9,每一个原始振动信号的时频域特征数据对应的RMS点值为9维。
对所有的原始振动信号的时频域特征数据对应的9维RMS点值进行K均值聚类,得到K个聚类中心,比如,本发明实施例中均所有的振动信号聚类为4个类别,获取4个聚类中心,作为4个训练样本,其中,每一个聚类中心为9维数据。
在一种可能的实施例方式中,计算曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据,包括:计算待诊断设备的原始振动信号对应的曲线二次编码序列与K个训练样本聚类中心之间的距离,获得K维距离特征数据。
可以理解的是,上述各实施例获得了待诊断设备的原始振动信号对应的二次编码序列和4个聚类中心,计算待诊断设备的原始振动信号对应的二次编码序列与4个聚类中心的距离,得到4个距离,作为待诊断设备的4维距离特征数据。
其中,根据公式(8)计算待诊断设备的原始振动信号对应的二次编码序列和每个聚类中心的距离:
其中,Dcc2表示两个曲线二次编码序列间的距离,nseq1表示二次编码序列的长度,dq表示两个二次编码序列的第q个趋势间的距离,二次编码序列的趋势间距离计算见表2。
表2
由上述实施例可分别得到待诊断设备的原始振动信号的6维时域特征数据、3维频域特征数据和4维距离特征数据,将6维时域特征数据、3维频域特征数据和4维距离特征数据输入训练后的故障诊断模型中,获取待诊断设备的故障类型。
其中,故障诊断模型为KNN算法模型,首先使用已经带有相应故障类型的历史振动信号数据,按照上述步骤提取6维时域特征数据、3维频域特征数据和4维距离特征数据,将这些特征数据作为训练集对KNN算法模型进行训练。本实施例中,采集到的历史数据包括4种故障类型的振动信号数据,每种故障类型有相应45组特征数据,共计180组特征数据,利用180组特征数据对KNN算法模型进行训练,得到训练后的KNN算法模型。
对于待诊断设备的振动信号,经过上述步骤提取特征数据,构建输入数据,使用训练好的KNN算法模型进行故障诊断,即可得到相应的故障诊断结果,即故障类型。如果后续有新的可供算法训练的数据,可以直接将其进行特征提取,加入到KNN算法模型中,不需要再进行新的训练就可供后续的设备故障诊断。同时设定一个“最新时间窗口”,KNN算法模型只保留最新的部分数据,可以避免旧的训练样本不适用于当前设备。本实施例中,KNN算法模型保留每种类别的最新10条训练样本。
图4为本发明实施例提供的一种旋转机械设备的故障诊断***结构图,如图4所示,一种旋转机械设备的故障诊断***,包括提取模块401、编码模块402、计算模块403和获取模块404,其中:
提取模块401,用于提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;编码模块402,用于对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;计算模块403,用于计算所述曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;获取模块404,用于将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
可以理解的是,本发明提供的一种旋转机械设备的故障诊断***与前述各实施例提供的旋转机械设备的故障诊断方法相对应,旋转机械设备的故障诊断***的相关技术特征可参考旋转机械设备的故障诊断方法的相关技术特征,在此不再赘述。
请参阅图5,图5为本发明实施例提供的电子设备的实施例示意图。如图5所示,本发明实施例提了一种电子设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;对时频域特征数据进行曲线二次编码,获得曲线二次编码序列;计算曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
请参阅图6,图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序611,该计算机程序611被处理器执行时实现如下步骤:提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;对时频域特征数据进行曲线二次编码,获得曲线二次编码序列;计算曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
本发明提供的一种旋转机械设备的故障诊断方法及***,主要有以下有益效果:
(1)实现一种振动信号的旋转机械设备故障诊断,采用了增量学习式故障诊断模型,使用改进的K最近邻算法,进行设备故障诊断,提高了检测准确率,并且可以进行增量式学习,使得模型能够在不需要重新训练的情况下;
(2)提出了一种基于EEMD与曲线二次编码的特征提取方法,由对曲线的每一段趋势进行编码改为对曲线的每两段趋势进行编码,得到高阶的编码特征,从而获得了更加丰富的特征信息,并且提取到的特征能够降低学习算法参数对于故障识别率的影响;
(3)提出了曲线二次编码与时、频域特征提取组合的特征提取方案,相比于传统的特征提取方法,有着更高的故障识别率,尤其适用于小样本时的情况。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
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概念,则可对这些实施例作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,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种旋转机械设备的故障诊断方法,其特征在于,包括:
提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;
对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;
计算所述曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;
将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据,包括:
对采集的待诊断设备的原始振动信号进行相邻系数的小波阈值去噪,获取时域信号,提取时域信号的均方根值、均值、峭度因子、峰值、峰值因子以及脉冲因子作为待诊断设备的原始振动信号的6维时域特征数据;
对所述时域信号进行傅里叶变换,获得对应的频域信号,提取所述频域信号的重心频域、均方频率及频率方差作为待诊断设备的原始振动信号的3维频域特征数据;
利用集合经验模态分解算法EEMD,将时域信号、频域信号分解为本征模态分量IMFs,获得时频域特征数据。
3.根据权利要求2所述的故障诊断方法,其特征在于,所述利用集合经验模态分解算法EEMD,将时域信号、频域信号分解为本征模态分量IMFs,获得时频域特征数据,包括:
a、对原始振动信号x(t)添加随机白噪声r(t)得到目标信号y(t):
y(t)=x(t)+r(t);(1)
b、对于目标信号y(t),使用三次样条函数连接其所有局部极大值和所有局部极小值,分别获取目标信号的上包络和下包络,所述上包络和所述下包络覆盖目标信号的所有数据;
c、计算上包络和下包络的均值m(t),并计算对应的信号成分h(t):
h(t)= y(t)-m(t);(2)
用h(t)代替y (t),重复p次步骤b、c,直到hp(t)满足预设条件,获取p次重复过程中每一次产生的信号成分hi(t),i=1,2,...,p;
d、计算剩余分量r(t),重复w次步骤a、b、c、d,直到rw(t)满足预设条件,其中,计算剩余分量r(t)包括:
r(t)= y(t)-h(t);(3)
将目标信号y (t)分解为IMFs分量特征数据,所述IMFs分量特征数据包括hi(t);
e、重复n次步骤a、b、c和d,获取n个IMFs分量特征数据,将n个IMFs分量特征数据的平均值作为最终IMFs分量特征数据:
其中,所述最终IMFs分量特征数据为原始振动信号的时频域特征数据,j为IMFs分量特征数据的序号,hj,i(t)为第j个IMFs分量特征数据的第i维特征数据。
6.根据权利要求4所述的故障诊断方法,其特征在于,通过如下方式获取已知故障类型的多个训练样本聚类中心:
采集旋转机械设备的已知故障类型的多个原始振动信号,获取每一个原始振动信号的时频域特征数据,并计算时频域特征数据中每一维特征数据的RMS点值;
将多个原始振动信号的时频域特征数据的RMS点值进行K均值聚类,得到K个聚类中心。
7.根据权利要求6所述的故障诊断方法,其特征在于,计算所述曲线二次编码序列与多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据,包括:
计算待诊断设备的原始振动信号对应的曲线二次编码序列与K个训练样本聚类中心之间的距离,获得K维距离特征数据。
8.一种旋转机械设备的故障诊断***,其特征在于,包括:
提取模块,用于提取待诊断设备的原始振动信号的时域特征数据、频域特征数据和时频域特征数据;
编码模块,用于对所述时频域特征数据进行曲线二次编码,获得曲线二次编码序列;
计算模块,用于计算所述曲线二次编码序列与已知故障类型的多个训练样本聚类中心之间的距离,获得原始振动信号的多维距离特征数据;
获取模块,用于将待诊断设备的原始振动信号的时域特征数据、频域特征数据和距离特征数据输入训练后的故障诊断模型,获取待诊断设备的故障类型。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的旋转机械设备的故障诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的旋转机械设备的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723758.8A CN113177537B (zh) | 2021-06-29 | 2021-06-29 | 一种旋转机械设备的故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723758.8A CN113177537B (zh) | 2021-06-29 | 2021-06-29 | 一种旋转机械设备的故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177537A true CN113177537A (zh) | 2021-07-27 |
CN113177537B CN113177537B (zh) | 2021-09-17 |
Family
ID=76927850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723758.8A Active CN113177537B (zh) | 2021-06-29 | 2021-06-29 | 一种旋转机械设备的故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177537B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607401A (zh) * | 2021-08-13 | 2021-11-05 | 中国石油大学(华东) | 全电控井下安全阀旋转设备故障诊断方法及*** |
CN113670790A (zh) * | 2021-07-30 | 2021-11-19 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113705721A (zh) * | 2021-09-08 | 2021-11-26 | 哈尔滨工业大学 | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 |
CN114662702A (zh) * | 2022-03-31 | 2022-06-24 | 北京百度网讯科技有限公司 | 故障检测方法、装置、电子设备和介质 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111783559A (zh) * | 2020-06-12 | 2020-10-16 | 河南伯特利知识产权服务有限公司 | 一种基于振动信号的时频域联合故障诊断方法 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 |
-
2021
- 2021-06-29 CN CN202110723758.8A patent/CN113177537B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111783559A (zh) * | 2020-06-12 | 2020-10-16 | 河南伯特利知识产权服务有限公司 | 一种基于振动信号的时频域联合故障诊断方法 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 |
Non-Patent Citations (3)
Title |
---|
DONG LIU: "Feature Extraction of Rotor Fault Based on EEMD and Curve Code", 《MEASUREMENT》 * |
柴凯 等: "基于时频特征和PCA-KELM的液压***故障诊断", 《解放军理工大学学报(自然科学版)》 * |
郭亮 等: "基于深度学习理论的轴承状态识别研究", 《振动与冲击》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670790A (zh) * | 2021-07-30 | 2021-11-19 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113670790B (zh) * | 2021-07-30 | 2024-03-22 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113607401A (zh) * | 2021-08-13 | 2021-11-05 | 中国石油大学(华东) | 全电控井下安全阀旋转设备故障诊断方法及*** |
CN113705721A (zh) * | 2021-09-08 | 2021-11-26 | 哈尔滨工业大学 | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 |
CN113705721B (zh) * | 2021-09-08 | 2023-05-23 | 哈尔滨工业大学 | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 |
CN114662702A (zh) * | 2022-03-31 | 2022-06-24 | 北京百度网讯科技有限公司 | 故障检测方法、装置、电子设备和介质 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113177537B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及*** | |
Li et al. | The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及*** | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
CN107689059B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN110907826B (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及*** | |
CN111898443B (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
CN114662386A (zh) | 一种轴承故障诊断方法及*** | |
CN113239970A (zh) | 一种模型训练方法、设备振动异常检测方法和装置 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN106441843A (zh) | 一种旋转机械故障波形识别方法 | |
CN115130514A (zh) | 一种工程设备健康指标构建方法及*** | |
CN115424635A (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、***、介质及电子设备 | |
CN116698385A (zh) | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 |
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 |