CN114136604A - 一种基于改进稀疏字典的旋转设备故障诊断方法及*** - Google Patents
一种基于改进稀疏字典的旋转设备故障诊断方法及*** Download PDFInfo
- Publication number
- CN114136604A CN114136604A CN202111442076.6A CN202111442076A CN114136604A CN 114136604 A CN114136604 A CN 114136604A CN 202111442076 A CN202111442076 A CN 202111442076A CN 114136604 A CN114136604 A CN 114136604A
- Authority
- CN
- China
- Prior art keywords
- fault
- sparse
- dictionary
- component signal
- reconstruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 230000014509 gene expression Effects 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21345—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis enforcing sparsity or involving a domain transformation
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于改进稀疏字典的旋转设备故障诊断方法及***，涉及核电安全管理技术领域，方法包括：S1：获取振动信号，对振动信号进行k层小波包分解，得到2的k次方个等频段的分量信号；S2：构造过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；S3：计算各分量信号的冲击稀疏度，并根据冲击稀疏度实现分量信号重构；S4：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。本发明通过改进稀疏字典方法进行故障信号提取，保留关键特征信号，并根据故障类型建立不同故障模型，最后根据分类方法实现故障诊断，有效提高设备故障诊断准确率。
Description
技术领域
本发明涉及核电安全管理技术领域，
尤其是，本发明涉及一种基于改进稀疏字典的旋转设备故障诊断方法及***。
背景技术
随着社会的进步，绿色新能源的使用越来越受到重视，特别是核电其巨大潜能受到很大的关注，但是核能在使用时尤其需要注重其安全性，那么对于核电的运行维护要求十分之高，目前现有核电设备有大量的旋转设备，旋转设备结构复杂，受环境和噪声影响容易发生故障。任何一类旋转设备出现故障都有可能会造成***非计划停机，工作人员需要花大量时间来进行故障定位、维修、订购更换零件等，从而产生巨大的经济损失。旋转设备内部包含电机、轴承和泵等部件，在轴承、齿轮发生故障时，振动信号中出现多种瞬态冲击响应成分。由于设备自身制造误差和安装误差，在振动信号中存在与轴转频相关的频率成分，因此在强噪声和多种干扰条件下，能够实现故障信号的精确分离，对旋转机械***的状态监测具有重要意义。
近年来，随着机器学习研究的深入，数据模型也逐渐在旋转设备故障诊断中有一定的应用，常见方法是对采集的振动信号进行特征提取，对不同故障类型数据打标签，然后通过各种分类器方法，比如支持向量机、最近邻、神经网络、决策树等方式实现数据分类。特征参数的提取方法，有提取时域特征参数，频域特征参数基础上，应用信号处理方法如包络谱分析、小波分析和经验模态分解等，对振动信号进行处理得到各分量信号，然后再提取不同分量信号上的时域、频域特征参数，其中稀疏分解方法通过构建过完备字典实现信号的稀疏表达，具有一定的抗噪能力和微弱信号提取能力。
例如中国专利发明专利CN111678691A公开了一种基于改进的稀疏分解算法的齿轮故障检测方法，涉及故障检测技术领域，该方法在传统基于参数字典稀疏重构的基础上，增加了对信号的预处理及对参数字典的优化设计，利用双树复小波分解结合最大峭度原则实现信号的预处理，大大降低了噪声对后续处理的影响，基于拉普拉斯小波的相关滤波确定目标特征参数从而构建过完备字典，不仅可以有效的缩减字典冗余度而且可以使得设计的字典与故障特征更为相似，最后结合匹配追踪算法以实现对振动信号中冲击特征的提取实现故障检测，该方法可以提高稀疏表示的计算效率，实现有效的故障诊断。
但是上述故障检测方法依然具有以下缺点：尽管优选了最佳的过完备字典，但是依然是是全频段信号使用相同的过完备字典，某些关键信号无法有效提取，信号重构精度降低，使得关键信号缺失，无法有效实现设备状态评估。
所以，如何设计一种基于改进稀疏字典的旋转设备故障诊断方法或者***，成为我们当前急需要解决的问题。
发明内容
本发明的目的在于提供一种便于执行，通过改进稀疏字典方法进行故障信号提取，保留关键特征信号，并根据故障类型建立不同故障模型，最后根据分类方法实现故障诊断，有效提高设备故障诊断准确率的基于改进稀疏字典的旋转设备故障诊断方法。
为达到上述目的，本发明采用如下技术方案得以实现的：
一种基于改进稀疏字典的旋转设备故障诊断方法，该方法包括以下步骤：
S1：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
S2：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
S3：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
S4：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
作为本发明的优选，执行步骤S1时，预定值k不小于2。
作为本发明的优选，执行步骤S2时，具体包括以下步骤：
S2.1：基于振动信号的故障类型构建初始的最佳相关原子，随机选择分量信号中的部分数据构造初始字典，并确定字典学习的算法参数，构造过完备字典即过完备原子库；
S2.2：将构建的过完备字典固定，确定最优稀疏系数；
S2.3：固定稀疏系数，逐列更新字典使得残差最小，最终确定最优字典，得到重构稀疏表达；
S2.4：重复执行步骤S2.1至S2.3，得到每一个分量信号对应的最优字典和重构稀疏表达；
S2.5：将最优稀疏系数结合对应的最优字典，对各分量信号分别进行稀疏重构。
作为本发明的优选，执行步骤S2.2时，固定过完备字典之后，调整稀疏编码，使得目标函数误差最小，才能确定最优稀疏系数。
作为本发明的优选，执行步骤S3时，具体包括以下步骤：
S3.1：计算分量信号各尺度上的时域波形峭度指标；
S3.2：计算包络解调谱的峭度指标值；
S3.3：根据上述两个峭度值，计算得到冲击稀疏度，并根据冲击稀疏度值的大小对分量信号进行重构；
S3.4：重复执行步骤S3.1至S3.3，对每一个分量信号进行重构。
作为本发明的优选，执行步骤S3.3时，设置两个峭度指标的对应权重值，两个权重值相加等于一，将两个权重值分别乘以波形峭度指标和峭度指标值得到两个峭度值，根据这两个峭度值计算得到冲击稀疏度。
作为本发明的优选，执行步骤S4时，具体包括以下步骤：
S4.1：对重构后的分量信号进行特征参数提取，特征参数提取包含有效值、峰值、峭度、峭度指标、波形指标和频域特征参数；
S4.2：根据特征参数及对应的故障类别建立训练集和测试集，对训练集进行训练，确定模型最优参数；
S4.3：对测试集数据进行测试，实现测试集数据的故障分类，进行故障识别。
作为本发明的优选，执行步骤S4.2时，对训练集进行训练的方法包括使用高斯过程分类法。
另一方面，本发明中另外还提供一种基于改进稀疏字典的旋转设备故障诊断***，该***包括：
预处理模块：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
第一重构模块：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
第二重构模块：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
诊断模块：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
本发明一种基于改进稀疏字典的旋转设备故障诊断方法及***有益效果在于：便于执行，通过改进稀疏字典方法进行故障信号提取，保留关键特征信号，并根据故障类型建立不同故障模型，最后根据分类方法实现故障诊断，有效提高设备故障诊断准确率。
附图说明
图1为本发明一种基于改进稀疏字典的旋转设备故障诊断方法的流程示意图；
图2为本发明一种基于改进稀疏字典的旋转设备故障诊断方法的一个实施例中的一个分量信号的字典参数；
图3为本发明一种基于改进稀疏字典的旋转设备故障诊断方法的一个实施例中的另一个分量信号的时域对比图；
图4为本发明一种基于改进稀疏字典的旋转设备故障诊断方法的一个实施例中的另一个分量信号的频谱对比图；
图5为本发明一种基于改进稀疏字典的旋转设备故障诊断方法的一个实施例中的又一个分量信号在根据冲击稀疏度重构后的振动信号时域图；
图6为本发明一种基于改进稀疏字典的旋转设备故障诊断***的模块构成示意图。
具体实施方式
以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的模块和步骤的相对布置和步骤不限制本发明的范围。
同时，应当明白，为了便于描述，附图中的流程并不仅仅是单独进行，而是多个步骤相互交叉进行。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法及***可能不作详细讨论，但在适当情况下，技术、方法及***应当被视为授权说明书的一部分。
实施例一
如图1至5所示，仅为本发明的其中一个实施例，本发明提供一种基于改进稀疏字典的旋转设备故障诊断方法，该方法包括以下步骤：
S1：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
在这里，执行步骤S1时，预定值k不小于2，例如针对以凯斯西储轴承模拟实验台上，转动速度为1797r/min 状态下采集的驱动端加速度数据，采样频率为12kHz，在此例下，一般对振动信号进行3层小波包分解，得到8个等频段的分量信号。
S2：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
在本实施例中，执行步骤S2时，具体包括以下步骤：
S2.1：基于振动信号的故障类型构建初始的最佳相关原子，随机选择分量信号中的部分数据构造初始字典，并确定字典学习的算法参数，构造过完备字典即过完备原子库；
S2.2：将构建的过完备字典固定，确定最优稀疏系数；
S2.3：固定稀疏系数，逐列更新字典使得残差最小，最终确定最优字典，得到重构稀疏表达；
S2.4：重复执行步骤S2.1至S2.3，得到每一个分量信号对应的最优字典和重构稀疏表达；
S2.5：将最优稀疏系数结合对应的最优字典，对各分量信号分别进行稀疏重构。
而且，在执行步骤S2.2时，固定过完备字典之后，调整稀疏编码，使得目标函数误差最小，才能确定最优稀疏系数。
需要注意的是，每一个分量信号的最优字典的参数均不同，如图2所示，就是将步骤S1中的第一个分量信号获得的最优字典的参数。
在执行步骤S2.5时，对各分量信号分别进行稀疏重构，得到每一个分量信号稀疏重构前后的时域对比图和频谱对比图，如图3和图4所示，便于进行步骤S3。
S3：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
在本实施例中，执行步骤S3时，具体包括以下步骤：
S3.1：计算分量信号各尺度上的时域波形峭度指标K，具体计算分数如下：
其中
是分量信号的时域平均值，
是时域平均值的四次方，
是分量信号的标准差。
S3.2：计算包络解调谱的峭度指标值Ke，具体计算分数如下：
其中：
代表信号的希尔伯特变换；
S3.3：根据上述两个峭度值，计算得到冲击稀疏度S，并根据冲击稀疏度值的大小对分量信号进行重构；
在这里，设置两个峭度指标的对应权重值α和β，两个权重值相加等于一，即α+β=1，将两个权重值分别乘以波形峭度指标和峭度指标值得到两个峭度值，根据这两个峭度值计算得到冲击稀疏度S，计算公式为：
可以将均设置为0.5，重构后的信号如图5所示；
S3.4：重复执行步骤S3.1至S3.3，对每一个分量信号进行重构。
S4：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
在本实施例中，执行步骤S4时，具体包括以下步骤：
S4.1：对重构后的分量信号进行特征参数提取，特征参数提取包含但不限于有效值、峰值、峭度、峭度指标、波形指标和频域特征参数，一般共提取15个特征参数；
S4.2：根据特征参数及对应的故障类别建立训练集和测试集，对训练集进行训练，确定模型最优参数；
S4.3：对测试集数据进行测试，实现测试集数据的故障分类，进行故障识别。
还有，执行步骤S4.2时，对训练集进行训练的方法包括使用高斯过程分类法。
样本个数共有1331组，其中正常样本121组，滚动体故障样本241组，内圈故障样本242组，外圈故障样本727组。随机打乱选择931组数据作为训练样本，400组数据作为测试样本。使用高斯过程分类法对训练集进行训练，核函数选为高斯核函数，参数选择为1。
最终检测内圈故障样本70个，诊断准确个数70个，诊断准确率100%；检测滚动体故障样本57个，诊断准确个数57个，诊断准确率100%；检测外圈故障样本231个，诊断准确个数231个，诊断准确率100%；检测正常样本42个，诊断准确个数42个，诊断准确率100%。可得，本发明提出的方法可有效提高识别旋转机械设备故障的准确率。
本发明一种基于改进稀疏字典的旋转设备故障诊断方法便于执行，通过改进稀疏字典方法进行故障信号提取，保留关键特征信号，并根据故障类型建立不同故障模型，最后根据分类方法实现故障诊断，有效提高设备故障诊断准确率。
实施例二
如图6所示，仅为本发明的其中一个实施例，本发明还提供上述实施例中可以实行一种基于改进稀疏字典的旋转设备故障诊断方法的***，该***包括：
预处理模块：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
第一重构模块：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
第二重构模块：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
诊断模块：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
本发明一种基于改进稀疏字典的旋转设备故障诊断方法及***便于执行，通过改进稀疏字典方法进行故障信号提取，保留关键特征信号，并根据故障类型建立不同故障模型，最后根据分类方法实现故障诊断，有效提高设备故障诊断准确率。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围，本发明所属技术领域的技术人员可以对所描述的具体实施例来做出各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的方向或者超越所附权利要求书所定义的范围。本领域的技术人员应该理解，凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。
Claims (9)
1.一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于，包括以下步骤：
S1：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
S2：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
S3：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
S4：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
2.根据权利要求1所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S1时，预定值k不小于2。
3.根据权利要求1所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S2时，具体包括以下步骤：
S2.1：基于振动信号的故障类型构建初始的最佳相关原子，随机选择分量信号中的部分数据构造初始字典，并确定字典学习的算法参数，构造过完备字典即过完备原子库；
S2.2：将构建的过完备字典固定，确定最优稀疏系数；
S2.3：固定稀疏系数，逐列更新字典使得残差最小，最终确定最优字典，得到重构稀疏表达；
S2.4：重复执行步骤S2.1至S2.3，得到每一个分量信号对应的最优字典和重构稀疏表达；
S2.5：将最优稀疏系数结合对应的最优字典，对各分量信号分别进行稀疏重构。
4.根据权利要求1所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S2.2时，固定过完备字典之后，调整稀疏编码，使得目标函数误差最小，才能确定最优稀疏系数。
5.根据权利要求1所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于： 执行步骤S3时，具体包括以下步骤：
S3.1：计算分量信号各尺度上的时域波形峭度指标；
S3.2：计算包络解调谱的峭度指标值；
S3.3：根据上述两个峭度值，计算得到冲击稀疏度，并根据冲击稀疏度值的大小对分量信号进行重构；
S3.4：重复执行步骤S3.1至S3.3，对每一个分量信号进行重构。
6.根据权利要求5所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S3.3时，设置两个峭度指标的对应权重值，两个权重值相加等于一，将两个权重值分别乘以波形峭度指标和峭度指标值得到两个峭度值，根据这两个峭度值计算得到冲击稀疏度。
7.根据权利要求1所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S4时，具体包括以下步骤： S4.1：对重构后的分量信号进行特征参数提取，特征参数提取包含有效值、峰值、峭度、峭度指标、波形指标和频域特征参数；
S4.2：根据特征参数及对应的故障类别建立训练集和测试集，对训练集进行训练，确定模型最优参数；
S4.3：对测试集数据进行测试，实现测试集数据的故障分类，进行故障识别。
8.根据权利要求7所述的一种基于改进稀疏字典的旋转设备故障诊断方法，其特征在于：
执行步骤S4.2时，对训练集进行训练的方法包括使用高斯过程分类法。
9.一种基于改进稀疏字典的旋转设备故障诊断***，其特征在于，包括：
预处理模块：获取旋转设备故障的振动信号，对振动信号进行预定值k层小波包分解，得到2的k次方个等频段的分量信号；
第一重构模块：构造振动信号的过完备原子库，得到过完备原子库中的稀疏系数，得到重构稀疏表达，并对各分量信号进行单支重构；
第二重构模块：计算各分量信号的冲击稀疏度，并根据冲击稀疏度的大小实现分量信号重构；
诊断模块：对重构后的各分量信号进行特征提取，根据振动信号的故障类型建立模型，进行故障识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442076.6A CN114136604B (zh) | 2021-11-30 | 2021-11-30 | 一种基于改进稀疏字典的旋转设备故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442076.6A CN114136604B (zh) | 2021-11-30 | 2021-11-30 | 一种基于改进稀疏字典的旋转设备故障诊断方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114136604A true CN114136604A (zh) | 2022-03-04 |
| CN114136604B CN114136604B (zh) | 2023-11-28 |
Family
ID=80389781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111442076.6A Active CN114136604B (zh) | 2021-11-30 | 2021-11-30 | 一种基于改进稀疏字典的旋转设备故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136604B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112061A (zh) * | 2022-06-28 | 2022-09-27 | 苏州大学 | 一种钢轨波磨检测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765055A (zh) * | 2019-01-31 | 2019-05-17 | 杭州安脉盛智能技术有限公司 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及*** |
| CN109827081A (zh) * | 2019-02-28 | 2019-05-31 | 昆明理工大学 | 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 |
| CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
| CN111678691A (zh) * | 2020-07-27 | 2020-09-18 | 江南大学 | 基于改进的稀疏分解算法的齿轮故障检测方法 |
-
2021
- 2021-11-30 CN CN202111442076.6A patent/CN114136604B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765055A (zh) * | 2019-01-31 | 2019-05-17 | 杭州安脉盛智能技术有限公司 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及*** |
| CN109827081A (zh) * | 2019-02-28 | 2019-05-31 | 昆明理工大学 | 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 |
| CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
| CN111678691A (zh) * | 2020-07-27 | 2020-09-18 | 江南大学 | 基于改进的稀疏分解算法的齿轮故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余发军;周凤星;严保康;: "基于稀疏表示的轴承早期故障特征提取", 北京理工大学学报 * |
| 曹新城;陈彬强;姚斌;贺王鹏: "机械故障特征提取的拓扑集分形稀疏字典", 振动与冲击 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112061A (zh) * | 2022-06-28 | 2022-09-27 | 苏州大学 | 一种钢轨波磨检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114136604B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
| CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
| CN111323220A (zh) | 风力发电机齿轮箱故障诊断方法及*** | |
| CN112347588A (zh) | 基于小波包分解的旋转机械故障诊断方法 | |
| CN108388692B (zh) | 基于分层稀疏编码的滚动轴承故障特征提取方法 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
| CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
| CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
| CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
| CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
| CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
| CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
| CN111678691A (zh) | 基于改进的稀疏分解算法的齿轮故障检测方法 | |
| CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及*** | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及*** | |
| CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
| CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
| CN110147637B (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 | |
| CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
| CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
| CN114912480A (zh) | 基于深度残差变分自编码器的故障诊断方法和诊断*** | |
| CN114897016A (zh) | 一种基于多源频谱特征的风机轴承故障智能诊断方法 |
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 |