一种基于频谱的轴承磨耗预警方法与系统技术方案

本发明专利技术公开了一种基于频谱的轴承磨耗预警方法与系统，所述方法包括：获取设备振动的数据，对数据进行处理并转换成第一语谱图；设置步长，按照步长在第一语谱图上进行滑窗，得到若干个第一语谱图片段；根据原始数据对第一语谱图片段打标签，将其作为训练样本；使用triplet loss作为损失函数，resnet50作为特征提取网络，对特征提取网络进行训练，获得基准特征；将测试数据处理为第二语谱图，得到第二语谱图片段，使用训练后的特征提取网络，得到该时间段内的振动特征；计算每一段时间的振动特征与基准特征的欧式距离，根据阈值判断振动是否异常。

【技术实现步骤摘要】
一种基于频谱的轴承磨耗预警方法与系统
本专利技术涉及预警
，尤其涉及一种基于频谱的轴承磨耗预警方法与系统。
技术介绍
振动是转动机械运转时的重要特性。利用数据采集器对机械设备(例如轴承)运行状态的振动信息进行采集，然后通过振动频谱分析，可以快速、准确地诊断出如转子不平衡、转轴弯曲、轴承损坏与松动、轴系不对中等故障存在的原因，从而做到故障早期发现、诊断迅速及时、结论定点定量、机理清楚明白之目的。但此方案在传统转动机械检测过程中只能对有无故障进行判断，无法对损失进行定量分析并作出预警。
技术实现思路
本专利技术针对上述的无法对轴承损失进行预警的技术问题，提出一种基于频谱的轴承磨耗预警方法与系统。第一方面，本申请实施例提供了一种基于频谱的轴承磨耗预警方法，包括：数据转换步骤：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；语谱图片段获得步骤：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；训练样本获得步骤：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；训练步骤：使用tripletloss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；振动特征获得步骤：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；判断步骤：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。上述基于频谱的轴承磨耗预警方法，其中，所述数据转换步骤包括：时序数据获得步骤：使用所述传感器获取所述设备振动的时序数据；频域数据获得步骤：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；低频数据过滤步骤：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；第一语谱图获得步骤：将所述高频数据转换为所述第一语谱图。上述基于频谱的轴承磨耗预警方法，其中，所述训练步骤包括：数据预处理步骤：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；模型训练步骤：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。上述基于频谱的轴承磨耗预警方法，其中，所述数据预处理步骤包括：尺寸调整步骤：将所述第一语谱图片段的尺寸调整为合适尺寸；P、N对获得步骤：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；防过拟合步骤：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。上述基于频谱的轴承磨耗预警方法，其中，所述模型训练步骤包括：加权步骤：对三个所述loss分别计算梯度并进行加权；特征提取步骤：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；基准特征获得步骤：计算测试集中正常数据的所述特征的均值，得到基准特征。第二方面，本申请实施例提供了一种基于频谱的轴承磨耗预警系统，包括：数据转换模块：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；语谱图片段获得模块：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；训练样本获得模块：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；训练模块：使用tripletloss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；振动特征获得模块：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；判断模块：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则作出预警。上述基于频谱的轴承磨耗预警系统，其中，所述数据转换模块包括：时序数据获得单元：使用所述传感器获取所述设备振动的时序数据；频域数据获得单元：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；低频数据过滤单元：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；第一语谱图获得单元：将所述高频数据转换为所述第一语谱图。上述基于频谱的轴承磨耗预警系统，其中，所述训练模块包括：数据预处理单元：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；模型训练单元：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。上述基于频谱的轴承磨耗预警系统，其中，所述数据预处理单元包括：尺寸调整单元：将所述第一语谱图片段的尺寸调整为合适尺寸；P、N对获得单元：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；防过拟合单元：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。上述基于频谱的轴承磨耗预警系统，其中，所述模型训练单元包括：加权单元：对三个所述loss分别计算梯度并进行加权；特征提取单元：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；基准特征获得单元：计算测试集中正常数据的所述特征的均值，得到基准特征。与现有技术相比，本专利技术的优点和积极效果在于：本专利技术不仅能够在传统转动机械检测过程中对是否发生故障进行判断，而且还能对损失进行定量分析并作出预警。附图说明图1为本专利技术提供的一种基于频谱的轴承磨耗预警方法的步骤示意图；图2为本专利技术提供的基于图1中步骤S1的流程图；图3为本专利技术提供的基于图1中步骤S4的流程图；图4为本专利技术提供的基于图3中步骤S41的流程图；图5为本文档来自技高网...

【技术保护点】
1.一种基于频谱的轴承磨耗预警方法，其特征在于，包括：/n数据转换步骤：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；/n语谱图片段获得步骤：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；/n训练样本获得步骤：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；/n训练步骤：使用triplet loss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；/n振动特征获得步骤：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；/n判断步骤：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则做出预警。/n

【技术特征摘要】
1.一种基于频谱的轴承磨耗预警方法，其特征在于，包括：
数据转换步骤：使用传感器获取设备振动的原始数据，对所述原始数据进行处理，并将处理完成后的所述原始数据转换成第一语谱图；
语谱图片段获得步骤：设置步长，按照所述步长根据时间顺序在所述第一语谱图上进行滑窗，得到若干个第一语谱图片段；
训练样本获得步骤：根据所述原始数据对所述第一语谱图片段打标签，若有故障，打上的标签为1，若没有故障，打上的标签为0，将打上标签的所述第一语谱图片段作为训练样本；
训练步骤：使用tripletloss作为损失函数，resnet50作为特征提取网络，对所述特征提取网络进行训练，获得基准特征；
振动特征获得步骤：根据所述数据转换步骤将测试数据处理为第二语谱图，并按照所述步长对所述第二语谱图进行切割，得到第二语谱图片段，使用训练后的所述特征提取网络，将所述第二语谱图片段作为输入，得到该时间段内的振动特征；
判断步骤：计算每一段时间的所述振动特征与所述基准特征的欧式距离，若所述欧式距离小于预警值，则为正常振动；若所述欧式距离大于故障值，则为故障；若所述欧式距离大于预警值并小于故障值，则做出预警。


2.根据权利要求1所述的轴承磨耗预警方法，其特征在于，所述数据转换步骤包括：
时序数据获得步骤：使用所述传感器获取所述设备振动的时序数据；
频域数据获得步骤：对所述时序数据进行傅立叶变换，将所述时序数据转换为频域数据；
低频数据过滤步骤：使用高通滤波器将所述频域数据中的低频数据过滤，得到高频数据；
第一语谱图获得步骤：将所述高频数据转换为所述第一语谱图。


3.根据权利要求1所述的轴承磨耗预警方法，其特征在于，所述训练步骤包括：
数据预处理步骤：将所述第一语谱图片段之间形成P、N对，并使negative：positive由1∶1至1∶4；
模型训练步骤：通过对loss分别进行加权来训练所述特征提取网络，基于训练后的所述特征提取网络获取基准特征。


4.根据权利要求3所述的轴承磨耗预警方法，其特征在于，所述数据预处理步骤包括：
尺寸调整步骤：将所述第一语谱图片段的尺寸调整为合适尺寸；
P、N对获得步骤：将所述第一语谱图片段的顺序打乱，对任一所述第一语谱图片段按照随机的顺序从相同或不同类别的第一语谱图片段中选择一张与其组成P、N对；
防过拟合步骤：初始negative：positive＝1∶1，在每个epoch后乘以1.01，直到negative：positive＝1∶4。


5.根据权利要求3所述的轴承磨耗预警方法，其特征在于，所述模型训练步骤包括：
加权步骤：对三个所述loss分别计算梯度并进行加权；
特征提取步骤：将训练后的所述特征提取网络去掉softmax层，用全连接层的输出作为提取的特征；
基准特征获得步骤：计算测试集中正常数据的所述特征的均值，得到基准特征。

【专利技术属性】
技术研发人员：安达，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：上海;31