转动机器振动特征的智能识别方法技术

对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含：将振动时域信号样本转化为声谱图数据样本；对样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；以扩充训练样本集中所包含的声谱图数据样本对机器学习智能算法进行识别和/或分类的训练；以经过训练的机器学习智能算法对新收集到的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类。特征重构是指对声谱图数据样本执行以时序离散重组为特征的拆合法，先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序另行组合。

【技术实现步骤摘要】
转动机器振动特征的智能识别方法
本专利技术涉及一种用于识别转动机器振动特征的智能方法，尤其涉及该方法中用于数据扩充目的的特征重构方法。
技术介绍
转动机器或转动部件(比如电机、转子、转轴、齿轮、轴承、轴承座等)的机械特性、质量瑕疵和故障演化往往包含在其输出的振动信号中，因此以振动信号为数据基础对转动机器的状态监测和特征识别具有重要的现实意义。以声谱图为识别对象的语音识别技术在工业领域得到了广泛的应用，但是受限于历史样本的稀缺性，能够识别转动机器各种振动特征的智能方法在工业领域中尚未普及。不仅如此，机器学习智能算法的准确性极大取决于训练样本的数量。因此，历史数据，尤其是数量有限的故障样本的历史数据，成为制约人工智能方法在工业领域应用的一个现实瓶颈。以振动和噪音为例，其诊断和识别现阶段还主要依靠人力进行。受个体经验和能力差异等方面因素的限制，人工听力检测噪音和故障的准确性和可靠性都难以满足现实需要。尤其是在机器故障演化的早期阶段，人类听觉往往难以察觉，容易错过最佳的维护时机，导致意外停机甚至损失的发生。不仅如此，人工听力检测难以做到实时在线监控，无法满足现代生产的对过程控制的需要。现实呼唤一种准确既可靠又能够实现实时监控的机器诊断技术。
技术实现思路
为解决上述技术问题，本专利技术提供一种利用机器学习智能算法对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含以下步骤：(1)将收集到的转动机器和/或转动部件的振动时域信号样本转化为声谱图数据样本；(2)根据已有结论对所述样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；(3)对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；(4)以扩充训练样本集中的声谱图数据样本对机器学习智能算法进行识别和/或分类的训练；(5)以经过训练的机器学习智能算法对新收集的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类诊断。在上述步骤(3)中，所述特征重构是对声谱图数据样本执行以时序离散重组为特征的拆合法：先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序重新组合。采用上述方法对声谱图数据样本进行特征重构，能够充分利用振动信号中包含的有效特征，将有限的历史数据样本扩充至至少数倍于原始样本规模的扩充训练样本集，足以满足机器学习和样本识别的需要。附图说明图1是由特定时长(比如500毫秒)的转动机器的振动时域信号的声谱图；图2是以时序拆合法对声谱图数据样本进行特征重构的方法示意图；图3是截取声谱图特定频段带的方法示意图；图4为由特定频段带的声谱图叠加形成叠置声谱图的方法示意图；以及图5是叠置声谱图执行时序拆合法的方法示意图。具体实施方式在图像处理领域，数据的特征重构是基于深度学习对图像的有效特征利用率不足等方面存在的问题而采取的数据扩充方法。在本专利技术中，特征重构是针对振动时域信号的声谱图进行的。声谱图是由振动时域信号的每一帧时域信号(一般时长10～30毫秒)经过快速傅里叶变换形成的每帧信号频谱在时序上顺序拼合而成。在上述过程中，时域信号中所包含的诸如共振峰(formants)之类的振动特征会被映射(量化)到声谱图中特定颜色(比如黑色、绿色等单色)的一个灰度序列中，从而获得在典型情况下范围介于0-255的一个量化系列值。在上述过程中，振动时域信号中所包含的振动特征会被转化为声谱图中的“可视音素(visiblephones)”，从而方便计算机使用图像识别技术将所述音素“识别”出来。图2是以时序拆合法对声谱图数据样本进行特征重构的方法示意图。在图2所示的实施方式中，声谱图样本首先被拆解为两个子声谱，然后以不同于原始时序的顺序重新组合。这种特征重构的方法在本专利技术中被定义为“时序拆合法”，简称“拆合法”。在该实施方式下，拆解所得的两个子声谱可以等时长或者不等时长，也可以采用固定时长或者随机时长，尽管图2仅展示了随机时长的例子。不仅如此，所述拆合法还可以重复多次执行(迭代)，即针对前次拆合的结果可以进行再次拆合。拆合法的迭代次数在理论上可以是任何整数值，但在本专利技术中优选不超过10次，因为过多的拆合迭代在改善数据分布的意义上效果渐弱。在进一步优选的情况下，拆合法的迭代次数不超过5次。从以上描述可以看出，拆合法的本质是将构成声谱图的各帧信号频谱在时序上重新排列组合，用以离散声谱图中所包含的可视音素。这样训练出的机器学习智能方法只关注声谱图中是否有可视音素出现，以及可视音素是否关联相关的振动特征，而不再关注可视音素在声谱图中出现的位置。不难理解，图中虽未显示，但声谱图在时序也可以拆解为三个或三个以上的子声谱，再将所得子声谱以不同于声谱图原始时序的方式重新组合。该实施方式同样能够实现所述的特征重构。因此，结合图2所示情形，拆合法可被概括为多个子声谱的拆分和组合方法。不仅如此，所述多个子声谱图可以是(彼此)等时长或不等时长，也可以是固定时长或随机时长。在本专利技术中，多个子声谱的数量优选介于2-10个之间，数量可以固定，也可以随机。有必要指出，所述振动特征在本专利技术中是一个开放的概念，在理论上包含任何可用于表征机器的性能、品质、状态等方面的信息指标，可被理解为任何能够通过听觉感知或者技术获取的信号特征。它既可以是听觉感知特征，也可以是非听觉感知特征；既可以是故障特征，也可以是非故障特征；既可以是噪声特征，也可以是非噪声特征；既可以是有益特征，也可以是有害特征。另有必要指出，本专利技术所述的子声谱是以每帧信号频谱作为基本组成单位，所述拆分不涉及对每帧信号频谱内部的拆解和重构，因为那样做意味着对每帧信号内部所包含的振动特征的破坏。从这个意义上讲，本专利技术所述的特征重构不涉及对各帧信号所包含的震动特征的变更，而只涉及各帧信号频谱的换位重组。图3是截取特定频域范围(频段带)的声谱图的方法示意图；图4是由特定频段带的声谱图形成叠置声谱图的方法示意图。上述过程首先截取声谱图中振动特征分布相对集中或者最容易发生的频段，然后将该频段的声谱图拆分为若干个等时长的子声谱，再将这些子声谱在频域方向上叠加，形成振动特征在整个频域方向上都均匀分布或者等概率发生的“叠置声谱图”。在实践中，某些性质的振动特征在声谱图中倾向于分布在某个(些)特定的频域范围(频段带)内，因此选取特定频段带的声谱信息集中识别有助于提高机器学习和识别的效率。图5为叠置声谱图执行时序拆合法的方法示意图。与图2所示的情形类似，针对图5所示的叠置声谱图也可以执行所述的拆合法，并进行必要次数的迭代。在图5所示的拆合迭代中，叠置声谱图在时序上也被拆解为两个子声谱，所得的两个子声谱以不同的时序另行组合。所述两个子声谱可以等时长或者不等时长，也可以采用固定时长或者随机时长，尽管图5仅展示了随机时长的例子。一种图中未显示的实施方式是对图3中选定的频段带(框选的频域范围)执行所述的拆合法，必要时可进行足够次数的迭代，然后将拆合后所得的频段带(总时本文档来自技高网...

【技术保护点】
1.一种利用机器学习智能算法对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含以下步骤：/n步骤1、将收集到的转动机器和/或转动部件的振动时域信号样本转化为声谱图数据样本；/n步骤2、根据已有结论对所述样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；/n步骤3、针对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；/n步骤4、以扩充训练样本集中所包含的声谱数据样本对机器学习智能算法进行识别和/或分类的训练；/n步骤5、以经过训练的机器学习智能算法对新收集的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类；/n其特征在于：/n所述特征重构是指对声谱图数据样本执行以时序离散重组为特征的拆合法，先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序另行组合。/n

【技术特征摘要】
1.一种利用机器学习智能算法对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含以下步骤：
步骤1、将收集到的转动机器和/或转动部件的振动时域信号样本转化为声谱图数据样本；
步骤2、根据已有结论对所述样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；
步骤3、针对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；
步骤4、以扩充训练样本集中所包含的声谱数据样本对机器学习智能算法进行识别和/或分类的训练；
步骤5、以经过训练的机器学习智能算法对新收集的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类；
其特征在于：
所述特征重构是指对声谱图数据样本执行以时序离散重组为特征的拆合法，先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序另行组合。


2.如权利要求1所述的方法，其特征在于：所述子声谱的数量可以固定，也可以随机；时长可以固定，也可以随机。


3.如权利要求...

【专利技术属性】
技术研发人员：李海洋，刘林辉，
申请(专利权)人：斯凯孚公司，
类型：发明
国别省市：瑞典;SE