轴承状态监测系统及方法技术方案

本申请涉及智能监测领域，其具体地公开了一种轴承状态监测系统及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段的轴承振动信号和多个预定时间点的轴承的温度值，将振动信号波形图经过滤波器降噪后通过过滤器卷积网络提取轴承振动特征，将温度值排列为向量后通过温度提取器提取温度特征，关联后通过互为转置卷积进行特征增强，以得到用于表示轴承工作状态是否正常的分类结果

【技术实现步骤摘要】
轴承状态监测系统及方法


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种轴承状态监测系统及方法
。

技术介绍

[0002]轴承是当代机械设备中一种重要零部件
。
它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度
。
在机器运转过程中，需要对轴承的状态进行实时监测，如果轴承状态不正常，可能会导致摩擦增加，机器工作时产生噪音和振动，从而导致设备发生故障，寿命缩短
。
但由于现有技术中无法实时监测轴承的工作状态，进而导致轴承损坏，影响机器的正常运行
。
[0003]因此，期待一种优化的轴承状态监测方案
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种轴承状态监测系统及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段的轴承振动信号和多个预定时间点的轴承的温度值，将振动信号波形图经过滤波器降噪后通过过滤器卷积网络提取轴承振动特征，将温度值排列为向量后通过温度提取器提取温度特征，关联后通过互为转置卷积进行特征增强，以得到用于表示轴承工作状态是否正常的分类结果
。
这样可以实现对轴承状态的实时监测，及时发现异常情况，进而提高轴承的可靠性和运行安全性
。
[0005]根据本申请的一个方面，提供了一种轴承状态监测系统，其包括：
[0006]信号数据获取模块，用于获取预定时间段的轴承振动信号和多个预定时间点的轴承的温度值；
[0007]图像降噪模块，用于将轴承振动信号的波形图通过作为滤波器的深度可分离卷积网络以得到降噪后振动信号波形图；
[0008]振动特征模块，用于将所述降噪后振动信号波形图通过作为过滤器的卷积神经网络模型以得到振动特征向量；
[0009]温度特征提取模块，用于将所述多个预定时间点的轴承的温度值按照时间维度排列为温度时序输入向量后通过包含第一卷积和第二卷积的温度特征提取器以得到温度时序特征向量；
[0010]特征融合模块，用于对所述振动特征向量和所述温度时序特征向量进行仿射子空间概率化以得到轴承状态时序关联矩阵；
[0011]转置模块，用于将所述轴承状态时序关联矩阵通过互为转置卷积核的卷积神经网络模型以得到分类特征矩阵；
[0012]工作状态判断模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示轴承工作状态是否正常
。
[0013]在上述轴承状态监测系统中，所述图像降噪模块，包括：编码单元，用于将所述轴
承振动信号的波形图输入所述作为滤波器的深度可分离卷积网络的编码器，其中，所述编码器使用卷积层对所述轴承振动信号的波形图进行显式空间编码以得到图像特征；以及，解码单元，用于将所述图像特征输入所述作为滤波器的深度可分离卷积网络的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后振动信号波形图；其中，作为滤波器的深度可分离卷积网络为基于自动编解码器的降噪器，所述自动编解码器的图像编码器包括至少一个卷积层，所述自动编解码器的图像解码器包含至少一个反卷积层
。
[0014]在上述轴承状态监测系统中，所述振动特征模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出分别为所述振动特征向量，所述作为过滤器的卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为过滤器的卷积神经网络模型的输入分别为所述降噪后振动信号波形图
。
[0015]在上述轴承状态监测系统中，所述温度特征提取模块，包括
:
第一尺度温度特征提取单元，用于使用所述包含第一卷积和第二卷积的温度特征提取器的第一卷积分支的各层在层的正向传递中分别对输入数据进行基于第一卷积核的一维卷积处理
、
池化处理和激活处理以由所述第一卷积分支的最后一层输出第一尺度温度特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器的第一层的输入为所述温度时序输入向量；第二尺度温度特征提取单元，用于使用所述包含第一卷积和第二卷积的温度特征提取器的第二卷积分支的各层在层的正向传递中分别对输入数据进行基于第二卷积核的一维卷积处理
、
池化处理和激活处理以由所述第二卷积分支的最后一层输出第二尺度温度特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器的第一层的输入为所述温度时序输入向量；以及，温度特征融合单元，用于融合所述第一尺度温度特征向量和所述第二尺度温度特征向量以得到所述温度时序特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器是一维卷积神经网络模型
。
[0016]在上述轴承状态监测系统中，所述转置模块，用于：所述互为转置卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理
、
池化处理和非线性处理以得到第一激活特征图；以及，对所述第一激活特征图进行基于第二二维卷积核的卷积处理
、
池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述互为转置卷积核的卷积神经网络模型的第一层的输入为所述轴承状态时序关联矩阵，所述互为转置卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵
。
[0017]在上述轴承状态监测系统中，所述工作状态判断模块，包括：展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0018]根据本申请的另一方面，提供了一种轴承状态监测方法，其包括：
[0019]获取预定时间段的轴承振动信号和多个预定时间点的轴承的温度值；
[0020]将轴承振动信号的波形图通过作为滤波器的深度可分离卷积网络以得到降噪后振动信号波形图；
[0021]将所述降噪后振动信号波形图通过作为过滤器的卷积神经网络模型以得到振动特征向量；
[0022]将所述多个预定时间点的轴承的温度值按照时间维度排列为温度时序输入向量后通过包含第一卷积和第二卷积的温度特征提取器以得到温度时序特征向量；
[0023]对所述振动特征向量和所述温度时序特征向量进行仿射子空间概率化以得到轴承状态时序关联矩阵；
[0024]将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轴承状态监测系统，其特征在于，包括：信号数据获取模块，用于获取预定时间段的轴承振动信号和多个预定时间点的轴承的温度值；图像降噪模块，用于将轴承振动信号的波形图通过作为滤波器的深度可分离卷积网络以得到降噪后振动信号波形图；振动特征模块，用于将所述降噪后振动信号波形图通过作为过滤器的卷积神经网络模型以得到振动特征向量；温度特征提取模块，用于将所述多个预定时间点的轴承的温度值按照时间维度排列为温度时序输入向量后通过包含第一卷积和第二卷积的温度特征提取器以得到温度时序特征向量；特征融合模块，用于对所述振动特征向量和所述温度时序特征向量进行仿射子空间概率化以得到轴承状态时序关联矩阵；转置模块，用于将所述轴承状态时序关联矩阵通过互为转置卷积核的卷积神经网络模型以得到分类特征矩阵；工作状态判断模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示轴承工作状态是否正常
。2.
根据权利要求1所述的轴承状态监测系统，其特征在于，所述图像降噪模块，包括：编码单元，用于将所述轴承振动信号的波形图输入所述作为滤波器的深度可分离卷积网络的编码器，其中，所述编码器使用卷积层对所述轴承振动信号的波形图进行显式空间编码以得到图像特征；解码单元，用于将所述图像特征输入所述作为滤波器的深度可分离卷积网络的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后振动信号波形图；其中，作为滤波器的深度可分离卷积网络为基于自动编解码器的降噪器，所述自动编解码器的图像编码器包括至少一个卷积层，所述自动编解码器的图像解码器包含至少一个反卷积层
。3.
根据权利要求2所述的轴承状态监测系统，其特征在于，所述振动特征模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出分别为所述振动特征向量，所述作为过滤器的卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为过滤器的卷积神经网络模型的输入分别为所述降噪后振动信号波形图
。4.
根据权利要求3所述的轴承状态监测系统，其特征在于，所述温度特征提取模块，包括
:
第一尺度温度特征提取单元，用于使用所述包含第一卷积和第二卷积的温度特征提取器的第一卷积分支的各层在层的正向传递中分别对输入数据进行基于第一卷积核的一维
卷积处理
、
池化处理和激活处理以由所述第一卷积分支的最后一层输出第一尺度温度特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器的第一层的输入为所述温度时序输入向量；第二尺度温度特征提取单元，用于使用所述包含第一卷积和第二卷积的温度特征提取器的第二卷积分支的各层在层的正向传递中分别对输入数据进行基于第二卷积核的一维卷积处理
、
池化处理和激活处理以由所述第二卷积分支的最后一层输出第二尺度温度特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器的第一层的输入为所述温度时序输入向量；温度特征融合单元，用于融合所述第一尺度温度特征向量和所述第二尺度温度特征向量以得到所述温度时序特征向量，其中，所述包含第一卷积和第二卷积的温度特征提取器是一维卷积神经网络模型
。5.
根据权利要求4所述的轴承状态监测系统，其特征在于，所述特征融合模块，包括：标准化处理单元，用于对所述振动特征向量和所述温度时序特征向量进行标准化处理以得到标准化振动特征向量和标准化温度时序特征向量；协方差计算单元，用于计算所述标准化振动特征向量和所述标准化温度时序特征向量之间的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；维度特征向量提取单元，用于从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第...

【专利技术属性】
技术研发人员：于杏春，
申请(专利权)人：德清县杰玛金属制品有限公司，
类型：发明
国别省市：