System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及故障检测,特别涉及一种轴承故障分类的方法及相关装置。
技术介绍
1、滚动轴承是机泵等旋转机械系统的关键部件之一,由于服役时间长转速高,滚动轴承极容易产生裂纹,点蚀等故障。旋转机械的故障中轴承的损坏故障约占30%,轴承的运转情况直接影响到整台机械的性能。因此准确诊断滚动轴承的故障问题十分重要。
2、在实际的工业生产中,由于机械设备运行环境复杂、受噪声干扰较大、测点位置受限等因素,轴承早期故障信号具有非线性、信息冗余特性,从而难以获得其中的故障信息。如何在低信噪比振动信号中有效提取故障特征,进而实现滚动轴承故障分类诊断是一项亟待解决的关键技术问题。
技术实现思路
1、鉴于上述问题,提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种轴承故障分类的方法及相关装置。
2、第一方面,本专利技术实施例提供一种轴承故障分类方法,包括:
3、将采集的轴承已知的多个故障类型下第一振动信号进行处理后,输入至预设的字典学习算法模型中,构建包含多个故障类型训练样本的稀疏字典;
4、对采集的待故障分类的第二振动信号进行处理后得到测试样本,对所述测试样本进行稀疏优化求解,得到第一稀疏系数;
5、基于所述第一稀疏系数和多个故障种类下的训练样本分别进行重构,得到多个故障类型对应的重构信号;
6、将所述测试样本与所述多个故障类型对应的重构信号进行比较,根据比较结果,确定所述测试样本对应的故障种类。
8、使用字典学习算法模型交替计算稀疏系数和字典更新,直至所述字典和稀疏系数不再发生变化,停止迭代,得到所述包含多个故障类型训练样本的稀疏字典。
9、在一个实施例中,计算所述测试样本进行稀疏优化求解,得到第一稀疏系数,包括:
10、分别计算所述测试样本的第二稀疏系数以及rcmfe加权参数;
11、根据所述rcmfe加权参数,计算加权系数;
12、根据所述第二稀疏系数以及加权系数,对测试样本进行稀疏优化求解,得到所述第一稀疏系数。
13、在一个实施例中,根据所述rcmfe加权参数,计算加权系数,根据所述第二稀疏系数以及加权系数,对测试样本进行稀疏优化求解,得到所述第一稀疏系数,包括:
14、通过下式计算加权系数:
15、w(i)=a*|(h-h(i))n|;
16、上式中,h和h(i)分别表示测试样本和不同故障类型下训练样本的rcmfe加权参数,a,n为常数,i为故障类型的编号,加权系数求解为:
17、w(i)=1/w(i);
18、利用下式,对测试样本的稀疏优化求解,得到第一稀疏系数:
19、
20、其中,为第一稀疏系数,w为所述加权系数,所述d为稀疏字典中的训练样本,ε为稀疏表示残余误差。
21、在一个实施例中,将所述测试样本与所述多个故障类型对应的重构信号进行比较,根据比较结果,确定所述测试样本对应的故障种类,包括:
22、确定所述测试样本与所述多个故障类型对应的重构信号之间的相关度,根据所述相关度的结果,确定所述测试样本对应的故障种类。
23、在一个实施例中,通过下述公式确定所述测试样本与所述多个故障类型对应的重构信号之间的相关度,根据所述相关度的结果,确定所述测试样本对应的故障种类:
24、利用互相关函数公式计算相关度:
25、
26、上式中,n为信号维度,τ为时移偏差,x(t),y(t)分别为具有时移偏差的信号;rxy(t)为测试样本和重构信号之间的相关度;
27、将相关度最大的重构信号对应的故障类型作为测试样本的故障类型。
28、在一个实施例中:对第一振动信号进行处理和对第二振动信号进行处理,包括:
29、对第一振动信号和第二振动信号分段后进行幅值归一化处理。
30、第二方面,本专利技术实施例提供一种轴承故障的分类装置,包括:
31、稀疏字典构建模块,用于将采集的轴承已知的多个故障类型下第一振动信号进行处理后,输入至预设的字典学习算法模型中,构建包含多个故障类型训练样本的稀疏字典;
32、第一稀疏系数求解模块,用于对采集的待故障分类的第二振动信号进行处理后得到测试样本,对所述测试样本进行稀疏优化求解,得到第一稀疏系数;
33、信号重构模块,用于基于所述第一稀疏系数和多个故障种类下的训练样本分别进行重构,得到多个故障类型对应的重构信号;
34、故障归类模块,用于将所述测试样本与所述多个故障类型对应的重构信号进行比较,根据比较结果,确定所述测试样本对应的故障种类。
35、第三方面,本专利技术实施例提供一种计算设备,包括:存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如前所述的轴承故障分类方法。
36、第四方面,本专利技术实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的轴承故障分类方法。
37、第五方面,本专利技术实施例提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如前述的轴承故障分类方法。
38、本专利技术实施例提供的上述技术方案的有益效果至少包括:
39、本专利技术实施例提供的上述轴承故障分类方法,通过对已知的多个故障类型下的第一振动信号进行处理,来构建包含多个故障类型训练样本的稀疏字典,通过对采集的带故障分类的第二振动信号进行处理,得到测试样本,进而对测试样本进行稀疏优化,得到第一稀疏系数,通过第一稀疏系数和多故障种类下的训练样本进行重构,得到重构信号,基于测试样本和重构信号相比较的结果,确定测试样本对应的故障类型。应用本专利技术实施例提供的方法可以在低信噪比振动信号中准确有效的提取故障特征,大大降低受设备运行环境、噪声干扰、测点位置等限制因素的影响,在轴承早期故障中可以高效准确识别故障类型。
40、本专利技术实施例提供的计算第一稀疏系数方法中,通过计算测试样本的rcmfe加权参数和加权系数,增强测试样本的局部特征,消除了测试信号时移偏差导致的计算误差问题,充分考虑了各种故障类型的振动信号的复杂程度,有效提高了故障识别准确率,尤其在早期轴承故障特征不明显的情况下,有效诊断分类出轴承故障。
41、本专利技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
42、下面通过附图和实施例,对本专利技术的技术方案做进一本文档来自技高网...
【技术保护点】
1.一种轴承故障分类方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,将采集的轴承已知的多个故障类型下第一振动信号进行处理后,输入至预设的字典学习算法模型中,构建包含多个故障类型训练样本的稀疏字典,包括:
3.如权利要求1所述的方法,其特征在于,计算所述测试样本进行稀疏优化求解,得到第一稀疏系数,包括:
4.如权利要求3所述的方法,其特征在于,根据所述RCMFE加权参数,计算加权系数,根据所述第二稀疏系数以及加权系数,对测试样本进行稀疏优化求解,得到所述第一稀疏系数,包括:
5.如权利要求1所述的方法,其特征在于,将所述测试样本与所述多个故障类型对应的重构信号进行比较,根据比较结果,确定所述测试样本对应的故障种类,包括:
6.如权利要求5所述的方法,其特征在于,通过下述公式确定所述测试样本与所述多个故障类型对应的重构信号之间的相关度,根据所述相关度的结果,确定所述测试样本对应的故障种类:
7.如权利要求1-6任一项所述的方法,其特征在于,对第一振动信号进行处理和对第二振动信号进行处理,包括:<
...【技术特征摘要】
1.一种轴承故障分类方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,将采集的轴承已知的多个故障类型下第一振动信号进行处理后,输入至预设的字典学习算法模型中,构建包含多个故障类型训练样本的稀疏字典,包括:
3.如权利要求1所述的方法,其特征在于,计算所述测试样本进行稀疏优化求解,得到第一稀疏系数,包括:
4.如权利要求3所述的方法,其特征在于,根据所述rcmfe加权参数,计算加权系数,根据所述第二稀疏系数以及加权系数,对测试样本进行稀疏优化求解,得到所述第一稀疏系数,包括:
5.如权利要求1所述的方法,其特征在于,将所述测试样本与所述多个故障类型对应的重构信号进行比较,根据比较结果,确定所述测试样本对应的故障种类,包括:
6.如权利要求5所述的方法,其特征在于,通过下述公式确定所述测试样本与所述多个故障...
【专利技术属性】
技术研发人员:李迎丽,赵斌,孙文勇,高俊峰,罗方伟,高志杰,刘文才,章珉辉,郑会勇,吴祚祥,张雪,
申请(专利权)人:中国石油天然气股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。