CN114323647B 通过轴承噪声检测进行故障诊断的方法及系统 （斯凯孚公司）

US2015369699A1,2015.12.24通过轴承噪声检测进行故障诊断的方法及本公开提供一种通过轴承噪声检测来进行检测中的噪声，该噪声包括轴承噪声和工况噪轴承故障诊断模型包括特征提取模型和故障判相关联的第一特征和与故障频率峰相关联的第2将所述第一时域信号以及第二频域信号输入轴承故其中，所述轴承故障诊断模型包括特征提取模型和故障判别进行处理以获得所述第一特征的第一子模型和对所述第二频域信号进行处理以获得所述基于所述第一时域信号，通过所述第一子模型分别提取第一峰基于所述第二频域信号，通过所述第二子模型分别提取第二峰络CNN的模型并且所述故障判别模型是基于全6.根据权利要求1-4中任一项所述的方法，其中，所述第一时域信号是信号的时域包7.根据权利要求1-4中任一项所述的方法，还包括基于历史故障模式建立故障模式数获取滤波后的信号的时域波形数据作为所述对滤波后的信号进行傅里叶变换，并获取傅里叶变换后的信对归一化处理后的第一时域信号和第二频域信号将所述第一时域信号和第二频域信号输入轴承故3其中，所述轴承故障诊断模型包括特征提取模型和故障判别存储器，其被配置为与处理器连接并且存储判别出的故障模式以更新故障模式数据10.一种包括指令的计算机可读存储介质，所述指令被计算机执行以实现如权利要求4[0003]典型轴承噪声检测模型的另一个问题是检测要完全取决[0004]目前的轴承检测算法需要收集大量有关轴承信息的轴承数据才能为新型轴承重[0006]本发明的一个或多个实施例提供了一种用于通过轴承噪声检测来进行故障诊断取模型和故障判别模型，特征提取模型分别对第一时域信号和第二频域信号进行特征提[0008]其中，所述特征提取模型可以包括分别对时域信号和频5数据代表频域中特定频谱上的噪声冲击，所述第二平均值数据代表频域中的平均工况噪[0011]其中，所述特征提取模型可以是基于卷积神经网络(CNN)的模型并且所述故障判[0014]本发明的一个或多个实施例提供了一种通过轴承噪声检测来进行故障诊断的系置成将所述第一时域信号以及第二频域信号输入轴承故障诊断模型以对轴承故障进行判述存储器被配置为与处理器连接并且存储获得的故障识别结果以更新原始故被计算机执行以实现上述通过轴承噪声检测来进行故[0017]所述系统参照下列描述并结合附图可被更好地理解。图[0018]图1示意性示出了根据本发明的一个或多个实施例的对用于通过对轴承噪声的检[0019]图2示意性示出了根据本发明的一个或多个实施例的对采集的轴承噪声进行预处6[0023]图1示意性示出了根据本发明的一个或多个实施例的对用于通过对轴承噪声的检输出的故障诊断结果可以通过显示设备显示给操作员/用户或者通过警报装置发出警报音结果时显示给操作员/用户。[0025]图2示意性示出了根据本发明的一个或多个实施例的对采集的轴承噪声数据进行出频域信号的频谱包络数据(例如ENV数据)作为第发明的一些实施例的轴承故障诊断模型是基于深度神经网络来设计的。图3是根据本发明7越来越大。通过特征提取模型实现从时域/频域两种不同包络线上提取的与故障冲击相关的特征(例如局部峰值)和与轴承平均噪声/振动的特征(例如局部均值)，为对轴承健康状8[0034]图4示出了本发明的一个示例性轴承故障诊断模型的深度神经元网络模型。该模过卷积提取局部峰值的卷积层conv1D_4:Conv1D,conv1D_5:Conv1D,conv1D_6:Conv1D,和用于通过卷积提取局部平均值的卷积层conv1D_7:Conv1D,conv1D_8:Conv1D,conv1D_9:一子模型包括用于提取局部峰值的最大池化层，例如，max_pooling1d_3:MaxPooling1D,max_pooling1d_4:maxPooling1D,max_pooling1d_5:MaxPooling1D,以及用于提取平均值的平均池化层average_pooling1d_2:AveragePooling1D,average_pooling1d_3:AveragePooling1D,average_pooling1d_4:AveragePooling1D。本领域的技术人员可以理的数据经过展平层flattern_3:Flattern展平为一维峰值数据，从平均池化层average_pooling1d_4:AveragePooling1D输出的代表平均值的数据经过展平层flattern_4:Flattern展平为一维平均值数据。将展平后的一维峰值数据和一维平均值数据在合并层进行特征提取的第二子模型中提取的第二特征进于通过卷积提取局部峰值的卷积层conv1D_1:Conv1D,conv1D_2:Conv1D,以及用于通过卷于提取局部峰值的最大池化层，max_pooling1d_1:MaxPooling1D,max_pooling1d_2:maxPooling1D,以及用于提取平均值的平均池化层average__pooling1d_1:[0038]例如，进入第二子模型的频域信号在一个分支经过卷积层conv1d_1:Conv1D和池化层max_pooling1d_1:MaxPooling1D之后又经历了conv1d_2:Conv1D和max_pooling1d_2:经过层flattern_1:Flattern展平为一维峰值数据。同时进入第二子模型的频域信号在另一个分支经过卷积层conv1D__3:Conv1D和平均池化层average__pooling1d_1:AveragePooling1D之后从平均池化层输出的代表平均值的数据不再经过另外的卷积层和9第二子模型的第二特征。该第二特征经过紧密层dense__1:Dense之后输入到合并层[0040]通过第一子模型提取的第一特征和通过第二子模型提取的第二特征输入到基于综合故障冲击特征和工况噪声特征，进一步通过例如包括dense_3：Dense，dropout_1：构除了应用在轴承制造中之外，还可以用于任何包括轴承的机械结构的故障诊断过程中，算机或手机)等。处理器可以被配置为执行以下方法：对采集的振动(噪声)信号进行预处[0044]本文描述的处理器、存储器或系统中的任何一个或多个所述计算机可执行指令可以从使用各种编程语言和/或技术创建的计算机程序中编译或解的一种或多种方法可以由合适的装置和/或系统的组合来执行。所述方法可以通过以下方以按除了本申请中所述的顺序之外的各种顺序并行和/或同时执行。所述系统本质上是示方案的存在。上文已参考特定实施方案描述了本发明。然而，本领域的一般技术人员将理解，可在不