[發明專利]轉動機器振動特征的智能識別方法

在審

• 申請號: 202010000422.4
• 申請日: 2020-01-02
• 公開（公告）號: CN113065382A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 李海洋;劉林輝
• 申請（專利權）人: 斯凱孚公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N20/00
• 代理公司: 北京智沃律師事務所 11620
• 代理人: 吳志宏

對轉動機器和/或轉動部件的振動特征進行診斷和識別的方法，包含：將振動時域信號樣本轉化為聲譜圖數據樣本；對樣本進行標記分類，形成用于訓練機器學習智能算法的訓練樣本集；對訓練樣本中的聲譜圖數據樣本進行特征重構，以獲得包含增量數據樣本在內的擴充訓練樣本集；以擴充訓練樣本集中所包含的聲譜圖數據樣本對機器學習智能算法進行識別和/或分類的訓練；以經過訓練的機器學習智能算法對新收集到的振動時域信號樣本所轉化成的聲譜圖數據樣本進行識別和/或分類。特征重構是指對聲譜圖數據樣本執行以時序離散重組為特征的拆合法，先將聲譜圖數據樣本在時序上拆解為若干個子聲譜，然后再將所得的子聲譜以不同于原始時序的其他順序另行組合。

技術領域

本發明涉及一種用于識別轉動機器振動特征的智能方法，尤其涉及該方法中用于數據擴充目的的特征重構方法。

背景技術

轉動機器或轉動部件(比如電機、轉子、轉軸、齒輪、軸承、軸承座等)的機械特性、質量瑕疵和故障演化往往包含在其輸出的振動信號中，因此以振動信號為數據基礎對轉動機器的狀態監測和特征識別具有重要的現實意義。以聲譜圖為識別對象的語音識別技術在工業領域得到了廣泛的應用，但是受限于歷史樣本的稀缺性，能夠識別轉動機器各種振動特征的智能方法在工業領域中尚未普及。不僅如此，機器學習智能算法的準確性極大取決于訓練樣本的數量。因此，歷史數據，尤其是數量有限的故障樣本的歷史數據，成為制約人工智能方法在工業領域應用的一個現實瓶頸。

以振動和噪音為例，其診斷和識別現階段還主要依靠人力進行。受個體經驗和能力差異等方面因素的限制，人工聽力檢測噪音和故障的準確性和可靠性都難以滿足現實需要。尤其是在機器故障演化的早期階段，人類聽覺往往難以察覺，容易錯過最佳的維護時機，導致意外停機甚至損失的發生。不僅如此，人工聽力檢測難以做到實時在線監控，無法滿足現代生產的對過程控制的需要。現實呼喚一種準確既可靠又能夠實現實時監控的機器診斷技術。

發明內容

為解決上述技術問題，本發明提供一種利用機器學習智能算法對轉動機器和/或轉動部件的振動特征進行診斷和識別的方法，包含以下步驟：(1)將收集到的轉動機器和/或轉動部件的振動時域信號樣本轉化為聲譜圖數據樣本；(2)根據已有結論對所述樣本進行標記分類，形成用于訓練機器學習智能算法的訓練樣本集；(3)對訓練樣本中的聲譜圖數據樣本進行特征重構，以獲得包含增量數據樣本在內的擴充訓練樣本集；(4)以擴充訓練樣本集中的聲譜圖數據樣本對機器學習智能算法進行識別和/或分類的訓練；(5)以經過訓練的機器學習智能算法對新收集的振動時域信號樣本所轉化成的聲譜圖數據樣本進行識別和/或分類診斷。在上述步驟(3)中，所述特征重構是對聲譜圖數據樣本執行以時序離散重組為特征的拆合法：先將聲譜圖數據樣本在時序上拆解為若干個子聲譜，然后再將所得的子聲譜以不同于原始時序的其他順序重新組合。

采用上述方法對聲譜圖數據樣本進行特征重構，能夠充分利用振動信號中包含的有效特征，將有限的歷史數據樣本擴充至至少數倍于原始樣本規模的擴充訓練樣本集，足以滿足機器學習和樣本識別的需要。

附圖說明

圖1是由特定時長(比如500毫秒)的轉動機器的振動時域信號的聲譜圖；

圖2是以時序拆合法對聲譜圖數據樣本進行特征重構的方法示意圖；

圖3是截取聲譜圖特定頻段帶的方法示意圖；

圖4為由特定頻段帶的聲譜圖疊加形成疊置聲譜圖的方法示意圖；以及

圖5是疊置聲譜圖執行時序拆合法的方法示意圖。

具體實施方式

在圖像處理領域，數據的特征重構是基于深度學習對圖像的有效特征利用率不足等方面存在的問題而采取的數據擴充方法。在本發明中，特征重構是針對振動時域信號的聲譜圖進行的。