[發明專利]一種軸承異常檢測方法及系統

有效

• 申請號: 202010046363.4
• 申請日: 2020-01-16
• 公開（公告）號: CN111275198B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 宿紅毅;閆波;孟繁庫;蘇猛猛;鄭宏
• 申請（專利權）人: 北京理工大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F18/23213;G06F18/214;G06F18/241;G01M13/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

1.一種軸承異常檢測方法，其特征在于，包括：

獲取軸承加速度樣本數據；

對所述加速度樣本數據進行預處理；

采用自動編碼機挖掘預處理后的加速度樣本數據的特征數據；

對各所述加速度樣本數據對應的特征數據進行聚類分析，得到分類結果；

根據分類結果，確定正常特征數據和異常特征數據；

以所述特征數據為樣本，以所述特征數據的正常或異常為標簽，對神經網絡進行訓練，得到神經網絡模型；

獲取待檢測軸承加速度數據；

對所述待檢測軸承加速度數據進行預處理；

采用所述自動編碼機挖掘預處理后的待檢測軸承加速度數據的特征數據；

將所述待檢測軸承加速度數據的特征數據輸入所述神經網絡模型，得到所述待檢測軸承加速度數據是否異常的結果。

2.根據權利要求1所述的軸承異常檢測方法，其特征在于，所述對所述加速度樣本數據進行預處理，具體包括：

通過采用插值法對所述加速度樣本數據進行插值，以統一各所述加速度樣本數據的長度。

3.根據權利要求2所述的軸承異常檢測方法，其特征在于，在所述通過采用插值法對所述加速度樣本數據進行插值之前，還包括：

獲取預設閾值n；

選取所述加速度樣本數據中第n個的數據之后的數據，作為新的加速度樣本數據。

4.根據權利要求1所述的軸承異常檢測方法，其特征在于，所述采用自動編碼機挖掘的特征數據包括一個周期的軸承加速度特征數據以及剩余周期特有的特征數據。

5.根據權利要求1-4任一項所述的軸承異常檢測方法，其特征在于，所述對各所述加速度樣本數據對應的特征數據進行聚類分析，具體包括：

計算各所述特征數據之間的相似度，得到相似度矩陣；

根據所述相似度矩陣計算度矩陣和Laplace矩陣；

確定Laplace矩陣中前k個特征值對應的特征向量；

對所述特征向量進行聚類。

6.根據權利要求1所述的軸承異常檢測方法，其特征在于，所述根據分類結果，確定正常特征數據和異常特征數據，具體包括：

對各聚類簇中的特征數據進行傅里葉變換，將各特征數據轉換到頻域上；

將覆蓋頻率低的特征數據確定為正常特征數據，將覆蓋頻率高的特征數據確定為異常特征數據。

7.根據權利要求1所述的軸承異常檢測方法，其特征在于，所述聚類分析采用的算法為K-Means聚類算法。

8.一種軸承異常檢測系統，其特征在于，包括：

軸承加速度樣本數據獲取模塊，用于獲取軸承加速度樣本數據；

加速度樣本數據預處理模塊，用于對所述加速度樣本數據進行預處理；

樣本特征挖掘模塊，用于采用自動編碼機挖掘預處理后的加速度樣本數據的特征數據；

聚類分析模塊，用于對各所述加速度樣本數據對應的特征數據進行聚類分析，得到分類結果；

樣本特征類型確定模塊，用于根據分類結果，確定正常特征數據和異常特征數據；

分類模型訓練模塊，用于以所述特征數據為樣本，以所述特征數據的正常或異常為標簽，對神經網絡進行訓練，得到神經網絡模型；

待檢測軸承加速度數據獲取模塊，用于獲取待檢測軸承加速度數據；

待檢測數據預處理模塊，用于對所述待檢測軸承加速度數據進行預處理；

待檢測數據特征挖掘模塊，用于采用所述自動編碼機挖掘預處理后的待檢測軸承加速度數據的特征數據；

待檢測數據識別模塊，用于將所述待檢測軸承加速度數據的特征數據輸入所述神經網絡模型，得到所述待檢測軸承加速度數據是否異常的結果。

9.根據權利要求8所述的軸承異常檢測系統，其特征在于，所述加速度樣本數據預處理模塊，具體包括：

長度歸一化單元，用于通過采用插值法對所述加速度樣本數據進行插值，以統一各所述加速度樣本數據的長度。

10.根據權利要求8或9所述的軸承異常檢測系統，其特征在于，所述聚類分析模塊，具體包括：

相似度計算單元，用于計算各所述特征數據之間的相似度，得到相似度矩陣；

拉普拉斯矩陣計算模塊，用于根據所述相似度矩陣計算度矩陣和Laplace矩陣；

特征向量確定模塊，用于確定Laplace矩陣中前k個特征值對應的特征向量；

聚類分析單元，用于對所述特征向量進行聚類。