一种皮带运输机滚动轴承故障诊断方法、系统及介质与流程
本发明涉及故障识别领域,特别涉及一种皮带运输机滚动轴承故障诊断方法、系统及介质。
背景技术:
1、皮带运输机是煤矿核心运输装备,其运行状态直接关系到整个矿井的生产效率与安全。减速器轴承作为其核心动力与传动部件,长期处于重载、强冲击、高粉尘等恶劣工况下,承受着复杂的时变载荷,是整机系统中的薄弱环节与故障高发部位。因此,实现对减速器轴承健康状态的及时感知与精准故障诊断,对保障采煤工作安全高效运行、避免非计划停机、降低运维成本具有至关重要的意义。
2、近年来,以深度学习为代表的数据驱动方法,凭借其强大的非线性映射与自动特征提取能力,极大推动了智能诊断技术的发展。然而,这种进步带来了一个新的“范式枷锁”:模型性能高度依赖大规模、高质量的已标注训练集。在皮带运输机机所处的煤矿工业现场,设备长期连续运行导致故障样本稀缺且标注成本高昂,“标签稀缺”问题尤为突出。这一“标签依赖”的局限,已成为当前智能诊断技术从实验室走向工业现场的首要瓶颈。面对这一严峻的现实约束,发展无监督学习已成为推动该领域技术进步的必然选择。
3、然而,一个更深层次、却常被忽视的局限在于:无论是传统监督方法还是现有的无监督方法,大多隐含着“样本独立同分布”的基本假设。它们将每次采集的信号视为孤立的数据点,完全忽视了多变工况与复杂故障演化过程中,样本之间潜在的内在关联性。这种对样本间拓扑信息的忽视,导致信息挖掘不充分,进而从根本上制约了识别精度的天花板。
技术实现思路
1、本发明提供了一种皮带运输机滚动轴承故障诊断方法、系统及介质,用以解决现有技术中存在的上述问题,即现有技术中如何进行皮带运输机滚动轴承故障类型准确识别的问题,本发明提供一种皮带运输机滚动轴承故障诊断方法,该方法包括:
2、获取不同故障状态下皮带运输机滚动轴承的历史的原始振动信号,将原始振动信号划分为多个连续均匀的振动信号样本,提取振动信号样本中的自语义特征;
3、基于获取的振动信号样本间的欧氏距离,构建反映内在相似性的样本关联图;其中,所述样本关联图将各个振动信号样本作为节点,自语义特征作为节点属性振动信号样本间的相似性关系作为边;
4、通过在样本关联图上生成随机路径,并在随机路径中选择具有相似关系的节点对作为正样本,并从样本关联图中随机采用无连接的节点对作为负样本;获取正样本和负样本对应的聚合特征,通过对聚合特征进行拼接,确定该节点对的嵌入表示,并将其输入至全连接层进行节点对的链路预测,以对节点对的嵌入表示进行无监督学习,对构建的无监督图神经网络graphsage模型进行训练;
5、采用预训练的无监督图神经网络graphsage模型,对待测的皮带运输机滚动轴承中样本关联图进行故障特征提取,确定对应的无监督深度故障特征,采用分类器对无监督深度故障特征进行识别,获取最终的故障类型识别结果。
6、可选的,所述基于获取的振动信号样本间的欧氏距离,构建反映内在相似性的样本关联图,具体包括:
7、对于每一个振动信号样本,确定其与其他振动信号样本之间的欧氏距离;
8、根据欧氏距离,结合基于相似度阈值si确定的样本关联边e,获取反映内在相似性的样本关联图;其中,采用如下公式计算振动信号样本与其他振动信号样本之间的欧氏距离:
9、;
10、其中,n为振动信号样本数量。
11、可选的,采用knn算法确定所述振动信号样本间的欧氏距离。
12、可选的,所述无监督图神经网络graphsage模型的损失函数采用二元交叉熵形式。
13、可选的,所述二元交叉熵的获取,具体包括:
14、采用如下方式获取二元交叉熵loss:
15、;
16、其中,为选取的节点对数,表示正样本标签,表示对应的正相关性概率。
17、可选的,所述分类器为多层感知机分类器。
18、可选的,所述无监督图神经网络graphsage模型的网络层数为两层,gcn层数为3,激活函数为relu,优化器为adam,学习率为0.001。
19、可选的,所述故障类型识别结果包括正常状态、内圈故障、外圈故障和滚动体故障;所述自语义特征,包括最大值、最小值、平均值、方差、均方根和峰峰值。
20、本发明提供了一种皮带运输机滚动轴承故障诊断系统,包括:
21、获取模块,用于获取不同故障状态下皮带运输机滚动轴承的历史的原始振动信号,将原始振动信号划分为多个连续均匀的振动信号样本,提取振动信号样本中的自语义特征;
22、样本关联图构建模块,用于基于获取的振动信号样本间的欧氏距离,构建反映内在相似性的样本关联图;其中,所述样本关联图将各个振动信号样本作为节点,自语义特征作为节点属性振动信号样本间的相似性关系作为边;
23、模型训练模块,用于通过在样本关联图上生成随机路径,并在随机路径中选择具有相似关系的节点对作为正样本,并从样本关联图中随机采用无连接的节点对作为负样本;获取正样本和负样本对应的聚合特征,通过对聚合特征进行拼接,确定该节点对的嵌入表示,并将其输入至全连接层进行节点对的链路预测,以对节点对的嵌入表示进行无监督学习,对构建的无监督图神经网络graphsage模型进行训练;
24、故障识别模块,用于采用预训练的无监督图神经网络graphsage模型,对待测的皮带运输机滚动轴承中样本关联图进行故障特征提取,确定对应的无监督深度故障特征,采用分类器对无监督深度故障特征进行识别,获取最终的故障类型识别结果。
25、本发明提供了一种计算机可读存储介质,所述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上述皮带运输机滚动轴承故障诊断方法。
26、相对于现有技术,本发明的有益效果如下:本发明提供了一种皮带运输机滚动轴承故障诊断方法,该方法通过获取不同故障状态下皮带运输机滚动轴承的历史的原始振动信号,可以揭示轴承在不同运行阶段的状态变化规律,进而实现对设备运行状态的准确描述与识别,为后续故障识别提供可靠的数据支撑;同时,利用k近邻(knn)算法计算振动信号样本间的欧氏距离,自适应构建反映内在相似性的故障关系图,通过对双层graphsage模型进行无监督训练,该机制有效挖掘了传统独立测点分析所遗漏的样本间拓扑结构信息,能够提取准确的故障特征;最后,将该无监督学习到的特征向量送入传统机器学习分类器,能够实现对减速器轴承故障类型的精准识别。
1.一种皮带运输机滚动轴承故障诊断方法,其特征在于,包括:
2.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述基于获取的振动信号样本间的欧氏距离,构建反映内在相似性的样本关联图,具体包括:
3.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,采用knn算法确定所述振动信号样本间的欧氏距离。
4.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述无监督图神经网络graphsage模型的损失函数采用二元交叉熵形式。
5.如权利要求4所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述二元交叉熵的获取,具体包括:
6.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述分类器为多层感知机分类器。
7.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述无监督图神经网络graphsage模型的网络层数为两层,gcn层数为3,激活函数为relu,优化器为adam,学习率为0.001。
8.如权利要求1所述皮带运输机滚动轴承故障诊断方法,其特征在于,所述故障类型识别结果包括正常状态、内圈故障、外圈故障和滚动体故障;所述自语义特征,包括最大值、最小值、平均值、方差、均方根和峰峰值。
9.一种皮带运输机滚动轴承故障诊断系统,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述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上述权利要求1-8任一项所述皮带运输机滚动轴承故障诊断方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com