[发明专利]转动机器振动特征的智能识别方法

说明书

对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含：将振动时域信号样本转化为声谱图数据样本；对样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；以扩充训练样本集中所包含的声谱图数据样本对机器学习智能算法进行识别和/或分类的训练；以经过训练的机器学习智能算法对新收集到的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类。特征重构是指对声谱图数据样本执行以时序离散重组为特征的拆合法，先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序另行组合。

技术领域

本发明涉及一种用于识别转动机器振动特征的智能方法，尤其涉及该方法中用于数据扩充目的的特征重构方法。

背景技术

转动机器或转动部件(比如电机、转子、转轴、齿轮、轴承、轴承座等)的机械特性、质量瑕疵和故障演化往往包含在其输出的振动信号中，因此以振动信号为数据基础对转动机器的状态监测和特征识别具有重要的现实意义。以声谱图为识别对象的语音识别技术在工业领域得到了广泛的应用，但是受限于历史样本的稀缺性，能够识别转动机器各种振动特征的智能方法在工业领域中尚未普及。不仅如此，机器学习智能算法的准确性极大取决于训练样本的数量。因此，历史数据，尤其是数量有限的故障样本的历史数据，成为制约人工智能方法在工业领域应用的一个现实瓶颈。

以振动和噪音为例，其诊断和识别现阶段还主要依靠人力进行。受个体经验和能力差异等方面因素的限制，人工听力检测噪音和故障的准确性和可靠性都难以满足现实需要。尤其是在机器故障演化的早期阶段，人类听觉往往难以察觉，容易错过最佳的维护时机，导致意外停机甚至损失的发生。不仅如此，人工听力检测难以做到实时在线监控，无法满足现代生产的对过程控制的需要。现实呼唤一种准确既可靠又能够实现实时监控的机器诊断技术。

发明内容

为解决上述技术问题，本发明提供一种利用机器学习智能算法对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含以下步骤：(1)将收集到的转动机器和/或转动部件的振动时域信号样本转化为声谱图数据样本；(2)根据已有结论对所述样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；(3)对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；(4)以扩充训练样本集中的声谱图数据样本对机器学习智能算法进行识别和/或分类的训练；(5)以经过训练的机器学习智能算法对新收集的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类诊断。在上述步骤(3)中，所述特征重构是对声谱图数据样本执行以时序离散重组为特征的拆合法：先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序重新组合。

采用上述方法对声谱图数据样本进行特征重构，能够充分利用振动信号中包含的有效特征，将有限的历史数据样本扩充至至少数倍于原始样本规模的扩充训练样本集，足以满足机器学习和样本识别的需要。

附图说明

图1是由特定时长(比如500毫秒)的转动机器的振动时域信号的声谱图；

图2是以时序拆合法对声谱图数据样本进行特征重构的方法示意图；

图3是截取声谱图特定频段带的方法示意图；

图4为由特定频段带的声谱图叠加形成叠置声谱图的方法示意图；以及

图5是叠置声谱图执行时序拆合法的方法示意图。

具体实施方式

在图像处理领域，数据的特征重构是基于深度学习对图像的有效特征利用率不足等方面存在的问题而采取的数据扩充方法。在本发明中，特征重构是针对振动时域信号的声谱图进行的。