[发明专利]一种轴承异常检测方法及系统

权利要求书

1.一种轴承异常检测方法，其特征在于，包括：

获取轴承加速度样本数据；

对所述加速度样本数据进行预处理；

采用自动编码机挖掘预处理后的加速度样本数据的特征数据；

对各所述加速度样本数据对应的特征数据进行聚类分析，得到分类结果；

根据分类结果，确定正常特征数据和异常特征数据；

以所述特征数据为样本，以所述特征数据的正常或异常为标签，对神经网络进行训练，得到神经网络模型；

获取待检测轴承加速度数据；

对所述待检测轴承加速度数据进行预处理；

采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据；

将所述待检测轴承加速度数据的特征数据输入所述神经网络模型，得到所述待检测轴承加速度数据是否异常的结果。

2.根据权利要求1所述的轴承异常检测方法，其特征在于，所述对所述加速度样本数据进行预处理，具体包括：

通过采用插值法对所述加速度样本数据进行插值，以统一各所述加速度样本数据的长度。

3.根据权利要求2所述的轴承异常检测方法，其特征在于，在所述通过采用插值法对所述加速度样本数据进行插值之前，还包括：

获取预设阈值n；

选取所述加速度样本数据中第n个的数据之后的数据，作为新的加速度样本数据。

4.根据权利要求1所述的轴承异常检测方法，其特征在于，所述采用自动编码机挖掘的特征数据包括一个周期的轴承加速度特征数据以及剩余周期特有的特征数据。

5.根据权利要求1-4任一项所述的轴承异常检测方法，其特征在于，所述对各所述加速度样本数据对应的特征数据进行聚类分析，具体包括：

计算各所述特征数据之间的相似度，得到相似度矩阵；

根据所述相似度矩阵计算度矩阵和Laplace矩阵；

确定Laplace矩阵中前k个特征值对应的特征向量；

对所述特征向量进行聚类。

6.根据权利要求1所述的轴承异常检测方法，其特征在于，所述根据分类结果，确定正常特征数据和异常特征数据，具体包括：

对各聚类簇中的特征数据进行傅里叶变换，将各特征数据转换到频域上；

将覆盖频率低的特征数据确定为正常特征数据，将覆盖频率高的特征数据确定为异常特征数据。

7.根据权利要求1所述的轴承异常检测方法，其特征在于，所述聚类分析采用的算法为K-Means聚类算法。

8.一种轴承异常检测系统，其特征在于，包括：

轴承加速度样本数据获取模块，用于获取轴承加速度样本数据；

加速度样本数据预处理模块，用于对所述加速度样本数据进行预处理；

样本特征挖掘模块，用于采用自动编码机挖掘预处理后的加速度样本数据的特征数据；

聚类分析模块，用于对各所述加速度样本数据对应的特征数据进行聚类分析，得到分类结果；

样本特征类型确定模块，用于根据分类结果，确定正常特征数据和异常特征数据；

分类模型训练模块，用于以所述特征数据为样本，以所述特征数据的正常或异常为标签，对神经网络进行训练，得到神经网络模型；

待检测轴承加速度数据获取模块，用于获取待检测轴承加速度数据；

待检测数据预处理模块，用于对所述待检测轴承加速度数据进行预处理；

待检测数据特征挖掘模块，用于采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据；

待检测数据识别模块，用于将所述待检测轴承加速度数据的特征数据输入所述神经网络模型，得到所述待检测轴承加速度数据是否异常的结果。

9.根据权利要求8所述的轴承异常检测系统，其特征在于，所述加速度样本数据预处理模块，具体包括：

长度归一化单元，用于通过采用插值法对所述加速度样本数据进行插值，以统一各所述加速度样本数据的长度。

10.根据权利要求8或9所述的轴承异常检测系统，其特征在于，所述聚类分析模块，具体包括：

相似度计算单元，用于计算各所述特征数据之间的相似度，得到相似度矩阵；

拉普拉斯矩阵计算模块，用于根据所述相似度矩阵计算度矩阵和Laplace矩阵；

特征向量确定模块，用于确定Laplace矩阵中前k个特征值对应的特征向量；

聚类分析单元，用于对所述特征向量进行聚类。