[发明专利]基于聚类和多层自编码网络的轴承设备状态监控方法

摘要

本发明提出了一种基于聚类和多层自编码网络的轴承设备状态监控方法。该方法实现了滚动轴承的振动传感器数据的采集，利用物联网技术实现了振动数据上传至云端，并通过云计算技术对振动数据进行处理和分析，分析轴承设备的运行状态，实现对轴承的远程监控，不仅能有效的识别出异常状态，对轴承设备采取相应的措施避免更大的经济损失，而且能对故障状态进行诊断，便于发现故障点，进行快速维修，节约时间成本。

主权项

1.一种基于聚类和多层自编码网络的轴承设备状态监控方法，包括振动数据获取方法，云平台振动数据处理和分析方法，云平台振动数据监控和显示方法，振动分析结果发布方法，其特征在于以下步骤：步骤一：获取振动数据将振动传感器贴附在轴承设备电机机壳或底座，对多个振动传感器进行设备编号，将采集到振动数据通过工业以太网接口由无线模块以无线方式上传到上位机中SCADA数据采集系统中进行暂时存储，并由云服务器上传到远程数据库中进行云存储，利用云计算技术对振动数据进行运算和分析；步骤二：对云平台振动数据进行处理和分析利用云计算技术对数据对振动数据进行分析，云平台获取的振动数据为一维特征数据，利用聚类和多层自编码方法需要多维特征数据，其具体方法如下：(1)需要对振动信号进行小波变换，进行n层小波包分解和重构，根据物理机理模型确定小波分解层数n的值：步骤1：一维振动信号通过小波包变换，将振动信号进行n层小波分解，小波基选择db5小波；步骤2：对分解后振动信号进行小波重构，重构后的振动信号进行FFT变换，对比重构信号频谱特征和机理模型频谱是否一致，机理模型特征频谱其计算方式为：其中，f：滚轴正常状态；fo：外圈故障；fi：内圈故障；fr:滚子故障；r:转速(转/分钟)；n：滚珠个数；d:滚动体直径；D:轴承节径；α：滚动体接触角；步骤3：若频谱信号一样则确定n的值，统计小波重构后信号的幅度、均值、标准差、峰度值、能量熵，，其统计方式如下：幅度：F1＝max(|x(i)|)‑min(|x(i)|)均值：标准差：峰度值：能量熵：若频谱信号不一致，则重新假定n的值，重复步骤1，2，3；(2)需要对一维振动信号进行Hilbert‑Huang变换：首先将信号用EMD方法分解成若干个固有模态函数,然后对每个IMF分量进行Hilbert变换得到瞬时频率和瞬时幅值；EMD将模态按照特征时间尺度由小到大的顺序分离出来，将复杂信号分解为相互独立的IMF分量；统计前6个IMF分量的幅度、均值、标准差、峰度值、能量熵；(3)根据(1)和(2)统计的幅度、均值、标准差、峰度值、能量熵作为特征量，对不同的振动数据特征组进行K‑Means聚类，将数据聚类为正常状态、滚子故障状态、外圈故障状态、内圈故障状态四种类别；(4)根据聚类结果，不同的聚类状态输入不同的自编码网络模型中，计算状态重构误差为：其中x为输入特征数据，为状态重构特征数据，不同的轴承状态类别，状态重构误差设置不同的阈值，若重构误差在阈值设置范围内，振动信号所处的状态属于相应的类别。步骤三：云平台监控和数据显示将数据分析过程和结果用可视化的方式显示出来，主要显示内容包括：1.原始数据显示图，显示原始数据的频谱特性和统计特性；2.聚类分析图：显示传感器输入数据属于哪一种状态类型；3.多层自编码网络重构误差曲线：显示各个类别对应的重构误差曲线，对于异常误差值进行标注；4.显示轴承设备运营状态曲线，判断振动数据所属状态类型，进而判断轴承设备的运行诊断；步骤四：信息发布；信息发布主要是将设备运行状态曲线和历史运营记录通过无线通讯周期性发送到手机、平板等，并形成相关的网页报告。