【技术实现步骤摘要】
本专利技术属于旋转机械的轴承故障检测领域，具体涉及一种基于自编码器的球磨机轴承故障预测方法和系统。
技术介绍
1、当前铁矿生产机械化程度越来越高，轴承提供动力的球磨机械越来越普及，对球磨机的关键轴承维修与保养工作越来越重要。特别是关键轴承的故障检测，通过识别故障前兆，在大型设备故障前发出维护警报，节约了球磨机故障的高额的维修成本。球磨机的故障检测主要是检测轴承的振动信号来获得轴承的工作状态。轴承异常运行时的振动信号波形较正常运行时是有明显差异的，故障监测系统就依此实现对故障的预测。
2、当前的故障检测方法主要分为两类：基于解析模型的故障监测系统和基于机器学习的故障检测系统。
3、基于解释模型的故障监测系统需要建立准确的数学模型。在实际中，此方法最常用的诊断方法是当信号强度、信号频率等指标超过设定的阈值时，则认为有故障发生。但此种方法存在的问题是：当设备的运行状态发生变化时，其相关信号也会发生改变，导致先前建立的数学模型不再适用，难以达到故障监测的目的。
4、基于机器学习的故障监测通过设备不同的运行状态下的大数据训练，克服了基于解析模型的故障监测系统的缺陷。在基于机器学习的机械设备的故障监测领域中，机器学习方法又可分为监督学习方法和异常检测方法。监督学习模型需要使用设备上标记过的正常数据和异常数据训练模型，并且两类训练数据数量要均衡。在实际故障监测过程中监督学习模型存在两个缺陷：第一，由于定期的维护，机械设备出现严重损坏的状况极少，所获取的异常数据量极少，监督学习训练时正负样本极不均衡，影响模型
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于自编码器的球磨机轴承故障预测方法和系统，可以对球磨机运行时进行状态监测和故障预测。
2、实现本专利技术目的之一的一种基于自编码器的球磨机轴承故障预测方法，包括如下步骤：
3、根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
4、所述振动数据利用振动传感器采集轴承的振动波形来了解轴承的当前健康状态；
5、将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
6、实现本专利技术目的之二的模型构建训练模块、球磨机轴承故障预测模块；
7、所述模型构建训练模块用于根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
8、所述球磨机轴承故障预测模块用于将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
9、有益效果：
10、本专利技术所述的轴承异常检测的方法仅用机械正常运行时的数据样本进行训练，克服了样本标记和正负样本不均衡的问题，通过球磨机轴承故障预测模型输出的异常分数，可以得知球磨机偏离正常工况的情况，可以代表机器损坏的程度。如果损坏到比较严重，异常分数高，但是还没有到故障的程度，就可以开展维护了，也就实现了故障的预测。因此，基于异常检测学习的故障检测方法能够胜任目标设备运行数据复杂易变、正常样本数目与异常样本数目差距大时的故障检测任务。对于球磨机运行数据复杂、正负样本不均衡等特点，基于自编码器的故障检测器具有更好的适用性，能够模拟预测球磨机劣化趋势，完成故障检测的目的。
本文档来自技高网...【技术保护点】
1.一种基于自编码器的球磨机轴承故障预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
3.如权利要求2所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述输入的轴承的振动数据包括球磨机轴承的横向、纵向和轴向三个方向的振动数据，所述卷积特征提取模块将输入的3×4096的二维数据与二维卷积核进行多次运算后得到卷积层，最后展开为长度为916的一维数组，完成对振动数据的空间方向信息和时间方向信息的降维和特征提取。
4.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述特征自动编码模块的输入数据是长度为916的一维数组，经过5层全连接层的压缩与重构后，输出尺寸为916的一维数组的特征重构数据。
5.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述逆卷积特征重构模块将特征自动编码模块输出的长度为916的一维数组通过多层二维逆卷积层进行塑形
6.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，还包括：计算输入数据与经过了重构后的输出数据的均方误差，将所述均方误差与设定的均方误差阈值进行差值计算，得到异常分数。
7.如权利要求6所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，当所述异常分数大于设定的阈值时，还包括计算采集的球磨机的轴承的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的均方误差值，获取归一化后的均方误差值的最大值，则该最大值对应的振动方向为轴承故障发生的方向。
8.一种如权利要求1所述方法的基于自编码器的球磨机轴承故障预测系统，其特征在于，包括：模型构建训练模块、球磨机轴承故障预测模块；
9.如权利要求8所述的基于自编码器的球磨机轴承故障预测系统，其特征在于，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
10.如权利要求8或9所述的基于自编码器的球磨机轴承故障预测系统，其特征在于，还包括轴承故障定位模块，用于当所述异常分数大于设定的阈值时，进一步计算采集的球磨机的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的均方误差值，获取归一化后的均方误差值的最大值，则该最大值对应的振动方向为轴承故障发生的方向。
...【技术特征摘要】
1.一种基于自编码器的球磨机轴承故障预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
3.如权利要求2所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述输入的轴承的振动数据包括球磨机轴承的横向、纵向和轴向三个方向的振动数据，所述卷积特征提取模块将输入的3×4096的二维数据与二维卷积核进行多次运算后得到卷积层，最后展开为长度为916的一维数组，完成对振动数据的空间方向信息和时间方向信息的降维和特征提取。
4.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述特征自动编码模块的输入数据是长度为916的一维数组，经过5层全连接层的压缩与重构后，输出尺寸为916的一维数组的特征重构数据。
5.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述逆卷积特征重构模块将特征自动编码模块输出的长度为916的一维数组通过多层二维逆卷积层进行塑形和升采样，输出3×4096的二维数据。
6.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，还包括：计算输入数据与经过了...
【专利技术属性】
技术研发人员：凡勇刚，刘坤，黄珂，郑玮，张沛龙，
申请(专利权)人：武钢资源集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。