52phm简介


专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中,欢迎大家给予建议和参与社区建设


联系我们



投稿说明


52phm,专注于预测性维护知识学习和交流,欢迎广大从事预测性维护行业人员投稿,投稿请联系管理员(wx: www52phmcn),投稿内容可以是:

  • 学习笔记
  • 技术理论
  • 工程案例
  • 行业资讯


加入我们



官方公众号:52phm,专注预测性维护的学习平台

2021-12-13 13:36:07    互联网    1606    当前专栏:未分组    分类:论文速递    本站官网:www.52phm.cn   

公众号 ...

阅读论文:电网的故障检测

论文结构图示(论文原文链接在文章底部)

个人总结:

本文提出了一种基于数据的非模型算法

  • 依据:数据获取技术的成熟,数据测试量的增大
  • 优势:相对于基于模型的算法 ,对于模型错配有很强的健壮性

1、评判电网是否故障的三个标准

1.1、信号峰值(时域上)

预处理:

  • 高通滤波
  • 提取区域最大值
  • 区域最大值排序,只保留大小相差较大数据的较大值(作为一个峰值保存下来)

统计一个信号的峰值,峰值大于200,大概率异常信号

1.2、频域分类

基于DFT系数分类,但DFT矩阵计算量过大,需要减少数量级,预处理如下:

  • 给DFT矩阵每一行计算MI值,只使用MI值最高的那几行(总数的1%)
  • 计算好的DFT系数,作为CNN的输入,进行特征提取,给该信号一个为异常信号的权重

1.3、时域分类器

  • 将原始数据分为m块,每块长度为l
  • 对于每一段数据都用注意机制进行学习(多任务学习)
  • 该机制会给每个信号一个权重,权重越大,信号为异常信号的概率越大
  • 结合三个标准,最终逻辑回归,得出该信号的类型

2、论文阅读

2.1、摘要

现有的基于模型的方法无法充分利用时间序列的数据,先进测量技术带动着数据爆炸,推动数据导向形方法的发展

方法包含:

  • 运用注意机制的长短期记忆架构,来提取时间序列特征
  • 一维卷积神经网络获取频率信息
  • 基于频率的非监督分类信号方法,对于不同的分类,使用多任务学习方法

术语索引:异常检测,故障检测,卷积神经网络,长短期记忆,多任务学习,高维时间序列

2.2、介绍

  • 电网系统升级,信息更加全面,内容有:电压,电流,温度,湿度,频率
  • 但数量量太多,太高维了,要求算法对数据处理速度也要加快
  • 基于参数模型的方案对于模型错配的健壮性是脆弱的,而非参数技术由数据指引,数据模型错配的健壮性强
  • 电力系统新增的大量测试数据,增强了非模型的学习算法的可用性
  • 本文新提出的方法,使用了结合了双向长短期记忆分类器和注意机制来获取在时域的错误模式,还有使用频域特征的卷积神经网络
  • 此外,本文还提出了一个基于频率的分类算法。这种算法支持着在每种分类上多任务学习,这提高了分类器性能
  • 数据集中的信号是高维时间序列,这种数据没有太好的解决方案。因此本文提出了一种框架用于时域和频域的降维

2.3、数据描述和研究

数据量特别庞大,并且充满噪声,需要进行预处理

时域消息的预处理:

  • 高通滤波:只保留高频率的波动和峰值,去除低频率的噪音
  • 提取区域最大值:减少数据数量级
  • 区域最大值排序,只保留大小相差较大数据的较大值:进一步减少数量级,只保留最基本的特征

得出结论:异常信号的峰值普遍大于200,认为峰值能作为评判信号的一个参数

2.4、基于频率的特征提取

  • 需要解决各类噪声带来的影响
  • 使用DFT可以有效的减少噪声的影响,但会带来新的问题,计算量太大
  • 减少的方法是,只采用DFT矩阵的一部分子集来研究。此处使用MI作为判断DFT系数是否有效的标准。
  • 最终只选择MI值最大的百分之一的数据
  • 将选出来的数据作为CNN的输入,进行神经网络学习和特征提取

结果:以CNN输出的数据作为权重,给最终判断提供一个参数

2.5、分类器

LSTM是一种很好的处理序列依赖的网络架构,问题在于,处理大量数据时,表现一般,因此需要减少数据量,把数据分为m块,每块长度为l,为了提高效率,本文还采用了自我监督机制(实际表现为一个权重向量),根据给出信号与其他信号的关系 ,猜测该信号是否为异常信号,给一个权重

结果:该监督机制和LSTM会给一个判断信号的权重,用于最终判断信号类型

最终评价:结合三个参数,最终判断信号的类型,是正常信号还是异常信号,为了防止有些不平衡数据,全部一边倒,都归到一个大类里头,本文在判断时增加了两个权重,wp和wn,p类的量越大,wp就越小,成反比,wn类似。实际使用时,wp与该信号为正类的权重相乘,wn同上,然后二者相加,得出数据,最终判断。
 

2.6、性能评估

比数据测试网站上的最优算法的性能还要好

2.7、总结

2.8、论文链接

论文链接:https://arxiv.org/pdf/2009.06825.pdf



版权声明:遵循 CC 4.0 BY-SA 版权协议
原文链接:https://blog.csdn.net/weixin_42036144/article/details/109083216

免责声明


[推荐] 机电设备故障诊断数据集

2021-12-09 11:27:13    博客笔记    5277    分类:边缘感知    专栏:故障诊断   


[推荐] 机械故障诊断方法论

2021-12-13 14:48:01    互联网    1949    分类:算法开发    专栏:故障诊断   


[推荐] 故障诊断期刊文献分析

2021-12-13 17:11:53    互联网    2986    分类:算法开发    专栏:故障诊断   



转发此文章到社区


关注公众号进群

让志同道合读者学习交流



机器人执行故障

机器人执行故障

2021-12-04 23:48:39    博客笔记    872    分类:边缘感知    专栏:工业机器人   


钢板故障

钢板故障

2021-12-04 23:50:03    博客笔记    1755    分类:边缘感知    专栏:钢板   


一种基于CNN的数据驱动故障诊断方法

本文主要分为四个部分:目录本文主要分为四个部分:1.数据预处理2.使用的CNN框架3.性能评估4.总结

2021-12-09 14:46:03    互联网    1820    分类:算法开发    专栏:故障诊断   


一种基于CNN的故障预测方法(含代码数据集)

本文以CWRU轴承故障的振动信号数据库作为模型的训练集和测试集并根据现有论文的思路和模型框架,用pytorch复现了论文的模型结构和性能,在二分类问题中准确率高达100%本文在理论方便不再过多赘述,详细可看博主之前的博客或观看论文原文数据连接:https://csegroups.case.edu/bearingdatacenter/pages/download-data-file论文链接:https://www.sci-hub.ren/10.1109/tie.2017.2774777代码

2021-12-09 15:29:35    互联网    2256    分类:算法开发    专栏:故障诊断   


基于深度学习的滚动轴承故障诊断

本文主要介绍如何使用python搭建:一个基于深度学习的滚动轴承故障诊断系统项目中涉及使用了多种方法对比检测结果,包括:传统机器学习方法:随机森林深度学习方法:CNN增加残差模块后的深度学习方法:ResNet如各位童鞋需要更换训练数据,完全可以根据源码将图像和标注文件更换即可直接运行。

2021-12-10 18:15:00    互联网    1085    分类:算法开发    专栏:故障诊断   


一篇关于轴承故障诊断的综述

在设备的故障检测中,有约30%-40%的设备故障是由轴承故障引起的,因此本文将列举有关检测轴承故障使用到的相关数据集,模型和算法。数据集现有的数据集,普遍由固定在电机马达上的两个震动检测器获得,并根据需要,分离震动数据在时域和频域上的特征以供网络模型学习。不同的数据集,区别在于,检测的马达转速不同,环境不同,取样频率不同,一段样本的时长不同等等(1)Case Western Reserve University (CWRU) Dataset该数据集拥有多种数据,测量的时候,通过改变轴承.

2021-12-13 13:17:35    互联网    2674    分类:算法开发    专栏:故障诊断   


故障诊断的性能评估指标

评价一个故障诊断系统的性能指标有:   1)故障检测的及时性:是指系统在发生故障后,故障诊断系统在最短时间内检测到故障的能力。故障发生到被检测出的时间越短说明故障检测的及时性越好。   2)早期检测的灵敏度:是指故障诊断系统对微小故障信号的检测能力。故障诊断系统能检测到的故障信号越小说明其早期检测的灵敏度越高。   3)故障的误报率和漏报率:误报指系统没有出去故障却被错误检测出发生故障

2021-12-13 13:51:37    互联网    1863    分类:算法开发    专栏:故障诊断   


大型旋转机械状态监测与故障诊断

1 故障诊断的含义故障就是指机械设备丧失了原来所规定的性能和状态。通常把运行中的状态异常、缺陷、性能恶化及事故前期的状态统称为故障,有时也把事故直接归为故障。而故障诊断则是根据状态监测所获得的信息,结合设备的工作原理、结构特点、运行参数及其历史运行状况,对设备有可能发生的故障进行分析、预报,对设备已经或正在发生的故障进行分析、判断,以确定故障的性质、类别、程度、部位及趋势。大型旋转机械

2021-12-13 17:29:41    互联网    6703    分类:算法开发    专栏:故障诊断   


光谱信息在癌症检测上的应用

拉曼光谱(Raman) 与傅里叶变换红外光谱(FTIR) 在癌症的检测上具有一定的应用价值。由于检测组织中水的存在常使结果变得复杂,FTIR常用于皮肤层面的检测。在材料的制备与探针选择上,拉曼方法也更适用于组织活检,甚至实时检测。1.拉曼光谱在乳腺癌检测上的应用文章:Application of Raman Spectroscopy and Infrared Spectroscopy in the Identification of Breast Cancer(2016)期刊 Applied

2021-12-14 15:50:53    互联网    761    分类:算法开发    专栏:数字信号处理   


故障诊断之基于振动信号的阶比谱分析

故障诊断之基于振动信号的阶比谱分析

2022-05-31 11:08:40    互联网    1471    分类:算法开发    专栏:振动信号预处理   


  • 52phm公告

  • 在这里,可以学习接触到工业互联网技术知识以及落地案例,其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、 深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识!


default   
  • 关于站长


  •         从事设备故障预测与健康管理行业多年的PHM算法工程师(机器医生)、国际振动分析师, 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。


当前文章目录