一种旋转机械设备多工况运行状态异常检测方法及系统与流程

1.本发明涉及旋转机械设备运行状态异常检测技术领域，尤其涉及一种旋转机械设备多工况运行状态异常检测方法及系统。


背景技术：

2.旋转机械设备是指能够通过转动部件的旋转动作完成特定功能的机械设备，在工业领域应用广泛。然而，旋转机械设备由于可能的恶劣工作条件和持久运转，必然会产生各种失效形式，从而影响生产任务的顺利开展。因此，对旋转机械设备进行运行状态异常检测，将为视情维修提供技术保障，具有重要意义。
3.旋转机械设备的运行将实时产生蕴涵有表征设备状态信息的振动信号。国内外当前的异常检测技术大多在方法上将异常检测任务视为二分类监督学习问题或无监督学习问题，通过支持向量机、神经网络、聚类、孤立森林等方法，在既包含正常样本又包含异常样本的训练集中训练一个模型，然后使用该模型测试待检测数据。尽管上述无监督学习方法已经克服了需要由专家标记样本标签，成本高、难实现的问题，但一个更普遍且更实际的问题是，在许多设备的运行状态异常检测任务中，设备大多时间处于正常运行状态，异常运行状态已被及时终止，故障注入难度高、成本大，因此异常的样本数据极少或根本不可获得，使得传统异常检测方法的应用受到限制。


技术实现要素：

4.本发明目的是提供了一种旋转机械设备多工况运行状态异常检测方法及系统，以解决上述问题。
5.本发明解决技术问题采用如下技术方案：
6.一种旋转机械设备多工况运行状态异常检测方法，包括：
7.采集并选择旋转机械设备多工况正常运行状态下的振动信号，学习一种改进支持向量数据描述模型，再采集旋转机械设备实时监测下的振动信号并通过已建立的改进支持向量数据描述模型进行异常检测；
8.从旋转机械设备多工况正常运行状态的振动信号中学习改进支持向量数据描述模型为训练过程，对旋转机械设备实时监测信号进行异常检测为测试过程；
9.训练过程：将多工况的正常状态历史数据用滑动窗口截断，分割成等长的子序列，提取子序列的时域特征和频域特征并对特征进行标准化；将标准化后的特征作为改进支持向量数据描述模型的输入数据，学习此改进支持向量数据描述模型；
10.测试过程：将实时采集的振动信号用滑动窗口截断获得最新的子序列，提取子序列的时域特征和频域特征并采用训练过程中的特征标准化参数对所提取特征进行特征标准化；将标准化后的特征作为改进支持向量数据描述模型的输入数据，获得该模型的异常检测结果。
11.进一步的，改进支持向量数据描述的模型训练过程具体步骤为：
12.s1、建立训练数据x最优的高斯混合模型，并根据样本的最大响应度将该样本划分到某个数据子集中；其中，基于最优模型选择准则确定对于训练数据x最优的高斯混合模型成分数k；
13.s2、对s1步骤所划分的每个数据子集，基于中心核对齐的多核学习方法，学习该数据子集的基核核函数的组合系数，并构建该数据子集的多核核函数；
14.s3、对s1步骤所划分的每个数据子集，采用s2步骤所构建的多核核函数，并根据s1步骤的高斯混合模型概率密度信息为每个样本赋予模糊权重，学习模糊多核支持向量数据描述子模型。
15.进一步的，s2中，对于数据子集ak，记yi是数据子集中样本xi对应的标签，因方法只需要正常状态的样本进行模型训练，所以yi＝1，i＝1,2,...,|ak|；令k
*
＝yy
t
，对n
×
n的核矩阵k，对应的中心化的核矩阵其中，i是n
×
n的单位矩阵，l是n
×
1的元素全部为1的向量；该数据子集的基核核函数的组合系数由如下公式求解得到：
[0016][0017][0018]
其中，ηm是第m个基核核函数的组合系数，m是基核核函数的个数，km是第m个基核核函数对应的核矩阵，k
mc
是第m个基核核函数对应的中心化的核矩阵，是中心化的k
*
，《
·
,
·
》f是frobenius内积，||
·
||f是frobenius范数；
[0019]
所构建的该数据子集的多核核函数为其中，km(
·
,
·
)是第m个基核核函数，xi和xj是数据子集中待求核函数的两个样本。
[0020]
进一步的，s2中，对于数据子集ak，模糊多核支持向量数据描述子模型学习由如下公式求解完成：
[0021][0022][0023]
其中，km(
·
,
·
)是第m个基核核函数，ck是惩罚因子，是样本xi的模糊权重，与是样本xi和xj对应的拉格朗日乘子；
[0024]
求得上述问题最优解αk后，模糊多核支持向量数据描述子模型的一个重要参数计算式如下：
[0025][0026]
其中，样本x
l
对应的是一个非零值。
[0027]
进一步的，改进支持向量数据描述的模型测试过程具体步骤为：
[0028]
s1、依次使用所学习的每个模糊多核支持向量数据描述子模型，检测测试数据z是否处于正常运行状态；
[0029]
s2、任一模糊多核支持向量数据描述子模型检测测试数据为正常运行状态时，则判定测试数据运行状态最终正常；所有模糊多核支持向量数据描述子模型检测测试数据都为异常运行状态时，则判定测试数据运行状态最终异常。
[0030]
进一步的，检测测试数据z是否处于正常运行状态通过如下公式得出：
[0031][0032]
其中，km(
·
,
·
)是第m个基核核函数，ηm是该基核核函数的组合系数，m是基核核函数的个数；若f(z)≤rk，则在第k个子模型中，测试数据被检测为处于正常运行状态；若f(z)＞rk，则在第k个子模型中，测试数据被检测为处于异常运行状态。
[0033]
进一步的，改进支持向量数据描述的模型训练过程中s1步骤采用的最优模型选择准则为贝叶斯信息准则，对于训练数据x最优的高斯混合模型成分数k由下式确定：
[0034][0035]
其中，n是训练数据x的样本数量，p(xi|θ)是训练数据x中样本xi在高斯混合模型中的全局概率密度估计值，θ是高斯混合模型的参数。
[0036]
一种旋转机械设备多工况运行状态异常检测系统，包括：设备数据管理模块、数据预处理与特征提取模块、异常检测核心模块、数据库模块和人机交互模块；
[0037]
设备数据管理模块利用加速度传感器实现振动信号数据的实时采集；设备数据管理模块实现实时数据的存储管理操作和历史数据的读取管理操作；
[0038]
数据预处理与特征提取模块利用滑动窗口将原始振动信号数据划分为等长的子序列；数据预处理与特征提取模块提取子序列的时域特征和频域特征；数据预处理与特征提取模块实现所提取时域特征和频域特征的标准化；
[0039]
异常检测核心模块利用标准化的训练集时域特征和频域特征实现模型训练；异常检测核心模块对经标准化的实时采集数据的时域特征和频域特征进行模型测试和检测结果判定，实现设备当前运行状态的异常检测；
[0040]
数据库模块实现采集数据的存储；数据库模块实现时域特征和频域特征提取算法的存储；数据库模块实现训练集数据经滑动窗口截断、特征提取后，进行特征标准化的参数存储；数据库管理模块实现异常检测核心模块完成模型训练后的模型存储；
[0041]
人机交互模块可视化实时采集的监测数据；人机交互模块操作控制训练数据的选
择、特征提取算法的选择、特征标准化参数的选择、模型训练的过程、检测模型的选择；人机交互模块实时显示异常检测的结果。
[0042]
进一步的，所述数据预处理与特征提取模块中的特征提取子模块可选择的数据库模块特征提取算法库中的特征提取算法包括：均值、均方根值、峰值、峭度、偏度、峰值因子、脉冲因子、波形因子和裕度因子。
[0043]
本发明的有益效果：
[0044]
(1)本发明充分利用旋转机械设备正常状态运行自然产生的振动信号数据，方法中的模型训练既不需要异常状态的数据，也不需要对数据标注标签，数据获取方式简单，数据获取成本低；
[0045]
(2)本发明的方法能够在正常状态数据实际多工况，而对各工况又未进行区分和标签标注的情况下，保持较高的异常检测准确率，较低的虚警率和漏警率；
[0046]
(3)本发明的方法能够在正常状态数据实际被未知地混入了异常状态数据的情况下，保持较高的异常检测准确率，较低的虚警率和漏警率。
附图说明
[0047]
图1为本发明方法流程图；
[0048]
图2为本发明系统组成结构示意图。
具体实施方式
[0049]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
参考图1，本发明公开了一种旋转机械设备多工况运行状态异常检测方法，包括：
[0051]
采集并选择旋转机械设备多工况正常运行状态下的振动信号，学习一种改进支持向量数据描述模型，再采集旋转机械设备实时监测下的振动信号并通过已建立的改进支持向量数据描述模型进行异常检测；
[0052]
从旋转机械设备多工况正常运行状态的振动信号中学习改进支持向量数据描述模型为训练过程，对旋转机械设备实时监测信号进行异常检测为测试过程；
[0053]
训练过程：将多工况的正常状态历史数据用滑动窗口截断，分割成等长的子序列，提取子序列的时域特征和频域特征并对特征进行标准化；将标准化后的特征作为改进支持向量数据描述模型的输入数据，学习此改进支持向量数据描述模型；
[0054]
测试过程：将实时采集的振动信号用滑动窗口截断获得最新的子序列，提取子序列的时域特征和频域特征并采用训练过程中的特征标准化参数对所提取特征进行特征标准化；将标准化后的特征作为改进支持向量数据描述模型的输入数据，获得该模型的异常检测结果。
[0055]
本发明进一步的改进在于，所述改进支持向量数据描述的模型训练过程具体步骤为：
[0056]
s1、建立训练数据x最优的高斯混合模型，并根据样本的最大响应度将该样本划分
到某个数据子集中；其中，基于最优模型选择准则确定对于训练数据x最优的高斯混合模型成分数k；
[0057]
s2、对s1步骤所划分的每个数据子集，基于中心核对齐的多核学习方法，学习该数据子集的基核核函数的组合系数，并构建该数据子集的多核核函数；
[0058]
对于数据子集ak，记yi是数据子集中样本xi对应的标签，因方法只需要正常状态的样本进行模型训练，所以yi＝1，i＝1,2,...,|ak|。令k
*
＝yy
t
，对n
×
n的核矩阵k，对应的中心化的核矩阵其中，i是n
×
n的单位矩阵，l是n
×
1的元素全部为1的向量。该数据子集的基核核函数的组合系数由如下问题求解得到：
[0059][0060][0061]
其中，ηm是第m个基核核函数的组合系数，m是基核核函数的个数，km是第m个基核核函数对应的核矩阵，k
mc
是第m个基核核函数对应的中心化的核矩阵，是中心化的k
*
，《
·
,
·
》f是frobenius内积，||
·
||f是frobenius范数；
[0062]
所构建的该数据子集的多核核函数为其中，km(
·
,
·
)是第m个基核核函数，ηm是该基核核函数的组合系数，m是基核核函数的个数；xi和xj是数据子集中待求核函数的两个样本。
[0063]
s3、对s1步骤所划分的每个数据子集，采用s2步骤所构建的多核核函数，并根据s1步骤的高斯混合模型概率密度信息为每个样本赋予模糊权重，学习模糊多核支持向量数据描述子模型；
[0064]
对于数据子集ak，模糊多核支持向量数据描述子模型学习由如下问题求解完成：
[0065][0066][0067]
其中，km(
·
,
·
)是第m个基核核函数，，ηm是该基核核函数的组合系数，m是基核核函数的个数，ck是惩罚因子，是样本xi的模糊权重，与是样本xi和xj对应的拉格朗日乘子；
[0068]
求得上述问题最优解αk后，模糊多核支持向量数据描述子模型的一个重要参数计
算式如下：
[0069][0070]
其中，km(
·
,
·
)是第m个基核核函数，ηm是该基核核函数的组合系数，m是基核核函数的个数，样本x
l
对应的是一个非零值；
[0071]
本发明进一步的改进在于，所述改进支持向量数据描述的模型测试过程具体步骤为：
[0072]
s1、依次使用所学习的每个模糊多核支持向量数据描述子模型，检测测试数据z是否处于正常运行状态；更具体地，计算如下式子：
[0073][0074]
其中，km(
·
,
·
)是第m个基核核函数，ηm是该基核核函数的组合系数，m是基核核函数的个数。若f(z)≤rk，则在第k个子模型中，测试数据被检测为处于正常运行状态；若f(z)＞rk，则在第k个子模型中，测试数据被检测为处于异常运行状态；
[0075]
s2、任一模糊多核支持向量数据描述子模型检测测试数据为正常运行状态时，则判定测试数据运行状态最终正常；所有模糊多核支持向量数据描述子模型检测测试数据都为异常运行状态时，则判定测试数据运行状态最终异常。
[0076]
为进一步优化上述技术方案，改进支持向量数据描述的模型训练过程中s1步骤采用的最优模型选择准则为贝叶斯信息准则，对于训练数据x最优的高斯混合模型成分数k由下式确定：
[0077][0078]
其中，n是训练数据x的样本数量，p(xi|θ)是训练数据x中样本xi在高斯混合模型中的全局概率密度估计值，θ是高斯混合模型的参数。
[0079]
如图2所示，本发明实施例公开了一种旋转机械设备多工况运行状态异常检测系统，包括：设备数据管理模块、数据预处理与特征提取模块、异常检测核心模块、数据库模块、人机交互模块；
[0080]
设备数据管理模块包括实时数据采集子模块和数据管理操作子模块；实时数据采集子模块利用加速度传感器将实时采集的振动信号数据传输给数据预处理与特征提取模块进行预处理和特征提取以供检测，同时将实时采集的振动信号数据传输给数据管理操作子模块进行数据存储，同时将实时采集的振动信号数据传输给人机交互模块；数据管理操作子模块一方面接收实时数据采集子模块传输的数据存入数据库模块的历史数据库中，另一方面从数据库模块的历史数据库中读取历史数据传输给数据预处理与特征提取模块进行预处理和特征提取以供模型训练；数据管理操作子模块接收来自人机交互模块的历史数据读取选择控制；
[0081]
数据预处理与特征提取模块包括滑动窗口截断子模块、特征提取子模块和特征标准化子模块；滑动窗口截断子模块接收来自设备数据管理模块的数据利用滑动窗口划分出
等长的子序列数据传输给特征提取子模块；特征提取子模块接收来自滑动窗口截断的子序列，读取数据库模块中的特征提取算法库，提取子序列的时域特征和频域特征，并传输给特征标准化子模块；特征提取算法库接收来自人机交互模块的特征提取算法选择控制；特征标准化子模块接收来自特征提取子模块所提取的特征，在训练过程中对特征进行标准化，并将特征标准化采用的相关参数存入数据库模块的特征标准化参数库中；特征标准化子模块接收来自特征提取子模块所提取的特征，在测试过程中读取数据库模块特征标准化参数库中的参数，采用所读取参数对所接收的特征进行标准化；特征标准化子模块将标准化后的特征传输给异常检测核心模块；特征标准化参数库接收来自人机交互模块的参数选择控制；
[0082]
异常检测核心模块包括模型训练子模块、模型测试子模块和检测结果判定子模块；在训练过程中，模型训练子模块接收来自数据预处理与特征提取模块标准化后的特征，学习改进支持向量数据描述模型，并将学习完成的模型存入数据库模块的模型库；在测试过程中，模型测试子模块接收来自数据预处理与特征提取模块标准化后的特征，读取数据库模块中的模型库，并接收来自人机交互模块的模型选择控制，使用所选择模型进行初步异常检测，将初步检测结果传输给检测结果判定子模块；检测结果判定子模块接收来自模型测试子模块的初步检测结果，根据综合判定逻辑给出最终的异常检测结果传输给人机交互模块；其中，综合判定逻辑为，若初步检测结果全部异常则最终异常检测结果为异常，若初步检测结果中任一正常则最终异常检测结果为正常；
[0083]
数据库模块包括历史数据库、特征标准化参数库、特征提取算法库和模型库；历史数据库接收来自设备数据管理模块实现实时采集数据的存储；历史数据库传输历史数据给设备数据管理模块供模型训练使用；特征提取算法库传输特征提取算法给数据预处理与特征提取模块；在训练过程中，特征标准化参数库接收由数据预处理与特征提取模块传输的特征标准化参数的存储；在测试过程中，特征标准化参数库传输特征标准化参数给数据预处理与特征提取模块；特征提取算法库实现时域特征和频域特征提取算法的存储；模型库接收来自异常检测核心模块的已学习模型存储；模型库传输已学习模型给异常检测核心模块供模型测试使用；
[0084]
人机交互模块包括监测信号可视化子模块、操作控制接口子模块和异常检测结果子模块；监测信号可视化子模块接收来自设备数据管理模块的数据，实现实时采集振动信号数据的可视化；操作控制接口子模块操作控制设备数据管理模块对数据库模块中的历史数据库进行读取选择控制；操作控制接口子模块操作数据预处理与特征提取模块对数据库模块中的特征标准化参数库和特征提取算法库进行参数选择控制和算法选择控制；操作控制接口子模块操作异常检测核心模块对数据库模块中的模型库进行模型选择控制；操作控制接口子模块操作控制训练过程和测试过程的进行；异常检测子模块接收来自异常检测核心模块的最终异常检测结果，显示最终异常检测结果。
[0085]
为进一步优化上述技术方案，数据预处理与特征提取模块中的特征提取子模块可选择的数据库模块特征提取算法库中的特征提取算法包括：均值、均方根值、峰值、峭度、偏度、峰值因子、脉冲因子、波形因子和裕度因子的计算，其公式如下：
[0086]
(1)均值
[0087]
(2)均方根值
[0088]
(3)峰值x
p
＝max(|x(n)|)
[0089]
(4)峭度
[0090]
(5)偏度
[0091]
(6)峰值因子
[0092]
(7)脉冲因子
[0093]
(8)波形因子
[0094]
(9)裕度因子
[0095]
其中x(n)＝{x1,x2,x3,
…
,xn}是振动信号子序列，n为子序列长度，μ为子序列所有数值的均值，x(n)-μ表示对振动信号子序列中每个数值都减去子序列所有数值的均值。
[0096]
本发明充分利用旋转机械设备正常状态运行自然产生的振动信号数据，方法中的模型训练既不需要异常状态的数据，也不需要对数据标注标签，数据获取方式简单，数据获取成本低；本发明的方法能够在正常状态数据实际多工况，而对各工况又未进行区分和标签标注的情况下，保持较高的异常检测准确率，较低的虚警率和漏警率；本发明的方法能够在正常状态数据实际被未知地混入了异常状态数据的情况下，保持较高的异常检测准确率，较低的虚警率和漏警率。
[0097]
本发明针对异常数据完全缺乏的实际问题，提供一种不依赖任何异常状态运行数据的旋转机械设备运行状态异常检测方法及系统，并且该方法及系统能够适应用于模型训练的正常状态数据多工况的情形，能够适应用于模型训练的正常状态数据中未知地被混入了一些异常状态数据的情形，准确率高、虚警率低、漏警率低，模型训练时间复杂度低。
[0098]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。