时变工况条件下旋转机械运行状态在线监测方法及系统技术方案

本发明专利技术公开了时变工况条件下旋转机械运行状态在线监测方法及系统，包括：利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号；根据划分的实时周期信号，进行实时数据重组，得到重组后的实时数据；利用重组后的实时数据对one‑class SVM模型进行训练，得到训练好的one‑class SVM模型；对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理，得到重组后的新数据，将重组后的新数据输入到训练好的one‑class SVM模型，one‑class SVM模型输出预测值，所述预测值包括正常值和疑似异常值；对疑似异常值进行判断，确定其是否为真实异常点。

On line monitoring method and system for rotating machinery running condition under time-varying working conditions

The invention discloses a method and a system for on-line monitoring the running state of rotating machinery under time-varying working conditions, including: dividing the real-time periodic signals of the real-time state signals of rotating machinery by means of time series analysis to obtain the divided real-time periodic signals; reconstructing the real-time data according to the divided real-time periodic signals, and obtaining the weight. Real-time data after grouping; one class SVM model is trained by real-time data after grouping, and the trained one class SVM model is obtained; dynamic cycle division and data reorganization are used to process the signals of rotating machinery running to be monitored, and new data after grouping are obtained. The data is input to the trained one_class SVM model, and the one_class SVM model outputs predictive values, which include normal values and suspected outliers; the suspected outliers are judged to determine whether they are true outliers.

【技术实现步骤摘要】
时变工况条件下旋转机械运行状态在线监测方法及系统
本专利技术涉及时变工况条件下旋转机械运行状态在线监测方法及系统。
技术介绍
在实际生产过程中，回转机械占据了绝大部分比例，由于回转过程中储存了较大的能量，因此，若是机器存在局部缺陷或者疲劳损伤会导致整个系统产生失稳，从而对生命财产造成危害。实际生产中，对于机器的状态多是凭借工人的经验去判断当前机器运行的状况，不仅准确率低，而且不可量化，不适合现代化工业生产模式，因此，对针对机械运行状态监测的研究就显得尤为重要。对设备(或某关键部件)进行长期连续状态监测，可获得该设备(或部件)运行状态变化的趋势和规律，据此预测设备(或部件)的未来运行趋势，从而判断其剩余寿命。可以将机械运行状态监测与实时控制相结合，监测加工过程中的可能异常变化，进而采取合适措施对加工过程进行控制与优化，以达到优化生产加工工艺，提高生产质量的目的。对设备进行状态监测可以掌握设备的运行状态和发展趋势，进而查找产生异常的原因，识别、并判断故障的严重程度，为故障早期诊断、科学维护等提供技术依据。现有的机械系统状态检测方法主要基于数据驱动，可以分为两类：基于模型的学习方法和统计学习方法。基于模型的学习方法严重依赖于使用分类技术利用历史数据训练模型，当历史数据不足时，该方法效果很差。统计学习方法使用预先定义的数学模型来表示正常的机器状态，以便计算出机械状态发生变化的可能性，然而，建立适合设备的精确的数学模型是一项艰巨的任务，模型中的参数有时难以估计。同时，旋转机械实际运行过程中，时变工况(如环境温度、润滑条件等)易造成转速不稳定等不稳定状况，也会对以上两种方法的效果造成较大影响。
技术实现思路
为了解决现有技术的不足，本专利技术提供了时变工况条件下旋转机械运行状态在线监测方法及系统；弥补基于模型的学习方法和统计学习方法的不足，同时针对非稳定旋转机械运行状态信号，利用数学时间序列分析和模式分类技术在非平稳状态下进行旋转机械状态监测的新方法。通过进行时间序列分析，将监测到的不稳定数据规整为具有固定周期模型的稳定数据，然后用已监测数据递归地训练one-classSVM来估计该模型中的参数。对于新观察到的数据，可以使用训练过的one-classSVM来检测变化。该方法融合了基于模型的学习方法和统计学习方法，在实际工程应用中具有很好的潜力。本专利技术一方面提供了时变工况条件下旋转机械运行状态在线监测方法；时变工况条件下旋转机械运行状态在线监测方法，包括：动态周期划分步骤：利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号；数据重组步骤：根据划分的实时周期信号，进行实时数据重组，得到重组后的实时数据；模型训练步骤：利用重组后的实时数据对one-classSVM模型进行训练，得到训练好的one-classSVM模型；预测值监测步骤：对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理，得到重组后的新数据，将重组后的新数据输入到训练好的one-classSVM模型，one-classSVM模型输出预测值，所述预测值包括正常值和疑似异常值；误判修正步骤：对疑似异常值进行判断，确定其是否为真实异常点。进一步的，所述动态周期划分步骤，包括：根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期，将理论周期的长度作为第一周期的长度，设第一周期的长度为L1，设备状态数据的第1～L1个数据为第一周期内的数据；设起始误差为e，则第二周期起点存在范围是L1+1-e～L1+1+e；设长度误差为t，则第二周期长度范围是L1-t～L1+t；遍历第二周期起点的范围以及第二周期长度范围，从而得到起始误差和长度误差出现的范围内第二周期的所有可能情况；将第一周期的所有数据与第二周期的所有数据利用动态时间规整算法计算匹配损耗，找到匹配损耗最小的情况；那么，匹配损耗最小的情况的第二周期所对应的起点及周期长度即为最合理的第二周期的起点和最合理的第二周期的长度；同样的，每一周期的数据都与第一周期的数据进行匹配损耗计算，从而得到每一个周期最合理的起点和最合理的周期长度；计算所有最合理周期长度的平均值；将所有周期的数据进行降采样或重采样，使每一周期的长度与所有周期长度的平均值相同，从而完成动态周期划分。进一步的，所述动态时间规整算法：对于两段数据A＝{a1,a2,…,aN}和B＝{b1,b2,…,bM}，其匹配损耗D(A,B)定义为：D(A,B)＝d(aN,bM),其中d(·)可以通过下式计算d(a1,b1)＝|a1-b1|；d(a1,b2)＝|a1-b2|；d(a2,b1)＝|a2-b1|；其中|ai,bj|为ai与bj的差值。进一步的，根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期：旋转机械在速度不变的情况下，每个旋转部件都有固定的转速，同时对应着固定的周期，根据机械结构(传动比、传动关系)判断其在某一转速下的理论周期。当不清楚旋转机械的结构时，从旋转机械上采集数据信号，然后利用傅里叶变换将数据信号从时域转换到频域，根据主成分分析算法得到数据信号频域中的主要成分，从而判断旋转机械的主要部件数目以及各个部件的转速，从而确定旋转机械的理论周期。进一步的，所述数据重组步骤，包括：动态周期划分完成之后，得到规整之后的每个周期的数据；将每个周期的数据中第一个点的数值，组成第一个列；将每个周期的数据中第二个点的数值，组成第二个列；以此类推，将每个周期数据中的第T个点的数值，组成第T个列。进一步的，所述模型训练步骤，包括：利用数据重组得到的T个列的数据对oneclassSVM模型进行训练，得到训练好的oneclassSVM模型。进一步的，所述预测值监测步骤，包括：对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理，得到重组后的新数据，将重组后的新数据输入到one-classSVM模型中，模型输出预测值，如果预测值为1，表示预测结果为正常值；如果预测值为-1，表示预测结果为疑似异常值。进一步的，所述误判修正步骤，包括：对疑似异常值进行判断，若疑似异常值满足高斯分布，则当前疑似异常值为正常值；若疑似异常值不满足高斯分布，则当前疑似异常值为真实异常值。进一步的，所述误判修正步骤，包括：对分割好的预测值{CnT+v}，计算数据{CjT+v},j＝1,2,…,n-1，的平均值Ave与标准差Std，如果Ave-3*Std<CnT+v<Ave+3*Std，则可判断CnT+v为正常值，否则，将其看作异常值，第nT+v个点视为异常点。本专利技术第二方面提供了：时变工况条件下旋转机械运行状态在线监测系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。本专利技术第三方面提供了：一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。与现有技术相比，本专利技术的有益效果是：本专利技术设计了时变工况条件下旋转机械运行状态在线监测方法及系统，本方法首先利用时序序列分析的方法对机械运行状态信号进行动态周期划分，然后根据划分的周期对信号进行规整重组，对每个周期中同一相位点本文档来自技高网...

【技术保护点】
1.时变工况条件下旋转机械运行状态在线监测方法，其特征是，包括：动态周期划分步骤：利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号；数据重组步骤：根据划分的实时周期信号，进行实时数据重组，得到重组后的实时数据；模型训练步骤：利用重组后的实时数据对one‑class SVM模型进行训练，得到训练好的one‑class SVM模型；预测值监测步骤：对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理，得到重组后的新数据，将重组后的新数据输入到训练好的one‑class SVM模型，one‑class SVM模型输出预测值，所述预测值包括正常值和疑似异常值；误判修正步骤：对疑似异常值进行判断，确定其是否为真实异常点。

【技术特征摘要】
1.时变工况条件下旋转机械运行状态在线监测方法，其特征是，包括：动态周期划分步骤：利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号；数据重组步骤：根据划分的实时周期信号，进行实时数据重组，得到重组后的实时数据；模型训练步骤：利用重组后的实时数据对one-classSVM模型进行训练，得到训练好的one-classSVM模型；预测值监测步骤：对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理，得到重组后的新数据，将重组后的新数据输入到训练好的one-classSVM模型，one-classSVM模型输出预测值，所述预测值包括正常值和疑似异常值；误判修正步骤：对疑似异常值进行判断，确定其是否为真实异常点。2.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法，其特征是，所述动态周期划分步骤，包括：根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期，将理论周期的长度作为第一周期的长度，设第一周期的长度为L1，设备状态数据的第1～L1个数据为第一周期内的数据；设起始误差为e，则第二周期起点存在范围是L1+1-e～L1+1+e；设长度误差为t，则第二周期长度范围是L1-t～L1+t；遍历第二周期起点的范围以及第二周期长度范围，从而得到起始误差和长度误差出现的范围内第二周期的所有可能情况；将第一周期的所有数据与第二周期的所有数据利用动态时间规整算法计算匹配损耗，找到匹配损耗最小的情况；那么，匹配损耗最小的情况的第二周期所对应的起点及周期长度即为最合理的第二周期的起点和最合理的第二周期的长度；同样的，每一周期的数据都与第一周期的数据进行匹配损耗计算，从而得到每一个周期最合理的起点和最合理的周期长度；计算所有最合理周期长度的平均值；将所有周期的数据进行降采样或重采样，使每一周期的长度与所有周期长度的平均值相同，从而完成动态周期划分。3.如权利要求2所述的时变工况条件下旋转机械运行状态在线监测方法，其特征是，，所述动态时间规整算法：对于两段数据A＝{a1,a2,…,aN}和B＝{b1,b2,…,bM}，其匹配损耗D(A,B)定义为：D(A,B)＝d(aN,bM),其中d(·)可以通过下式计算d(a1,b1)＝|a1-b1...

【专利技术属性】
技术研发人员：卢国梁，陈光远，闫鹏，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37