基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法技术方案

本发明专利技术公开了基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法。本发明专利技术方法可以从多个时间尺度对时间序列进行复杂度的刻画，同时该方法相对于现有的多尺度熵(Mutiscale Entropy)方法、复合多尺度熵(Composite Multiscale Entropy)方法、多尺度模糊样本熵(FME)在计算的稳定性和准确性上都有显著的提高。本发明专利技术可以用于工业系统故障类型的判别、检测以及时间序列复杂度的分析。

Fault detection method of industrial system based on Euclidean distance multi-scale fuzzy sample entropy

【技术实现步骤摘要】
基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
本专利技术涉及系统复杂度的研究领域，涉及的是工业系统信号时间序列复杂度的刻画方法，具体是一种基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法。
技术介绍
轴承振动信号时间序列是一种重要的高维数据类型，它是由客观对象的某个物理量在不同时间点的采样值按时间先后次序而组成的序列。而量化分析一个信号时间序列的复杂度对于理解一个系统的运行规律来说是一项既复杂又重要的工作。为了分析时间序列特征并区分系统正常和混乱行为，在许多年前专家和学者们提出了很多种方法来衡量一个系统信号的复杂度。多尺度熵(MultiscaleEntropy,MSE)作为轴承振动信号时间序列复杂度的一种刻画工具，首次将熵理论和多尺度思想相结合，自从提出后在各个方面得到了广泛的应用。多尺度熵最初是基于Richman等提出的样本熵(SampleEntropy)而提出的。样本熵只能针对单一的时间尺度进行分析，不能很好的反映出长相关时间序列的内在变化。多尺度熵的提出可以对同一时间序列在不同的时间尺度上进行样本熵的计算，通过不同的时间尺度来揭示时间序列的复杂性。多尺度熵虽然取得了广泛的应用，但是多尺度熵在时间尺度较大时，由于数据序列变短，熵值的方差明显增大,从而在针对不同尺度因子的时间序列进行计算时，多尺度熵的稳定性明显开始下降，对于不同时间序列的区分度开始降低。后来提出的复合多尺度熵(CompositeMultiscaleEntropy,CMSE)，复合多尺度模糊熵(FuzzyMultiscaleEntropy,FME)虽然在一定程度上解决了上述存在的问题，但是这些方法仍然基于Richman提出的传统样本熵，在计算向量距离时仅依据两个向量各对应分量最大绝对差值，这种度量方式在度量多维向量距离时会出现偏差。，多尺度熵、复合多尺度熵方法在计算特定时间序列向量相似度时采用非零即一的累加方法，这种非零即一的刻画方法无法精确地刻画时间序列中两个向量的相似度。针对多个相似的时间序列进行计算时，上述方法的区分度会明显下降。因此需要寻找和研究新的方法来刻画工业系统信号时间序列特征，提高工业系统故障检测水平。
技术实现思路
本专利技术的目的是针对上述传统的工业系统信号时间序列复杂度刻画方法存在的不足，提出了一种基于欧氏距离多尺度模糊样本熵(EuclideanDistancebasedMultiscaleFuzzyEntropy，EDM-Fuzzy)的工业系统故障检测技术。在传统多尺度熵计算中，对于不同嵌入维数m在计算时间序列的相似度时采用了两个向量对应分量差值最大值的方法，如果两个向量的绝对距离在允许的相似容差范围内则累加1，否则累加0。这样简单的限制使得在计算时间序列的相似度时划分粒度太粗，不能很好的区分相似的时间序列。本专利技术采用了欧氏距离来代替两个向量对应分量最大绝对差值的方法，并且用模糊函数代替0-1阶跃函数，解决了0-1跳跃问题，提高了模板间匹配度计算的准确度，进而提升了对不同时间序列的区分度，同时增强了在大时间尺度下计算的稳定性。本专利技术具体包括以下步骤：步骤1、通过信号采集设备采集工业系统正常工作状态以及不同类型故障状态下的信号数据；步骤2、对每种状态类型下原始信号对应一个时间序列{x(i)|i＝1,2,...,N}，其中i序列对于某一时刻的数值，N表示时间序列的长度；对时间序列{x(i)|i＝1,2,...,N}进行尺度因子τ粗粒度变换(τ为正整数)，形成若干粗粒向量最终得到τ个粗粒化长度为p的新信号时间序列，其中第k个新信号时间序列具体变换公式如下：步骤3、对第k个粗粒化长度为p的新信号时间序列进行嵌入维数为m的向量重构，得到从到其中为向量序列平移的距离，具体公式如下：本专利技术对新信号的时间序列向量进行了平移，平移的距离为m维向量的平均值。这样做的目的是为了在两个向量相似但在新信号波形掩盖的情况下，可以更加精确地计算两个向量之间的相似度。步骤4、使用重构后的向量，计算尺度因子τ下第k个新信号时间序列的欧式距离模糊样本熵：4.1任意两个初始向量不同的m维信号时间序列与之间的距离为两个重构后向量的欧氏距离，具体公式如下：本专利技术用欧氏距离代替其他方法所使用的两个向量各对应分量最大绝对差值所定义的向量距离。传统方法将两个向量各对应分量最大绝对差值定义为两个向量的距离，相当于只用一对分量的绝对差值代表了两个向量所有分量之间的差异，具有明显的片面性。而本专利技术采用欧氏距离定义两个向量的距离，意味着两个向量所有分量的差异都能得到体现，克服了传统方法的片面性，可以更全面准确地描述两个信号向量之间的距离，为后面提高向量相似度计算的精确性和稳定性奠定基础。本专利技术克服了计算两个信号向量距离仅依据两个向量各对应分量最大绝对差值的缺点，更加提升了对两个信号向量距离计算的准确度。4.2给定阈值r，r＝0.15×SD，SD为原始序列{x(i)|1≤i≤N}的标准差；通过模糊函数计算和间的相似度公式如下：本专利技术采用模糊函数来代替0-1阶跃函数刻画两个向量的相似度。0-1阶跃函数对两个m维向量序列之间的度量是，若两个m维向量序列的距离在允许范围内，则相似度为1，若不在允许范围内，则相似度为0，这样极大增加了两个m维向量序列匹配度的不准确性和不稳定性。而模糊函数则在两个m维向量距离d从0到正无穷范围都有连续定义，因此，两个向量相似度从0-1之间有连续定义，能够更加准确刻画两个向量的相似度。4.3统计向量间的匹配度，记为4.4对所有的求平均，记作4.5将嵌入维数增加为m+1重复以上步骤3-4.4计算向量间的匹配度，记为并对所有的求平均，记作4.6定义第k个新信号时间序列的欧氏距离样本模糊熵：步骤5、更新k值，将嵌入维数恢复为m，重复以上步骤3-4.6，求下一个新信号时间序列的欧氏距离样本模糊熵，直至求得所有τ个新信号时间序列的欧氏距离样本模糊熵；步骤6、对所有τ个新信号时间序列的欧氏距离模糊样本熵求均值，最终得到原始时间序列在尺度τ下的欧氏距离模糊样本熵：步骤7、更新尺度因子τ的值，返回至步骤2，求下一个尺度因子的欧氏距离模糊样本熵，直至满足尺度因子个数的要求，最终得到欧氏距离多尺度模糊样本熵，即一组在多个不同尺度因子下的欧氏距离模糊样本熵值；步骤8、将上述欧氏距离多尺度模糊样本熵作为前后向传播神经网络的输入，神经网络设置为四层拓扑结构，其中输入层点的个数等于尺度因子的个数，每个点对应每个尺度因子的欧氏距离模糊样本熵，隐藏层为30个点；输出层输出对应着系统不同轴承状态类型下每种类型标记的向量值；最终进行工业系统故障信号识别。本专利技术的有益效果是：本专利技术提出了一种信号时间序列复杂度计算方法—欧氏距离多尺度模糊样本熵(EuclideanDistancebasedMultiscal本文档来自技高网...

【技术保护点】
1.基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法，其特征在于包括以下步骤：/n步骤1、通过工业系统信号采集设备采集不同状态类型下的原始信号；/n步骤2、对每种状态类型下原始信号对应一个时间序列{x(i)|i＝1,2,...,N}，其中i序列对应某一时刻的数值，N表示时间序列的长度；对时间序列{x(i)|i＝1,2,...,N}进行尺度因子τ粗粒度变换(τ为正整数)，形成若干粗粒数值点

【技术特征摘要】
1.基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法，其特征在于包括以下步骤：
步骤1、通过工业系统信号采集设备采集不同状态类型下的原始信号；
步骤2、对每种状态类型下原始信号对应一个时间序列{x(i)|i＝1,2,...,N}，其中i序列对应某一时刻的数值，N表示时间序列的长度；对时间序列{x(i)|i＝1,2,...,N}进行尺度因子τ粗粒度变换(τ为正整数)，形成若干粗粒数值点



最终得到τ个粗粒化长度为p的新信号时间序列，其中第k个新信号时间序列具体变换公式如下：



步骤3、对第k个粗粒化长度为p的新信号时间序列进行嵌入维数为m的向量重构，得到从到其中




为向量序列平移的距离，具体公式如下：



步骤4、使用重构后的向量，计算尺度因子τ下第k个新信号时间序列的欧式距离模糊样本熵：
4.1任意两个初始向量不同的m维信号时间序列与之间的距离为两个重构后向量的欧氏距离，具体公式如下：



4.2给定阈值r，r一般取值0.15×SD，SD为原始序列{x(i)|1≤i≤N}的标准差；通过模糊函数计算和间的相似度公式如下：






4....

【专利技术属性】
技术研发人员：周仁杰，王晓，万健，张纪林，张伟，蒋从锋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33