一种工业设备异常检测方法技术

本发明专利技术公开了一种工业设备异常检测方法，所述检测方法包括：获取所述工业设备中传感器采集的实时量测数据；使用历史数据构建对照时空矩阵S；使用所述实时量测数据构建实时时空矩阵X；根据所述对照时空矩阵S与所述实时时空矩阵X获取乘积矩阵C；估计所述乘积矩阵C的极限谱；根据所述极限谱计算所述极限谱的均值，并设置阈值；将所述极限谱的均值与所述阈值进行比较并根据所述比较的结果对所述工业设备是否异常做出判断。本发明专利技术克服了工业设备振动数据中存在大幅振动干扰的情况，有效地提高了工业设备异常检测精度；对工业设备监测数据具有优良的建模能力，对工业设备的异常有着很强的敏感度，有着很高的异常检测精度。

【技术实现步骤摘要】
一种工业设备异常检测方法
本专利技术涉及工业设备健康评估领域，具体涉及一种基于随机矩阵谱分布的工业设备异常检测方法。
技术介绍
典型工业设备的异常检测具有很大的科学和工程价值。近年来，随着工业4.0的推进，工业设备的智能化和复杂程度大大上升，传统的基于模型的方法得到的效果不能满足对设备健康评估的要求。因此，如何能够更好的检测出工业设备运行中的故障和异常是目前有待解决的问题。
技术实现思路
本专利技术要解决的技术问题是如何能够更好的检测出工业设备运行中的故障和异常是目前有待解决的问题，提供一种工业设备异常检测方法。本专利技术是通过下述技术方案来解决上述技术问题：一种工业设备异常检测方法，所述检测方法包括：获取所述工业设备中传感器采集的实时量测数据；使用历史数据构建对照时空矩阵S；使用所述实时量测数据构建实时时空矩阵X；根据所述对照时空矩阵S与所述实时时空矩阵X获取乘积矩阵C；估计所述乘积矩阵C的极限谱；根据所述极限谱计算所述极限谱的均值，并设置阈值；将所述极限谱的均值与所述阈值进行比较并根据所述比较的结果对所述工业设备是否异常做出判断。进一步地，所述估计所述乘积矩阵C的极限谱包括：根据所述乘积矩阵C及其转置矩阵CT获取协方差矩阵；计算所述协方差矩阵的各个特征值，并根据所述各个特征值构建所述协方差矩阵的经验谱；计算所述各个特征值对应的斯切尔斯矩阵；根据所述各个特征值和所述各个特征值对应的所述斯切尔斯矩阵获取所述各个特征值对应的向量H及向量P；根据所述各个特征值和所述各个特征值对应的所述向量H及所述向量P获取各个特征值对应的向量L；对所述各个特征值对应的向量L进行收缩处理获取所述各个特征值对应的收缩特征值，并根据所述收缩特征值构建所述协方差矩阵的极限谱。较佳地，所述实时测量数据还包括所述工业设备的故障报告；所述历史数据还包括所述传感器采集的上一时刻数据。较佳地，先根据所述各个特征值和所述各个特征值对应的所述斯切尔斯矩阵获取所述各个特征值对应的向量A和向量B，再根据所述向量A，所述向量B及所述向量H获取所述向量P。较佳地，根据所述历史数据设置所述阈值。在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。本专利技术的积极进步效果在于：克服了工业设备振动数据中存在大幅振动干扰的情况，有效地提高了工业设备异常检测精度；对工业设备监测数据具有优良的建模能力，对工业设备的异常有着很强的敏感度，有着很高的异常检测精度。附图说明图1为本专利技术一种工业设备异常检测方法一实施例中的检测方法流程图；图2为本专利技术一种工业设备异常检测方法一实施例中的获取极限谱流程图；图3为本专利技术一种工业设备异常检测方法一实施例中的检测方法的效果图。具体实施方式为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。如图1所示为本专利技术检测方法流程图：S01：获取所述工业设备中传感器采集的实时量测数据；在一个示例中，工业设备中的传感器实时采集所述工业设备的量测数据和故障报告。S02：使用历史数据构建对照时空矩阵S；在一个示例中，使用历史数据构建对照时空矩阵S，所述历史数据包括之前位于工业设备中传感器采集的数据及上一时刻传感器采集的数据。S03：使用所述实时量测数据构建实时时空矩阵X；在一个示例中，根据工业设备中的传感器采集的实时量测数据构建实时时空矩阵X，所述实时时空矩阵X与所述对照时空矩阵S分别由位于工业设备中的传感器采集的不同时间段数据构成。S04：根据所述对照时空矩阵S与所述实时时空矩阵X获取乘积矩阵C；在一个示例中，将所述对照时空矩阵S和实时时空矩阵X相乘，获取乘积矩阵C＝XS。S05：估计所述乘积矩阵C的极限谱；在一个示例中，通过随机矩阵的方法估计所述乘积矩阵C的极限谱，并以此检测工业设备的异常，具体步骤包括：如图2所示为获取极限谱流程图：S051：根据所述乘积矩阵C及其转置矩阵CT获取协方差矩阵；在一个示例中，根据乘积矩阵C及其转置矩阵CT，获取协方差矩阵CCT。S052：计算所述协方差矩阵的各个特征值，并根据所述各个特征值构建所述协方差矩阵的经验谱；在一个示例中，首先获取所述协方差矩阵CCT的所有特征值，所述的所有特征值构成了所述协方差矩阵的经验谱。S053：计算所述各个特征值对应的斯切尔斯矩阵；在一个示例中，计算每一个特征值λk对应的斯切尔斯矩阵：Gk＝(((λk+iη)IN-CCT)-1其中λk表示第k个特征值，i表示单位虚数，η＝0.01，C＝XS为所得的乘积矩阵，CT表示乘积矩阵C的转置，()-1表示逆矩阵运算，Gk表示对应某个特征值计算得到的斯切尔斯矩阵。S054：根据所述各个特征值和所述各个特征值对应的所述斯切尔斯矩阵获取所述各个特征值对应的向量H及向量P；在一个示例中，对于每一个特征值λk计算以下矩阵：其中Ak，Bk，Hk，Pk表示计算得到的对应于第k个特征值的四个向量矩阵，N表示特征值的数量，Tr()表示求矩阵的迹，Gk表示计算得到对应某个特征值的斯切尔斯矩阵，X表示实时时空矩阵，S表示对照时空矩阵，C＝XS表示乘积矩阵。S055：根据所述各个特征值和所述各个特征值对应的所述向量H及所述向量P获取各个特征值对应的向量L；在一个示例中，计算每个特征值λk对应的向量Lk，S056：对所述各个特征值对应的向量L进行收缩处理获取所述各个特征值对应的收缩特征值，并根据所述收缩特征值构建所述协方差矩阵的极限谱。在一个示例中，对每个特征值λk计算其收缩后的值：其中，Im[]表示求其虚部，λk表示第k个特征值，Lk为λk对应的向量，i表示单位虚数，η＝0.01，limη→0表示η趋于0时的极限，其中，Gk为某特征值对应的斯切尔斯矩阵，sk为收缩处理后的特征值。S06：根据所述极限谱计算所述极限谱的均值，并设置阈值；在一个示例中，组合收缩后的特征值，[S1，S2，……SN]，即获得所述协方差矩阵的极限谱，计算所述极限谱的均值：并根据历史数据设置一阈值α。S07：将所述极本文档来自技高网...

【技术保护点】
1.一种工业设备异常检测方法，其特征在于，所述检测方法包括：/n获取所述工业设备中传感器采集的实时量测数据；/n使用历史数据构建对照时空矩阵S；/n使用所述实时量测数据构建实时时空矩阵X；/n根据所述对照时空矩阵S与所述实时时空矩阵X获取乘积矩阵C；/n估计所述乘积矩阵C的极限谱；/n根据所述极限谱计算所述极限谱的均值，并设置阈值；/n将所述极限谱的均值与所述阈值进行比较并根据所述比较的结果对所述工业设备是否异常做出判断。/n

【技术特征摘要】
1.一种工业设备异常检测方法，其特征在于，所述检测方法包括：
获取所述工业设备中传感器采集的实时量测数据；
使用历史数据构建对照时空矩阵S；
使用所述实时量测数据构建实时时空矩阵X；
根据所述对照时空矩阵S与所述实时时空矩阵X获取乘积矩阵C；
估计所述乘积矩阵C的极限谱；
根据所述极限谱计算所述极限谱的均值，并设置阈值；
将所述极限谱的均值与所述阈值进行比较并根据所述比较的结果对所述工业设备是否异常做出判断。


2.如权利要求1所述的一种工业设备异常检测方法，其特征在于，所述估计所述乘积矩阵C的极限谱包括：
根据所述乘积矩阵C及其转置矩阵CT获取协方差矩阵；
计算所述协方差矩阵的各个特征值，并根据所述各个特征值构建所述协方差矩阵的经验谱；
计算所述各个特征值对应的斯切尔斯矩阵；
根据所述各个特征值和所述各个特征值对应的所述斯...

【专利技术属性】
技术研发人员：杨浩森，密铁宾，罗伯特才明邱，丁克勤，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31