【技术实现步骤摘要】
一种基于零值比例频谱特征的机械传动故障检测方法
[0001]本专利技术涉及一种基于零值比例频谱特征的机械传动故障检测方法，属于机械传动故障检测领域。
技术介绍
[0002]由于风力发电具有清洁可再生的优点，受到了来自世界范围内的广泛关注。但是，风机常常工作在恶劣的环境中，并且工作强度极其高。一方面，从风叶、塔架到发电箱，甚至是轴承、齿轮的损坏都会给生产过程带来巨大的安全威胁和经济损失；另一方面，通过故障诊断专家进行人工判断一台风机是否发生故障具有很高的时间和人力成本。这些都是风机故障检测和维修的难点，因此出现了使用机器学习技术对风机故障进行检测和分析的方式。
[0003]机器学习技术需要大量的数据作为训练支持，尤其是深度学习技术。此外，模型对于数据和标记信息的噪声容忍度比较低，当数据发生微小的变化即会导致模型预测发生巨大的变化。但是，一方面，风机故障检测领域的训练数据比较少且带有很多噪声（比如传感器安装位置不当）；另一方面，风机故障检测是一个时序信号，输入维度高，对模型的容量要求高，容易导致模型的过拟合。以往的机器学习技术在处理机械传动时序信号时需要通过专家设计的特征并辅助以浅层模型，这种方法遇到了性能瓶颈，因此需要一套智能化的解决方案。
技术实现思路
[0004]为解决现有技术的不足，本专利技术提供一种基于零值比例频谱特征的机械传动故障检测方法，通过提取的零值比例特征大幅度提升了机器学习模型的性能和效率，并且通过层级分类器提升检出率的同时有效的控制了误报率，整体易实现部署且适用性强。>[0005]本专利技术所采用的技术方案为：一种基于零值比例频谱特征的机械传动故障检测方法，包括如下步骤：步骤一、数据收集：通过传感器收集各个监控点的时序特征；步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征；步骤三、层级分类器训练；步骤四、新数据模型测试。
[0006]优选的是，步骤一中数据收集包括如下步骤：步骤100：确定传动机械故障监控点；步骤101：部署信号收集传感器；步骤102：采集传动机械转速时序信号；步骤103：将采集的数据组成“时序信号 有故障”和“时序信号无故障”形式的若干组数据。
[0007]进一步的优选，步骤二中零值比例频谱特征提取包括如下步骤：
步骤200：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；步骤201：按照比例遍历不同的窗口大小W1，W2，
…
，WN；步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；步骤203：取若干个高峰对应的索引值；步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即Zero Ratio， zr特征；步骤206：对所有窗口大小W1，W2，
…
，WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1， zr2，
…
，zrN；步骤207：计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征。
[0008]进一步的优选，步骤三中层级分类器训练包括如下步骤：步骤300：将每段时序数据提取的零值比例特征组织成一个向量V1i；步骤301：该时序数据对应的部件没有故障，设置Yi=0；反之，该时序数据对应的部件有故障，设置Yi=1；步骤302：根据训练数据“V1i，Yi”训练分类模型M1；步骤303：对每段时序数据统计窗口内离散信息熵作为额外特征，融入V1i作为V2i；步骤304：根据训练数据“V2i, Yi”训练分类模型M2。
[0009]进一步的优选，步骤四中新数据模型测试包括如下步骤：步骤400：收集待预测部件的机械传动时序特征数据；步骤401：提取零值比例频谱特征V1i；步骤402：利用训练好的模型M1对V1i进行预测；步骤403：如果预测值≤0.5，输出无故障；步骤404：如果预测值大于＞0.5，提取时序数据统计窗口内离散信息熵，与V1i融合为V2i；步骤405：使用M2对V2i进行预测；步骤406：如果预测值≤0.5，输出无故障；步骤407：如果预测值＞0.5，输出有故障。
[0010]本专利技术的有益效果在于：提取的零值比例频谱特征可以有效地去除毛刺现象，采用了多个滑动窗口保证模型的鲁棒性，并且提取的零值比例特征可以有效地捕获故障信号；此外，使用了层级分类器，一方面，第一层分类器基于零值比例特征可以提高模型召回率，即尽可能检测出有故障的风机；然后为了避免误报率太高，引入了第二层分类器对第一层分类器预测为有故障的样本继续分类，分类的依据引入了信息熵等基本特征，可以大幅度降低误报率。
具体实施方式
[0011]下面结合实施例对本专利技术做具体的介绍。
[0012]实施例1：本实施例是一种基于零值比例频谱特征的机械传动故障检测方法，包括如下步骤：步骤一、数据收集：通过传感器收集各个监控点的时序特征；步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征；步骤三、层级分类器训练；步骤四、新数据模型测试。
[0013]首先，步骤一中数据收集包括如下步骤：步骤100：确定传动机械故障监控点；步骤101：部署信号收集传感器；步骤102：采集传动机械转速时序信号；步骤103：将采集的数据组成“时序信号 有故障”和“时序信号无故障”形式的若干组数据。
[0014]其次，步骤二中零值比例频谱特征提取包括如下步骤：步骤200：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；步骤201：按照比例遍历不同的窗口大小W1，W2，
…
，WN；步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；步骤203：取若干个高峰对应的索引值；步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即Zero Ratio，zr特征；步骤206：对所有窗口大小W1，W2，
…
，WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1，zr2，
…
，zrN；步骤207：计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征。
[0015]然后，步骤三中层级分类器训练包括如下步骤：步骤300：将每段时序数据提取的零值比例特征组织成一个向量V1i；步骤301：该时序数据对应的部件没有故障，设置Yi=0；反之，该时序数据对应的部件有故障，设置Yi=1；步骤302：根据训练数据“V1i，Yi”训练分类模型M1；步骤303：对每段时序数据统计窗口内离散信息熵作为额外特征，融入V1i作为V2i；步骤304：根据训练数据“V2i，Yi”训练分类模型M2。
[0016]再然后，步骤四中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于零值比例频谱特征的机械传动故障检测方法，其特征在于：包括如下步骤：步骤一、数据收集：通过传感器收集各个监控点的时序特征；步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征；步骤三、层级分类器训练；步骤四、新数据模型测试。2.根据权利要求1所述的一种基于零值比例频谱特征的机械传动故障检测方法，其特征在于，所述步骤一中数据收集包括如下步骤：步骤100：确定传动机械故障监控点；步骤101：部署信号收集传感器；步骤102：采集传动机械转速时序信号；步骤103：将采集的数据组成“时序信号 有故障”和“时序信号 无故障”形式的若干组数据。3.根据权利要求2所述的一种基于零值比例频谱特征的机械传动故障检测方法，其特征在于，所述步骤二中零值比例频谱特征提取包括如下步骤：步骤200：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；步骤201：按照比例遍历不同的窗口大小W1，W2，
…
，WN；步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；步骤203：取若干个高峰对应的索引值；步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即Zero Ratio， zr特征；步骤206：对所有窗口大小W1，W2，
…
，WN，重复步骤20...
【专利技术属性】
技术研发人员：詹德川，王魏，李新春，邹联忠，
申请(专利权)人：南京智谷人工智能研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。