一种旋转机械设备多工况运行状态异常检测方法及系统技术方案

本发明专利技术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：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，学习描述模型，采集旋转机械设备实时监测下的振动信号并描述模型进行异常检测；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；训练过程：提取子序列的时域特征和频域特征并对特征进行标准化，学习此改进支持向量数据描述模型；测试过程：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，获得异常检测结果。本发明专利技术可检测设备运行状态，并对异常运行状态进行告警。行告警。行告警。

【技术实现步骤摘要】
一种旋转机械设备多工况运行状态异常检测方法及系统


[0001]本专利技术涉及旋转机械设备运行状态异常检测
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]本专利技术解决技术问题采用如下技术方案：
[0006]一种旋转机械设备多工况运行状态异常检测方法，包括：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]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：
[0012]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；
[0013]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；
[0014]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。
[0015]进一步的，S2中，对于数据子集A
k
，记y
i
是数据子集中样本x
i
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y
i
＝1，i＝1,2,...,|A
k
|；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，η
m
是第m个基核核函数的组合系数，M是基核核函数的个数，K
m
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，k
m
(
·
,
·
)是第m个基核核函数，x
i
和x
j
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A
k
，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，k
m
(
·
,
·
)是第m个基核核函数，C
k
是惩罚因子，是样本x
i
的模糊权重，与是样本x
i
和x
j
对应的拉格朗日乘子；
[0024]求得上述问题最优解α
k
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，k
m
(
·
,
·
)是第m个基核核函数，η
m
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)≤R
k
，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)＞R
k
，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(x
i
|θ)是训练数据X中样本x
i
在高斯混合模型中的全局概率密度估计值，θ是高斯混合模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械设备多工况运行状态异常检测方法，其特征在于，包括：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；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；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；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。2.根据权利要求1所述的一种旋转机械设备多工况运行状态异常检测方法，其特征在于，改进支持向量数据描述的模型训练过程具体步骤为：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；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；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。3.根据权利要求2所述的一种旋转机械设备多工况运行状态异常检测方法，其特征在于，S2中，对于数据子集A
k
，记y
i
是数据子集中样本x
i
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y
i
＝1，i＝1,2,
…
,|A
k
|；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：s.t.η
m
≥0,
其中，η
m
是第m个基核核函数的组合系数，M是基核核函数的个数，K
m
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；所构建的该数据子集的多核核函数为其中，k
m
(
·
,
·
)是第m个基核核函数，x
i
和x
j
是数据子集中待求核函数的两个样本。4.根据权利要求3所述的一种旋转机械设备多工况运行状态异常检测方法，其特征在于，S2中，对于数据子集A
k
，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：，模糊多核支持向量数据描述子模型学习由如下公式求...

【专利技术属性】
技术研发人员：张庆振，金阳，崔朗福，李操，向刚，程林，齐海涛，王津申，张祥银，邵灵星，毕晔，李雪飞，张惠平，
申请(专利权)人：北京九天翱翔科技有限公司，
类型：发明
国别省市：