一种基于无监督学习的振动信号异常检测方法技术

本发明专利技术公开了一种基于无监督学习的振动信号异常检测方法，涉及振动异常检测技术领域，采集机电设备正常运行时的振动信号并同步记录工况信息；对采集的振动信号进行预处理；设定多种窗口分段长度，让每段振动信号均生成多级子序列；提取子序列中振动信号的时频域特征；对时频域特征采用特征矩阵拼接的方式组成特征向量并进行特征标准化处理，再与由工况信息得到的实时工况特征向量进行融合，生成融合特征矩阵；构建OCSVM模型，利用融合特征矩阵训练，对机电设备进行振动异常检测。本发明专利技术优点包括：单类数据鲁棒性与异常解释性增强、动态置信区间算法与概率分布建模降低误判率、跨模态特征融合与工况关联建模解决模型泛化性不足。

【技术实现步骤摘要】

本专利技术涉及振动异常检测，尤其涉及一种基于无监督学习的振动信号异常检测方法。

技术介绍

1、随着工业4.0的发展，基于状态监测的预测性维已成为保障关键设备（如电机、风机、齿轮箱等）安全运行的核心手段，振动信号作为反映机械部件健康状态的关键物理量，其异常检测技术对避免非计划停机和降低维护成本具有重要价值。

2、现有检测方法大致可以分为3种方向，传统信号分析方法、传统机器学习方法、自编码器及其他无监督方法。但上述方法都存在一定的缺陷和局限性，传统信号分析方法的固有缺陷：早期故障敏感性不足，传统时域指标（如均根方值rms、峰值因子crest factor）和频域分析（如频谱分析、故障特征频率监测）对早期微损伤的敏感度低；背景干扰抑制能力弱，在复杂工况下，信号分解技术（emd、lmd）易出现模态混叠，需人工筛选有效分量，自动化程度低；专家经验依赖性强，特征提取（如小波包能量、谱峭度）需根据特定设备设计规则，难以适应多类型旋转机械的泛化需求。传统机器学习方法的局限性：时频特征，特征有效性高度依赖先验知识，难以应对未知故障模式；数据分布假设不匹配，传统统本文档来自技高网...

【技术保护点】

1.一种基于无监督学习的振动信号异常检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，所述工况信息包括机电设备的转速数据、温度数据及负载数据。

3.根据权利要求1所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，对采集的振动信号进行预处理包括：对采集的振动信号依次进行归一化处理、小波去噪处理及带通滤波处理。

4.根据权利要求2所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，提取振动信号的时频域特征包括：

5.根据权利要求4所述的一种基于无监督学习的振动信号异常检...

【技术特征摘要】

1.一种基于无监督学习的振动信号异常检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，所述工况信息包括机电设备的转速数据、温度数据及负载数据。

3.根据权利要求1所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，对采集的振动信号进行预处理包括：对采集的振动信号依次进行归一化处理、小波去噪处理及带通滤波处理。

4.根据权利要求2所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，提取振动信号的时频域特征包括：

5.根据权利要求4所述的一种基于无监督学习的振动信号异常检测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：邱源，向西西，蒋晓舟，许俊杰，
申请(专利权)人：华运智远成都科技有限公司，
类型：发明
国别省市：