CN101788806B - 一种对机器的状态进行监控的方法 - Google Patents

Abstract

本发明公开了一种对机器的状态进行监控的方法，该方法预先设置密度变化门限值，然后计算所采集到的状态点的密度，并根据所述预先设置的密度变化门限值，采用基于密度的聚类方法对所述状态点进行聚类；再确定各个类之间的关系；最后，根据所述各个类之间的关系、以及当前状态点所属的类，确定当前状态点的状态。应用本发明能够对机器的异常状态偏离进行自动检测。

Description

一种对机器的状态进行监控的方法

技术领域

本发明涉及数控(CNC，Computer Numeri cal Control)技术领域，特别涉及一种对机器的状态进行监控的方法。

背景技术

状态监控在保证重要生产设备的生产效率和可靠运行时间方面起着越来越重要的作用。有效的状态监控的最有用的功能在于在早期发现机器中一些异常的状态偏离，从而及时地采取应对措施以将生产力损失或大的灾难防患于未然。

为了实施状态监控，可以对机器进行常规重复测量从而采集到信号，并从所采集到的信号中提取反映被监控状态的特征量(CQ，CharacteristicQuantities)，这些特征量对于被监控状态的变化比较灵敏。可以采用多种分析方法通过分析信号实现特征量的提取，分析方法包括在时域进行统计分析、在频域进行频谱分析等。

根据所提取的特征量，某机器在时隙t_i(i为数据序列的索引号)的状态可表示为n维空间中的一个点P_i(v_i1，v_i2，…，v_in)，其中v_ik表示状态点P_i的第k个特征量的取值。空间被一组特征量扩展，例如：CQ₁，CQ₂，…，CQ_n。状态点P_i在该空间中随时间变化，从而形成一个时间序列。状态监控的重要任务在于识别出异常的状态偏离、触发对应的告警并预计状态的发展趋势。然而，上述任务尚未满足工业对于效力的要求，这是因为：

1)特征量无法有效地反应机器状态的异常偏离，因为它们的效力通常取决于对应的预设门限值，但是，该门限值较难确定。

机器状态监控领域的专家开发了许多特征量，包括：统计特征量(例如：平均值、标准偏差)、各种解析模型、时域特征量(例如：速度、电机电流)、频域特征量(例如：频率幅度和相位)等。这些特征量分别反应机器状态的不同方面。然而，需要为不同的特征量分别设置不同的门限值，而合理地确定门限值比较困难。此外，一个特征量的门限值通常取决于其它特征量的状态。举一个粗略的例子：假设在机床的一个线性轴来回移动的过程中，监控电机电流的标准偏差。如果该线性轴上的加工件(相当于一个特征量)比之前的重，那么当电机电流的标准偏差值(相当于要监控的特征量)明显增加但仍然低于预设门限值时，该机器可能正常。然而，如果该加工件比之前的轻，该线性轴可能出现异常，例如：可能线性轴存在污垢或润滑剂不够润滑等。

2)将各种不同的特征量组合在一起以提供更加有效的异常信息较为困难，因为各特征量之间的复杂关系需要进行大量的建模才能确定。

将反应被监控机器的各个方面的特征量组合在一起确实能够为该机器的状态提供更加有效和高级的信息。为实施对状态偏离的有效评估，可以采取各种理论和实验的方法来将各特征量组合到一个指示器中，用该指示器表征P_i，并识别异常偏离。然而，实现特征量之间的组合需要对机器设备本身有足够的了解，并且，随着机器设备本身复杂性的提高，组合特征量的困难越大，因此，由于机器设备本身的复杂性，导致各特征量之间的理论关系不容易发现。

综上，现有技术要么要求技术人员对各机器设备拥有扎实的前期理论基础，要么需要为各特征量分别设置适当的门限值，可见，现有用于监控机器状态的方法的通用性不够，并且监控效果不理想。

发明内容

有鉴于此，本发明的主要目的在于提供一种对机器的状态进行监控的方法，以对机器的异常状态偏离进行自动检测，并进一步对机器状态的发展趋势进行预测。

为达到上述目的，本发明的技术方案具体是这样实现的：

一种对机器的状态进行监控的方法，该方法预先设置密度变化门限值，并包括以下步骤：A、计算所采集到的状态点的密度，根据所述预先设置的密度变化门限值，采用基于密度的聚类方法对所述状态点进行聚类；B、确定各个类之间的关系；C、根据所述各个类之间的关系、以及当前状态点所属的类，确定当前状态点的状态，其中所述类之间的关系包括：独立关系和嵌套关系；所述步骤B包括：若两个类之间不存在共同的状态点，则所述两个类之间为独立关系；若一个类中的状态点均属于另一个类，则所述一个类与所述另一个类之间为嵌套关系，所述一个类为子类，所述另一个类为父类；若一个类为父类、且不为子类，则所述类为根类，且所述当前状态点的状态包括：稳定状态、细微波动状态、非稳定状态和突发变异状态；所述步骤C包括：C1、设置时间窗宽度W2；C2、将当前状态点以及处于当前状态点之前的(W2-1)个状态点作为所述宽度为W2的时间窗中的状态点，执行如下操作：若所述宽度为W2的时间窗中的所有状态点均属于同一子类，则判定当前状态点处于稳定状态；若所述宽度为W2的时间窗中的状态点分别属于不同子类、但属于同一父类，则判定当前状态点处于微小波动状态；若所述宽度为W2的时间窗中的状态点分别属于不同的根类，则判定当前状态点处于非稳定状态；若当前状态点不属于已有类中的任意一个类，则判定当前状态点处于突发变异状态。

较佳地，所述各个状态的稳定性从高到低依次为：稳定状态、细微波动状态、非稳定状态和突发变异状态；所述稳定状态表示：机器状态不发生明显的偏离；所述细微波动状态表示：机器状态已被意外因素所影响；所述非稳定状态表示：机器状态已被较大影响因素所影响；所述突发变异状态表示：机器状态已被新的影响因素所影响。

较佳地，所述步骤C1包括：依次将采集到的所有状态点作为当前状态点，确定各状态点所处的状态，将使状态点的状态发生改变的第一个时间窗宽度确定为所述W2的取值。

进一步地，所述步骤C在步骤C2之后可以包括：C3、根据所述确定的当前状态点所处的状态，按照如下方式识别出机器的异常状态偏离：若当前状态点处于稳定状态或微小波动状态、且当前状态点所属的类与参照状态点不同，则判定机器持续受到主流因素的影响；若当前状态点处于微小波动状态、且W2大于预先设置的门限值，则判定机器持续受到细微因素的影响；若当前状态点处于非稳定状态，则判定机器间歇性遭遇主流因素的影响；若当前状态点处于突发变异状态，则判定机器将发生异常偏离。

进一步地，在所述步骤A、B之后并在C之前可以包括：a、根据所述聚类的结果，确定当前状态点的转移模式；在所述步骤C之后可以包括：c、根据当前状态点的状态、以及当前状态点的转移模式，对机器状态的发展趋势进行预测。

较佳地，所述当前状态点的转移模式可以包括：聚合模式和偏离模式；所述步骤a为：设置时间窗，根据所述时间窗内各状态点的密度、以及所述时间窗内各状态点所属的类确定当前状态点的转移模式。

较佳地，所述聚合模式的稳定性高于所述偏离模式；所述聚合模式表示：机器状态趋于稳定于机器当前所处的状态；所述偏离模式表示：机器状态趋于偏离机器当前所处的状态。

较佳地，所述设置时间窗，根据所述时间窗内各状态点的密度、以及所述时间窗内各状态点所属的类确定当前状态点的转移模式包括：a1、对于每一个状态点，比较该状态点与该状态点之前的一个状态点的密度的大小，若该状态点的密度大于该状态点之前的一个状态点的密度，则将该状态点确定为聚合点，否则，将该状态点确定为偏离点；a2、设置时间窗宽度W1，将当前状态点以及处于当前状态点之前的(W1-1)个状态点作为所述宽度为W1的时间窗中的状态点；a3、计算所述宽度为W1的时间窗中聚合点总数与偏离点总数之差，将所述差记为Ψ_a(W1)；a4、计算所述宽度为W1的时间窗中从一个类转移到另一个类的状态点的总数与未发生类转移的状态点的总数之差，将所述差记为Ψ_b(W1)；a5、按照如下方式确定当前状态点的转移模式：若Ψ_b(W1+1)-Ψ_b(W1)＞0、Ψ_b(W1)-Ψ_b(W1-1)＞0、且Ψ_a(W1)≥0，则当前状态点的转移模式为聚合模式；若Ψ_b(W1+1)-Ψ_b(W1)＞0、Ψ_b(W1)-Ψ_b(W1-1)＞0、且Ψ_a(W1)＜0，则当前状态点的转移模式为偏离模式；若Ψ_b(W1+1)-Ψ_b(W1)＜0、Ψ_b(W1)-Ψ_b(W1-1)＜0、且Ψ_a(W1)≥0，则当前状态点的转移模式为聚合模式；若Ψ_b(W1+1)-Ψ_b(W1)＜0、Ψ_b(W1)-Ψ_b(W1-1)＜0、且Ψ_a(W1)＜0，则当前状态点的转移模式为偏离模式；若Ψ_b(W1+1)-Ψ_b(W1)＞0且Ψ_b(W1)-Ψ_b(W1-1)＜0，则当前状态点的转移模式为聚合模式；若Ψ_b(W1+1)-Ψ_b(W1)＜0且Ψ_b(W1)-Ψ_b(W1-1)＞0，则当前状态点的转移模式为偏离模式。

较佳地，步骤a2中所述设置时间窗宽度W1的方式可以包括：根据条件[Ψ_b(W1+1)-Ψ_b(W1)]·[Ψ_b(W1)-Ψ_b(W1-1)]＜0设置时间窗宽度W1。

较佳地，所述机器状态的发展趋势包括：保持稳定状态、保持非稳定状态、向非稳定状态偏离和向稳定状态聚合；

所述步骤c包括：根据当前状态点的状态、以及当前状态点的转移模式，按照如下方式对机器状态的发展趋势进行预测：若当前状态点处于稳定状态或细微波动状态、且当前状态点的转移模式为聚合模式，则预测机器将保持稳定状态；若当前状态点处于稳定状态或细微波动状态、且当前状态点的转移模式为偏离模式，则预测机器将向非稳定状态偏离；若当前状态点处于非稳定状态、且当前状态点的转移模式为聚合模式，则预测机器将向稳定状态聚合；若当前状态点处于非稳定状态、且当前状态点的转移模式为偏离模式，则预测机器将保持非稳定状态；若当前状态点处于突发变异状态，则机器的发展趋势不确定。

步骤A中计算所采集到的状态点的密度的方式包括：对于每一个状态点，将该状态点与最接近该状态点的一个状态点之间的距离作为该状态点的密度。

进一步地，该方法可以包括：预先根据各特征量的重要性，为状态点的各特征量设置权重因子；步骤A中在计算该状态点与最接近该状态点的一个状态点之间的距离时，进一步将对应的距离乘以各特征量对应的权重因子。

由上述技术方案可见，本发明提供的方法采用历史状态点的分布模式以及它们随时间转移的模式，实现了机器状态的自动检测，以及对机器异常状态偏离的预测。采用本方法，无需了解机器设备本身的理论知识，即可实现特征量之间的组合，并采用组合的特征量有效地检测机器状态的异常偏离。由于本发明方法不依赖于特殊的机械结构和特殊的配置，因此，本发明方法是一种通用的方法。

附图说明

下面将通过参照附图详细描述本发明的示例性实施例，使本领域的普通技术人员更清楚本发明的上述及其他特征和优点，附图中：

图1为采用本发明方法进行机器状态监控的总体流程示意图；

图2为本发明机器状态监控方法的流程示意图；

图3(a)为本发明一实施例中11个状态点的分布示意图；

图3(b)为采用OPTICS方法确定的图3(a)所示11个状态点的密度；

图3(c)为δ＝1.1时对图3(a)所示11个状态点进行分类的结果；

图3(d)为δ＝1.2时对图3(a)所示11个状态点进行分类的结果；

图4(a)为本发明一实施例中16个状态点的分布示意图；

图4(b)为δ＝1.1时对图4(a)所示16个状态点进行分类的结果；

图5(a)为本发明一实施例中实际采集到的22个状态点的分布示意图；

图5(b)为δ＝1.1时对图5(a)所示22个状态点进行分类的结果；

图5(c)为将图5(a)所示点22作为当前点得到的当前状态和预测结果显示；

图6(a)为本发明一实施例中实际采集到的39个状态点的分布示意图；

图6(b)为δ＝1.1时对图6(a)所示39个状态点进行分类的结果；

图6(c)为将图6(a)所示点39作为当前点得到的当前状态和预测结果显示；

图7(a)为本发明一实施例中实际采集到的45个状态点的分布示意图；

图7(b)为δ＝1.1时对图7(a)所示45个状态点进行分类的结果；

图7(c)为将图7(a)所示点45作为当前点得到的当前状态和预测结果显示。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

本发明的主要思想是：利用历史状态点的分布模式及它们随时间转移的模式来有效地检测机器的状态偏离，并对机器状态偏离的发展趋势进行预测。

图1为采用本发明方法进行机器状态监控的总体流程示意图。在本例中，将机床的一个线性进给轴作为被监控对象。图1所示总体流程中包括以下步骤：

步骤101：对机器进行周期性测量，从感应器获取必要的信号，例如该进给轴的实际位置信号、电机电流等。

步骤102：从所获取的信号中计算反应机器状态各个方面的特征量。例如：进给轴的进给速度的标准偏差，该特征量反应着滚珠丝杠的润滑状态或磨损状态等。

上述步骤101和步骤102可以采用现有技术提供的常规方法实现，在此不再赘述。

步骤103：采用本发明提供的方法分析各特征量以识别机器状态的异常偏离，并对发展趋势进行预测。图2示出了本发明所提供的机器状态监控方法的流程，本说明书的后续部分将对本发明方法进行详细介绍。

步骤104：显示机器状态的异常偏离及该偏离的发展趋势。可以采用文本的方式显示，即：如果状态偏离异常，则显示其对应的告警消息。

可以每天、每两天或每星期进行一次一系列常规重复测量。在所述测量的过程中，记录必要的信号，并在每次测量后计算各特征量。由一次测量所得到的各特征量构成一系列状态点P_i，采用本发明方法分析这些状态点P_i以确定状态偏离，并找出状态偏离的发展趋势。

以下是本发明的详细介绍。本发明基于如下两个假定：

H1、用于分析的各特征量分别对某一特定的机器状态敏感。通常选择的特征量是能够反应机器状态的特征量。

H2、当机器仅受随机因素的影响时，状态点在空间中呈现高斯分布。也就是说，如果没有特定的机器状态发生异常，多数状态点应当落入一个相对狭窄的区域。这种现象已被大多数工程应用所证实。

下面参见图2，对本发明方法进行详细说明。

步骤201：计算所采集到的状态点的密度确定密度变化门限值δ，并采用基于密度的聚类方法对状态点进行聚类。

密度的直观定义就是：一个特定区域内的点的数量。在该区域内，例如：一个圆内，点数越多，密度越大。密度变化门限值δ是密度变化的门限值。如果某区域的密度δ倍于其周围区域的密度，则该区域内的点被当作一个组(例如：一个类)。此处使用的聚类方法可以是任意一个基于密度的聚类方法，只要能够获取坐标系中的密度即可，此处的坐标系是指所述各状态点所处的坐标系。以下，将第i个状态点记为P_i，状态点P_i的密度以ρ(i)表示，在不同的基于密度的聚类方法中，状态点P_i的密度可以采用不同的方式计算和表示。例如：在一种名为对点排序以确定分类结构(OPTICS，OrderingPoints To Identify the Clustering Structure)的基于密度的聚类方法中，密度以某一点与其最接近的一点之间的距离表示。如果以D(i)表示点Pi与其最接近的一点之间的距离，v_ih表示P_i的第h个特征量的值，那么在一个由N点构成的类中，P_i的密度可以按照(1)式确定：

$\mathrm{\ρ}\left(i\right)=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}D\left(k\right)/D\left(i\right)---\left(1\right)$

(1)式中，D(i)符合(2)式所表示的条件：

D(i)＝Min(d(i，k)) $d(i,j)=\sqrt{\underset{h}{\mathrm{\Σ}}{(v_{\mathrm{ih}}-v_{\mathrm{jh}})}^2}---\left(2\right)$

(2)式中，k的取值范围为1，…，N。用于进行聚类的特征量可以是任何可用的、对机器状态敏感的特征量。为了减少所使用的特征量的数量，可以采用主要成分分析(PCA：Principal Component Analysis)方法。在一些应用中，不同特征量的相同的取值变化可能存在着不同的重要性。可以在d(i，j)中使用取值范围在[0，1]的权重因子，以将特征量的不同重要性体现到计算过程中，如(3)式所示。

w_h∈[0，1](3)

(3)式中，w_h表示第h个特征量的权重因子。

本发明根据预设的密度变化门限值δ对状态点进行聚类：当ρ(i+1)/ρ(i)≥δ时，各状态点被划分到不同的类中。以下结合附图，以OPTICS方法为例进行说明。

图3(a)为本发明一实施例中11个状态点的分布示意图。所述11个状态点中每一个点的坐标由该点的特征量1(记为CQ₁)的取值和特征量(记为CQ₂)的取值唯一确定，其中，图3(a)所示坐标系中的横轴为归一化的CQ₁，纵轴为归一化的CQ₂。

图3(b)示出了采用OPTICS方法确定的11个状态点的密度。图3(b)所示坐标系中的横轴表示各状态点的编号，纵轴表示各状态点的密度取值。根据图3(b)，状态点6、8和10比处于其左侧的各点的密度都大，且符合条件ρ(i+1)/ρ(i)≥δ，因此，状态点6、8和10被归为一类，如图3(a)所示。状态点11远离其它状态点，并且该点的密度几乎为0。关于OPTICS聚类方法的更详细的信息可以参见由M.Ankerst撰写的刊登在Proc.ACM SIGMOD’99Int.Conf.on Management of Data.Phi ladelphia PA，1999上的名为“OPTICS：Ordering Points To Identify the Clustering Structure”的论文。

δ可以根据实验或迭代的方法进行确定。通常，若δ取1.1表示大于之前密度的10％就得到一个类，符合工程界的公知常识。迭代方法采用一定范围内的各个值对状态点进行分类，分类数最大的δ的取值可被选作δ。

根据OPTICS聚类方法，参见图3(c)，当δ＝1.1时，所述11个状态点被分为3类C₁、C₂和C₃，其中，C₁＝{P₁，P₂，P₃，P₄}，C₂＝{P₆，P₈，P₁₀}，C₃＝{P₁，P₂，P₃，P₄，P₅，P₆，P₇，P₈，P₉，P₁₀}。参见图3(d)，当δ＝1.2时，只得到两个类C₁和C₂，其中，C₁＝{P₁，P₂，_P3，P₄}，C₂＝{P₆，P₈，P₁₀}，状态点5、7、9和11被当作独立的点。

步骤202：确定各个类之间的关系。

根据本步骤可以确定历史状态点在各个类中的分布情况，历史状态点即：包括当前状态点在内的所有被采集到的状态点的集合。历史状态点分布在一个空间中，它们的在各个类中的分布情况揭露了近期状态与历史状态之间的关系。例如，如果一个状态点落入一个高密度的区域，按照如前所述的第2个假定H2，该状态点应当被作为稳定状态的表现。定义如下两种类之间的关系：

1)独立关系，记为D1

若两个类之间不存在共同的状态点，则所述两个类之间为独立关系。以公式表示为：如果C_m∩C_n＝φ，则称：类C_m与类C_n之间相互独立。也就是说：如果对于任意取值的i，m，n，当存在关系P_i∈C_m∪C_n时，必有

则C_m与C_n独立。

2)嵌套关系，记为D2

若一个类中的状态点均属于另一个类，则所述一个类与所述另一个类之间为嵌套关系。以公式表示为：如果

则称：类C_m嵌套于类C_n。也就是说：如果对于任意取值的i，m，n，均存在关系P_i∈C_m，则Pi∈Cn，那么，C_m称为子类，表示为C_m∈S_LC，C_n称为父类，表示为C_n∈S_PC。一个父类可以包含多个子类。如果类C_n为父类，且不是子类，则C_n被称为根类，记为C_n∈S_RC。

参见图3(c)，其中，C₁和C₂嵌套于C₃。参见图3(d)，C₁和C₂相互独立。

步骤203：确定当前状态点的转移模式。

为了实现对机器状态发展趋势的预测，采用本步骤确定当前状态点的转移模式。转移模式是状态点随时间连续从一个类转移到另一个类的表现，它表示着状态随时间的变化，因此，可以在进行机器状态发展趋势预测时用作判断依据。本发明定义两种转移模式：聚合模式和偏离模式。

为了确定当前状态点的转移模式，首先需要按照如下方法确定两种类型的状态点：

1)聚合点(AP：Aggregat ing Point)：对于状态点P_i及该状态点之前的状态点P_i-1，如果它们的密度符合条件ρ(i)＞ρ(i-1)，那么P_i确定为聚合自P_i-1，P_i称为聚合点，记为P_i∈S_AP。图3(b)中，聚合点类为S_AP＝{P₆，P₈，_P10}。

2)偏离点(DP：Deviating Point)：对于状态点P_i及该状态点之前的状态点P_i-1，如果它们的密度符合条件ρ(i)＜ρ(i-1)，那么P_i确定为偏离P_i-1，P_i称为偏离点，记为P_i∈S_DP。图3(b)中，偏离点类为S_DP＝{P₃，P₅，P₇，P₉}。

当ρ(i)＝ρ(i-1)时，当前状态点既非聚合点也非偏离点，可以忽略不考虑该状态点的转移模式。当然，在实际应用中，也可以针对这一特殊情况采取其它处理方式，例如：当ρ(i)＝ρ(i-1)时，判定当前状态点为聚合点，或者，也可以判定当前状态点为偏离点。

对于处于一个长度为W1的时间窗内的一系列状态点来说，该窗内的状态点记为：S_P(W1)＝{P_i-W1+1，P_i-W1+2，...，P_i-1，P_i}，其中：i-W1+1＞0，窗S_P(W1)内的状态点总数记为：W1＝|S_P(W1)|＝|{P_i-W1+1，P_i-W1+2，...，P_i-1，P_i}|。

在长度为W1的时间窗内，S_P(W1)中包含的聚合点越多，状态点越趋于稳定，反之亦然。该效果以值Ψ_a表示：

Ψ_a(W1)＝|S_AP(W1)|-|S_DP(W1)|(4)

(2)式中，存在关系S_AP(W1)，

当时间窗中的状态点从一个类转移到另一个类时，机器状态趋于漂移状态。一段时间内，状态点P_i从一个类转移到另一个类的频率越频繁，机器状态从之前的状态发生漂移的可能性越大。也就是说：聚合模式的稳定性高于偏离模式，聚合模式表示机器状态趋于稳定于机器当前所处的状态，偏离模式表示机器状态趋于偏离机器当前所处的状态。可以按照如下所示式(5)计算时间窗W1中从一个类转移到另一个类的状态点的数量Ψ_b：

${\mathrm{\Ψ}}_b\left(W1\right)=N_v\left(W1\right)-\stackrel{\‾}{N_v}\left(W1\right)---\left(5\right)$

(5)式中，确定N_v(W1)和

的取值的方式如下：

N_v(W1)＝|{(P_k-1，P_k)|P_k-1∈C_m，P_k∈C_n，C_m，C_n∈S_LC}|，

$\stackrel{\‾}{N_v}\left(W1\right)=\left|\right\{(P_{k-1},P_k)|P_{k-1}\∈C_m,P_k\∈C_m\}|,$

$\∀P_k,P_{k-1}\∈S_P\left(W1\right),\∀m,n,m\≠n$

因此，状态点P_i在时间窗W1内的转移模式可以按照如表1所示规则进行确定：

表1

根据表1，不同的时间窗宽度W1可能导致不同的结果，因此，需要选取合适的W1值。在本发明方法中，W1按照式(6)进行选取：

[Ψ_b(W1-+-1)-Ψ_b(W1)].[Ψ_b(W1)-Ψ_b(W1-1)]＜0(6)

以图3(c)为例，δ＝1.1时，存在以下类别：

C₁＝{P₁，P₂，P₃，P₄}，C₂＝{P₆，P₈，P₁₀}，C₃＝{P₁，P₂，P₃，P₄，P₅，P₇，P₉}

因此，

且S_LC＝{C₁，C₂}，S_PC＝{C₃}

假设图3中P₁₀为当前状态点，对于W1的不同取值，可以得到如表2所示的结果：

Pi	W1	Ψb(W1)	Ψa(W1)	Ψb(W1+1)-Ψb(W1)	Ψb(W1)-Ψb(W1-1)
						P10	1	0	1	1	N/A
P9	2	1	0	1	1
						P8	3	2	1	1	1
P7	4	3	0	1	1
						P6	5	4	1	1	1
P5	6	5	0	-1	1
						P4	7	4	-1	-1	-1
P3	8	3	-1	...	...

...

...

...

...

...

...

表2

根据表2，符合式(6)所述条件的W1的取值为6，在此条件下，P₁₀为聚合模式。

步骤204：根据各个类之间的关系、以及当前状态点所属的类确定机器所处的状态。

根据各个类之间的关系、以及当前状态点所属的类，本发明将可能的机器状态分为如下四类M1～M4：

M1：稳定状态

当状态点处于稳定状态时，机器状态不发生明显的偏离，或者机器状态趋于更加稳定，就像机械在磨合期后逐渐进入稳定运行期一样。如果当前状态点停留在作为参照点的那个状态点的同一个类中，那么机器必然处于正常状态。如果当前状态点属于另一个根类，必然发生了大的偏离，此时推荐采取一定的检测措施。

M2：存在微小波动的稳定状态(也可称为微小波动状态)

当状态点处于微小波动状态时，表明机器已被一些意外的因素影响。由于状态点仍然停留在作为参照点的那个状态点的同一根类中，机器仍然处于正常状态。然而，如果该状态持续发展下去，机器将趋于非正常状态。这种情况下，需要对机器多加以关注。

M3：非稳定状态(也可称为波动状态)

当状态点处于非稳定状态时，表明机器已被一些比较大的影响因素所影响。例如：它可能表明机器尚处于磨合期的早期阶段，状态变化较大。

M4：突发变异状态

突发变异状态表明状态点已从历史状态点中偏离出来，无法归类到任何一个已有类中。该状态意味着机器状态已被一些新的影响因素所侵袭，如果这些因素继续侵袭机器，机器将趋于上述三种状态M1～M3中的任意一种。如果该因素仅对机器产生一小段时间的影响，可被认为是一个临时出格状态，可以忽略。

表3示出了本发明确定机器所处状态的规则：

表3

与上述在确定状态点P_i在时间窗W1内的转移模式的情况类似，在确定

历史状态点在时间窗W2内的分布模式时，不同的时间窗宽度W2也可能导致

不同的结果，因此，在确定历史状态点在时间窗W2内的分布模式时，也需

要选取合适的W2值。在本发明方法中，选取使机器状态发生改变的第一个

时间窗宽度作为W2的取值。例如：如果机器状态在W2＝5时被确定为处于M1

状态，当W2＝6时机器变为M2状态，那么，就将5选取为W2的取值。

根据机器当前所处的状态，可以识别出异常的状态偏离。异常状态偏离

可由如表4所示的3种现象及对应于所述3种现象的指示确定：

表4

表4中，参照状态点可以是某个被确定应当表征机器处于正常状态的状态点。以图3为例，假设P₁₀为当前状态点，δ＝1.1，当时间窗的宽度W2＝10时，由于处于P₁₀之前的一系列状态点均保持在同一种状态，该状态直到P₁₀才改变，因此，P₁₀处于微小波动状态。如果将P₁₁作为当前状态点，则P₁₁处于突发变异状态。参见图4(a)和图4(b)，若将P₁₆作为当前状态点，则P₁₆处于稳定状态。

步骤205：根据转移模式预测机器状态的发展趋势。

采用状态点的转移模式可以对机器状态的发展趋势进行预测。只要影响机器状态的主流因素未发生大的变化，这种预测就是可信的。这里所说的大的变化包括：机器的机械配置发生变化或机器损毁。如果机器发生了这种大的变化，预测结果则不太可能准确，并且随后将出现突发变异状态。本发明将可能的状态偏离趋势分为如下四类T1～T4：

T1：保持稳定状态

如果预测当前状态点将保持稳定状态，这表明当前状态点的下一个状态点绝大可能将处于稳定状态。

T2：保持非稳定状态

如果预测当前状态点将保持非稳定状态，这表明当前状态点的下一个状态点绝大可能将处于非稳定状态。

T3：向非稳定状态偏离

如果预测当前状态点将向非稳定状态偏离，那么，当前状态点的下一个状态点绝大可能将处于微小波动状态、突发变异状态，或者更加严重的，将处于非稳定状态。

T4：向稳定状态聚合

如果预测当前状态点将向稳定状态聚合，那么，当前状态点的下一个状态点绝大可能将处于微小波动状态，或者，如果情况好一些，将处于稳定状态。

表5示出了本发明用于对机器的未来状态进行预测的规则表。

表5

举例而言，参见图3，假设P₁₀为当前状态点，δ＝1.1，当时间窗的宽度W2＝6时，P₁₀处于细微波动状态，根据表5，其发展趋势是向非稳定状态偏离。参见图4，假设P₁₆为当前状态点，δ＝1.1，当时间窗的宽度W2＝5时，P₁₀处于稳定状态，根据表5，其发展趋势是保持稳定状态。

为了示范本发明方法的应用，本申请的发明人对如图2所示场景下的经验数据进行了分析，以示本发明方法的有效性。参见图2，在图2所示线性进给轴上未承载任何加工件的情况下，令该线性进给轴以3000mm/min的输送速度进行输送，在输送的过程中，记录该线性进给轴的实际位置信号和电机电流。在为期26天的时间里，每天进行一次或两次上述轴输送运动，并采集相应的信号，如此，共得到45个状态点。表6示出了所述机器的状态点的采集情况：

表6

下面进行具体说明，首先，从所记录的信号中提取对应于每一次轴输送运动的特征量。所提取的特征量包括：电机电流的平均值、电机电流的标准偏差、最大斜坡值、刚度、摩擦力、以及转动惯量。然后对所述提取的特征量进行归一化处理，并采用如前所述的PCA方法对归一化之后的特征量进行分析。所有特征量的权重的缺省值均设为1.0。接着，采用本发明方法分析PCA结果的第一个和第二个成分。本例中，采用步骤201所述方法计算各状态点的密度，并将密度变化门限设置为δ＝1.1。下面参见图5～图7对采用本发明方法分析PCA结果的第一个和第二个成分的具体过程及结果进行详细说明：

首先，采用本发明方法对状态点1～22进行分析。将P₂₂作为当前状态点，图5(a)示出了状态点1～22的密度计算结果，图5(b)示出了δ＝1.1时对状态点1～22进行分类的结果。根据本发明方法进行判断，可知：P₂₂处于细微波动状态；并且，根据本发明方法进行预测，由于在W2＝9之前状态点不停地从一类转移到另一类，预计在P₂₂之后将趋于向非稳定状态偏离的状态，如图5(b)所示。可以按照图5(c)所示显示方式显示上述结果。

下一步，采用本发明方法对状态点23～39进行分析。在实际应用中，P₂₂处于切断润滑剂的供应之前所采集得到的39个点的中央。从图6(a)可以看出，自P₂₂开始往后，机器开始越来越不稳定，因为根据图6(a)，各状态点的密度逐渐变小，这证实了在P₂₂所作的预测结果的正确性。根据图6(a)与图5(a)的对比可以看到：图6(a)中点20～22的密度大于图5(a)中点20～22的密度，这是因为：在图6(a)中，新近的点23～39中有一部分落入了点20～22所处的区域，使得该区域的密度增大了。

然后，采用本发明方法对状态点1～39进行分析。将P₃₉作为当前状态点，图6(b)示出了δ＝1.1时对状态点1～39进行分类的结果。根据本发明方法进行判断，可知：P₃₉处于突发变异状态；并且根据本发明方法，当机器状态突然发生改变时，无法对其未来状态进行预测。对于所述结果，可以按照图6(c)所示显示方式进行显示。由于P₃₉不属于当前已有类中的任意一类，因此，在图6(b)的分类结果中没有体现P₃₉归属于某一类标志。根据表4，此处可能是异常偏离状态的前兆。在实际实验过程中，P₃₉是严重的滚珠丝杠磨损的开始。

最后，采用本发明方法对状态点1～45进行分析。将P₄₅作为当前状态点，图7(a)示出了状态点1～45的密度计算结果，图7(b)示出了δ＝1.1时对状态点1～45进行分类的结果。根据本发明方法进行判断，可知：P₂₂处于细微波动状态；并且，根据本发明方法进行预测：虽然机器当前比较稳定，但是，机器状态从原来的类C₁₂转变成了一个新的类C₁₃，根据表4，这意味着相对于之前的状态来说，机器发生了一些主要的偏离。在实际实验过程中，此时，图2所示被监控的线性进给轴的滚珠丝杠轴发生了冲击，这导致了一个明显的状态偏离。这种情况下，需要对机器状态予以特别的关注或对机器进行一些相应的检查。由于P₄₀到P₄₅之间的点均属于同一类，没有发生类的转换，并且，从P₄₀到P₄₅密度有所增加，因此，预测此后的发展趋势是保持稳定状态，这意味着：如果没有采取适当的措施，机器将维持在滚珠丝杠轴发生冲击状态。

由上述可见，本发明提供的方法采用历史状态点的分布模式以及它们随时间转移的模式，实现了机器状态的自动检测，以及对机器异常状态偏离的预测。采用本方法，无需了解机器设备本身的理论知识，即可实现特征量之间的组合，并采用组合的特征量有效地检测机器状态的异常偏离。由于本发明方法不依赖于特殊的机械结构和特殊的配置，因此，本发明方法是一种通用的方法。本发明还包括以下优点：

1)采用本发明仅需设置一个密度变化门限值δ，无需单独为每个特征量设置门限值，从而极大降低了现有技术单独为每个特征量设置门限值的难度。

2)本发明提出了一种行之有效、且普遍适用的识别机器异常状态偏离的方法，而无需技术人员了解机器设备本身的理论知识。这使得本发明能够普遍适用于各种机器设备，尤其是建模复杂的设备。并且，事先对各特征量和机器本身没有任何了解的人同样可以很好地理解本发明的状态监控结果和预测结果。

3)采用本发明能够提供关于机器状态异常趋势的有效的预测，这使得潜在的异常状态能够在早期即被注意到。

4)本发明将各特征量有机地结合在一起，从而能够提供更多的关于机器状态的信息。并且，通过为各特征量增加相应的权重因子，满足了强调特殊特征量的重要性的要求。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种对机器的状态进行监控的方法，其特征在于，该方法预先设置密度变化门限值，并包括以下步骤：

A、计算所采集到的状态点的密度，根据所述预先设置的密度变化门限值，采用基于密度的聚类方法对所述状态点进行聚类；

B、确定各个类之间的关系；

C、根据所述各个类之间的关系、以及当前状态点所属的类，确定当前状态点的状态，其中

所述类之间的关系包括：独立关系和嵌套关系；

所述步骤B包括：若两个类之间不存在共同的状态点，则所述两个类之间为独立关系；若一个类中的状态点均属于另一个类，则所述一个类与所述另一个类之间为嵌套关系，所述一个类为子类，所述另一个类为父类；若一个类为父类、且不为子类，则所述一个类为根类，且

所述当前状态点的状态包括：稳定状态、细微波动状态、非稳定状态和突发变异状态；

所述步骤C包括：

C1、设置时间窗宽度W2；

C2、将当前状态点以及处于当前状态点之前的(W2-1)个状态点作为所述宽度为W2的时间窗中的状态点，执行如下操作：

若所述宽度为W2的时间窗中的所有状态点均属于同一子类，则判定当前状态点处于稳定状态；

若所述宽度为W2的时间窗中的状态点分别属于不同子类、但属于同一父类，则判定当前状态点处于微小波动状态；

若所述宽度为W2的时间窗中的状态点分别属于不同的根类，则判定当前状态点处于非稳定状态；

若当前状态点不属于已有类中的任意一个类，则判定当前状态点处于突发变异状态。

2.根据权利要求1所述的方法，其特征在于，各个所述当前状态点的状态的稳定性从高到低依次为：稳定状态、细微波动状态、非稳定状态和突发变异状态；

所述稳定状态表示：机器状态不发生明显的偏离；

所述细微波动状态表示：机器状态已被意外因素所影响；

所述非稳定状态表示：机器状态已被较大影响因素所影响；

所述突发变异状态表示：机器状态已被新的影响因素所影响。

3.根据权利要求1所述的方法，其特征在于，所述步骤C1包括：

依次将采集到的所有状态点作为当前状态点，确定各状态点所处的状态，将使状态点的状态发生改变的第一个时间窗宽度确定为所述W2的取值。

4.根据权利要求1所述的方法，其特征在于，所述步骤C在步骤C2之后进一步包括：

C3、根据所述确定的当前状态点所处的状态，按照如下方式识别出机器的异常状态偏离：

若当前状态点处于稳定状态或微小波动状态、且当前状态点所属的类与参照状态点不同，则判定机器持续受到主流因素的影响；

若当前状态点处于微小波动状态、且W2大于预先设置的门限值，则判定机器持续受到细微因素的影响；

若当前状态点处于非稳定状态，则判定机器间歇性遭遇主流因素的影响；

若当前状态点处于突发变异状态，则判定机器将发生异常偏离。

5.根据权利要求1-4任一项所述的方法，其特征在于：

在所述步骤A、B之后、所述步骤C之前进一步包括：a、根据所述聚类的结果，确定当前状态点的转移模式；

在所述步骤C之后，进一步包括：c、根据当前状态点的状态、以及当前状态点的转移模式，对机器状态的发展趋势进行预测。

6.根据权利要求5所述的方法，其特征在于：

所述当前状态点的转移模式包括：聚合模式和偏离模式；

所述步骤a为：设置时间窗，根据所述时间窗内各状态点的密度、以及所述时间窗内各状态点所属的类确定当前状态点的转移模式。

7.根据权利要求6所述的方法，其特征在于：

所述聚合模式的稳定性高于所述偏离模式；

所述聚合模式表示：机器状态趋于稳定于机器当前所处的状态；

所述偏离模式表示：机器状态趋于偏离机器当前所处的状态。

8.根据权利要求7所述的方法，其特征在于，所述设置时间窗，根据所述时间窗内各状态点的密度、以及所述时间窗内各状态点所属的类确定当前状态点的转移模式包括：

a1、对于每一个状态点，比较该状态点与该状态点之前的一个状态点的密度的大小，若该状态点的密度大于该状态点之前的一个状态点的密度，则将该状态点确定为聚合点，否则，将该状态点确定为偏离点；

a2、设置时间窗宽度W1，将当前状态点以及处于当前状态点之前的(W1-1)个状态点作为所述宽度为W1的时间窗中的状态点；

a3、计算所述宽度为W1的时间窗中聚合点总数与偏离点总数之差，将所述差记为Ψ_a(W1)；

a4、计算所述宽度为W1的时间窗中从一个类转移到另一个类的状态点的总数与未发生类转移的状态点的总数之差，将所述差记为Ψ_b(W1)；

a5、按照如下方式确定当前状态点的转移模式：

若Ψ_b(W1+1)-Ψ_b(W1)＞0、Ψ_b(W1)-Ψ_b(W1-1)＞0、且Ψ_a(W1)≥0，则当前状态点的转移模式为聚合模式；

若Ψ_b(W1+1)-Ψ_b(W1)＞0、Ψ_b(W1)-Ψ_b(W1-1)＞0、且Ψ_a(W1)＜0，则当前状态点的转移模式为偏离模式；

若Ψ_b(W1+1)-Ψ_b(W1)＜0、Ψ_b(W1)-Ψ_b(W1-1)＜0、且Ψ_a(W1)≥0，则当前状态点的转移模式为聚合模式；

若Ψ_b(W1+1)-Ψ_b(W1)＜0、Ψ_b(W1)-Ψ_b(W1-1)＜0、且Ψ_a(W1)＜0，则当前状态点的转移模式为偏离模式；

若Ψ_b(W1+1)-Ψ_b(W1)＞0且Ψ_b(W1)-Ψ_b(W1-1)＜0，则当前状态点的转移模式为聚合模式；

若Ψ_b(W1+1)-Ψ_b(W1)＜0且Ψ_b(W1)-Ψ_b(W1-1)＞0，则当前状态点的转移模式为偏离模式。

9.根据权利要求8所述的方法，其特征在于，步骤a2中所述设置时间窗宽度W1的方式包括：

根据条件[Ψ_b(W1+1)-Ψb(W1)]·[Ψ_b(W1)-Ψ_b(W1-1)]＜0设置时间窗宽度W1。

10.根据权利要求6所述的方法，其特征在于：

所述机器状态的发展趋势包括：保持稳定状态、保持非稳定状态、向非稳定状态偏离和向稳定状态聚合；

所述步骤c包括：根据当前状态点的状态、以及当前状态点的转移模式，按照如下方式对机器状态的发展趋势进行预测：

若当前状态点处于稳定状态或细微波动状态、且当前状态点的转移模式为聚合模式，则预测机器将保持稳定状态；

若当前状态点处于稳定状态或细微波动状态、且当前状态点的转移模式为偏离模式，则预测机器将向非稳定状态偏离；

若当前状态点处于非稳定状态、且当前状态点的转移模式为聚合模式，则预测机器将向稳定状态聚合；

若当前状态点处于非稳定状态、且当前状态点的转移模式为偏离模式，则预测机器将保持非稳定状态；

若当前状态点处于突发变异状态，则机器的发展趋势不确定。

11.根据权利要求5所述的方法，其特征在于，步骤A中计算所采集到的状态点的密度的方式包括：

对于每一个状态点，将该状态点与最接近该状态点的一个状态点之间的距离作为该状态点的密度。

12.根据权利要求11所述的方法，其特征在于，该方法进一步包括：预先根据各特征量的重要性，为状态点的各特征量设置权重因子；

步骤A中在计算该状态点与最接近该状态点的一个状态点之间的距离时，进一步将对应的距离乘以各特征量对应的权重因子。

Images