CN105675320B - 一种基于声学信号分析的机械系统运行状态实时监控方法 - Google Patents
一种基于声学信号分析的机械系统运行状态实时监控方法 Download PDFInfo
- Publication number
- CN105675320B CN105675320B CN201610005012.2A CN201610005012A CN105675320B CN 105675320 B CN105675320 B CN 105675320B CN 201610005012 A CN201610005012 A CN 201610005012A CN 105675320 B CN105675320 B CN 105675320B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- acoustic signal
- mechanical system
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声学信号分析的机械系统运行状态实时监控方法,对步骤一:采集机械系统运行时产生的声学信号,该声学信号为时序周期性信号,确定声学时序周期性信号中存在的最小周期;步骤二:对步骤一中的声学信号进行预处理,对预处理后的信号利用估计的回归模型及步骤一中的最小周期进行异常度分析;步骤三:根据步骤二异常度分析得到的异常度,采用RPM统计检验,构建martingale,检测出变化点并发出警报。本发明通过分析处理机械系统运行过程中产生的声学信号,实现机械系统运行状态的实时监控,具有良好的稳定性和鲁棒性。
Description
技术领域
本发明涉及一种机械系统运行状态实时监控方法,尤其涉及一种基于声学信号分析的机械系统运行状态实时监控方法。
背景技术
机械系统运行状态的实时监控关系到整个生产系统的正常运行、生产效率的提高、产品生产精度和质量的保证以及维修管理的科学与现代化等一系列重要问题,长期受到国内外的广泛关注。现代化工业生产的不断发展、性能指标的提高和工作强度的增加对机械系统的安全稳定运行提出了更高的要求。当前,智能化的实时监控技术已成为保证机械系统稳定可靠运行的必要手段,且得到了广泛的关注和应用。当前,机械系统的监控技术主要有基于振动分析的监控技术、基于温度分析的监控技术、基于状态空间的监控技术及基于声学信号的监控技术等。其中,基于声学信号分析的监控技术常用于从采集得到的具有时序关系的机械系统声学信号中提取有用信息以达到状态监控的目的,它无需过多的先验知识,不仅能够分析处理数据且能够预测未来状态和行为趋势,应用中不受控制论中参数建模的限制。但当前对于声学信号分析应用多需要在参考模型的前提下进行,且部分应用技术需要在执行中对参数的更新进行人为的干预和调整。
发明内容
为解决现有技术存在的不足,本发明公开了一种基于声学信号分析的机械系统运行状态实时监控方法,可直接应用于机械系统运行状态的实时监控,解决当前机械系统运行状态实时监控中存在的技术问题。
为实现上述目的,本发明的具体方案如下:
一种基于声学信号分析的机械系统运行状态实时监控方法,包括以下步骤:
步骤一:采集机械系统运行时产生的声学信号,该声学信号为时序周期性信号,确定声学时序周期性信号中存在的最小周期;
步骤二:对步骤一中的声学信号进行预处理,对预处理后的信号利用估计的回归模型及步骤一中的最小周期进行异常度分析;
步骤三:根据步骤二异常度分析得到的异常度,采用随机加权鞅统计检验,构建鞅检测出变化点并发出警报。
进一步的,所述步骤一中,确定声学时序周期性信号中存在的最小周期时,通过动态时序归整对声学时序信号进行迭代计算,确定声学时序信号中存在的最小周期。
更进一步的,确定最小周期时的详细步骤为:
(1-1)确定待检测声学信号数据段Y={y1,y2,…yn}的检测范围长l1、l2;
(1-2)在每个待检测声学信号数据段Yi,即Yi={y1,y2,y3…yi},yi∈[l1l2],将它与给定的整段时序数据Y迭代比较,比较结果Ci的定义是:
式中,是在Y中与Yi具有相同数据量的数据,在中的j1是中的第一个数据参数,用以计算Yi和的最小距离值;
(1-3)重复步骤(1-2),直到计算完所有待检测数据{Yi}得到比较结果{Ci},最后可以通过寻求最低比较结果Ci确定周期长度T。
进一步的,所述步骤(1-1)中,检测范围长l1和l2根据经验或实践中的先验知识估计得到。
进一步的,所述步骤(1-2)中的其中,Yi={yi},i=1,2,…,li和yi、yj对应Yi和的第i、j个数据值,有距离D的计算公式为:
进一步的,所述步骤二中估计的回归模型为:
xnT+v=μv+β(nT+v)+εnT+v,(1≤nT+v≤m) (3)
式中,xnT+v是在时序周期数据{xt},t=1,2,3…m中第n个周期的第v相数据,误差ε的均值为零,在实际采集的时序周期性数据中,均值μ通常有μnT+v=μv,变化趋势β的值为一稳定常数。
所述步骤二中异常度分析用于检测数据的异常度,其具体方法为:
(2-1)建立的回归模型中(μv 1,β1)在时间点c变为(μv 2,β2),该模型被描述为分段回归模型,公式如下:
分段回归模型允许均值和趋势的变化,它们出现的情况如下:
情况1:μv 1=μv 2和β1=β2
情况2:和/或β1≠β2 (5)
(2-2)计算预测值在该时间点的检测误差为qnT+v,计算公式如下:
式中,当nT+v<c时,qnT+v是一个非常小的值,近似等于0,即qnT+v→0+σ,其中σ为一极小值;当nT+v=c时,即满足公式(5)的情况2,qnT+v=|Δμv+Δβ(nT+v)|r+εnT+v,其中和很大,代表出现了数据异常;
(2-3)用来近似表示计算公式为:
式中,由已观测到的n-1个周期的数据计算得出,βΔt是一个值恒定的常数,在计算中可等效消去公式(7)中βΔt的影响,得到
(2-4)在一窗函数τ内计算qnT+v,计算公式为:
(2-5)将{qnT+v}标准化成{znT+v},转换公式为:
式中,为{qnT+v}的平均值,而σ为{qnT+v}的标准差;
(2-6)在步骤(2-5)中标准化后的{zt},t=1,2…m的基础上,通过已观测的数据{z1,z2…zt-1}来得到zt的异常度st,计算公式为:st=s({z1,z2,…,zt-1},zt)=|zt-Ht|r (10)
式中,
进一步的,所述步骤三中构建鞅(martingale)检测变化点,其具体方法为:
(3-1)在s1,s2,…,st的基础上,定义随机加权鞅(Random Power Martingale,RPM)如下:
其中,ξ∈(0,1),通过p-value函数计算得到:
式中#{·}是一个计数函数,j=1,2…,i,θi是均匀分布在[0,1]之间的随机数;
(3-2)根据Doob极大不等式(Doob’s Maximal Inequality),比较在时间点c时,M(c)与设定阈值λ的大小,若M(c)≥λ则为情况2:时间c上出现变化点;否则位为情况1:无变化点,检测继续进行。
进一步的,所述步骤(3-2)中阈值λ为一正值,可通过预实验交叉验证(cross-validation)得到,也可依经验值设置。
进一步的,应用中λ=10为阈值λ的最优值。
本发明的有益效果:
本发明通过分析处理机械系统运行过程中产生的声学信号,实现机械系统运行状态的实时监控,具有良好的稳定性和鲁棒性。该方法不需要对声学信号的数据结构模型有预先的了解,无需参考模型即可进行检测。同时,该方法能够自动化更新自身参数,实施过程中无需进行人工干预,且能够实时在线检测,避免了人为操作带来的误差。
附图说明
图1本发明的算法工作流程图;
图2(a)-图2(c)本发明实际应用于机械系统实施运行监控中的变化点检测。
具体实施方式:
下面结合附图对本发明进行详细说明:
图1是本发明的算法工作流程图。由图1可知,一种基于声学信号分析的机械系统运行状态实时监控方法,步骤如下:
1.由于机械系统回转部件本身固有特性,采集到的声学信号为时序周期性信号,通过动态时序归整(Dynamic Time Warping,DTW)对声学时序信号进行迭代计算,确定声学时序信号中存在的最小周期,计算声学信号的周期;
(1)确定待检测声学信号数据段Y={y1,y2,…yn}的检测范围长l1、l2,l1和l2可以根据经验或实践中的先验知识估计得到;
(2)在每个待检测声学信号数据段Yi,即Yi={y1,y2,y3…yli},li∈[l1l2],将它与给定的整段时序数据Y迭代比较,比较结果Ci的定义是:
式中,是在Y中与Yi具有相同数据量的数据,在中的j1是中的第一个数据参数,用以计算Yi和的最小距离值,其中,Yi={yi},i=1,2,…,li和j=j1,j2,…,j1+li-1,yi、yj对应Yi和的第i、j个数据值,有距离D的计算公式为:
计算完所有待检测数据{Yi}得到比较结果{Ci},最后可以通过寻求最低比较结果Ci确定周期长度T:T←l*,where l*=arc miniCi,即取Ci的最小值对应的L为周期长度T。
2.估计经典回归模型
估计的回归模型为:xnT+v=μv+β(nT+v)+εnT+v,(1<nT+v≤m) (3)
式中,xnT+v是在时序周期数据{xt},t=1,2,3…m,中第n个周期的第v相数据,误差ε的均值为零,在实际采集的时序周期性数据中,均值μ通常有μnT+v=μv,变化趋势β的值为一稳定常数。
3.异常度分析
(1)在建立的回归模型中,(μv 1,β1)在时间点c变为(μv 2,β2),该模型被描述为分段回归模型(two-phase regression model,TPR),公式如下:
TPR允许均值(μv 1≠μv 2)和趋势(β1≠β2)的变化,它们出现的情况如下:
(2)计算预测值在该时间点的检测误差为qnT+v,计算公式如下:
式中,当nT+v<c时,qnT+v是一个非常小的值(近似等于0),即qnT+v→0+σ,其中σ为一极小值;当nT+v=c时,即满足公式(5)的HA,qnT+v=|Δμv+Δβ(nT+v)|r+εnT+v,其中和Δβ=(β1-β2)很大,代表出现了数据异常;
(3)用来近似表示计算公式为:
式中,由已观测到的n-1个周期的数据计算得出,βΔt是一个值恒定的常数,在计算中可等效消去公式(7)中βΔt的影响,得到
(4)在一窗函数τ内计算qnT+v,计算公式为:
(5)将{qnT+v}标准化成{znT+v},转换公式为:
式中,为{qnT+v}的平均值,而σ为{qnT+v}的标准差;
(6)在步骤(5)中标准化后的{zt},t=1,2…m的基础上,通过已观测的数据{z1,z2…zt-1}来得到zt的异常度st,计算公式为:st=s({z1,z2,…,zt-1},zt)=|zt-Ht|r (10)
式中,
4.检测变化点
(1)在s1,s2,…,st的基础上,定义随机加权鞅(Random Power Martingale,RPM)如下:
其中,ξ∈(0,1),通过p-value函数计算得到:
式中#{·}是一个计数函数,j=1,2…,i,θi是均匀分布在[0,1]之间的随机数;
(2)根据Doob极大不等式(Doob’s Maximal Inequality),比较在时间点c时,M(c)与设定阈值λ的大小,若M(c)≥λ则,HA:时间c上出现变化点;否则,H0:无变化点,检测继续进行。其中阈值λ为一正值,可通过预实验交叉验证(cross-validation)得到,也可依经验值设置,应用中λ=10为阈值λ的最优值。
结合该方法在机械系统运行中对发动机变速箱转速变化的实时监控实例,实验结果如图2,对该方法的应用作进一步介绍:
实际输入声学信号为发动机转动时产生的声学信号。首先,发动机以1500r/min的转速运行,然后将其转速提高到2000r/min运行,以4000Hz的采样频率连续采样30s。测试中对输入信号降采样(比例为1:50)以提高计算效率,如图2(a)所示。图2(a)中,变化点所示是变速箱转速发生变化时的时刻。
从图2(b)可知,该声学信号的异常度在发动机转速未发生改变前是保持稳定的,但当发动机转速由1500r/min变化到2000r/min,异常度立即发生改变。
如图2(c)所示,在发动机以1500r/min的转速稳定运行时,检测到的martingale值保持平稳且小于设定的阈值λ,当变速箱转速突然增加到2000r/min时,即信号发生突变的时候,martingale值急剧增大,并大于设置的阈值λ,能够检测出变化点的位置并发出警报。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,包括以下步骤:
步骤一:采集机械系统运行时产生的声学信号,该声学信号为时序周期性信号,确定声学时序周期性信号中存在的最小周期;
步骤二:对步骤一中的声学信号进行预处理,对预处理后的信号利用估计的回归模型及步骤一中的最小周期进行异常度分析;
步骤三:根据步骤二异常度分析得到的异常度,采用随机加权鞅统计检验,构建鞅检测出变化点并发出警报;
所述步骤二中估计的回归模型为:
xnT+v=μv+β(nT+v)+εnT+v,(1≤nT+v≤m) (1)
式中,xnT+v是在时序周期数据{xt},t=1,2,3…m中第n个周期的第v相数据,误差ε的均值为零,在实际采集的时序周期性数据中,均值μ通常有μnT+v=μv,变化趋势β的值为一稳定常数;
所述步骤二中异常度分析用于检测数据的异常度,其具体方法为:
(2-1)建立的回归模型中(μv 1,β1)在时间点c变为(μv 2,β2),该模型被描述为分段回归模型,公式如下:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>v</mi>
<mn>1</mn>
</msubsup>
<mo>+</mo>
<msup>
<mi>&beta;</mi>
<mn>1</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
<mo><</mo>
<mi>c</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>v</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msup>
<mi>&beta;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>c</mi>
<mo>&le;</mo>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
分段回归模型允许均值和趋势的变化,出现的情况如下:
情况1:μv 1=μv 2和β1=β2
情况2:和/或β1≠β2 (3);
(2-2)计算预测值在该时间点的检测误差为qnT+v,计算公式如下:
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>n</mi>
<mi>T</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mi>r</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,当nT+v<c时,qnT+v是一个非常小的值,近似等于0,即qnT+v→0+σ,其中σ为一极小值;当nT+v=c时,即满足公式(3)的情况2,qnT+v=|Δμv+Δβ(nT+v)|r+εnT+v,其中和Δβ=(β1-β2)很大,代表出现了数据异常;
(2-3)用来近似表示计算公式为:
式中,由已观测到的n-1个周期的数据计算得出,βΔt是一个值恒定的常数,在计算中可等效消去公式(5)中βΔt的影响,得到
(2-4)在一窗函数τ内计算qnT+v,计算公式为:
(2-5)将{qnT+v}标准化成{znT+v},转换公式为:
式中,为{qnT+v}的平均值,而σ为{qnT+v}的标准差;
(2-6)在步骤(2-5)标准化得到的{zt},t=1,2…m的基础上,通过已观测的数据{z1,z2…zt-1}来得到zt的异常度st,计算公式为:st=s({z1,z2,…,zt-1},zt)=|zt-Ht|r (8)
式中,
2.如权利要求1所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,所述步骤一中,确定声学时序周期性信号中存在的最小周期时,通过动态时序归整对声学时序信号进行迭代计算,确定声学时序信号中存在的最小周期。
3.如权利要求2所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,确定最小周期时的详细步骤为:
(1-1)确定待检测声学信号数据段Y={y1,y2,…yn}的检测范围长l1、l2;
(1-2)在每个待检测声学信号数据段Yi,即Yi={y1,y2,y3…yi},yi∈[l1l2],将它与给定的整段时序数据Y迭代比较,比较结果Ci的定义是:
式中,是在Y中与Yi具有相同数据量的数据,在中的j1是中的第一个数据参数,用以计算Yi和的最小距离值;
(1-3)重复步骤(1-2),直到计算完所有待检测数据{Yi}得到比较结果{Ci},最后通过寻求最低比较结果Ci确定周期长度T。
4.如权利要求3所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,所述步骤(1-1)中,检测范围长l1和l2根据经验或实践中的先验知识估计得到。
5.如权利要求3所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,所述步骤(1-2)中的其中,Yi={yi},i=1,2,…,li和yi、yj对应Yi和的第i、j个数据值,有距离D的计算公式为:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>min</mi>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.如权利要求1所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,所述步骤三中构建鞅检测变化点,其具体方法为:
(3-1)在s1,s2,…,st的基础上,定义随机加权鞅,如下:
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<msubsup>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mrow>
<mi>&xi;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ξ∈(0,1),通过p-value函数计算得到:
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>#</mo>
<mo>{</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>#</mo>
<mo>{</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
</mrow>
<mi>i</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
式中#{·}是一个计数函数,j=1,2…,i,θi是均匀分布在[0,1]之间的随机数;
(3-2)根据Doob极大不等式,比较在时间点c时,M(c)与设定阈值λ的大小,若M(c)≥λ则为情况2:时间c上出现变化点;否则为情况1:无变化点,检测继续进行。
7.如权利要求6所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,所述步骤(3-2)中阈值λ为一正值,通过预实验交叉验证得到,或依经验值设置。
8.如权利要求7所述的一种基于声学信号分析的机械系统运行状态实时监控方法,其特征是,应用中λ=10为阈值λ的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005012.2A CN105675320B (zh) | 2016-01-06 | 2016-01-06 | 一种基于声学信号分析的机械系统运行状态实时监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005012.2A CN105675320B (zh) | 2016-01-06 | 2016-01-06 | 一种基于声学信号分析的机械系统运行状态实时监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105675320A CN105675320A (zh) | 2016-06-15 |
CN105675320B true CN105675320B (zh) | 2018-02-16 |
Family
ID=56298955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610005012.2A Active CN105675320B (zh) | 2016-01-06 | 2016-01-06 | 一种基于声学信号分析的机械系统运行状态实时监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675320B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107212882B (zh) * | 2017-05-17 | 2019-05-21 | 山东大学 | 一种脑电信号状态变化的实时检测方法及系统 |
DE102018112003A1 (de) * | 2018-05-18 | 2019-11-21 | Maschinenfabrik Reinhausen Gmbh | Zustandsanalyse eines induktiven betriebsmittels |
CN108710757B (zh) * | 2018-05-18 | 2022-10-21 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN108955855B (zh) * | 2018-06-08 | 2020-05-08 | 山东大学 | 面向旋转机械的振动信号特征提取方法、监测方法及装置 |
CN114104332B (zh) * | 2021-11-19 | 2023-09-22 | 中国直升机设计研究所 | 直升机动部件的状态指标动态阈值的获取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1318718A (zh) * | 2000-04-18 | 2001-10-24 | Lg电子株式会社 | 使用声发射方法检测空调异常的设备和方法 |
CN1478195A (zh) * | 2000-12-01 | 2004-02-25 | 大发工业株式会社 | 异常声音评估系统、声音记录设备以及异常声音评估设备 |
JP4265982B2 (ja) * | 2004-02-25 | 2009-05-20 | 三菱電機株式会社 | 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム |
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7418336B2 (en) * | 2006-04-24 | 2008-08-26 | Gm Global Technology Operations, Inc. | Method for internal combustion engine control using pressure ratios |
-
2016
- 2016-01-06 CN CN201610005012.2A patent/CN105675320B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1318718A (zh) * | 2000-04-18 | 2001-10-24 | Lg电子株式会社 | 使用声发射方法检测空调异常的设备和方法 |
CN1478195A (zh) * | 2000-12-01 | 2004-02-25 | 大发工业株式会社 | 异常声音评估系统、声音记录设备以及异常声音评估设备 |
JP4265982B2 (ja) * | 2004-02-25 | 2009-05-20 | 三菱電機株式会社 | 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム |
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105675320A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105675320B (zh) | 一种基于声学信号分析的机械系统运行状态实时监控方法 | |
WO2022011754A1 (zh) | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
Wang et al. | An adaptive confidence limit for periodic non-steady conditions fault detection | |
CN116994416B (zh) | 基于人工智能的风机运行故障预警方法及系统 | |
CN116086537B (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN112284440A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN118211082A (zh) | 基于数据分析的油液滤芯剩余寿命预测方法及系统 | |
CN111538309A (zh) | 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN114372324A (zh) | 旋转机械装备关键零部件服役退化轨迹预测方法及设备 | |
CN112100577A (zh) | 基于长程相关性的设备运行稳定性在线监测方法及系统 | |
CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
CN117233651A (zh) | 一种桌面式电源故障检测方法及系统 | |
CN110298767B (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
CN112257012A (zh) | 一种异常信号影响下时变系统的状态估计方法 | |
Kundu et al. | A novel current sensor indicator enabled WAFTR model for tool wear prediction under variable operating conditions | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN114861726A (zh) | 一种风力发电机高速齿轮磨损故障趋势预测方法及系统 | |
CN114118844A (zh) | 一种汽车零部件质量分析系统 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN110597203A (zh) | 一种基于多gpu并行crpf的故障诊断方法 | |
CN118348812B (zh) | 一种基于物联网的智能控制阀调控方法及其系统 | |
CN114692783B (zh) | 基于分层图偏差网络的智能服务异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |