CN106017955A - 机械设备状态类别识别方法和系统 - Google Patents

Abstract

本发明的机械设备状态类别识别方法和系统，将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行Ｎ‑1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别；从而在例如进行故障诊断时，通过该技术方案可快速确定是何种故障，软件算法实现，成本低廉。

Description

机械设备状态类别识别方法和系统

技术领域

本发明涉及机械设备故障分析技术领域，特别是涉及机械设备状态类别识别方法和系统。

背景技术

随着机械自动化的发展，机械设备在企业固定资产中的比例也越来越大，并且高自动化、智能化是生产设备的发展趋势，而随之而来的设备故障问题也愈发严峻。由于机械设备的复杂性，设备故障中的某些突发性大故障事件的发生前兆有时是非常隐蔽的，因此突发事故预警困难，给生产带来极大危害。

对于航空、军工领域很多精密仪器已经使用一些故障诊断的方法，但高昂的专用诊断设备费用使其难以推广至制造业设备的故障诊断上，以至于事后维修和定期保养依然是工厂主要采用的手段，并没有快速诊断且成本低、准确率高的相关诊断技术。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供机械设备状态类别识别方法和系统，用于解决现有技术中故障诊断成本高而导致未有即时诊断技术方案的问题。

为实现上述目的及其他相关目的，本发明提供一种机械设备状态类别识别方法，包括：将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一组，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

于本发明的一实施例中，所述N层分量，包括：1层近似分量、及N-1层细节分量。

于本发明的一实施例中，所述能量分布的归一化的计算方式为：分别计算每一层的各个信号分量的平方和以得到N维的样本特征值。

于本发明的一实施例中，所述通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别，包括：1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，…，K；2)根据多维高斯分布概率密度函数：计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：Cluster(1)，Cluster(2)，…，Cluster(K)；3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

于本发明的一实施例中，所述至少一个传感器为声音传感器、振动传感器及压力传感器中的一种或多种组合。

为实现上述目的及其他相关目的，本发明提供一种机械设备状态类别识别系统，包括：分析模块，用于将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；建模模块，用于根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

于本发明的一实施例中，所述N层分量，包括：1层近似分量、及N-1层细节分量。

于本发明的一实施例中，所述能量分布的归一化的计算方式为：分别计算每一层的各个信号分量的平方和以得到N维的样本特征值。

于本发明的一实施例中，所述通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别，包括：1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，…，K；2)根据多维高斯分布概率密度函数：计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：Cluster(1)，Cluster(2)，…，Cluster(K)；3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

于本发明的一实施例中，所述至少一个传感器为声音传感器、振动传感器及压力传感器中的一种或多种组合。

如上所述，本发明的机械设备状态类别识别方法和系统，将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别；从而在例如进行故障诊断时，通过该技术方案可快速确定是何种故障，且由于通过软件算法实现，成本低廉。

附图说明

图1显示为本发明于一实施例中的机械设备状态类别识别方法的流程示意图。

图2显示为本发明于一实施例中的高斯模型参数确定方法的流程示意图。

图3显示为本发明于一实施例中的机械设备状态类别识别系统的模块示意图。

元件标号说明

300 机械设备状态类别识别系

统

301 分析模块

302 建模模块

S101～S102 步骤

S201～S205

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供一种机械设备状态类别识别方法，包括：

步骤S101：将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值。

于本发明的一实施例中，所述传感器例如为声音传感器、振动传感器及压力传感器中的一种或多种组合，其可周期性地或持续地进行采集机械设备中零部件的采样信号，并将获取的采样信号数据通过有线或无线方式传送给数据处理设备(例如电脑、笔记本电脑、手机或平板电脑等)进行本方法的执行，具体包括：

1)首先，在所述小波分析前，对采样信号数据进行小波变换：

公式为：

x(f)为原始采样数据，为小波函数，其中τ为平移因子，α为伸缩因子。

2)其次，关于所述小波分析，具体包括：

以N＝3的3层小波分析为例，小波分析是利用小波变换与滤波器将每个采样信号分解为近似分量cA3和细节分量cD3、cD2、cD1并对分解结果进行分析的过程，其中近似分量cA3为低频部分，细节分量cD3、cD2、cD1为对应的高频部分。因此原始采样信号x(t)可以表示为：x(t)＝cA3+cD3+cD2+cD1；当然，并非以3层为限。

3)关于所述能量分布的归一化计算，采用的是平方和方式：

具体的，分别计算小波分解所得cA3、cD3、cD2、cD1的能量分布，分别为：

$Ea=\underset{a}{\Σ}cA3{\left(a\right)}^2$

$Ed1=\underset{b}{\Σ}cD1{\left(b\right)}^2$

$Ed2=\underset{c}{\Σ}cD2{\left(c\right)}^2$

$Ed3=\underset{d}{\Σ}cD3{\left(d\right)}^2$

其中，a、b、c、d为一部分采样数据中分别对应cA3、cD3、cD2、cD1各层中各个信号分量的个数；其中，z和a，b，c，d有关系的；在本实施例中，小波分解之后没有对近似分量和细节分量下采样，那么z＝a＝b＝c＝d；在其他实施例中，如果小波分解完之后又对近似分量和细节分量采样，则z＝2d＝2c＝4b＝8a。

步骤S102：根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

于本发明的一实施例中，具体的，以每一组Ea、Ed1、Ed2及Ed3为一个N维的样本特征值，则共有M个样本特征值，进而对其进行高斯模型的聚类，设聚成K个类别，每个类别对应一单高斯模型，每个类别表示的是设备状态类别，例如表示设备的一或多种故障状态，或者一或多种工作状态，或者一或多种故障状态和工作状态。

具体的，该步骤确定设备状态类别的方法包括：

1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，…，K；

2)根据多维高斯分布概率密度函数：计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：表示为Cluster(1)，Cluster(2)，…，Cluster(K)；

3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；

4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；

即利用迭代计算μ_k，C_k的值直至其变动范围缩小到预定范围内，此时将其作为确定值；每个单高斯模型的μ_k，C_k确定后，即完成高斯模型(GMM)训练，将相关数据存储起来即形成GMM模型库。

可参考图2，更能清晰展示此循环迭代的过程，其包括：

S201：随机生成初始模型参数μ₀，C₀；

S202：根据当前模型参数对样本数据进行分类；

S203：根据分类结果计算μ₁，C₁；

S204：按规则计算μ₁，C₁和μ₀，C₀差值，判断是否小于预设阈值；若是，结束流程得到确认值；若否，则进至S205：

S205：根据新的分类结果重新计算μ₁，C₁；跳转步骤S202循环；

5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据x代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

例如故障状态分3类，则对应有3个高斯模型，若根据机械设备当前状态下的采样信号数据计算得到的32％的概率属于高斯模型1，50％的概率属于高斯模型2，18％的概率属于高斯模型3，则可判定机械设备当前状态属于概率最高的高斯模型2所对应的第二类的故障状态。

如图3所示，显示本发明提供一种机械设备状态类别识别系统300，由于其原理与上述方法实施例大致相同，因此实施例间可通用的技术细节不作重复赘述，所述系统300包括：分析模块301，用于将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；建模模块302，用于根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

于本发明的一实施例中，所述N层分量，包括：1层近似分量、及N-1层细节分量。

于本发明的一实施例中，所述能量分布的归一化的计算方式为：分别计算每一层的各个信号分量的平方和以得到N维的样本特征值。

于本发明的一实施例中，所述通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别，包括：1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，…，K；2)根据多维高斯分布概率密度函数：计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：Cluster(1)，Cluster(2)，…，Cluster(K)；3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

于本发明的一实施例中，所述至少一个传感器为声音传感器、振动传感器及压力传感器中的一种或多种组合。

如上所述，本发明的机械设备状态类别识别方法和系统，将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别；从而在例如进行故障诊断时，通过该技术方案可快速确定是何种故障，且由于通过软件算法实现，成本低廉。

本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种机械设备状态类别识别方法，其特征在于，包括：

将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；

根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

2.根据权利要求1所述的机械设备状态类别识别方法，其特征在于，所述N层分量，包括：1层近似分量、及N-1层细节分量。

3.根据权利要求1所述的机械设备状态类别识别方法，其特征在于，所述能量分布的归一化的计算方式为：分别计算每一层的各个信号分量的平方和以得到N维的样本特征值。

4.根据权利要求1所述的机械设备状态类别识别方法，其特征在于，所述通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别，包括：

1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，...，K；

2)根据多维高斯分布概率密度函数：

计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：Cluster(1)，Cluster(2)，...，Cluster(K)；

3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；

4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；

5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

5.根据权利要求1所述的机械设备状态类别识别方法，其特征在于，所述至少一个传感器为声音传感器、振动传感器及压力传感器中的一种或多种组合。

6.一种机械设备状态类别识别系统，其特征在于，包括：

分析模块，用于将所接收的由至少一个传感器所采集的机械设备的采样信号数据在时间上每z个采样信号划分为一部分，共划分为M个部分，并对每一部分中的每个采样信号进行N-1层小波分解为多个信号分量，且对同一部分中每一层的各个信号分量进行能量分布的归一化计算，以得到M个N维的样本特征值；

建模模块，用于根据所述M个N维的样本特征值建立与该机械设备的K个设备状态类别分别对应的的单高斯模型，以供通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别。

7.根据权利要求6所述的机械设备状态类别识别系统，其特征在于，所述N层分量，包括：1层近似分量、及N-1层细节分量。

8.根据权利要求6所述的机械设备状态类别识别系统，其特征在于，所述能量分布的归一化的计算方式为：分别计算每一层的各个信号分量的平方和以得到N维的样本特征值。

9.根据权利要求6所述的机械设备状态类别识别系统，其特征在于，所述通过基于高斯模型的最大期望算法来计算对应该机械设备当前状态下的样本特征值所属于的单高斯模型，从而确定对应的设备状态类别，包括：

1)随机得到所述K个单高斯模型的期望值μ_k和协方差矩阵C_k，其中k＝1，2，...，K；

2)根据多维高斯分布概率密度函数：

计算每个样本特征值分别属于K个单高斯模型的概率，且每个样本特征值属于概率最大的单高斯模型，据以将各样本特征值聚类为分别对应各所述单高斯模型的K个设备状态类别：Cluster(1)，Cluster(2)，...，Cluster(K)；

3)根据步骤2)中的聚类结果，重新计算μ_k，C_k；

4)判断步骤2)和步骤3)间μ_k，C_k的差值是否小于预设阈值，若是，则判定为μ_k，C_k确定值而进入步骤5)；若否，则利用所述重新计算的μ_k，C_k再次执行步骤2)～4)；

5)将所述μ_k，C_k确定值、以及机械设备当前状态下的采样信号数据代入式据以判定所述机械设备当前状态与属于所计算概率值中最高的单高斯模型对应的设备状态类型相对应。

10.根据权利要求6所述的机械设备状态类别识别系统，其特征在于，所述至少一个传感器为声音传感器、振动传感器及压力传感器中的一种或多种组合。