CN108710757A - 基于时变参数预测模型的机械运行状态监测方法及装置 - Google Patents
基于时变参数预测模型的机械运行状态监测方法及装置 Download PDFInfo
- Publication number
- CN108710757A CN108710757A CN201810480122.3A CN201810480122A CN108710757A CN 108710757 A CN108710757 A CN 108710757A CN 201810480122 A CN201810480122 A CN 201810480122A CN 108710757 A CN108710757 A CN 108710757A
- Authority
- CN
- China
- Prior art keywords
- time
- clock signal
- prediction model
- data
- signal
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001186 cumulative effect Effects 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于时变参数预测模型的机械运行状态监测方法及装置。其中，该方法包括：估计机械系统处于正常运行状态时的时序信号的最佳周期；依据最佳周期，将实时采集的时序信号分割为独立的周期信号；将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。该方法提高了机械系统运行状态监测的实时性能。
Description
技术领域
本发明属于机械运行状态监测领域，尤其涉及一种基于时变参数预测模型的机械运行状态监测方法及装置。
背景技术
旋转机械是工业上应用最广泛的机械。许多大型旋转机械，如：离心泵、电动机、发动机、发电机、压缩机、汽轮机和轧钢机等，还是石化、电力、冶金、煤炭和核能等行业中的关键设备。本世纪以来，随着机械工业的迅速发展，现代机械工程中的机械设备朝着轻型化、大型化、重载化和高度自动化等方向发展，出现了大量的强度、结构、振动、噪声、可靠性以及材料与工艺方面的问题，设备损坏事件时有发生，国内外大型汽轮机严重事故是其典型实例。
机械系统运行状态监测能够为重大机械装备系统的正常的运行提供保障，为实现智能制造提供关键技术。机械系统状态监测能够实时的监测机械系统当前的运行状态，并根据监测的运行状态能够无监督地诊断机械系统出是否有变化的发生，这种状态变化是机械系统的某个零部件或子系统在发生失效之前所表现的。
目前，基于机械系统状态监测的维修技术能够为重大装备的维修与维护降低费用成本、减少劳动力以及因装备故障带来的生产损失，得到了广泛关注与应用。然而，在实际的应用中，机械系统状态监测技术在采集了整个运行状态数据后再分析检测，这将大大地降低机械系统运行状态监测的实时性能。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种基于时变参数预测模型的机械运行状态监测方法，其能够提高机械系统运行状态监测的实时性能。
本发明的一种基于时变参数预测模型的机械运行状态监测方法，包括：
步骤1：估计机械系统处于正常运行状态时的时序信号的最佳周期；
步骤2：依据最佳周期，将实时采集的时序信号分割为独立的周期信号；
步骤3：将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化；
步骤4：将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
进一步的，该方法还包括：采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
进一步的，在所述步骤1中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
在大部分的学科中，时间序列是数据的一种常见表示形式。对于时间序列处理来说，一个普遍的任务就是比较两个序列的相似性。在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。
语音信号具有很强的随机性，不同的发音习惯，发音时所处的环境不同，心情不同都会导致发音持续时间长短不一的现象。如单词最后的声音带上一些拖音，或者带上一点呼吸音，此时，由于拖音或呼吸音会被误认为一个音素，造成单词的端点检测不准，造成特征参数的变化，从而影响测度估计，降低识别率。
在孤立词语音识别中，最为简单有效的方法是采用动态时间归整(Dynamic TimeWarping)算法。该算法基于动态规划(DP)的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别。
进一步的，在所述步骤3中，根据不同周期相同相位点的数据建立一个时间序列集，假定该时间序列集中的数据值是满足微分方程在一系列时间节点上的数值，进而构建出微分方程预测模型。
进一步的，在所述步骤3中，采用滑动窗的形式，预测以后周期的数据。
本发明的第二目的是提供一种基于时变参数预测模型的机械运行状态监测装置。
本发明的一种基于时变参数预测模型的机械运行状态监测装置，包括信号采集部和信号处理部，所述信号处理部，包括：
最佳周期估计模块，其被配置为估计机械系统处于正常运行状态时的时序信号的最佳周期；
信号分割模块，其被配置为依据最佳周期，将实时采集的时序信号分割为独立的周期信号；
信号预测模块，其被配置为将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化；
周期异常度检测模块，其被配置为将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
进一步的，所述信号处理部还包括：变化点检测模块，其被配置为采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
进一步的，在所述最佳周期估计模块中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
进一步的，在所述信号预测模块中，根据不同周期相同相位点的数据建立一个时间序列集，假定该时间序列集中的数据值是满足微分方程在一系列时间节点上的数值，进而构建出微分方程预测模型。
进一步的，在所述信号预测模块中，采用滑动窗的形式，预测以后周期的数据。
与现有技术相比，本发明的有益效果是：
(1)本发明将实时采集的时序信号输入至微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；而且微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化，这样大大地提高了机械系统运行状态监测的实时性能。
(2)本发明还采用高斯分布的假设检验方法来检测周期异常度，能够快速地检测出变化点并发出报警，以及时提醒机械系统维护人员进行相应维护。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一种基于时变参数预测模型的旋转机械运行状态实时监测方法工作流程图；
图2是本发明预测模型实现数据预测的示意简图；
图3(a)是本发明实际应用于机械系统运行状态实时监测的原始信号；
图3(b)是本发明实际应用于机械系统运行状态实时监测的预测信号；
图3(c)是本发明实际应用于机械系统运行状态实时监测的信号残差；
图3(d)是本发明实际应用于机械系统运行状态实时监测的信号异常度分数。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种基于时变参数预测模型的旋转机械运行状态实时监测方法工作流程图。本发明的一种基于时变参数预测模型的机械运行状态监测方法，包括步骤1～步骤4。
具体地，如图1和图2所示：
步骤1：估计机械系统处于正常运行状态时的时序信号的最佳周期。
在所述步骤1中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
在大部分的学科中，时间序列是数据的一种常见表示形式。对于时间序列处理来说，一个普遍的任务就是比较两个序列的相似性。在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。
语音信号具有很强的随机性，不同的发音习惯，发音时所处的环境不同，心情不同都会导致发音持续时间长短不一的现象。如单词最后的声音带上一些拖音，或者带上一点呼吸音，此时，由于拖音或呼吸音会被误认为一个音素，造成单词的端点检测不准，造成特征参数的变化，从而影响测度估计，降低识别率。
在孤立词语音识别中，最为简单有效的方法是采用动态时间归整(Dynamic TimeWarping)算法。该算法基于动态规划(DP)的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别。
所述步骤1的具体过程为：
步骤1.1：确定正常状态时待检序信号数据段Y＝{y1，y2，...，yn}的候选长度l∈[la，lb]。
其中，la和lb根据经验或者实践中的先验知识估计得出。
步骤1.2：将每个待检的信号数据段lk∈[l1，l2，]，把它与给出的整个信号数据Y用滑动窗的形式迭代比较，比较的结果被定义为其中，是Y中与Yk具有相同的数量的数据，D(·)用以计算和Yk的最小距离值；
步骤1.3：重复步骤1.2，待处理完检测的信号数据{Yk}得到比较结果{CK}，最后可以通过寻求最小比较结果CK以确定最佳的周期T：T←ζ，其中，ζ＝arg mink Ck。
步骤2：依据最佳周期，将实时采集的时序信号分割为独立的周期信号。
具体地，据根据估计的最佳周期T，将采集的实时信号数据序列定义为{X(n-1)T+v}，其中，(n-1)表示第n-1个周期，T是估计的最佳周期，v是一个周期内的相位，且v∈{1,...,T}。根据不同周期相同相位点的数据建立一个新的时间序列集P＝{X(n-i)T+v，...，X(n-1)T+v}，这里i＝{1，...，n-1}且这里设置i＝4。
步骤3：将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化。
具体地，利用微分方程构建预测模型，假定新构建的时间序列P中的数据值是满足微分方程在一系列时间节点上的数值。时间序列P中数据是连续的不同周期但相同相位的数据值组成，故时间序列P是具有一定的线性变化趋势。
因此，微分方程的形式为f(x，u，t)＝a+b×t，a≠0，b≠0。
其中a，b为待估的参数。
为了简化推导过程，这里将时间序列P重新定义为新的时间序列j＝1，…，i。
时间序列是满足微分方程预测模型：
假设得到了待估计的参数a，b的数值，则微分方程预测模型的响应函数为：
其中：ti＝t0+i×h，h为两个时间节点的距离，这里设置h＝1,t0＝0，ti＋1是数值的时间节点。是响应函数的初始值，且为序列值的平均值，它是为了减少实际中监测的误差。数值表示预测的数据值即：
通过上式变可以得到未来下一个周期特定相位的数据值
其中，参数a，b估计具体过程如下：
采用微分方程的数值方法即线性二步法对未知参数进行估计。
为了估计参数的方便，将时间序列再次重新定义下标后为时间序列{xj}。
对微分方程用线性二步法的推算公式为：
这里fj＝f(xj，u，tj)，j＝1，...，i-2，Rj＋2为局部截断误差。根据公式(1)，上式(4)可以重新写为：
上式可以重新写为：
简化上式：
其中：
当∑Ej+2 2有最小值的时候，可以得到待估计的参数a，b的值：
(a，b)T＝(BT B)-1BTY (8)
其中，
不断地改变不同的相位v∈(1，...，T)，不断地循环重复以上步骤，便可以实现下一个周期的全部数据值。
类似地，采用滑动窗的形式，可以预测以后周期的数据，以此实现预测信号。
步骤4：将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
具体地，将预测得到的数据值与实际监测得到的值x(n)T+v进行残差分析，即预测得到的数值与实际状态得到的数值的差的绝对值定义为残差q(n)T+v,相应的公式为：
将一个周期内的所有残差相加，即便得到周期残差序列{qn}。
基于获得的周期残差序列{qn}，通过标准化将周期残差序列{qn}变为异常度分数序列{sn}，转化公式为：式中，为序列{qn}的平均值，σ为序列的标准差。
在具体实施中，该方法还包括：采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
具体地，根据异常度分数序列{sn}，采用假设检验为正态高斯分布的3σ控制图的方法来检验是否有变化发生在第n+1个周期。其中假设检验在3σ控制图范围内的精度能到达99.7％。检测的公式为：
其中：H0表示没有变化发生在第n+1个周期，H1表示有变化发生在第n+1个周期。式中为序列{sn}的样本均值，σ为序列{sn}的样本方差。
下面展示一个发动机变速箱转速变化的实时监测实例，实验结果如图3(a)-图3(d)。下面对实例进行简单的介绍：
原始信号为变速箱的振动信号，初始时，发动机的转速为300rpm/s，然后将其转速提高到400rpm/s，变速箱实时采集的反应转速变化的信号如图3(a)所示。
将原始信号按照上述的数据预测步骤进行预测，得到预测信号如图3(b)所示。结果显示，预测的信号能反映原始信号的局部变化趋势。图3(c)为预测信号与实际观测的信号的残差。图3(d)为异常度分数，图中标记处为该检测方法检测出的转速变化的变化点的位置并发出报警。
本发明将实时采集的时序信号输入至微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；而且微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化，这样大大地提高了机械系统运行状态监测的实时性能。
本发明还采用高斯分布的假设检验方法来检测周期异常度，能够快速地检测出变化点并发出报警，以及时提醒机械系统维护人员进行相应维护。
本发明还提供了一种基于时变参数预测模型的机械运行状态监测装置。
本发明的一种基于时变参数预测模型的机械运行状态监测装置，包括信号采集部和信号处理部，所述信号处理部，包括：
(1)最佳周期估计模块，其被配置为估计机械系统处于正常运行状态时的时序信号的最佳周期；
具体地，在所述最佳周期估计模块中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
(2)信号分割模块，其被配置为依据最佳周期，将实时采集的时序信号分割为独立的周期信号；
(3)信号预测模块，其被配置为将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化；
具体地，在所述信号预测模块中，根据不同周期相同相位点的数据建立一个时间序列集，假定该时间序列集中的数据值是满足微分方程在一系列时间节点上的数值，进而构建出微分方程预测模型。
具体地，在所述信号预测模块中，采用滑动窗的形式，预测以后周期的数据。
(4)周期异常度检测模块，其被配置为将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
在具体实施中，所述信号处理部还包括：变化点检测模块，其被配置为采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
本发明将实时采集的时序信号输入至微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；而且微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化，这样大大地提高了机械系统运行状态监测的实时性能。
本发明还采用高斯分布的假设检验方法来检测周期异常度，能够快速地检测出变化点并发出报警，以及时提醒机械系统维护人员进行相应维护。
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 (10)
1.一种基于时变参数预测模型的机械运行状态监测方法，其特征在于，包括：
步骤1：估计机械系统处于正常运行状态时的时序信号的最佳周期；
步骤2：依据最佳周期，将实时采集的时序信号分割为独立的周期信号；
步骤3：将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化；
步骤4：将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
2.如权利要求1所述的一种基于时变参数预测模型的机械运行状态监测方法，其特征在于，该方法还包括：采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
3.如权利要求1所述的一种基于时变参数预测模型的机械运行状态监测方法，其特征在于，在所述步骤1中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
4.如权利要求1所述的一种基于时变参数预测模型的机械运行状态监测方法，其特征在于，在所述步骤3中，根据不同周期相同相位点的数据建立一个时间序列集，假定该时间序列集中的数据值是满足微分方程在一系列时间节点上的数值，进而构建出微分方程预测模型。
5.如权利要求1所述的一种基于时变参数预测模型的机械运行状态监测方法，其特征在于，在所述步骤3中，采用滑动窗的形式，预测以后周期的数据。
6.一种基于时变参数预测模型的机械运行状态监测装置，包括信号采集部和信号处理部，其特征在于，所述信号处理部，包括：
最佳周期估计模块，其被配置为估计机械系统处于正常运行状态时的时序信号的最佳周期；
信号分割模块，其被配置为依据最佳周期，将实时采集的时序信号分割为独立的周期信号；
信号预测模块，其被配置为将已观测的包含至少四个连续周期的时序信号中相同相位的数据代入已构建的微分方程预测模型，来预测下一个周期的时序信号中相同相位的数据；其中，微分方程预测模型的参数是根据已观测时序信号的每个相位的不同而实时变化；
周期异常度检测模块，其被配置为将预测的时序信号与当前时刻实际观测的时序信号进行残差分析，然后根据估计的最佳周期将数据残差累加后处理，得到监测数据的周期异常度。
7.如权利要求6所述的一种基于时变参数预测模型的机械运行状态监测装置，其特征在于，所述信号处理部还包括：变化点检测模块，其被配置为采用高斯分布的假设检验方法来检测周期异常度，检测出变化点。
8.如权利要求6所述的一种基于时变参数预测模型的机械运行状态监测装置，其特征在于，在所述最佳周期估计模块中，通过动态时序规整法对相应进行分析处理，确定出相应时序信号的最佳周期。
9.如权利要求6所述的一种基于时变参数预测模型的机械运行状态监测装置，其特征在于，在所述信号预测模块中，根据不同周期相同相位点的数据建立一个时间序列集，假定该时间序列集中的数据值是满足微分方程在一系列时间节点上的数值，进而构建出微分方程预测模型。
10.如权利要求6所述的一种基于时变参数预测模型的机械运行状态监测装置，其特征在于，在所述信号预测模块中，采用滑动窗的形式，预测以后周期的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480122.3A CN108710757B (zh) | 2018-05-18 | 2018-05-18 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480122.3A CN108710757B (zh) | 2018-05-18 | 2018-05-18 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108710757A true CN108710757A (zh) | 2018-10-26 |
| CN108710757B CN108710757B (zh) | 2022-10-21 |
Family
ID=63868169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810480122.3A Active CN108710757B (zh) | 2018-05-18 | 2018-05-18 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108710757B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057588A (zh) * | 2019-05-09 | 2019-07-26 | 山东大学 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
| CN110688735A (zh) * | 2019-09-05 | 2020-01-14 | 浪潮(北京)电子信息产业有限公司 | 一种时序信号趋势预测方法、装置、设备及存储介质 |
| CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
| CN111967508A (zh) * | 2020-07-31 | 2020-11-20 | 复旦大学 | 基于显著图的时间序列异常点检测方法 |
| CN112100577A (zh) * | 2020-09-16 | 2020-12-18 | 山东大学 | 基于长程相关性的设备运行稳定性在线监测方法及系统 |
| CN117079149A (zh) * | 2023-10-18 | 2023-11-17 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
| CN105675320A (zh) * | 2016-01-06 | 2016-06-15 | 山东大学 | 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 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
-
2018
- 2018-05-18 CN CN201810480122.3A patent/CN108710757B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN105675320A (zh) * | 2016-01-06 | 2016-06-15 | 山东大学 | 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 |
| CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| GUOLIANG LU等: ""A novel framework of change-point detection for machine monitoring"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057588A (zh) * | 2019-05-09 | 2019-07-26 | 山东大学 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
| CN110688735A (zh) * | 2019-09-05 | 2020-01-14 | 浪潮(北京)电子信息产业有限公司 | 一种时序信号趋势预测方法、装置、设备及存储介质 |
| CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
| CN111967508A (zh) * | 2020-07-31 | 2020-11-20 | 复旦大学 | 基于显著图的时间序列异常点检测方法 |
| CN112100577A (zh) * | 2020-09-16 | 2020-12-18 | 山东大学 | 基于长程相关性的设备运行稳定性在线监测方法及系统 |
| CN117079149A (zh) * | 2023-10-18 | 2023-11-17 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
| CN117079149B (zh) * | 2023-10-18 | 2024-02-09 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108710757B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710757A (zh) | 基于时变参数预测模型的机械运行状态监测方法及装置 | |
| Geramifard et al. | A physically segmented hidden Markov model approach for continuous tool condition monitoring: Diagnostics and prognostics | |
| Purarjomandlangrudi et al. | A data mining approach for fault diagnosis: An application of anomaly detection algorithm | |
| Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
| Yu | Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring | |
| Hendrickx et al. | A general anomaly detection framework for fleet-based condition monitoring of machines | |
| Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
| Pandarakone et al. | Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis | |
| CN107132064B (zh) | 基于多传感器的旋转机械系统运行状态监测方法及系统 | |
| Du et al. | Fault diagnosis using adaptive multifractal detrended fluctuation analysis | |
| JP2015011027A (ja) | 時系列データにおける異常を検出する方法 | |
| CN112798280A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
| Geramifard et al. | Fault detection and diagnosis in synchronous motors using hidden Markov model-based semi-nonparametric approach | |
| Khan et al. | System design for early fault diagnosis of machines using vibration features | |
| Wang et al. | Coupled hidden Markov fusion of multichannel fast spectral coherence features for intelligent fault diagnosis of rolling element bearings | |
| Schmidt et al. | An open set recognition methodology utilising discrepancy analysis for gear diagnostics under varying operating conditions | |
| JP2018025936A (ja) | 工作機械 | |
| Wang et al. | Fault diagnosis for bearing based on Mahalanobis-Taguchi system | |
| Xu et al. | Coarse-to-fine tool condition monitoring using multiple gated recurrent units | |
| CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| CN114970744A (zh) | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 | |
| Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network | |
| Yang et al. | Machinery fault detection using autoencoder and online sequential extreme learning machine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |