CN109190598B - 一种基于ses-lof的旋转机械监测数据噪点检测方法 - Google Patents

一种基于ses-lof的旋转机械监测数据噪点检测方法 Download PDF

Info

Publication number
CN109190598B
CN109190598B CN201811144833.XA CN201811144833A CN109190598B CN 109190598 B CN109190598 B CN 109190598B CN 201811144833 A CN201811144833 A CN 201811144833A CN 109190598 B CN109190598 B CN 109190598B
Authority
CN
China
Prior art keywords
point
noise
points
signal
suspicious
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
Application number
CN201811144833.XA
Other languages
English (en)
Other versions
CN109190598A (zh
Inventor
雷亚国
李则达
许学方
周昕
李乃鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201811144833.XA priority Critical patent/CN109190598B/zh
Publication of CN109190598A publication Critical patent/CN109190598A/zh
Application granted granted Critical
Publication of CN109190598B publication Critical patent/CN109190598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

一种基于SES‑LOF的旋转机械监测数据噪点检测方法，先获取一段旋转机械监测信号作为原始信号，根据幅值计算每个信号点的局部异常因子值；将局部异常因子值大于1的所有信号点标记为可疑噪点，并得到可疑噪点的一个集合；然后从该集合中选取可疑噪点，将该可疑噪点从原始信号中剔除，得到新的信号；再对新的信号先后作希尔伯特变换与傅里叶变换，并计算新的信号的Shannon熵；之后根据3σ准则判断该可疑噪点是否为真实噪点；遍历完集合中的所有可疑噪点后，最终完成真实噪点的检索；本发明方法提高了基于传统LOF算法对旋转机械监测数据进行噪点检测的能力，对于旋转机械监测数据噪点检测工作具有理想的效果。

Description

一种基于SES-LOF的旋转机械监测数据噪点检测方法
技术领域
本发明属旋转机械监测数据质量改善技术领域，具体涉及一种基于SES-LOF的旋转机械监测数据噪点检测方法。
背景技术
旋转机械被广泛应用于电力、石化、冶金和交通运输等领域，是工业生产中的重要设备。为了保证旋转机械设备安全可靠地运行，需要对其进行健康状态监测，并实时获取大量设备运行监测数据，通过对监测数据进行分析处理，可及时甚至提前发现设备故障。而旋转机械装备的工作环境常常十分恶劣，导致监测大数据中混杂大量漂移、失真、残缺的脏数据，这些脏数据与设备自身健康状态无关，它们的存在严重降低数据质量。基于低质量数据建立的相关健康监测与智能诊断模型，可能会对旋转机械健康状态进行误判，制定出错误运维策略。此外，低质量数据的存储占据大量存储空间、加剧数据分析计算负荷、降低分析效率。因此，数据质量的优劣事关大数据分析成败，是保障旋转机械设备安全运行的关键。
在旋转机械健康监测领域，异常点定义为该点的产生与机械自身健康状态无关的点，将旋转机械监测数据中的噪点定义为不具有周期性的异常点，噪点数据作为脏数据的一种，在分析设备运行监测数据时需要先对其进行检测，然后将其剔除。LOF(LocalOutlier Factor)是进行异常点检测的一种常用算法，传统LOF方法直接应用于旋转机械监测数据噪点检测时，往往会误将旋转机械监测信号中的冲击成分识别为噪点，若对其进行噪点剔除，将破坏原始数据中的典型故障信息，导致监测数据质量不升反降。
发明内容
为了克服上述现有技术的缺点。本发明的目的在于提供了一种基于SES(Squaredenvelop spectrum)-LOF的旋转机械监测数据噪点检测方法，能准确检测旋转机械监测数据的噪点并保留冲击成分。
为了达到上述目的，本发明采取的技术方案为：
一种基于SES-LOF的旋转机械监测数据噪点检测方法，包括以下步骤：
1)获得一段旋转机械监测信号作为原始信号x(t)，其中t＝1,…,N，N为该段信号采样点个数；根据幅值大小，依次计算原始信号x(t)数据段中每个点的局部异常因子值；具体为，当t＝j时，点x(j)的局部异常因子值计算表达式如下：
Figure GDA0002258756060000021
其中，k为LOF算法的参数，其值取为5；
Nk(x(j))是点x(j)的邻域，即x(j)的第k距离以内的所有点，包括第k距离上的点；
lrdk(o)与lrdk(x(j))分别为点o与点x(j)的局部可达密度，根据式(2)、式(3)分别计算：
Figure GDA0002258756060000022
Figure GDA0002258756060000023
其中，o'为o的邻域，k_distance(o')表示点o'的第k距离，k_distance(o)表示点o的第k距离，d(o,o')表示点o与o'的欧氏距离，d(x(j),o)表示点x(j)与点o的欧氏距离，Nk(o)是点o的邻域，max{·}表示取所有值中的最大值；
2)将局部异常因子值大于1的所有点标记为可疑噪点，设有M个可疑噪点，则得到可疑噪点集合Cp；
3)从原始信号x(t)中剔除一个可疑噪点得到信号yi(n)：任取一可疑噪点xi(j)∈Cp,i＝1,…,M，其中i表示可疑噪点集合Cp的第i个点，j表示该点在原始信号x(t)中的位置，则原始信号x(t)剔除点xi(j)后，得到信号yi(n),n＝1,…,N-1；
4)对信号yi(n)进行希尔伯特变换得到
Figure GDA0002258756060000031
Figure GDA0002258756060000032
然后对
Figure GDA0002258756060000033
进行傅里叶变换，得到zfi：
Figure GDA0002258756060000034
5)计算信号yi(n)的Shannon熵：由S＝-∑plnp得：
Figure GDA0002258756060000035
其中，Si为剔除可疑噪点xi(j)后，得到信号yi(n)的Shannon熵，
Figure GDA0002258756060000036
表示求
Figure GDA0002258756060000037
的均值；
6)重复步骤3)至步骤5)，直至遍历完集合Cp中所有可疑噪点，得到Shannon熵的一个集合
Figure GDA0002258756060000038
7)从所有可疑噪点中筛选出真正噪点：根据3σ准则，设置阈值
Figure GDA0002258756060000039
其中std(·)表示计算标准差；若Si＞T，则Si对应的可疑噪点xi(j)为真实噪点，最终根据阈值T检测出所有真正噪点。
本发明的有益效果为：
本发明利用SES-LOF方法，通过局部异常因子值筛选所有可疑噪点，并以Shannon熵对依次剔除可疑噪点后信号的周期性进行评价；若剔除某个可疑噪点后信号的周期性增强，即Shannon熵大于3σ阈值，则该可疑噪点为真实噪点。本发明解决了传统LOF方法用于旋转机械监测数据噪点检测的误判问题，最终能准确检测真实噪点并保留冲击成分。
附图说明
图1为本发明的流程图。
图2为实施例滚动轴承故障的时域波形图，其中图(a)为未添加噪点的仿真信号波形，图(b)为添加噪点后脏数据的信号波形。
图3为实施例数据局部异常因子值大于1的可疑噪点。
图4为基于SES-LOF方法的真实噪点识别结果图。
图5为基于传统LOF方法的真实噪点识别结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
如图1所示，一种基于SES-LOF的旋转机械监测数据噪点检测方法，包括以下步骤：
1)获得一段旋转机械监测信号作为原始信号x(t)，其中t＝1,…,N，N为该段信号采样点个数；根据幅值大小，依次计算原始信号x(t)数据段中每个点的局部异常因子值；具体为，当t＝j时，点x(j)的局部异常因子值计算表达式如下：
Figure GDA0002258756060000041
其中，k为LOF算法的参数，其值取为5；
Nk(x(j))是点x(j)的邻域，即x(j)的第k距离以内的所有点，包括第k距离上的点；
lrdk(o)与lrdk(x(j))分别为点o与点x(j)的局部可达密度，根据式(2)、式(3)分别计算：
Figure GDA0002258756060000042
Figure GDA0002258756060000051
其中，o'为o的邻域，k_distance(o')表示点o'的第k距离，k_distance(o)表示点o的第k距离，d(o,o')表示点o与o'的欧氏距离，d(x(j),o)表示点x(j)与点o的欧氏距离，Nk(o)是点o的邻域，max{·}表示取所有值中的最大值；
2)将局部异常因子值大于1的所有点标记为可疑噪点，设有M个可疑噪点，则得到可疑噪点集合Cp；
3)从原始信号x(t)中剔除一个可疑噪点得到信号yi(n)：任取一可疑噪点xi(j)∈Cp,i＝1,…,M，其中i表示可疑噪点集合Cp的第i个点，j表示该点在原始信号x(t)中的位置，则原始信号x(t)剔除点xi(j)后，得到信号yi(n),n＝1,…,N-1；
4)对信号yi(n)进行希尔伯特变换得到
Figure GDA0002258756060000052
Figure GDA0002258756060000053
然后对
Figure GDA0002258756060000054
进行傅里叶变换，得到zfi：
Figure GDA0002258756060000055
5)计算信号yi(n)的Shannon熵：由S＝-∑plnp得：
Figure GDA0002258756060000056
其中，Si为剔除可疑噪点xi(j)后，得到信号yi(n)的Shannon熵，
Figure GDA0002258756060000057
表示求
Figure GDA0002258756060000058
的均值；
6)重复步骤3)至步骤5)，直至遍历完集合Cp中所有可疑噪点，得到Shannon熵的一个集合
Figure GDA0002258756060000059
7)从所有可疑噪点中筛选出真正噪点：根据3σ准则，设置阈值
Figure GDA00022587560600000510
其中std(·)表示计算标准差；若Si＞T，则Si对应的可疑噪点xi(j)为真实噪点，最终根据阈值T检测出所有真正噪点，剔除这些真实噪点，可改善旋转机械监测数据质量。
下面结合实施例对本发明做详细描述，实施例采用轴承故障信号的模拟实验以对本发明方法进行验证。
轴承是旋转机械装备的一种重要零部件，故障频发，重复瞬态是其故障时的主要成分，这里采用如下模型对轴承故障信号进行仿真：
Figure GDA0002258756060000061
其中h(1,2,…H)代表冲击个数，Ah是信号幅值大小，这里取为0.6～1.6m.s2，u(t)是阶跃函数，外圈故障特征频率fo取为50Hz，阻尼系数βw取为900，共振频率fre取为3000，采样频率设置为12KHz，仿真后可得原始信号时域波形如图2(a)所示；分别在0.1517s，0.3797s，0.2125s，0.4067s，0.5433s，0.6325s，0.7317s，0.6767s处加入噪点，对应幅值大小分别为4，3，3，5，3.5，-4.5，3.8，-4.6，加入噪点后的信号如图2(b)所示。
使用本发明方法对噪点进行检测，首先将LOF算法中的参数k设置为5，依次计算原始信号每一个点的局部异常因子值；若局部异常因子值大于1，则将对应的点标记为可疑噪点，绘制所有的可疑噪点如图3所示；观察可得，真实噪点与大部分冲击成分都被标记为可疑噪点。
每次从原始信号中剔除一个可疑噪点，然后对剔除该噪点后的信号作希尔伯特变换与傅里叶变换，并计算其Shannon熵；分别计算原始信号剔除可疑噪点的Shannon熵后，根据3σ准则，检测出真实噪点，其结果如图4所示。
为了进一步验证本方法的优越性，将本方法的噪点检测结果与基于传统LOF算法检测噪点的结果进行对比，在基于传统LOF算法检测噪点的方法中，若局部异常因子值大于1，则将对应的点判为真实噪点，其最终检测结果如图5所示。
两种方法对比可得，基于传统LOF算法进行噪点检测会将大部分冲击成分误判为真实噪点；而本发明方法准确的将所有真实噪点成功检测，并保留了冲击成分，说明本发明方法提高了对旋转机械监测数据进行噪点检测的能力。因此，采用本发明方法的旋转机械监测数据噪点检测的效果较为理想。另外应当指出，在不脱离本发明构想的前提下，所做的调整和变形也应视为本发明的保护范围。

Claims (1)

1.一种基于SES-LOF的旋转机械监测数据噪点检测方法，其特征在于，包括以下步骤：
1)获得一段旋转机械监测信号作为原始信号x(t)，其中t＝1,…,N，N为该段信号采样点个数；根据幅值大小，依次计算原始信号x(t)数据段中每个点的局部异常因子值；具体为，当t＝j时，点x(j)的局部异常因子值计算表达式如下：
Figure FDA0002258756050000011
其中，k为LOF算法的参数，其值取为5；
Nk(x(j))是点x(j)的邻域，即x(j)的第k距离以内的所有点，包括第k距离上的点；
lrdk(o)与lrdk(x(j))分别为点o与点x(j)的局部可达密度，根据式(2)、式(3)分别计算：
Figure FDA0002258756050000012
Figure FDA0002258756050000013
其中，o'为o的邻域，k_distance(o')表示点o'的第k距离，k_distance(o)表示点o的第k距离，d(o,o')表示点o与o'的欧氏距离，d(x(j),o)表示点x(j)与点o的欧氏距离，Nk(o)是点o的邻域，max{·}表示取所有值中的最大值；
2)将局部异常因子值大于1的所有点标记为可疑噪点，设有M个可疑噪点，则得到可疑噪点集合Cp；
3)从原始信号x(t)中剔除一个可疑噪点得到信号yi(n)：任取一可疑噪点xi(j)∈Cp,i＝1,…,M，其中i表示可疑噪点集合Cp的第i个点，j表示该点在原始信号x(t)中的位置，则原始信号x(t)剔除点xi(j)后，得到信号yi(n),n＝1,…,N-1；
4)对信号yi(n)进行希尔伯特变换得到
Figure FDA0002258756050000021
Figure FDA0002258756050000022
然后对
Figure FDA0002258756050000023
进行傅里叶变换，得到zfi：
Figure FDA0002258756050000024
5)计算信号yi(n)的Shannon熵：由S＝-∑plnp得：
Figure FDA0002258756050000025
其中，Si为剔除可疑噪点xi(j)后，得到信号yi(n)的Shannon熵，
Figure FDA0002258756050000026
表示求zfi 2的均值；
6)重复步骤3)至步骤5)，直至遍历完集合Cp中所有可疑噪点，得到Shannon熵的一个集合
Figure FDA0002258756050000027
7)从所有可疑噪点中筛选出真正噪点：根据3σ准则，设置阈值
Figure FDA0002258756050000028
其中std(·)表示计算标准差；若Si＞T，则Si对应的可疑噪点xi(j)为真实噪点，最终根据阈值T检测出所有真正噪点。
CN201811144833.XA 2018-09-29 2018-09-29 一种基于ses-lof的旋转机械监测数据噪点检测方法 Active CN109190598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811144833.XA CN109190598B (zh) 2018-09-29 2018-09-29 一种基于ses-lof的旋转机械监测数据噪点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811144833.XA CN109190598B (zh) 2018-09-29 2018-09-29 一种基于ses-lof的旋转机械监测数据噪点检测方法

Publications (2)

Publication Number Publication Date
CN109190598A CN109190598A (zh) 2019-01-11
CN109190598B true CN109190598B (zh) 2020-05-15

Family

ID=64906927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811144833.XA Active CN109190598B (zh) 2018-09-29 2018-09-29 一种基于ses-lof的旋转机械监测数据噪点检测方法

Country Status (1)

Country Link
CN (1) CN109190598B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101174A (zh) * 2020-09-09 2020-12-18 洛阳师范学院 一种基于LOF-Kurtogram的机械故障诊断方法
CN112800041B (zh) * 2021-01-25 2023-06-13 洛阳师范学院 一种基于邻域查询的机械监测标签数据质量保障方法
CN113177484B (zh) * 2021-04-30 2023-02-28 洛阳师范学院 基于lof自编码的机械故障智能诊断方法
CN116237817B (zh) * 2023-05-06 2023-07-14 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统
CN116295539B (zh) * 2023-05-18 2023-08-11 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 基于城市地下空间勘探数据的地下空间监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376078A (zh) * 2014-11-14 2015-02-25 南京大学 一种基于知识熵的异常数据检测方法
CN107941537A (zh) * 2017-10-25 2018-04-20 南京航空航天大学 一种机械设备健康状态评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867421B (zh) * 2012-09-24 2014-07-09 东南大学 一种识别有效停车泊位占有率中离群数据的方法
CN108280561A (zh) * 2017-01-06 2018-07-13 重庆邮电大学 一种基于信息熵和加权距离的离散制造机械产品质量溯源方法
CN107123989A (zh) * 2017-05-25 2017-09-01 国网上海市电力公司 一种基于改进的局部异常因子算法的电网拓扑辨识方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376078A (zh) * 2014-11-14 2015-02-25 南京大学 一种基于知识熵的异常数据检测方法
CN107941537A (zh) * 2017-10-25 2018-04-20 南京航空航天大学 一种机械设备健康状态评估方法

Also Published As

Publication number Publication date
CN109190598A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190598B (zh) 一种基于ses-lof的旋转机械监测数据噪点检测方法
Amar et al. Vibration spectrum imaging: A novel bearing fault classification approach
CN108805059B (zh) 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
JP4605132B2 (ja) 異常検出装置、異常検出方法
CN104198138B (zh) 一种风力发电机组异常振动的预警方法及系统
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CN109214355B (zh) 一种基于核估计lof的机械监测数据异常段检测方法
CN110634493A (zh) 基于声纹图像特征的变压器状态识别方法、系统及介质
Yang et al. Chaotic analysis and feature extraction of vibration signals from power circuit breakers
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN105004498A (zh) 一种水电机组的振动故障诊断方法
WO2020057066A1 (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
CN110617982A (zh) 一种基于声纹信号的旋转机械设备故障识别方法
CN110987433B (zh) 一种基于高频信号特征幅值的轴承故障预警方法
CN114004256A (zh) 基于数字孪生体的制造装备主轴承的故障诊断方法
Khan et al. System design for early fault diagnosis of machines using vibration features
CN113607415A (zh) 一种变转速下基于短时随机共振的轴承故障诊断方法
CN109635428A (zh) 一种基于机械状态信号分析的gis机械故障诊断方法
CN112347944B (zh) 一种基于零值比例频谱特征的机械传动故障检测方法
CN116699400A (zh) 一种发电机转子短路故障监测系统、方法及可读存储介质
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN102680080B (zh) 一种基于改进的自适应形态滤波的非稳态信号检测方法
Choudhary et al. Fault diagnosis of induction motor under varying operating condition
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN116884432A (zh) 基于vmd-js散度的电力变压器故障声纹诊断方法

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