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 PDFInfo
- 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
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
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:
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:
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;
5)计算信号yi(n)的Shannon熵:由S=-∑plnp得:
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:
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:
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;
5)计算信号yi(n)的Shannon熵:由S=-∑plnp得:
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:
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:
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:
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;
5)计算信号yi(n)的Shannon熵:由S=-∑plnp得:
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)
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)
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)
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 |
-
2018
- 2018-09-29 CN CN201811144833.XA patent/CN109190598B/zh active Active
Patent Citations (2)
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 |