CN110135492B - 基于多高斯模型的设备故障诊断与异常检测方法及系统 - Google Patents
基于多高斯模型的设备故障诊断与异常检测方法及系统 Download PDFInfo
- Publication number
- CN110135492B CN110135492B CN201910393913.7A CN201910393913A CN110135492B CN 110135492 B CN110135492 B CN 110135492B CN 201910393913 A CN201910393913 A CN 201910393913A CN 110135492 B CN110135492 B CN 110135492B
- Authority
- CN
- China
- Prior art keywords
- vibration
- sound signal
- gaussian model
- characteristic
- signal sample
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开提供了一种基于多高斯模型的设备故障诊断与异常检测方法及系统。其中,基于多高斯模型的设备故障诊断与异常检测方法通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果。本公开具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
Description
技术领域
本公开属于设备故障诊断与异常检测领域,尤其涉及一种基于多高斯模型的设备故障诊断与异常检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
设备运行中产生的振动和声音信号通常包含着丰富的设备运行状态信息,通过提取振声信号的时域和频域的有效特征,利用合适的故障分类器对特征进行训练,最终通过故障分类器即可以完成对设备状态监测。但实际情况中,设备所有的运行状态是无法完全提取的,在设备运行中往往会出现诊断系统训练过程中未知的故障类别,此时未知的故障类别就会被故障分类器分成已知故障类别,造成误检漏检结果,导致安全事故的发生。因此在检测过程中,符合实际设备状态监测要求的能够及时感知未知故障,并能对已知故障类别精确识别的诊断方法是十分必要的。
对于设备振声信号的有效特征,同类运行状态的信号在特征空间中的分布服从高斯分布。因此可以通过某个状态的特征服从某类故障对应的高斯分布的概率判定该信号是否属于该类故障,同时对于不服从任何已知类的状态即可以判定为未知故障,而不必误判为某种已知类别。对于非单维度的状态特征,通常使用高斯混合模型(Gaussian mixedmodel,GMM)为故障数据建立诊断模型。高斯混合模型在故障诊断中是较为常用的检测方法,罗婵纯等人在《华电技术》2017年39卷第10期中发表的论文《基于高斯混合模型的汽轮机转轴故障诊断方法》中提出通过将选取的汽轮机故障征兆特征输入高斯混合模型中,完成对汽轮机工作状况的故障诊断;Hengchao Yan等人在《IEEE Transactions onInstrumentation and Measurement》2017年66卷第4期中发表的论文《Gaussian MixtureModel Using Semisupervised Learning for Probabilistic Fault Diagnosis UnderNew Data Categories》中提出基于传统无监督学习的半监督学习方法构建高斯混合模型,最终使高斯混合模型在高压电气设备状态检测中针对已知和未知故障类型都能得到精确地诊断结果。
发明人发现,在建立高斯混合模型过程中,需要通过期望最大值算法(Expectation maximization algorithm,EM)估计高斯混合模型的参数,最终将多个高斯模型参数转化成一个高斯混合模型的参数。当特征维度升高时,混合模型的参数估计过程复杂度也会升高,造成计算负担,影响诊断算法的效率和实时性。
发明内容
为了解决上述问题,本公开的第一个方面提供一种基于多高斯模型的设备故障诊断与异常检测方法,其能够解决现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
为了实现上述目的,本公开采用如下技术方案:
一种基于多高斯模型的设备故障诊断与异常检测方法,包括:
提取每类振声信号样本时域和频域特征来表征样本的时频特性;
分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率值函数在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0;
对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
根据得分判定高斯模型设定一个得分判定阈值,判断在该类状态对应的特征高斯模型和得分判定高斯模型下得分是否超过得分判定阈值的振声信号样本,若是,则被判定属于该类,否则判定不属于该类。
为了解决上述问题,本公开的第二个方面提供一种基于多高斯模型的设备故障诊断与异常检测系统,其能够解决现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
为了实现上述目的,本公开采用如下技术方案:
一种基于多高斯模型的设备故障诊断与异常检测系统,包括:
特征提取模块,其用于提取每类振声信号样本时域和频域特征来表征样本的时频特性;
特征高斯模型构建模块,其用于分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
概率密度值计算模块,其用于设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率值函数在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0;
得分判定高斯模型构建模块,其用于对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
样本分类模块,其用于根据得分判定高斯模型设定一个得分判定阈值,判断在该类状态对应的特征高斯模型和得分判定高斯模型下得分是否超过得分判定阈值的振声信号样本,若是,则被判定属于该类,否则判定不属于该类。
为了解决上述问题,本公开的第三个方面提供一种计算机可读存储介质,其能够解决现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
为了实现上述目的,本公开采用如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
为了解决上述问题,本公开的第四个方面提供一种计算机设备,其能够解决现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
为了实现上述目的,本公开采用如下技术方案:
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
本公开的有益效果是:
(1)本公开解决现有技术在实际设备工作环境中故障诊断精度低及对设备未知异常状态不敏感的问题,实际操作中,在无法采集足够充分且全面的异常工作状态信息的客观事实下,传统诊断方法无法及时针对未知异常状态预测并报警,本公开的基于多高斯模型的设备异常检测方法,通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果,具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
(2)本公开针对现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例提供的基于多高斯模型的设备故障诊断与异常检测方法流程图。
图2是本公开实施例提供的驱动端数据异常检测结果。
图3是本公开实施例提供的离心泵泵体音频信号及异常检测结果。
图4是本公开实施例提供的离心泵风扇端音频信号及异常检测结果。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
实施例一
如图1所示,本实施例的一种基于多高斯模型的设备故障诊断与异常检测方法,包括:
步骤1:提取每类振声信号样本时域和频域特征来表征样本的时频特性;
在该步骤之前,还包括:
对振声信号重叠分帧,并对每类振声信号帧加入汉宁窗,得到每类振声信号样本集。
具体地,对设备振声信号分帧加窗,通过汉宁窗(Hanning window)将连续的振声信号分解为有重叠信号帧,窗函数使信号帧保留了原始信号的时频特性同时又避免了帧边缘截断导致的频谱泄露。对信号分帧时帧与帧之间保持一定的重叠以保证帧之间不丢失原始信号中的连续性。对正常和已知的几类异常信号分别分帧加窗,得到每类的样本集。
对设备振声信号重叠分帧,并对信号帧加入汉宁窗。相邻帧之间重叠部分占帧长的50%,汉宁窗函数的具体计算公式为:
其中T为汉宁窗口的长度,选为与帧长相同,w(t)为窗口的第t个幅值。训练数据在加窗后组成训练样本集,实际检测中按时序将采集信号分帧加窗后送入下述步骤。
例如:为保证每帧信号保存所有的原始信号频域信息,每一帧的时长选为0.1秒,以此保证10Hz以上的频率成分可以被帧保留。分帧时的截取步长选为0.1到0.5倍的帧长,即相邻帧之间重叠50%到90%以保证帧能够保留原始信号的连续性。
在具体实施中,对每类样本提取时域和频域特征用于表征样本的时频特性,本实施例中提取时域特征有:均方根(Root mean square,RMS)特征、峰度(Kurtosis)特征、一阶差分峰值(Jerk peak)特征。分别表征了时域信号的静态、动态特征以及冲击情况。提取的频域特征为梅尔倒谱系数特征(Mel frequency cepstral coefficients,MFCCs),其为声信号处理领域最为常用的特征,能够准确描述声信号在短时功率谱中的包络,有效表征声信号的频域倒谱域特征。将四种特征依次排列形成表征样本的特征向量。
具体地,对信号帧提取时频特征,本实施例中提取的时域信号特征包括均方根(RMS)特征、峰度(Kurtosis)特征、一阶差分峰值(Jerk peak)特征,频域特征为梅尔倒谱系数(MFCCs),时域特征的具体计算公式为:
其中xi为信号帧x的第i个元素,μ和σ代表信号帧x的均值及标准差,E(…)为计算期望操作符,max(...)为计算最大值操作符。
提取梅尔倒谱系数(MFCCs)特征的具体计算步骤包括:
对信号帧进行离散傅里叶变换:
其中T为帧长,w为窗函数。若信号的采样频率为fs,则n对应的频率为
对X(n)取绝对值得到信号的幅度谱:
M(n)=|X(n)|,0≤n≤T-1(7)
对信号的幅度谱做梅尔频率滤波,首先将线性频率映射到梅尔频率上。映射关系为:
其中mel(f)为线性频率f对应的梅尔频率。通过梅尔滤波器组,对梅尔频率上的幅度谱滤波。梅尔滤波器组的表达式为:
其中B(j,n)是滤波器组中第j个滤波器的第n个点的幅值,fj(n)是n对应的梅尔频率,fc(j)为第j个滤波器的中心频率。通过梅尔滤波器组对信号的幅度谱滤波,得到梅尔幅度谱:
对梅尔幅度谱取以e为底的对数得到对数幅度谱
s(j)=lnMS(j) (11)
对对数幅度谱取M维离散余弦变换,得到M维的梅尔倒谱系数特征C(n):
其中M为MFCCs特征的维度,在本实施例中为保留足够的信号频域信息,选取28维的MFCCs特征。最终的31维的信号特征向量featvect可以表达为:
featvect=[RMS,Kurtosis,Jerkpeak,MFCCs] (13)
步骤2:分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
步骤3:设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率值函数在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0。
具体地,分别求每类训练样本集的每一维度特征均值及标准差,并建立对应该维度的特征高斯模型。对于样本集x在维度i上的高斯模型的概率密度函数为:
其中μ和σ分别表示该类样本在维度i上的均值和标准差。对应的累积概率密度函数为:
根据设定的从属概率阈值范围,寻找cdf在从属概率阈值范围外的样本,令其在该维度的pdf为0。在本实施例中从属概率阈值取值范围为0.05-0.001,从属概率阈值范围为[从属概率阈值-(1-从属概率阈值)]。
其中,cdf,Cumulative probability density function,为累积概率密度函数;
pdf,Probability density function,为概率密度值。
步骤4:对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
为精确表达信号在频域的特征,梅尔倒谱系数特征维度选取为28维,此时提取的时域特征为总共3维,为平衡每种特征在样本得分中的占比,在步骤(4)中求取样本概率密度均值之前,先对梅尔倒谱系数特征28维的概率密度取均值,再与其他特征的概率密度值求取均值得到该样本的得分。
步骤5:根据得分判定高斯模型设定一个得分判定阈值,判断在该类状态对应的特征高斯模型和得分判定高斯模型下得分是否超过得分判定阈值的振声信号样本,若是,则被判定属于该类,否则判定不属于该类。
对所有样本概率密度值按从属概率阈值范围阈值化后,对每个样本所有维度特征对应的概率密度值求均值,称为样本属于该类数据的得分。对每类样本的得分建立得分判定高斯模型,对于测试数据,最终得分在得分判定高斯模型中对应的cdf值高于得分判定阈值的数据判定为属于该类数据,否则判定为非该类数据。得分判定阈值关系到最终对样本判定时的容错率大小问题,设定过小0则会将其他类样本错分为该类,设定过大会将该类数据错分为其他类数据,因此在实际当中选取为0.0001-0.01之间,如0.01以保证最终对样本类别的精确判定。
下面通过以下实验案例,进一步说明本实施例的有益效果:
本实施例中分别对美国凯斯西储大学(CWRU)轴承数据集和某工厂离心泵声信号进行异常检测试验。
(1)CWRU轴承数据集:
该数据集包含的轴承数据分为驱动端和风扇端轴承故障数据两大类,数据采集的位置分为基座(BA)、驱动端(DE)和风扇端(FE)三个位置,电机所带的负载有0,1,2,3马力。轴承的故障为在内圈、外圈和滚动体三个位置上的半径为0.007、0.014和0.021英寸的擦伤故障。以2马力下驱动端DE正常数据作为训练数据,0.007英寸内圈、外圈和滚动体故障数据作为未知异常数据,从属概率阈值范围设定为0.03-0.97,得分判定阈值设定为0.001,每类数据每次随机抽取50个样本用作测试,循环测试10次的检测结果如图2所示。图2中不同类的数据以颜色区分,横坐标轴1-50范围内的样本点代表正常数据,纵轴为样本的得分,平行于横坐标轴的横线为设定的得分判定阈值对应实际中的得分值,得分大于该值的样本判定为正常样本,由此得出测试中所有的正常样本被正确判定,所有故障样本判定为未知异常样本。
在整个数据集中,分别对驱动端、风扇端轴承数据在0hp、1hp、2hp、3hp负载情况下,以正常数据为训练数据,其余不同位置不同故障半径的共12类故障类型数据作为异常故障状态对异常检测方法进行测试,诊断精度如表1所示。结果表明本实施例中公开的异常检测方法能够对轴承振动数据状态精确诊断。
表1异常检测方法在数据集中样本测试的实验结果
(2)离心泵声信号异常检测
在本实验中采用的数据为某冶金工厂高压离心泵声音信号,分别对泵体和风扇端采集音频信号,信号中异常故障类型有壳体异响、压力不稳等。泵体音频信号及异常检测结果如图3所示,风扇端音频信号及异常检测结果如图4所示,其中从属概率阈值范围设定为0.005-0.995,得分判定阈值设定为0.005。其中发生的异常故障在时序信号波形中用框和箭头标出,在检测结果中,1表示设备正常运行,0表示检测出设备发生异常故障。由检测结果可以看出,本实施例中公开的异常检测方法可以对实际工厂环境中离心泵工作状态精确检测,可以及时反映出异常状况同时几乎不发生误检状况。
通过上述实验结果,可以证明本实施例中的方法不但可以检测未知异常故障,且在实际工作条件下有良好的故障诊断能力和较强的鲁棒性。而且针对不同类型的数据,如实验中轴承振动数据和离心泵声信号数据,都具有较强的适应性,能够在不同的数据集中精确的完成故障诊断和异常检测。
本实施例解决了现有技术在实际设备工作环境中故障诊断精度低及对设备未知异常状态不敏感的问题,实际操作中,在无法采集足够充分且全面的异常工作状态信息的客观事实下,传统诊断方法无法及时针对未知异常状态预测并报警,本公开的基于多高斯模型的设备异常检测方法,通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果,具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
本实施例针对现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
实施例二
本实施例的一种基于多高斯模型的设备故障诊断与异常检测系统,其与实施例一中的基于多高斯模型的设备故障诊断与异常检测方法相对应。具体包括:
(1)特征提取模块,其用于提取每类振声信号样本时域和频域特征来表征样本的时频特性;
在所述特征提取模块中,提取的每类振声信号样本时域特征包括均方根特征、峰度特征和一阶差分峰值特征。
在所述特征提取模块中,提取的每类振声信号样本频域特征为梅尔倒谱系数特征。
该系统,还包括:
振声信号样本集构建模块,其用于对振声信号重叠分帧,并对每类振声信号帧加入汉宁窗,得到每类振声信号样本集。
(2)特征高斯模型构建模块,其用于分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
(3)概率密度值计算模块,其用于设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率值函数在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0;
(4)得分判定高斯模型构建模块,其用于对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
(5)样本分类模块,其用于根据得分判定高斯模型设定一个得分判定阈值,判断在该类状态对应的特征高斯模型和得分判定高斯模型下得分是否超过得分判定阈值的振声信号样本,若是,则被判定属于该类,否则判定不属于该类。
本实施例解决了现有技术在实际设备工作环境中故障诊断精度低及对设备未知异常状态不敏感的问题,实际操作中,在无法采集足够充分且全面的异常工作状态信息的客观事实下,传统诊断方法无法及时针对未知异常状态预测并报警,本公开的基于多高斯模型的设备异常检测方法,通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果,具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
本实施例针对现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
本实施例解决了现有技术在实际设备工作环境中故障诊断精度低及对设备未知异常状态不敏感的问题,实际操作中,在无法采集足够充分且全面的异常工作状态信息的客观事实下,传统诊断方法无法及时针对未知异常状态预测并报警,本公开的基于多高斯模型的设备异常检测方法,通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果,具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
本实施例针对现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
本实施例解决了现有技术在实际设备工作环境中故障诊断精度低及对设备未知异常状态不敏感的问题,实际操作中,在无法采集足够充分且全面的异常工作状态信息的客观事实下,传统诊断方法无法及时针对未知异常状态预测并报警,本公开的基于多高斯模型的设备异常检测方法,通过对设备振声信号提取时域及频域特征,并针对特征维度的分布情况建立多个高斯模型,针对每类数据在多高斯模型上得到的概率密度均值建立最终异常判定高斯模型。通过模型给出结果及设定的容错阈值给出最终异常检测判定结果,具有抗噪声干扰能力强,故障诊断精度高以及能适应多种未知异常检测需求的优点。
本实施例针对现有技术在实际设备运行状态检测中无法识别未知异常状态和算法复杂度高的问题,同时提高设备故障诊断的精度和检测系统的鲁棒性,为保障设备的正常和安全运行提供可靠的参考依据。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于多高斯模型的设备故障诊断与异常检测方法,其特征在于,包括:
提取每类振声信号样本时域和频域特征来表征样本的时频特性;
分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率密度值在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0;
对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
根据得分判定高斯模型设定一个得分判定阈值,判断在该类数据对应的特征高斯模型和得分判定高斯模型下振声信号样本得分是否超过得分判定阈值,若是,则该振声信号样本被判定属于该类,否则判定不属于该类。
2.如权利要求1所述的一种基于多高斯模型的设备故障诊断与异常检测方法,其特征在于,该方法还包括:
对振声信号重叠分帧,并对每类振声信号帧加入汉宁窗,得到每类振声信号样本集。
3.如权利要求1所述的一种基于多高斯模型的设备故障诊断与异常检测方法,其特征在于,提取的每类振声信号样本时域特征包括均方根特征、峰度特征和一阶差分峰值特征。
4.如权利要求1所述的一种基于多高斯模型的设备故障诊断与异常检测方法,其特征在于,提取的每类振声信号样本频域特征为梅尔倒谱系数特征。
5.一种基于多高斯模型的设备故障诊断与异常检测系统,其特征在于,包括:
特征提取模块,其用于提取每类振声信号样本时域和频域特征来表征样本的时频特性;
特征高斯模型构建模块,其用于分别求取每类振声信号样本集的每维特征的均值和标准差,并根据均值和标准差分别为每类数据的每个维度特征建立单元高斯模型,得到特征高斯模型;
概率密度值计算模块,其用于设定一个从属概率阈值范围,并根据特征高斯模型累积概率密度函数和从属概率阈值范围,找到振声信号样本集中累积概率密度值在从属概率阈值范围外的振声信号样本并令该振声信号样本在此特征维度上的概率密度值为0;
得分判定高斯模型构建模块,其用于对每个振声信号样本所有特征维度的概率密度值求均值,得到振声信号样本属于该类数据的得分,分别对每类振声信号样本集的所有振声信号样本的得分求均值和标准差并建立单元高斯模型,得到得分判定高斯模型;
样本分类模块,其用于根据得分判定高斯模型设定一个得分判定阈值,判断在该类数据对应的特征高斯模型和得分判定高斯模型下振声信号样本得分是否超过得分判定阈值,若是,则该振声信号样本被判定属于该类,否则判定不属于该类。
6.如权利要求5所述的一种基于多高斯模型的设备故障诊断与异常检测系统,其特征在于,该系统,还包括:
振声信号样本集构建模块,其用于对振声信号重叠分帧,并对每类振声信号帧加入汉宁窗,得到每类振声信号样本集。
7.如权利要求5所述的一种基于多高斯模型的设备故障诊断与异常检测系统,其特征在于,在所述特征提取模块中,提取的每类振声信号样本时域特征包括均方根特征、峰度特征和一阶差分峰值特征。
8.如权利要求5所述的一种基于多高斯模型的设备故障诊断与异常检测系统,其特征在于,在所述特征提取模块中,提取的每类振声信号样本频域特征为梅尔倒谱系数特征。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于多高斯模型的设备故障诊断与异常检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393913.7A CN110135492B (zh) | 2019-05-13 | 2019-05-13 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393913.7A CN110135492B (zh) | 2019-05-13 | 2019-05-13 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135492A CN110135492A (zh) | 2019-08-16 |
CN110135492B true CN110135492B (zh) | 2020-12-22 |
Family
ID=67573371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910393913.7A Active CN110135492B (zh) | 2019-05-13 | 2019-05-13 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135492B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503025B (zh) * | 2019-08-19 | 2023-04-18 | 重庆大学 | 一种基于半监督协同训练的模拟电路早期故障诊断方法 |
CN110987434A (zh) * | 2019-12-18 | 2020-04-10 | 中国民航大学 | 一种基于去噪技术的滚动轴承早期故障诊断方法 |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111626374A (zh) * | 2020-06-02 | 2020-09-04 | 上海电力大学 | 基于半监督学习的开关柜故障分类方法 |
CN112600901A (zh) * | 2020-12-08 | 2021-04-02 | 四川长虹电器股份有限公司 | 物联网设备状态检测方法、计算机设备及存储介质 |
CN112943595A (zh) * | 2021-02-07 | 2021-06-11 | 三一重工股份有限公司 | 液压泵故障预测方法、装置、电子设备及存储介质 |
CN112559602B (zh) * | 2021-02-21 | 2021-07-13 | 北京工业大数据创新中心有限公司 | 一种工业设备征兆的目标样本的确定方法及系统 |
CN113314142B (zh) * | 2021-05-26 | 2022-04-01 | 山东大学 | 发动机故障检测方法、系统、存储介质及设备 |
CN113887383A (zh) * | 2021-09-29 | 2022-01-04 | 厦门大学 | 基于无监督异常检测的溺水检测方法及装置 |
CN114790991A (zh) * | 2022-04-14 | 2022-07-26 | 国家电投集团电站运营技术(北京)有限公司 | 给水泵汽蚀检测系统及方法 |
CN115758260B (zh) * | 2023-01-05 | 2023-07-04 | 青岛明思为科技有限公司 | 基于高斯混合模型的机械设备状态检测的方法 |
CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104917714A (zh) * | 2015-06-08 | 2015-09-16 | 电子科技大学 | 降低大规模mimo-ofdm下行链路功峰均比的方法 |
CN109145354A (zh) * | 2017-06-18 | 2019-01-04 | 科文托尔公司 | 关键参数识别、工艺模型校准和可变性分析的系统和方法 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968986B (zh) * | 2012-11-07 | 2015-01-28 | 华南理工大学 | 基于长时特征和短时特征的重叠语音与单人语音区分方法 |
CN103473540B (zh) * | 2013-09-11 | 2016-06-22 | 天津工业大学 | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 |
CN103823867B (zh) * | 2014-02-26 | 2017-02-15 | 深圳大学 | 一种基于音符建模的哼唱式音乐检索方法及系统 |
CN103928023B (zh) * | 2014-04-29 | 2017-04-05 | 广东外语外贸大学 | 一种语音评分方法及系统 |
CN104992708B (zh) * | 2015-05-11 | 2018-07-24 | 国家计算机网络与信息安全管理中心 | 短时特定音频检测模型生成与检测方法 |
CN106023199B (zh) * | 2016-05-19 | 2019-02-01 | 重庆扬讯软件技术股份有限公司 | 一种基于图像分析技术的烟气黑度智能检测方法 |
CN107330875B (zh) * | 2017-05-31 | 2020-04-21 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
US10692065B2 (en) * | 2017-06-19 | 2020-06-23 | Accenture Global Solutions Limited | Using a mixture model to generate simulated transaction information |
US10580228B2 (en) * | 2017-07-07 | 2020-03-03 | The Boeing Company | Fault detection system and method for vehicle system prognosis |
CN109065059A (zh) * | 2018-09-26 | 2018-12-21 | 新巴特(安徽)智能科技有限公司 | 用音频特征主成分建立的语音群集来识别说话人的方法 |
CN109491338B (zh) * | 2018-11-09 | 2021-05-11 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
-
2019
- 2019-05-13 CN CN201910393913.7A patent/CN110135492B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104917714A (zh) * | 2015-06-08 | 2015-09-16 | 电子科技大学 | 降低大规模mimo-ofdm下行链路功峰均比的方法 |
CN109145354A (zh) * | 2017-06-18 | 2019-01-04 | 科文托尔公司 | 关键参数识别、工艺模型校准和可变性分析的系统和方法 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110135492A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
Mbo'o et al. | Fault diagnosis of bearing damage by means of the linear discriminant analysis of stator current features from the frequency selection | |
CN110017991B (zh) | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
CN105094111B (zh) | 基于联合降噪和经验模态分解的控制系统健康状态分析方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN108869145B (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
CN113314144A (zh) | 声音识别及电力设备故障预警方法、系统、终端及介质 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
CN111707472B (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
Khan et al. | System design for early fault diagnosis of machines using vibration features | |
CN113314142B (zh) | 发动机故障检测方法、系统、存储介质及设备 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
CN106441843A (zh) | 一种旋转机械故障波形识别方法 |
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 |