CN110543908A

CN110543908A - 一种基于动态观测窗口的控制图模式识别方法

Info

Publication number: CN110543908A
Application number: CN201910814562.2A
Authority: CN
Inventors: 戴伟; 卢志远; 徐东
Original assignee: Beijing University of Aeronautics and Astronautics
Current assignee: Beihang University; Beijing University of Aeronautics and Astronautics
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2019-12-06
Anticipated expiration: 2039-08-30
Also published as: CN110543908B

Abstract

本申请公开了一种基于动态观测窗口的控制图模式识别方法。该方法以高频动态数据的异常识别为目标，根据高频动态数据的特性，构建能够在任意数据观测窗口大小下识别数据模式的控制图模式识别模型，并根据所监测的异常状态，找到与异常状态相关的观测窗口，实现对异常状态的监测。适用于状态监测、故障诊断以及过程质量控制等领域。

Description

一种基于动态观测窗口的控制图模式识别方法

技术领域

本发明涉及一种控制图模式识别方法，且更具体地涉及一种基于动态识别窗口的控制图模式识别方法。

背景技术

故障诊断是一种了解和掌握设备在使用过程中的工作状态，确定其整体或者局部是否正常，以及发行故障机器原因，预报故障发展趋势的技术，通过对运行过程中的特征信号进行监测与分析，实现对于故障的识别与诊断。目前的状态监测与故障诊断技术主要是基于信号处理和数据挖掘算法实现对状态的监测，这种方法虽然识别精度较高，但是对于外界工况的变化非常敏感，一旦工况发生了变化，所建立的模式的识别精度就会下降甚至无法使用，泛化能力较差，这便限制了在工程实践中的应用。

另外，随着先进传感器的快速发展，人们在状态监测过程中会布置很多传感器，通过传感器会采集到大量的动态数据，基于信号处理与数据挖掘算法的计算速度对于单次处理的数据量较为敏感，当采样率较高数据量较大时，算法的运行速度会比较慢，而只用较少的数据量或者较低的采样频率进行监测时，可能会造成算法精度的下降。本发明针对状态监测过程中的高频状态数据的异常识别，提出了一种基于动态识别窗口的控制图模式识别方法，通过建立能够快速识别任何数据量大小的控制图模式识别模型，并选择与所关注的异常状态相关的敏感的观测窗口尺寸来实现对异常状态的识别。

发明内容

在状态监测过程中，不同的工况环境以及不同大小的数据观测窗口都会影响传统的基于信号处理和数据挖掘监测模型的性能，降低其泛化能力，造成模型在工程实际中难以广泛使用。基于此，本发明提供了一种基于动态观测窗口的控制图模式识别方法，针对状态监测过程中的高频状态数据，借助于控制图模式识别模型的识别性能与所识别数据的绝对大小无关，而取决于数据呈现出来的具有一定物理意义的模式的特点，构建能够快速识别任意数据观测窗口下的数据模式的控制图模式识别模型，并确定与所关注的异常状态相关的敏感的观测窗口尺寸，并在此窗口下实现对于异常状态的监测，为不同工况下的状态监测提供了一种切实可行的异常识别方法。

本发明提供了一种基于动态观测窗口的控制图模式识别方法，针对状态监测过程中的高频状态数据，通过构建能够识别任意观测窗口下的数据模式的控制图模式识别模型，来确定与所关注的异常状态相关的敏感的观测窗口尺寸，以便能够监测异常状态。本发明的一个实施方式的具体的设计流程图如图1所示，具体实施步骤如下：

步骤一：针对所关注的异常状态，设计相应试验，获取不同状态下的监测数据。

步骤二：分析所关注的异常状态及所获取的数据，确定能够反映异常状态的关键状态监测参数，并给出异常状态时，监测参数的表现形式，并与常见的控制图模式对应，确定需要识别的与异常状态相关的关键高频状态监测参数的关键控制图模式。

步骤三：根据所采集到的各种状态下的监测数据，利用控制图模式生成公式生成各种可能会出现的控制图模式样本数据，并针对这些样本，提取它们的形状特征，选择一种常见的分类算法训练控制图模式识别模型(CCPR)。

步骤四：对于步骤二中采集到的各种状态下的数据，用训练好的CCPR 模型在不同尺寸的动态观测窗口下去遍历识别在当前状态下所有数据的控制图模式。将动态观测窗口尺寸(OWS)设定为W，当所有的数据在某个尺寸的观测窗口下通过CCPR模型遍历识别过后，W加L，L为相邻两个观测窗口尺寸大小的差值。所有的数据再在新的OWS下遍历识别一遍，直到 W达到最大值。

步骤五：在所有OWS下用CCPR模型识别完在当前状态下的所有数据后，计算每个OWS下每种控制图模式出现的比例，并画出在不同OWS下的控制图模式出现的比例分布图。

步骤六：选择关键控制图模式出现比例最多的OWS，该窗口作为针对当前状态下的当前监测参数的敏感的观测窗口。然后对于其他状态以及其他类型的监测数据，重复步骤三～步骤六，直到选出所有敏感的观测窗口。

步骤七：利用训练好的CCPR模型，在选择好的敏感的观测窗口下，去监测异常状态，实现异常状态的实时监测。

本发明至少包括以下优点：

①本发明提出的基于动态观测窗口的控制图模式识别方法是一种能够快速准确识别异常状态方法，面向的对象是状态监测过程中的高频状态信息，将控制图模式识别的观测窗口设置为动态观测窗口，其尺寸设置为随机动态量，所构建的控制图模式识别模型能够快速识别任意数据量大小的样本的模式，更加关注于当前状态数据变化的趋势，对可能会出现的故障能够提前快速报警预防；

②本发明通过提取形状特征来构建控制图模式识别模型，计算方法简单，受数据量大小的影响较小，且控制图模式识别模型能够直接识别出在某一状态下的状态数据呈现出来的具有一定物理意义的模式，识别结果更加直观，且与工况环境改变造成的状态参数的绝对数值大小无关，泛化能力更强；

③本发明根据所监测的不同状态，给出了与异常状态相关的观测窗口选择方法，能够用不同的观测窗口去识别不同的状态，此外，也为传统的基于信号处理和数据挖掘的算法中观测窗口的选择提供了新的思路。

附图说明

结合附图以及下面的详细描述，可更容易理解本发明的前述特征，其中：

图1示出了根据本发明的实施方式的基于动态观测窗口的控制图模式识别流程；

图2示出了本发明的实施方式中常用8类控制图模式；

图3示出了本发明的实施方式的基于形状特征的控制图模式分类树；

图4示出了本发明的实施方式中不同尺寸观测窗口下的控制图模式比例分布图式样；

图5示出了本发明的实施方式的振动信号的方差随磨损的变化曲线；

图6示出了本发明的实施方式的不同状态下振动数据的控制图模式比例分布图；

图7示出了本发明的实施方式中的已磨损的刀具；

图8示出了本发明的实施方式的工件表面粗糙度变化曲线；

图中序号、符号、代号说明如下：

REV,SRANGE,SB,RDIST,AASBP：形状特征参数(见图3，图6)

OWS:观测窗口尺寸(见图4)

NOR：正常模式(见图2，图3，图4，图6)

STA：分层模式(见图2，图3，图4)

SYS：系统模式(见图2，图3，图4)

CYC：周期模式(见图2，图3，图4，图6)

UT：上升趋势模式(见图2，图3，图4，图6)

DT：下降趋势模式(见图2，图3，图4，图6)

US：上阶跃模式(见图2，图3，图4，图6)

DS：下阶跃模式(见图2，图3，图4，图6)

具体实施方式

下面结合附图对本发明的具体实施方式进行说明。这里所使用的某些术语仅仅是为了方便并不被认为是对本发明的限制。例如，诸如“上”、“下”、“左”、“右”、“水平”、“垂直”、“向上”和“向下”等术语仅仅描述附图中所示的构造。实际上，部件可以被定向在任何方向上，且因此除非以其它方式指出了，术语应当被理解为包括所有这种变化。在本说明中，词“包括”应理解为其“开放”意义，即“具有”的意思，因此不应被限制为“封闭”意义，即“仅包括”的意思。相应的意思也适用于相应的词“包括”，“包括有”等。尽管可能使用例如“第1”、“第2”、“第一”和“第二”的表述来描述本发明的各个元件，但它们并未意于限定相对应的元件。例如，上述表述并未旨在限定相对应元件的顺序或重要性。上述表述仅用于将一个部件和另一个部件区分开。

本发明提供了一种基于动态观测窗口的控制图模式识别方法，针对状态监测过程中的高频状态数据，通过构建能够识别任意观测窗口下的数据模式的控制图模式识别模型，来确定与所关注的异常状态相关的敏感的观测窗口尺寸，以便能够监测异常状态。

本发明的一个实施方式的具体的设计流程图如图1所示，具体实施步骤如下：

其中，在步骤一中所述的“不同状态”，主要指的是正常状态，和所关注的一种或者几种异常状态。本发明的实施方式至少要分析两种状态，即正常状态和一种异常状态，需要分别对它们进行分析。当有多个异常状态需要监测时，需要对多个异常状态下的数据进行分析。以下内容均是以某一个状态下进行分析展开的。

其中，在步骤二中所述的“高频状态监测参数”，主要是指变化频率大于10Hz的能够反映当前状态的动态数据，该类数据通常需要利用传感器进行采集。

其中，在步骤二中所述的“关键控制图模式”，就是指当发生异常时，数据呈现出来的控制图模式。作为统计过程控制中最重要的工具，控制图被人们广泛用于监测过程是否处于稳定状态。控制图的模式可以分为正常模式和异常模式。正常模式说明目前过程正处于受控状态。而异常模式说明过程不受控。当几个数据点在控制图的边界外边，或者一系列控制限内的数据呈现出异常模式时，则认为过程不受控。

根据研究，控制图模式可以展现出至少15种模式，比如正常模式、趋势性模式、突变性模式、系统模式、分层模式，畸形模式还有相互作用耦合模式等等。在过程质量控制中，许多研究者通常用8种控制图模式来表示不同的状态，比如正常模式(NOR),分层模式(STA),系统模式(SYS),周期模式(CYC),上阶跃模式(US)，下阶跃模式(DS)，上升趋势模式(UT)，下降趋势模式(DT)，如图2所示。

其中，在步骤三种所述的“监测数据”，可以是一维的时序数据，也可以是多维的时序数据，需要根据之前步骤的分析确定，比如能够反映刀具磨损的监测数据包括振动和噪声两种，那后续的分析就需要分别对这两种数据进行分析。如果只有一类数据，那只需要对这一类进行分析。以下的内容均是以某一类数据进行描述，当有多类数据时，需要重复步骤。

其中，在步骤三种所述的“控制图模式生成公式”，是用来生产各种控制图模式样本的公式。在建立异常模式识别模型前，用来进行训练的数据非常的重要，它关系到最终识别算法的准确度。能够表示各种类型控制图的样本模式被用来分辨不同的控制图模式，以便能够得到所需的控制图模式识别模型。在理想情况下，各类控制图模式应当从实际中获取，并将其作为训练的输入建立模型。然而除了正常模式外，其他从异常过程中获取到的各类异常模式的数据对于训练模型来说是完全不够的，并且会造成大量的时间经济成本。人们通常使用数学模型来模拟生成给类异常模式的数据。如何生成与真实数据近似的模拟数据是非常关键的，这决定了识别算法的准确性。

目前绝大多数控制图模式识别所用的控制图数据都是离散的质量数据，并没有将其用在高频状态参数的实时监测中。这些高频状态参数存在着表现形式多式多样，频率高，随机性强，信息容量非常巨大，处理速度要求及时等特点，传统的控制图使用方法并不适用于这类数据。在很多的研究中，通常用一个具有64个数或者32个数的观察窗口。这种生成方法并不适用于这类数据。在状态监测中，单一的观测窗口是无法将各类异常表现出来的，有些过程异常比如刀具崩尖，仅仅通过瞬时的过程物理量的突变就能反应出来，而有些过程异常，比如工件加工变形，则需要经过一段时间才能发现其周期性或者趋势性的物理量变化。对于高频状态数据来说，不同的观测窗口能够反映不同的异常情况。此外，单个的异常状态也能够在不同的观察窗口下由不同的控制图模式所表示，因此不能设定固定的观测窗口尺寸。

其中，将观测窗口尺寸设置为一个服从均匀分布的随机变量，所建立的异常识别模型不依赖于识别窗口的尺寸大小，只与该段数据的特征参数有关。因此，下表给出在给定的一个正常的过程下，8种控制图模式的生成公式及模型参数，并且设定在i时刻的观测值为y_i，且r_i为i时刻时的一个服从正态分布的值。本研究中对于阶跃模式的阶跃时间、周期模式的周期均在 OWS的最大范围内均匀分布。在对不同的模式进行仿真时，各种参数的选择见下表。这些异常模式生成公式中的参数在相应的范围内是均匀随机分布的，以尽量模拟真实的动态变量数据的随机性。从公式以及参数选择中可以看出，μ和σ的选择对于生成模型是否能够生成符合实际的数据具有决定性的因素。根据本发明的一个实施方式，根据正常状态下的动态信息来选择μ和σ的取值。

表1控制图模式生成公式与参数

其中，在步骤三中所述的“形状特征”，是指在控制图原始数据的基础上计算出的能够表征模式形状特征的数字量，使得不同模式的形状特征间能够形成较大的区分度，更利用模式分类。以往提取特征进行控制图模式识别的对象主要是离散的产品质量数据，一次处理数据量相对较小，属于线下识别，对异常识别的实时性没有要求。本发明的实施方式所针对的数据是高频状态数据，识别速度非常重要，因此根据如下依据选择形状特征：a)实验验证该特征能够有效区分各类模式；b)满足条件a)的情况下尽量缩小所选特征的数量；c)考虑计算效率的问题，保证计算简单，避免循环计算。形状特征提取根据对模式数据序列分段处理方式分为三类：不作分段提取、固定分段后提取以及基于判别准则的分段特征提取。由于基于判别准则的分段的分割点不固定，是以两段数据序列的最小二乘估计合并均方误差的最小值为分割点的，因此当数据量较大时，计算复杂度较高，因此本发明的实施方式只选择前两类特征提取方式。

a)不作分段提取。即将模式数据序列作为一个整体来计算，得到如下特征：

其中，REV是数据方差与表示整个模式的最小二乘拟合(LS)线的误差平方和的比值；SB是表示模式的LS线斜率的示性函数；SD是标准差； RDIST是在SD下连续点的平均距离；AASBP是通过连续点的直线的平均绝对斜率；y_i(i＝1,2,…,N)是i时刻的观测过程量；N是观察窗口尺寸；t_i是第 i个观察点到初始的距离；

b)固定分段后提取。将观察窗口平均划分成四份，然后基于每N/2的观测点的样本的拟合LS线提取特征，得到以下特征：

SRANGE＝max(s_jk)-min(s_jk) (5)

其中s_jk是穿过第j和第k两部分中点的直线的斜率。j＝1,2,3,4；k＝2,3,4； j<k。每部分的中点可以由下式给出：

式中n₁＝1，(N/4+1),(2N/4+1),(3N/4+1)分别属于第一、第二、第三和第四部分。

如图3所示，以上五种形状特征便可以将八类控制图模式区分开。

其中，在步骤三中所述的“分类算法”指的是常用的那些分类算法，如分类树、人工神经网络、支持向量机等等，由于本发明的实施方式中所提取的形状特征能够较好地分辨各类模式，因此分类算法对于分类的效果影响不大，在识别精度差距不大时，只需根据识别速度选择模型即可。

其中，在步骤四中所述的“观测窗口尺寸(OWS)”指的是一次需要处理的样本的数据量，OWS是观测窗口尺寸的缩写。OWS的值设置为W，W 初始值设定为4，最大值为2500，可根据实际使用要求定义，但不能大于所有样本数据的总量。并设定观测窗口的滑动步长为S(S＝1,2,3,…W)，依照所设定的滑动步长滑动窗口，遍历当前状态下的所有数据。

其中，在步骤五种所述的“比例分布图”展示的是在当前状态下，每种控制图模式，在每个观测窗口的尺寸下，出现的比例分布，如图4所示。图中的横坐标为W，纵坐标为百分比。

根据本发明的一个实施案例，提供了一种基于动态观测窗口的控制图模式识别方法。在加工过程中，刀具磨损会对零件的加工质量造成较大的影响，需要利用本发明所提到的方法，对刀具的异常状态进行识别。该方法的实施方式应用在刀具磨损状态检测中的具体步骤如下：

步骤一：针对刀具磨损状态的识别，设计了一组车削试验来收集切削过程数据。一把新刀和一把磨损较严重的刀被用来车外圆。试验过程中采集了进刀方向X和走刀方向Y的振动信号，采样频率50Khz。试验参数设置为主轴转速220r/min，进给速度0.1mm/r，切削深度为1mm。每次沿着圆筒轴向加工4mm为一次加工，所采集的振动信号，作为一个样本，共进行300 次加工。根据振动变化曲线对磨损状态进行划分。

步骤二：由于随着刀具的不断磨损，其振动也会不断剧烈，其振动信号总体呈现趋势性上升的状态。因此直接用原始的振动信号难以利用本发明的实施方式所提的基于控制图的方法进行状态识别，因此需要将采集到的数据进行处理。而刀具磨损状态的不同反应在振动方面，就是振动值的方差有所差异，因此需要首先对原始数据按照一定的数据量计算方差，对一定数据量的方差进行后续的状态识别。本算例以每250个数据算一次方差来识别异常加工状态。另外，从曲线的变化情况来看，方差在150次加工前后开始逐渐上升。本案例设定为当方差开始上升时，所加工的零件表面质量不符合要求，因此，本案例设置150前为正常状态，150后异常状态。

对于刀具振动的监测，分层模式和系统模式是难以出现的，并且也缺少一定的物理意义，为了提高识别精度，降低其他模式的干扰，本案例只对 NOR,UT,DT,US,DS,CYC等六种模式进行识别。

本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在其他更合适的特征量，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。

步骤三：基于过程的数据的均值和标准差，生成了这六种控制图模式，每个模式生成2000个样本，并且每个模式的大小是随机的。对模拟的模式提取形状特征作为支持向量机的输入特征向量，该特征向量如下所示：

cv＝[RVE,SRANGE,SB] (7)

针对X与Y方向的振动信号，分别用支持向量机(SVM)、人工神经网络(ANN)、K-最邻近(KNN)以及分类树(Tree)等分类算法训练了两个控制图模式识别模型，它们的识别性能如下表所示。根据下表选择用支持向量机作为本算例的识别器。

表2各类识别器的识别性能

识别器	精度	平均识别速度
			SVM	93.1％	0.0437
ANN	91.9％	0.0545
			KNN	91.5％	0.0341
Tree	81.9％	0.0373

本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在其他更合适的分类模型，在此仅举例说明实施步骤，而不应作为对本发明的任何限制。

步骤四：得到X和Y方向振动信号的控制图模式识别(CCPR)模型后，需要找到与刀具磨损异常相关的观测窗口。用训练好的CCPR模型在不同尺寸的观测窗口下去遍历识别在当前状态下所有数据的控制图模式。将观测窗口尺寸(OWS)设定为W，W的初始值设定为4，最大值为2500。当所有的数据在某个尺寸的观测窗口下通过CCPR模型遍历识别过后，W加L，这里设置L为4。所有的数据再在新的OWS下遍历识别一遍，直到W达到最大值。设置窗口移动速度R为2。

步骤五：计算出每个控制图模式在每个尺寸的观测窗口下出现的比例。做出每个试验样本的控制图模式比例分布图。如图6所示为针对X方向的振动数据所做的控制图模式分布图。

步骤六：可以从图中看到，对于正常加工状态，用训练好的控制图模式识别模型判别方差的变化趋势的结果会随着OWS的变化而呈现出不同的结果，当OWS较小的时候，数据变化类型复杂，并且所用的CCPR模型本身有一定的识别精度误差，导致六种模式都会出现；当OWS在1232附近时，方差的变化主要呈现正常的模式。对于异常加工状态，较小的OWS下方差主要呈现NOR、CYC和US模式，当OWS大于1460的时候，方差的变化主要呈现UT模式，这与实际情况比较符合。根据图6可以得到关键的观察窗口大小为1232和1460。

本领域技术人员应理解以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在其他更合适的观测窗口尺寸，在此仅举例说明本发明的实施方式的实施步骤而不应作为对本发明的任何限制。

步骤七：利用训练好的CCPR模型，在选择好的敏感的观测窗口下，去监测刀具的磨损状态，重新设计了试验，并且将加工转速由220r/min变成了180r/min，对一把相同的新刀进行车削试验。一段加工后，该模型发现了刀具异常状态。通过对工件表面粗糙度与当前的刀具磨损量的测量与分析，发现当前的刀具已经磨损较为剧烈，引起了工件表面粗糙度的异常，如图7、图8所示。这说明了根据本发明的方法能够对不同工况下的过程异常进行识别。

此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。

为了示意和说明的目的提供实施方式的前述说明，其不意图穷举或限制本公开。具体实施方式的各元件或特征通常不限于该具体实施方式，但是在可应用的情况下，即使没有具体地示出或说明，各元件或特征也是可互换且可用于选择的实施方式，还可以多种方式改变。该改变不看作从本公开偏离，且所有该改变都包括在本公开的范围内。

因此，应理解这里通过示例的方式提供了附图和说明书，以有助于对本发明的理解，且不应构成对其范围的限制。

Claims

1.一种基于动态观测窗口的控制图模式识别方法，其特征在于该方法包括以下步骤：

步骤一针对所关注的异常状态，设计相应试验，获取不同状态下的监测数据；

步骤二分析所关注的异常状态及所获取的数据，确定能够反映异常状态的关键状态监测参数，并给出异常状态时，监测参数的表现形式，并与常见的控制图模式对应，确定需要识别的与异常状态相关的关键高频状态监测参数的关键控制图模式；

步骤三根据所采集到的各种状态下的监测参数，利用控制图模式生成公式生成各种可能会出现的控制图模式样本数据，并针对这些样本，提取它们的形状特征，选择一种常见的分类算法训练控制图模式识别模型(CCPR)；

步骤四对于步骤二中采集到的各种状态下的数据，用训练好的CCPR模型在不同尺寸的动态观测窗口下去遍历识别在当前状态下所有数据的控制图模式,将动态观测窗口尺寸(OWS)设定为W，当所有的数据在某个尺寸的观测窗口下通过CCPR模型遍历识别过后，W加L，L为相邻两个观测窗口尺寸大小的差值，所有的数据再在新的OWS下遍历识别一遍，直到W达到最大值；

步骤五在所有OWS下用CCPR模型识别完在当前状态下的所有数据后，计算每个OWS下每种控制图模式出现的比例，并画出在不同OWS下的控制图模式出现的比例分布图；

步骤六选择关键控制图模式出现比例最多的OWS，该窗口作为针对当前状态下的当前监测参数的敏感的观测窗口，然后对于其他状态以及其他类型的监测数据，重复步骤三至步骤六，直到选出所有敏感的观测窗口；

步骤七利用训练好的CCPR模型，在选择好的敏感的观测窗口下，去监测异常状态，实现异常状态的实时监测。

2.如权利要求1所述的基于动态观测窗口的控制图模式识别方法，其特征在于所述步骤二中的高频状态监测参数由传感器进行采集。