发明内容
本发明是为了解决现有旋转设备异常判断方法中阈值固定,无法针对设 备工况自适应调整阈值大小,并且特征参数根据通用经验选择,没有针对设备 选择合适的特征参数;没有将多变量特征参数融合,不能进行综合评估设备状 态的问题,提供一种基于多变量状态估计的状态监测方法,本发明能有效选择 出可反映设备状态的关键参数,降低特征维度,减小状态估计时间,避免无效 特征的干扰,能够提高状态估计的准确率,并且采用马氏距离方法将多维特征 参数融合为一个估计值,并通过指数加权平均方法进行状态估计,可以降低因 随机误差引发的波动,并能吸收瞬时突发的能力,时效性强。
为了实现上述目的,本发明采用以下技术方案:
一种基于多变量状态估计的状态监测方法,包括步骤:
A)采集设备工况参数信号和振动信号,获得m组设备信号样本,对每组设备 信号样本分别进行特征提取,获得每组设备振动信号样本的n1个特征和工况参 数信号的n2个特征,获得m×n维的特征参数矩阵,n=n1+n2;
B)采用GBDT方法计算每个特征的重要度,根据重要度确定特征选择个数q, 得到特征选择后的特征参数矩阵;
C)采用马氏距离方法计算设备的状态估计值;
D)采用指数加权平均方法建立设备异常判断机制,判断设备状态情况。
本发明通过对设备振动信号进行时域、频域和时频域上的特征提取,能 最大限度地提取反映设备运行状态的多维特征。通过GBDT方法,可提取出能 真实反映设备运行状态的特征参数。通过马氏距离方法实现多维特征参数估计 设备运行状态,实现设备异常预警。根据状态估计值建立异常报警机制,并通 过指数加权平均方式,可降低异常预警误报率,判断设备状态情况准确率高。
进一步的,步骤A)中,对每组设备信号样本分别进行特征提取,获得 每组设备振动信号样本的n1个特征和工况参数信号的n2个特征,获得m×n 维的特征参数矩阵,包括步骤:
A1)提取各组设备振动信号样本的f1个时域特征;
A2)提取各组设备振动信号样本的f2个频域特征;
A3)对各组振动信号进行小波包变换,得到P个分量信号,分别计算P个分量 信号的频带能量和能量熵;频带能量计算公式为
能量熵的 计算公式为
其中i表示第i个分量信号,N表示分 量信号数据点数,j表示分量信号数据点数序数,
表示第k组设备振动信号 样本的第i个分量信号的频带能量;
A5)获得每组设备振动信号样本的n1个特征,所述n1个特征包括时域特征、 频域特征、频带能量、能量熵和能量总和,所述n2个工况参数信号特征包括电 流、电压、转速等信息,获得特征参数矩阵,获得特征参数矩阵
本发明通过对设备振动信号进行小波包变换,不仅能实现等频段的频带 划分,而且能够提取各频带内能量,能最大限度地提取反映设备运行状态的多 维特征。
进一步的,步骤B)中采用GBDT(Gradient Boosting Descision Tree)方法 计算每个特征的重要度,根据重要度确定特征选择个数q,得到特征选择后的 特征参数矩阵,包括:
B1)对n个特征分别计算在每颗树上的重要度,第j个特征在单颗树中的重要 度的计算公式为
其中,L为树的叶子节点数量,L-1 为树的非叶子节点数量,v
t是和节点t相关联的特征,
是节点t分裂之后平方损 失的减少值;
B2)计算n个特征在每个树上的重要度的平均值,第j个特征在每个树上的重要 度的平均值的计算公式为
其中M为树的个数;
B3)计算n个特征的重要度的平均值除以最大的重要度值,获得各个特征的重 要度值,第j个特征的重要度值的计算公式为
表 示第j个特征的最大的重要度值;
B4)将重要度值按从大到小顺序依次排列,获得排列后的重要度排列集合 {I1,I2,…,In},根据重要度确定特征选择个数q;
本发明采用GBDT方法计算每个特征的重要度,根据重要度确定特征选 择个数q,对特征参数矩阵进行降维,获取前q个重要度最大的特征,再根据 前q个重要度最大的特征重新构建特征参数矩阵,即得到选择后的特征参数矩 阵V。通过采用GBDT重要度计算方法能有效选择出可反映设备状态的关键参 数,通过参数选择方法一方面可以降低特征维度,减小状态估计时间;另一方 面避免无效特征的干扰,可以提高状态估计的准确率。
进一步的,步骤C)中采用马氏距离方法计算设备的状态估计值,包括 步骤:
C1)根据所述选择后的特征参数矩阵V计算各维矩阵的期望值
μ=[μ1,μ2,…,μq]T;
C2)根据所述期望值μ计算特征参数矩阵的协方差矩阵∑;
C3)根据所述特征参数矩阵的协方差矩阵∑计算马氏距离D,将所述马氏距 离D作为设备的状态估计值。
马氏距离(Mahalanobis distance)表示数据的协方差距离,是一种有效的计 算两个未知样本集的相似度的方法,与欧氏距离不同的是它考虑到各种特性之 间的联系,马氏距离不受量纲的影响,两点之间的马氏距离与原始数据的测量 单位无关,由标准化数据和中心化数据(即原始数据与均值之差)计算出的二点 之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。对于一 个均值为μ,协方差矩阵为∑
-1的多变量向量x,其马氏距离为
∑
-1表示协方差矩阵对应的逆矩阵。
进一步的,在步骤D)采用指数加权移动平均方法建立设备异常判断机 制,判断设备状态情况,包括步骤:
D1)获取一段时间内正常样本数据的马氏距离集合,计算所述马氏距离集合的 均值μ1和方差σ1,根据3σ法则确定正常样本空间范围为[μ1-3σ,μ1+3σ];
D2)获取新进来的观测样本xt,计算观测样本xt的马氏距离Dt;
D3)计算加权移动平均后的观测样本估计值 Dt=w0Dt+w1Dt-1+W3Dt-2+…+WxDt-n,其中Dt-n表示观测样本xt-n的马氏距离, wn代表第t-n时刻的马氏距离的权重,w0+w1+…wn=1;
D4)判断设备估计值Dt是否在正常样本空间[μ1-3σ,μ1+3σ]内,若是,则表明 设备正常;若否,则表明设备异常。
本发明采用的指数加权平均估计方法能跟踪实际数据发生突变变化的能 力,具备减少短期波动、保留长期发展趋势的能力。
一种基于多变量状态估计的状态监测系统,包括数据获取模块、特征提 取模块、特征选择模块、状态估计模块和异常判断模块;
数据获取模块,用于采集设备工况参数信号和振动信号;
特征提取模块,用于对所述数据获取模块采集到的设备工况参数信号和振动信号进行特征提取,所述特征包括时域特征、频域特征、频带能量、能量熵和能 量总和;
特征选择模块,用于采用GBDT方法计算每个特征的重要度对所述特征提取模 块中提取到的设备信号特征计算重要度,并跟据重要度进行选取,获得特征选 择后的特征参数矩阵;
状态估计模块,用于采用马氏距离方法计算设备的状态估计值,获得设备的状 态估计值;
异常判断模块,用于采用指数加权移动平均方法建立设备异常判断机制,判断 设备状态情况。
本发明具有如下有益效果:本发明采用GBDT重要度计算方法,能有效 选择出可反映设备状态的关键参数,通过参数选择方法一方面可以降低特征维 度,减小状态估计时间;另一方面避免无效特征的干扰,可以提高状态估计的 准确率。通过采用马氏距离方法,将多维特征参数融合为一个估计值,并通过 指数加权平均方法进行状态估计,可以降低因随机误差引发的波动,并能吸收 瞬时突发的能力,时效性较强。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例一,如图1所示,一种基于多变量状态估计的状态监测方法,以 某型号电机为例,电机的转动速度为2500rpm,包括步骤:
A)采集设备工况参数信号和振动信号,采样频率为25600Hz,共m组振动信 号样本,m=400,
对每组设备信号样本分别进行特征提取,获得每组设备振动信号样本的n1个特征和工况参数信号的n2个特征,获得m×n维的特征参数矩阵,n=n1+n2,包 括步骤:
A1)提取各组设备振动信号样本的15个时域特征,15个时域特包含均值、绝对 均值、方差、标准差、最大值、最小值、峰峰值、有效值、偏斜度、峰值指标、 脉冲指标、裕度指标、波形指标、偏斜度指标、峭度和峭度指标;
A2)提取各组设备振动信号样本的4个频域特征,4个频域特征包含谱有效值、 谱方差、谱均值和谱中心;
A3)对各组振动信号进行3层小波包变换,得到8个分量信号,分别计算8个 分量信号的频带能量和能量熵;频带能量计算公式为
能量 熵的计算公式为
其中i表示第i个分量信号,N表 示分量信号数据点数,j表示分量信号数据点数序数,
表示第k组设备振动 信号样本的第i个分量信号的频带能量;
A5)获得每组设备振动信号样本的n1个特征和工况参数信号的n2个特征, n=37,特征包括15个时域特征、4个频域特征、8个频带能量、8个能量熵和1 个能量总和,获得400×37维的特征参数矩阵
B)采用GBDT方法计算每个特征的重要度,根据重要度确定特征选择 个数q,包括步骤:
B1)对37个特征分别计算在每颗树上的重要度,第j个特征在单颗树中的重要 度的计算公式为
其中,L为树的叶子节点数量,L-1 为树的非叶子节点数量,v
t是和节点t相关联的特征,
是节点t分裂之后平方损 失的减少值;
B2)计算37个特征在每个树上的重要度的平均值,第j个特征在每个树上的重 要度的平均值的计算公式为
其中M为树的个数;
B3)计算37个特征的重要度的平均值除以最大的重要度值,获得各个特征的 重要度值,第j个特征的重要度值的计算公式为
表示第j个特征的最大的重要度值;
B4)将重要度值按从大到小顺序依次排列,获得排列后的重要度排列集合 {I1,I2,…,In},根据重要度确定特征选择个数q。按照重要度排序,选择重要度 超过50%的特征,即选择波形指标、谱重心、各频带能量熵值和全频带能量熵, 共记11个特征,即q=11。
C)采用马氏距离方法计算设备的状态估计值,包括步骤:
C1)从特征参数矩阵V中选择前100组样本,计算各维矩阵的期望值 μ=[μ1,μ2,…,μq]T,期望值结果如表1所示。
表1前100组样本的特征参数对应均值表
特征参数 | 均值 | 特征参数 | 均值 | 特征参数 | 均值 |
谱重心 | 6154.1 | 波形指标 | 1.3328 | H | 0.8953 |
h1 | 0.1070 | h2 | 0.0985 | h3 | 0.1221 |
h4 | 0.1172 | h5 | 0.0982 | h6 | 0.1023 |
h7 | 0.1260 | h8 | 0.1241 | | |
表1
C2)根据所述期望值μ计算特征参数矩阵的协方差矩阵∑;
C3)根据所述特征参数矩阵的协方差矩阵∑计算马氏距离D,将所述马氏距 离D作为设备的状态估计值。图2是前100组信号的马氏距离结果。
D)采用指数加权平均方法建立设备异常判断机制,判断设备状态情况, 包括步骤:
D1)获取前100正常样本数据的马氏距离集合,计算前100组数据的马氏距离 的均值μ1和方差σ1,根据3σ法则确定正常样本空间范围为[μ1-3σ,μ1+3σ]; 根据计算得到μ1=7.315,σ1=5.096,则正常样本空间范围为[0,22.6037]。
D2)计算第101组至第400组观测样本的马氏距离Dt,获取新进来的观 测样本xt,计算观测样本xt的马氏距离Dt;
D3)计算加权移动平均后的观测样本估计值 Dt=w0Dt+w1Dt-1+W2Dt-2+…+WxDt-n,其中Dt-n表示观测样本xt-n的马氏距离, wn代表第t-n时刻的马氏距离的权重,w0+w1+…wn=1;
D4)判断设备估计值Dt是否在正常样本空间[0,22.6037]内,若是,则表明设备 正常;若否,则表明设备异常。图3是计算300组样本的马氏距离估计值,在 第160组样本时,估计值超出报警线,表明设备状态发生异常。
图4是选择所有的37维特征进行状态估计的特征评估结果图,在第178 组样本时设备估计值超出报警线,晚于本发明在第160组样本时就发现设备异 常的报警时间。因此,本发明可提前发现设备异常情况,并实现提前报警。
本发明通过对设备振动信号进行小波包变换,不仅能实现自适应的频带 划分,而且能够提取各频带内能量,通过对设备振动信号进行时域、频域和时 频域上的特征提取,能最大限度地提取反映设备运行状态的多维特征。通过 GBDT方法能有效选择出可反映设备状态的关键参数,通过参数选择方法一方 面可以降低特征维度,减小状态估计时间;另一方面避免无效特征的干扰,可 以提高状态估计的准确率。通过马氏距离方法实现多维特征参数估计设备运行 状态,实现设备异常预警。根据状态估计值建立异常报警机制,并通过指数加 权平均方式,可降低异常预警误报率,对设备状态情况进行判断到的准确率高。本发明采用马氏距离方法,将多维特征参数融合为一个估计值,并通过指数加 权平均方法进行状态估计,可以降低因随机误差引发的波动,并能吸收瞬时突 发的能力,时效性较强。
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 发明保护范围以内。