CN111259730B - 一种基于多变量状态估计的状态监测方法及系统 - Google Patents

一种基于多变量状态估计的状态监测方法及系统 Download PDF

Info

Publication number
CN111259730B
CN111259730B CN201911413592.9A CN201911413592A CN111259730B CN 111259730 B CN111259730 B CN 111259730B CN 201911413592 A CN201911413592 A CN 201911413592A CN 111259730 B CN111259730 B CN 111259730B
Authority
CN
China
Prior art keywords
equipment
importance
feature
calculating
state estimation
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
CN201911413592.9A
Other languages
English (en)
Other versions
CN111259730A (zh
Inventor
李倩
倪军
柳树林
蔡一彪
杨皓杰
孙丰诚
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.)
Hangzhou AIMS Intelligent Technology Co Ltd
Original Assignee
Hangzhou AIMS Intelligent Technology Co Ltd
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 Hangzhou AIMS Intelligent Technology Co Ltd filed Critical Hangzhou AIMS Intelligent Technology Co Ltd
Priority to CN201911413592.9A priority Critical patent/CN111259730B/zh
Publication of CN111259730A publication Critical patent/CN111259730A/zh
Application granted granted Critical
Publication of CN111259730B publication Critical patent/CN111259730B/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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及旋转设备故障诊断领域，公开了一种基于多变量状态估计的状态监测方法及系统，包括：A)采集设备工况参数信号和振动信号，获得m×n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；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，并采用马氏距离方法将多维特征参数融合为一个估计值，通过指数加权平均方法进行状态估计，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，准确率高。

Description

一种基于多变量状态估计的状态监测方法及系统
技术领域
本发明涉及旋转设备故障诊断领域，特别是涉及一种基于多变量状态估 计的状态监测方法及系统。
背景技术
近年来，国内航空航天、轨道交通、电力等工业生产向系统化、数字化 和自动化发展，机械系统逐渐复杂，对工艺参数要求指标和设备可靠性要求日 益提高。旋转设备承载着长时间的运转工作，极易出现异常，进一步地影响生 产效率和设备性能。因此对旋转机械进行监测，及时监测出旋转设备异常，实 现旋转设备早期异常判断，避免工厂自动化生产线由于故障和维护导致的意外 停机所带来的直接经济损失，实现近零计划外停机和无忧生产，提高生产效率。
旋转设备发生异常情况时，温度升高，振动指标增大，频域产生故障频 带。目前常用的旋转设备异常判断方法是单个特征指标进行阈值判断方法，根 据ISO2372标准阈值，对比计算振动信号的有效值，若超过阈值则判断设备出 现异常情况。ISO2372是一种通用的阈值判断标准，在不用应用场景下振动情 况不同，采用通用的阈值判断引起的误报率和漏报率偏高。一般情况下，通用 阈值偏大，振动超标超过通用阈值时，旋转设备已经出现不可逆损伤；并且现 有方法仅能对当前时刻的设备状态判断，无法实现预测，现有状态监测系统中， 设备早期异常报警机制的误报率与漏报率比较高。因此需要选择一种能够针对设备详情，构造可反映设备运行情况的特征，进一步地，基于多特征参数实现 设备状态评估，能够实现设备异常预警，并降低旋转设备异常判断的误报率。
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
Figure RE-GDA0002417421820000021
能量熵的 计算公式为
Figure RE-GDA0002417421820000024
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，
Figure RE-GDA0002417421820000022
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；
A4)获得第k组设备振动信号的能量总和
Figure RE-GDA0002417421820000023
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
Figure RE-GDA0002417421820000031
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
Figure RE-GDA0002417421820000032
其中，L为树的叶子节点数量，L-1 为树的非叶子节点数量，vt是和节点t相关联的特征，
Figure RE-GDA0002417421820000033
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
Figure RE-GDA0002417421820000034
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
Figure RE-GDA0002417421820000035
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；
B5)根据特征个数q，得到选择后的特征参数矩阵
Figure RE-GDA0002417421820000036
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
Figure BDA0002350610880000042
∑-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。
附图说明
图1是实施例一流程示意图。
图2是实施例一前100组样本马氏距离计算结果图。
图3是实施例一后300组样本评估结果图。
图4是实施例一采用37维特征的评估结果图。
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
Figure RE-GDA0002417421820000061
能量 熵的计算公式为
Figure RE-GDA0002417421820000069
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，
Figure RE-GDA0002417421820000062
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；
A4)获得第k组设备振动信号的能量总和
Figure RE-GDA0002417421820000063
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
Figure RE-GDA0002417421820000064
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
Figure RE-GDA0002417421820000065
其中，L为树的叶子节点数量，L-1 为树的非叶子节点数量，vt是和节点t相关联的特征，
Figure RE-GDA0002417421820000066
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
Figure RE-GDA0002417421820000067
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
Figure RE-GDA0002417421820000068
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。
B5)根据特征个数得到选择后的特征参数矩阵
Figure BDA0002350610880000077
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。

Claims (5)

1.一种基于多变量状态估计的状态监测方法，其特征在于，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；
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
Figure FDA0003705106750000012
能量熵的计算公式为hki＝-Esk*log10(Esk)，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，
Figure FDA0003705106750000013
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；
A4)获得第k组设备振动信号的能量总和
Figure FDA0003705106750000014
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，获得特征参数矩阵
Figure FDA0003705106750000011
2.根据权利要求1所述的一种基于多变量状态估计的状态监测方法，其特征在于，步骤B)中采用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，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
Figure FDA0003705106750000015
其中，L为树的叶子节点数量，L-1为树的非叶子节点数量，vt是和节点t相关联的特征，
Figure FDA0003705106750000016
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
Figure FDA0003705106750000024
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
Figure FDA0003705106750000021
Figure FDA0003705106750000022
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；
B5)根据特征个数q，得到选择后的特征参数矩阵
Figure FDA0003705106750000023
3.根据权利要求2所述的一种基于多变量状态估计的状态监测方法，其特征在于，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。
4.根据权利要求1或3所述的一种基于多变量状态估计的状态监测方法，其特征在于，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+w2Dt-2+…+wnDt-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。
5.一种基于多变量状态估计的状态监测系统，适用于如权利要求1至4任意一项所述的一种基于多变量状态估计的状态监测方法，其特征在于，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；
所述数据获取模块，用于采集设备工况参数信号和振动信号；
所述特征提取模块，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；
所述特征选择模块，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；
所述状态估计模块，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；
所述异常判断模块，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。
CN201911413592.9A 2019-12-31 2019-12-31 一种基于多变量状态估计的状态监测方法及系统 Active CN111259730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911413592.9A CN111259730B (zh) 2019-12-31 2019-12-31 一种基于多变量状态估计的状态监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911413592.9A CN111259730B (zh) 2019-12-31 2019-12-31 一种基于多变量状态估计的状态监测方法及系统

Publications (2)

Publication Number Publication Date
CN111259730A CN111259730A (zh) 2020-06-09
CN111259730B true CN111259730B (zh) 2022-08-23

Family

ID=70948519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911413592.9A Active CN111259730B (zh) 2019-12-31 2019-12-31 一种基于多变量状态估计的状态监测方法及系统

Country Status (1)

Country Link
CN (1) CN111259730B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015153B (zh) * 2020-09-09 2021-06-22 江南大学 一种无菌灌装生产线异常检测系统和方法
CN112763056A (zh) * 2020-12-29 2021-05-07 上海交大智邦科技有限公司 用于数控机床系统状态在线实时监测与评估的方法及系统
CN113723245B (zh) * 2021-08-20 2023-08-18 西安交通大学 往复式压缩机运行状态监测方法、系统、设备及存储介质
CN113746701B (zh) * 2021-09-03 2023-01-06 四川英得赛克科技有限公司 一种数据获取方法、系统、存储介质和电子设备
CN115062678B (zh) * 2022-08-19 2022-11-04 山东能源数智云科技有限公司 设备故障检测模型的训练方法、故障检测方法及装置
CN115500829A (zh) * 2022-11-24 2022-12-23 广东美赛尔细胞生物科技有限公司 一种应用于神经内科的抑郁症检测分析系统
CN115829422B (zh) * 2023-02-21 2024-01-02 北京瀚海蓝山智能科技有限公司 基于大数据的工业设备运行异常状态识别方法
CN117268535B (zh) * 2023-11-22 2024-01-26 四川中测仪器科技有限公司 一种基于振动数据的电机转轴状态监测方法
CN117290670B (zh) * 2023-11-27 2024-01-26 南京中鑫智电科技有限公司 一种基于增强滤波器算法的变压器套管绝缘状态估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005241089A (ja) * 2004-02-25 2005-09-08 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム
CN103674511A (zh) * 2013-03-18 2014-03-26 北京航空航天大学 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN105718876A (zh) * 2016-01-18 2016-06-29 上海交通大学 一种滚珠丝杠健康状态的评估方法
CN107146004A (zh) * 2017-04-20 2017-09-08 浙江大学 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
US10692302B2 (en) * 2017-07-27 2020-06-23 Toyota Motor Engineering & Manufacturing North America, Inc. Servicing schedule method based on prediction of degradation in electrified vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005241089A (ja) * 2004-02-25 2005-09-08 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム
CN103674511A (zh) * 2013-03-18 2014-03-26 北京航空航天大学 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN105718876A (zh) * 2016-01-18 2016-06-29 上海交通大学 一种滚珠丝杠健康状态的评估方法
CN107146004A (zh) * 2017-04-20 2017-09-08 浙江大学 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法

Also Published As

Publication number Publication date
CN111259730A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111259730B (zh) 一种基于多变量状态估计的状态监测方法及系统
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN106404399B (zh) 基于自适应冗余提升小波包分解树的轴承故障诊断方法
CN110243603B (zh) 基于Welch转换-径向基神经网的滚动轴承故障诊断方法
CN111044902B (zh) 一种基于电流和电压信号的电机故障诊断方法
CN117235557B (zh) 基于大数据分析的电气设备故障快速诊断方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
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
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN112487882A (zh) 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法
CN111881848A (zh) 基于变分模态分解与改进粒子群的电机故障信号提取方法
CN115481657A (zh) 一种基于电信号的风力发电机组通信滑环故障诊断方法
Wang et al. Rolling bearing fault diagnosis method based on stacked denoising autoencoder and convolutional neural network
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN111639852B (zh) 基于小波奇异值的水电机组振动状态实时评估方法及系统
CN111766513B (zh) 一种基于胶囊网络的三相感应电机变工况多故障诊断方法
Rehab et al. Bearings fault detection using hidden Markov models and principal component analysis enhanced features
CN107862175B (zh) 一种厂房振动多尺度分析方法
CN115717993A (zh) 多通道信号自适应分解方法
CN115561575A (zh) 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法
Yaqub et al. Machine health monitoring based on stationary wavelet transform and fourth-order cumulants
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration
Pan et al. Fast fault diagnosis method of rolling bearings in multi-sensor measurement enviroment
Gao et al. An improved permutation entropy algorithm for non-intrusive load state change detection
CN111982515A (zh) 一种机械故障检测方法及装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Qian

Inventor after: Ni Jun

Inventor after: Liu Shulin

Inventor after: Cai Yibiao

Inventor after: Yang Haojie

Inventor after: Sun Fengcheng

Inventor before: Li Qian

Inventor before: Liu Shulin

Inventor before: Cai Yibiao

Inventor before: Yang Haojie

Inventor before: Sun Fengcheng

GR01 Patent grant
GR01 Patent grant