CN112347944B - 一种基于零值比例频谱特征的机械传动故障检测方法 - Google Patents

Abstract

本发明公开了一种基于零值比例频谱特征的机械传动故障检测方法，包括数据采集步骤、零值比例频谱特征提取步骤、层级分类器训练步骤和新数据模型测试步骤；首先通过在齿轮、轴承等监控点的传感器收集部件运转的时序信号，然后通过频谱分析方法对信号进行变换处理，并提取零值比例频谱特征；最后通过提取的特征建立层级分类器模型训练和测试。本发明可以通过提取的零值比例特征大幅度提升机器学习模型的性能和效率，另一方面通过层级分类器提升检出率的同时控制误报率，易实现部署且适用性强。

Description

一种基于零值比例频谱特征的机械传动故障检测方法

技术领域

本发明涉及一种基于零值比例频谱特征的机械传动故障检测方法，属于机械传动故障检测领域。

背景技术

由于风力发电具有清洁可再生的优点，受到了来自世界范围内的广泛关注。但是，风机常常工作在恶劣的环境中，并且工作强度极其高。一方面，从风叶、塔架到发电箱，甚至是轴承、齿轮的损坏都会给生产过程带来巨大的安全威胁和经济损失；另一方面，通过故障诊断专家进行人工判断一台风机是否发生故障具有很高的时间和人力成本。这些都是风机故障检测和维修的难点，因此出现了使用机器学习技术对风机故障进行检测和分析的方式。

机器学习技术需要大量的数据作为训练支持，尤其是深度学习技术。此外，模型对于数据和标记信息的噪声容忍度比较低，当数据发生微小的变化即会导致模型预测发生巨大的变化。但是，一方面，风机故障检测领域的训练数据比较少且带有很多噪声（比如传感器安装位置不当）；另一方面，风机故障检测是一个时序信号，输入维度高，对模型的容量要求高，容易导致模型的过拟合。以往的机器学习技术在处理机械传动时序信号时需要通过专家设计的特征并辅助以浅层模型，这种方法遇到了性能瓶颈，因此需要一套智能化的解决方案。

发明内容

为解决现有技术的不足，本发明提供一种基于零值比例频谱特征的机械传动故障检测方法，通过提取的零值比例特征大幅度提升了机器学习模型的性能和效率，并且通过层级分类器提升检出率的同时有效的控制了误报率，整体易实现部署且适用性强。

本发明所采用的技术方案为：

一种基于零值比例频谱特征的机械传动故障检测方法，包括如下步骤：

步骤一、数据收集：通过传感器收集各个监控点的时序特征；

步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征；

步骤三、层级分类器训练；

步骤四、新数据模型测试。

优选的是，步骤一中数据收集包括如下步骤：

步骤100：确定传动机械故障监控点；

步骤101：部署信号收集传感器；

步骤102：采集传动机械转速时序信号；

步骤103：将采集的数据组成“时序信号 有故障”和“时序信号无故障”形式的若干组数据。

进一步的优选，步骤二中零值比例频谱特征提取包括如下步骤：

步骤200：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；

步骤201：按照比例遍历不同的窗口大小W1，W2，…，WN；

步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；

步骤203：取若干个高峰对应的索引值；

步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；

步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即ZeroRatio， zr特征；

步骤206：对所有窗口大小W1，W2，…，WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1， zr2，…，zrN；

步骤207：计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征。

进一步的优选，步骤三中层级分类器训练包括如下步骤：

步骤300：将每段时序数据提取的零值比例特征组织成一个向量V1i；

步骤301：该时序数据对应的部件没有故障，设置Yi=0；反之，该时序数据对应的部件有故障，设置Yi=1；

步骤302：根据训练数据“V1i，Yi”训练分类模型M1；

步骤303：对每段时序数据统计窗口内离散信息熵作为额外特征，融入V1i作为V2i；

步骤304：根据训练数据“V2i, Yi”训练分类模型M2。

进一步的优选，步骤四中新数据模型测试包括如下步骤：

步骤400：收集待预测部件的机械传动时序特征数据；

步骤401：提取零值比例频谱特征V1i；

步骤402：利用训练好的模型M1对V1i进行预测；

步骤403：如果预测值≤0.5，输出无故障；

步骤404：如果预测值大于＞0.5，提取时序数据统计窗口内离散信息熵，与V1i融合为V2i；

步骤405：使用M2对V2i进行预测；

步骤406：如果预测值≤0.5，输出无故障；

步骤407：如果预测值＞0.5，输出有故障。

本发明的有益效果在于：

提取的零值比例频谱特征可以有效地去除毛刺现象，采用了多个滑动窗口保证模型的鲁棒性，并且提取的零值比例特征可以有效地捕获故障信号；此外，使用了层级分类器，一方面，第一层分类器基于零值比例特征可以提高模型召回率，即尽可能检测出有故障的风机；然后为了避免误报率太高，引入了第二层分类器对第一层分类器预测为有故障的样本继续分类，分类的依据引入了信息熵等基本特征，可以大幅度降低误报率。

具体实施方式

下面结合实施例对本发明做具体的介绍。

实施例1：本实施例是一种基于零值比例频谱特征的机械传动故障检测方法，包括如下步骤：

步骤一、数据收集：通过传感器收集各个监控点的时序特征；

步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征；

步骤三、层级分类器训练；

步骤四、新数据模型测试。

首先，步骤一中数据收集包括如下步骤：

步骤100：确定传动机械故障监控点；

步骤101：部署信号收集传感器；

步骤102：采集传动机械转速时序信号；

步骤103：将采集的数据组成“时序信号 有故障”和“时序信号 无故障”形式的若干组数据。

其次，步骤二中零值比例频谱特征提取包括如下步骤：

步骤200：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；

步骤201：按照比例遍历不同的窗口大小W1，W2，…，WN；

步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；

步骤203：取若干个高峰对应的索引值；

步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；

步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即ZeroRatio，zr特征；

步骤206：对所有窗口大小W1，W2，…，WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1，zr2，…，zrN；

步骤207：计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征。

然后，步骤三中层级分类器训练包括如下步骤：

步骤300：将每段时序数据提取的零值比例特征组织成一个向量V1i；

步骤301：该时序数据对应的部件没有故障，设置Yi=0；反之，该时序数据对应的部件有故障，设置Yi=1；

步骤302：根据训练数据“V1i，Yi”训练分类模型M1；

步骤303：对每段时序数据统计窗口内离散信息熵作为额外特征，融入V1i作为V2i；

步骤304：根据训练数据“V2i，Yi”训练分类模型M2。

再然后，步骤四中新数据模型测试包括如下步骤：

步骤400：收集待预测部件的机械传动时序特征数据；

步骤401：提取零值比例频谱特征V1i；

步骤402：利用训练好的模型M1对V1i进行预测；

步骤403：如果预测值≤0.5，输出无故障；

步骤404：如果预测值大于＞0.5，提取时序数据统计窗口内离散信息熵，与V1i融合为V2i；

步骤405：使用M2对V2i进行预测；

步骤406：如果预测值≤0.5，输出无故障；

步骤407：如果预测值＞0.5，输出有故障。

在实际应用时，数据收集步骤依次为：将轴承处选为主要测量点部署转速传感器，对于低频振动，在水平、垂直和轴向三个方向进行测量（步骤100，步骤101），采集有故障和无故障的风机对应的转速时序信号（步骤102），每段时序信号采集4s-30s，并将数据组织成“时序信号，是否有故障”的形式保存，即“时序信号 有故障”和“时序信号 无故障”形式（步骤103）。

零值比例频谱特征提取步骤依次为：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1（步骤200）。按照比例遍历不同的窗口大小W1，W2，…，WN（步骤201），对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象（步骤202），取若干个高峰对应的索引值（步骤203），计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C（步骤204），对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即Zero Ratio, zr特征（步骤205）；对所有窗口大小W1，W2，…， WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1，zr2， …，zrN（步骤206）；计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征（步骤207）。

层级分类器训练步骤依次为：将每段时序数据提取的零值比例特征组织成一个向量V1i（步骤300），如果该时序数据对应的部件没有故障，设置Yi=0，反之Yi=1（步骤301），根据训练数据“V1i，Yi”训练分类模型M1，可以采用支持向量机、随机森林等模型（步骤302），对每段时序数据统计窗口内离散信息熵等特征作为额外特征，融入V1i作为V2i（步骤303），根据训练数据“V2i, Yi”训练分类模型M2（步骤304）；本实施例中，分类模型M1、分类模型M2采用支持向量机模型，在实际应用时，分类模型M1、分类模型M2也可以采用随机森林模型。

新数据模型测试步骤依次为：收集待预测部件的机械传动时序数据（步骤400），提取零值比例频谱特征V1i（步骤401），利用训练好的模型M1对V1i进行预测（步骤402），如果预测值小于或等于0.5，则输出无故障（步骤403），预测值大于0.5，则提取时序数据统计窗口内离散信息熵特征，与V1i融合为V2i（步骤404），使用M2对V2i进行预测（步骤405），如果预测值小于或等于0.5，输出无故障（步骤406），预测值大于0.5则输出有故障（步骤407）。

以上所述仅是本发明专利的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明专利原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明专利的保护范围。

Claims (2)

1.一种基于零值比例频谱特征的机械传动故障检测方法，其特征在于：包括如下步骤：

步骤一、数据收集：通过传感器收集各个监控点的时序特征，所述监控点为轴承，所述时序特征为传动机械转速时序信号T；

步骤二、零值比例频谱特征提取：通过频谱分析提取零值比例频谱特征，具体包括如下步骤：步骤200：将采集的原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1；步骤201：按照比例遍历不同的窗口大小W1，W2，…，WN；步骤202：对于给定窗口大小Wi，依次遍历频谱图中的每一个窗口取最大值，去除旁边的“毛刺”现象；步骤203：取若干个高峰对应的索引值；步骤204：计算高峰索引值任意两个之间的差值，并排序得到索引差值曲线C；步骤205：对曲线C进行差分，统计差分值为0的比例当做零值比例特征，即Zero Ratio, zr特征；步骤206：对所有窗口大小W1,W2,…, WN，重复步骤202-步骤205，提取每个窗口下的零值比例特征zr1, zr2, …, zrN；步骤207：计算以上所有零值比例特征的均值、方差、最大、最小值，和所有零值比例特征放在一起当做最终提取的零值比例特征；

步骤三、层级分类器训练，具体包括如下步骤：步骤300：将每段时序数据提取的零值比例特征组织成一个向量V1i；步骤301：该时序数据对应的部件没有故障，设置Yi=0；反之，该时序数据对应的部件有故障，设置Yi=1；步骤302：根据训练数据“V1i，Yi”训练分类模型M1；步骤303：对每段时序数据统计窗口内离散信息熵作为额外特征，融入V1i作为V2i；步骤304：根据训练数据“V2i, Yi”训练分类模型M2；

步骤四、新数据模型测试，具体包括如下步骤：步骤400：收集待预测部件的机械传动时序特征数据；步骤401：提取零值比例频谱特征V1i；步骤402：利用训练好的模型M1对V1i进行预测；步骤403：如果预测值≤0.5，输出无故障；步骤404：如果预测值大于＞0.5，提取时序数据统计窗口内离散信息熵，与V1i融合为V2i；步骤405：使用M2对V2i进行预测；步骤406：如果预测值≤0.5，输出无故障；步骤407：如果预测值＞0.5，输出有故障。

2.根据权利要求1所述的一种基于零值比例频谱特征的机械传动故障检测方法，其特征在于，所述步骤一中数据收集包括如下步骤：

步骤100：确定传动机械故障监控点；

步骤101：部署信号收集传感器；

步骤102：采集传动机械转速时序信号T；

步骤103：将采集的数据组成“时序信号 有故障”和“时序信号 无故障”形式的若干组数据。