CN113326589A - 一种敏感特征筛选方法及装置、存储介质 - Google Patents
一种敏感特征筛选方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113326589A CN113326589A CN202110720070.4A CN202110720070A CN113326589A CN 113326589 A CN113326589 A CN 113326589A CN 202110720070 A CN202110720070 A CN 202110720070A CN 113326589 A CN113326589 A CN 113326589A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- samples
- sample
- acoustic emission
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 abstract description 99
- 239000013074 reference sample Substances 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 239000000306 component Substances 0.000 description 8
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例公开了一种敏感特征筛选方法及装置、存储介质,该方法包括:获取至少两次同工况下变桨轴承正常运行中的声发射原始数据,从声发射原始数据获取特征,将获取到的特征作为特征样本进行假设检验,根据假设检测结果筛选出变桨轴承正常运行中的所有敏感特征,形成敏感特征样本。将敏感特征样本用作参照样本,将当前采集到的待检测声发射数据中与参照样本对应的待检测敏感特征提取出,并进行对比,根据对比结果确定当前变桨轴承是否产生故障。本发明实施例能够提供同工况下变桨轴承在正常运行中的敏感特征为参照样本,使得在确定故障检测进行数据对比时,对比结果准确率更高,从而提高了故障检测的准确率,减少了误报、虚报的概率。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及一种敏感特征筛选方法及装置、存储介质。
背景技术
变桨轴承作为风电机组的核心部件,是机组实现变桨动作的关键,其工作环境恶劣,具有启停频繁,传递扭矩大,传动比高的特点。由于变桨轴承工作时常见的工作转动范围为0~90°,导致滚动体不是沿整个滚道滚动,而是在一定区域内运动,那么其套圈的承载范围比较固定且容易出现超载现象,因此在变桨轴承的承载区容易出现套圈开裂故障。
现有的变桨轴承故障检测方法为:将多个声发射传感器布置在变桨轴承上获取声发射信号,然后将各个声发射传感器获取到的声发射信号进行对比,根据对比结果判断变桨轴承是否产生故障。
但是,由于声发射传感器获取到的声发射信号与周围环境、声发源信号的强弱均有关系,所以通过各个声发射传感器获取到的声发射信号进行对比以获取最终判断结果,误差较大,容易出现误报、虚报的情况。
发明内容
本发明实施例期望提供一种敏感特征筛选方法及装置、存储介质,能够提供变桨轴承在正常运行中的敏感特征集合为参照样本,提高确定故障检测结果时的数据对比准确率,从而减少误报、虚报的概率。
本发明的技术方案是这样实现的:
本发明实施例提供了一种敏感特征筛选方法,包括:
采集同工况下变桨轴承正常运行时的至少两组声发射原始数据;
分别提取每组声发射原始数据中的特征,得到对应的至少两组特征样本;
对所述至少两组特征样本之间进行假设检验,得到检验结果;
根据所述检验结果,确定敏感特征集合,所述敏感特征集合为变桨轴承在故障检测时的参照数据。
上述方案中,所述对所述至少两组特征样本之间进行假设检验,得到检验结果,包括:
对所述至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果。
上述方案中,所述对所述至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果,包括:
对第一特征样本与第二特征样本进行至少一种同分布假设检验,得到至少一种概率值;其中,所述第一特征样本为第一组特征样本中的任意一个特征样本,所述第二特征样本为第二组特征样本中的任意一个特征样本;所述第一组特征样本和所述第二组特征样本为所述每两组特征样本;
基于所述至少一种概率值,确定所述第一特征样本与所述第二特征样本的子检验结果;直至所述每两组特征样本均检验完成时,得到多个子检验结果,进而得到所述每两组特征样本的检验结果。
上述方案中,所述基于所述至少一种概率值,确定所述第一特征样本与所述第二特征样本的子检验结果,包括:
若所述至少一种概率值均大于预设概率值时,确定所述子检验结果为所述第一特征样本与所述第二特征样本是同分布;
若所述至少一种概率值中存在小于等于预设概率值的概率值时,确定所述子检验结果为所述第一特征样本与所述第二特征样本不是同分布。
上述方案中,所述根据所述检验结果,确定敏感特征集合,包括:
若每两组特征样本中的多个子检验结果存在第一子检验结果为同分布,则所述第一子检验结果对应的每组特征样本中的特征样本为敏感特征,从而形成所述敏感特征集合。
上述方案中,所述根据所述检验结果,确定敏感特征集合,还包括:
若每两组特征样本中的多个子检验结果存在第二子检验结果为不是同分布,则所述第二子检验结果对应的每组特征样本中的特征样本不是敏感特征。
上述方案中,所述对第一特征样本与第二特征样本进行至少一种同分布假设检验,得到至少一种概率值,包括:
根据至少一种函数对所述第一特征样本和所述第二特征样本进行至少一种同分布假设检验的计算,获取所述至少一种概率值;其中,所述至少一个种函数为所述至少一种同分布假设检验。
本发明实施例提供了一种敏感特征筛选装置,所述装置包括:
采集单元,用于采集同工况下变桨轴承正常运行时的声发射原始数据;
提取单元,用于获取每组所述声发射原始数据中的特征作为对应的特征样本;
检验单元,用于对所述特征样本进行假设检验;
确定单元,用于根据假设检验结果确定对应的所述特征是否为敏感特征。
本发明实施例提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现本发明实施例中的敏感特征筛选方法。
本发明实施例提供了一种敏感特征筛选装置,所述装置包括处理器、存储器以及通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,所述处理器执行本发明实施例中的敏感特征筛选方法。
本发明实施例提供了一种敏感特征筛选方法及装置、存储介质,其中,所述方法包括:获取至少两次同工况下变桨轴承正常运行中的声发射原始数据,从声发射原始数据获取特征,将获取到的特征作为特征样本进行假设检验,根据假设检测结果筛选出变桨轴承正常运行中的敏感特征。
采用上述技术方案,需要对变桨轴承进行故障检测时,可以视同工况下筛选出的变桨轴承在正常运行中的敏感特征为参照样本,将当前采集到的待检测声发射数据中与参照样本对应的待检测敏感特征提取出,并进行对比,根据对比结果确定当前变桨轴承是否产生故障。本发明实施例能够提供同工况下变桨轴承在正常运行中的敏感特征为参照样本,使得在确定故障检测进行数据对比时,对比结果准确率更高,从而提高了故障检测的准确率,减少了误报、虚报的概率。
附图说明
图1为本发明实施例提供的一种敏感特征筛选场景示意图一;
图2为本发明实施例提供的一种敏感特征筛选场景示意图二;
图3为本发明实施例提供的一种敏感特征筛选方法的流程示意图一;
图4为本发明实施例提供的一种敏感特征筛选方法的流程示意图二;
图5为本发明实施例提供的一种敏感特征筛选方法的流程示意图三;
图6为本发明实施例提供的一种敏感特征筛选方法的流程示意图四;
图7为本发明实施例提供的一种敏感特征筛选方法的流程示意图五;
图8为本发明实施例提供的一种敏感特征筛选方法的流程示意图六;
图9为本发明实施例提供的一种敏感特征筛选装置的结构示意图一;
图10为本发明实施例提供的一种敏感特征筛选装置的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在对本发明实施例的方案进行介绍之前,先对本发明实施例中可能会使用到的技术术语进行简单说明:
声发射(Acoustic Emission)简称AE:指材料或构件在受力过程中产生形变或裂纹时,以弹性波形式释放出应变能的现象。声发射的频率范围从次声(频率低于20Hz)、可听声(20Hz-20KHz)、直至几十MHz的超声波,其幅度(传感器输出电压),大约从几微伏到几百伏。
其中,声发射是自然界中一种常见的物理现象,如果在音频范围释放的应变能足够大,就可以听得见声鸣。
木材折断、大多数金属材料发生塑性形变和断裂时都伴有声发射产生,但声发射信号的强度一般都比较弱,人耳不能直接听见,需要借助传感器和电子仪器控模进行检测。
声发射检测技术:是指用仪器探测、记录、分析声发射信号和利用声发射信号对材料或构件进行动态无损检验,根据材料或构件内部发出的应力波来判断材料内部或构件内部损伤程度的一种无损检测方法。它可以在构件或材料的内部结构,缺陷或潜在缺陷处于运动变化的过程中进行检测。
假设检验(hypothesis testing),又称统计假设检验,是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。
本发明实施例提供一种敏感特征筛选场景,如图1所示,图1为本发明实施例提供的一种敏感特征筛选场景示意图一,包括位于采集区100侧面的检测区200,实际应用中,检测区200与采集区100的相对位置关系,通常根据地理环境和实际需求进行布置。采集区100中放置有声发射信号采集装置和待检测对象。
本发明实施例中,声发射信号采集装置用于采集声发射信号并对声发射信号进行放大或数字化等处理,待检测对象包括至少一组风力发电机组。至少一组风力发电机组包括至少一套能够正常运行的变桨轴承400和与变桨轴承400配套的轮毂(图中未示出),变桨轴承400在运行过程中,随着叶片的动作将会受力发生形变,使得变桨轴承400中内应力变化并以应力波形式向外传播,从而产生声发射信号。
在本发明的一些实施例中,声发射信号采集装置包括声发射传感器301和声发射采集器302。声发射传感器301设于变桨轴承400的外表面,声发射采集器302设置在轮毂内,且声发射传感器301与声发射采集器302电连接。
在本发明的一些实施例中,声发射传感器301用于采集变桨轴承400运行时发出的声发射信号,并将采集到的声发射信号传输至声发射采集器302;声发射采集器302用于对声发射信号进行数字化,从而形成声发射原始数据,并将声发射原始数据传输至声发射处理设备500。为保证声发射传感器301采集到的声发射信号的可靠性,声发射传感器301应该设置有至少两个,至少两个声发射传感器301应该沿变桨轴承400的周向等距离设于一套能够正常运行的变桨轴承400的外表面,且至少两个声发射传感器301的采集范围至少覆盖一套能够正常运行的变桨轴承400的整体。
在本发明的一些实施例中,声发射信号采集装置还可以包括放大器(图中未示出),放大器耦接于声发射传感器301与声发射采集器301之间,用于对声发射传感器301发出的声发射信号进行放大。
本发明实施例中,检测区200放置有声发射信号处理设备500,声发射信号处理设备500通过有线或无线的通讯方式与声发射信号采集装置建立通信。
在本发明的一些实施例中,基于图1,本发明的一些实施例中提供了一种敏感特征筛选场景,如图2所示,声发射信号处理设备500可以通过光纤或网线与塔基700建立通信,塔基700通过光纤或网线与至少一组风力发电机组的机舱600建立通信,机舱600通过Wi-Fi(Wireless Fidelity,无线保真)或光纤或网线与声发射信号采集装置建立通信,需要说明的是,实际使用中,机舱600应该与声发射信号采集装置中的声发射采集器302建立通信,声发射信号处理设备500可以是PC(Personal Computer,个人计算机)。需要说明的是,实际使用中,在待检测对象之外,可以根据需要设置更多的位于采集区100的待采集对象,本发明实施例不做限定。
图3为本发明实施例提供的一种敏感特征筛选方法,该方法包括:
S101、采集同工况下变桨轴承正常运行时的至少两组声发射原始数据。
本发明实施例提供的一种敏感特征筛选方法适用于获取风力发电机组中的变桨轴承正常运行时的敏感特征集合,获取的敏感特征集合可以用作变桨轴承进行故障判断时的参照样本。
本发明实施例中,同工况为相同工况,指设备工作时与设备动作有直接关系的工作环境条件,即设备真实工作时的环境情况。示例性的,与设备动作有直接关系的工作环境条件为风力、风力发电机组工作时叶片的转速等。
本发明实施例中,同工况下正常运行的变桨轴承为待检测件,在实际采集过程中,变桨轴承在运行中发出声发射信号,声发射传感器采集声发射信号并将采集到的每组声发射信号输送至声发射采集器中,声发射采集器对每组声发射信号处理后形成每组声发射原始数据,每组声发射原始数据为至少两组声发射原始数据中的任意一组声发射原始数据。重复上述过程,即可完成至少两组声发射原始数据的采集。
在本发明的一些实施例中,声发射传感器至少设置有一个,当声发射传感器设置有多个时,多个声发射传感器可以根据需要固定在变桨轴承的不同位置处。
需要说明的是,实际使用中,声发射传感器的选择根据需要采集的至少两组声发射原始数据的频率范围和幅度范围来确定,包括有可能存在的噪音信号,即声发射传感器的选择可以通过实际测试确定,根据最终确定结果,选择需要的声发射信号灵敏、对噪音信号不灵敏的声发射传感器进行检测;声发射传感器的选择也可以根据经验了解进行选择。示例性的,钢材中焊接缺陷时产生的声发射信号频率范围在25-750KHz之间等,本发明实施例不作限制。
可以理解的是,本发明实施例中,采集至少两组声发射原始数据用于后续的数据分析处理,可以提高后续数据处理的准确性,保证筛选出的敏感特征的可靠性。
在本发明的一些实施例中,声发射采集器对同工况下变桨轴承正常运行时的至少两组声发射信号进行处理,从而形成声发射原始数据时,可以如图4所示,包括S201-S203,如下:
S201、对每组声发射原始数据进行放大,得到放大后的每组声发射原始数据。
在本发明的一些实施例中,当声发射传感器采集到每组声发射信号后,声发射采集器中的前置放大器对每组声发射信号进行放大,得到放大后的每组声发射信号。
S202、对放大后的每组声发射信号进行滤波,得到滤波后的每组声发射信号。
在本发明的一些实施例中,由于采集每组声发射信号时,变桨轴承处于正常运行的状态下,所以采集到每组声发射信号会受到噪声的干扰,因此需要对放大后的每组声发射信号进行滤波,将每组声发射原始数据中的噪声去除掉。
在本发明的一些实施例中,可以利用滤波器对放大后的每组声发射信号进行滤波,得到滤波后的每组声发射信号。滤波器的具体选择可以根据实际需求决定。
S203、通过A/D转换器(模拟数字转换器)对滤波后的每组声发射信号进行转换,得到每组声发射原始数据并输出。
本发明实施例中,A/D转换器用于将模拟信号转换为数字信号。
需要说明的是,本发明实施例中,由于采集到的每组声发射信号为模拟信号,每组声发射信号在经过放大和滤波后,仍为模拟信号,所以需要通过A/D转换器将滤波后的每组声发射信号转换为数字信号,从而得到每组声发射原始数据,并将每组声发射原始数据输出。
本发明实施例中,在实际使用中,声发射采集器可以将对获取到每组声发射信号实时处理并输出,也可以根据需要对获取到每组声发射信号周期性的处理并输出。
可以理解的是,数字信号在传输过程中具有更高的抗干扰能力,且更便于分析处理,便于后续的特征提取。
S102、分别提取每组声发射原始数据中的特征,得到对应的至少两组特征样本。
本发明实施例中,每组声发射原始数据中的特征可以通过声发射信号处理设备进行提取。
本发明实施例中,每组声发射原始数据中均包括多条数据,提取特征时,从每组声发射原始数据中的每条数据中提取需要的所有特征作为每组特征样本。
在本发明的一些实施例中,需要的所有特征可以为时域特征、频域特征、熵特征,波形特征、小波能量特征、小波信息熵、小波标准差、小波95%分位数等,本发明实施例不作限制。
本发明实施例中,可以采用小波分析的方法、傅里叶变换、神经网络分析法或可分离性判据完成每组声发射原始数据的特征提取,得到至少两组特征样本。
在本发明的一些实施例中,采用可分离性判据对每组声发射原始数据进行特征提取时,具体采用基于类间距离的可分离性判据,最终得到需要的特征样本。
S103、对至少两组特征样本之间进行假设检验,得到检验结果。
本发明实施例中,声发射处理设备对至少两组特征样本之间进行假设检验,得到检验结果可以包括:声发射处理设备对至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果。
本发明实施例中,假设检验为显著性检验,其基本原理是先对总体的特征提出某种假设,然后通过抽样研究的统计推理得到概率值,对此假设应该被拒绝还是接受做出推断,如果假设被接受,则检验结果为假设成立,如果假设被拒绝,则检验结果为假设不成立。其中,提出的假设分为原假设和备择假设,原假设为待检验的假设,备择假设为与原假设对立的假设;概率值又称为P值,概率值越大,假设被接受的概率越大,则假设成立,概率值越小,假设被接受的概率越小,则假设不成立。
在本发明实施例中,声发射处理设备对至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果时,可以如图5所示,包括S1031-S1032,如下:
S1031、对第一特征样本与第二特征样本进行至少一种同分布假设检验,得到至少一种同分布概率值。
本发明实施例中,第一特征样本为第一组特征样本中的任意一个特征样本,第二特征样本为第二组特征样本中的任意一个特征样本;第一组特征样本和第二组特征样本为每两组特征样本。对第一特征样本和第二特征样本提出第一特征样本和第二特征样本属于同分布的假设,然后检验第一特征样本和第二特征样本是否真的属于同分布,并得到第一特征样本和第二特征样本属于同分布的概率值。
本发明实施例中,同分布指第一特征样本和第二特征样本中任何时刻的随机取值,均服从同一分布。由于每个特征样本中均包括多条数据,且每条数据均对应提取出有多个相同的特征,因此在实际检验过程中,对第一特征样本与第二特征样本进行至少一种同分布概率值,即对第一特征样本与第二特征样本中属于同一特征的多条数据进行同分布假设检验,其中,同分布假设检验的次数与第一特征样本和/或第二特征样本中包括的特征数量一致。
本发明实施例中,对第一特征样本与第二特征样本进行至少一种同分布假设检验时,得到至少一种概率值,包括:
根据至少一种函数对第一特征样本和第二特征样本进行至少一种同分布假设检验计算,获取至少一种概率值;其中,至少一种函数为至少一种同分布假设检验。
本发明实施例中,同分布假设检验包括多种,示例性的,同分布假设检验可以是Kolmogorov-Smirnov检验、Epps-Singleton检验等。每种同分布假设检验均可以通过至少一种函数对第一特征样本与第二特征样本进行代入计算,从而获取每种同分布假设检验的概率值。本发明实施例中,假设第一特征和第二特征的函数分别为第一函数和第二函数,第一函数和第二函数为至少一种函数中的任意一种函数,第一函数和第二函数属于同一种函数,第一函数和第二函数服从同一种分布方式。
本发明实施例中,利用第一函数和第二函数构建统计量,利用统计量检验第一特征样本和第二特征样本是否服从同一种分布方式并计算获取服从同一种分布方式的统计量,然后根据服从同一种分布方式的统计量计算得到概率值。
S1032、基于至少一种概率值,确定第一特征样本与第二特征样本的子检验结果;直至每两组特征样本均检验完成时,得到多个子检验结果,进而得到每两组特征样本的检验结果。
本发明实施例中,若至少一种概率值均大于预设概率值时,确定子检验结果为第一特征样本与第二特征样本是同分布。若至少一种概率值中存在小于等于预设概率值的概率值时,确定子检验结果为第一特征样本与第二特征样本不是同分布。
本发明实施例中,预设概率值可以根据需求自行设定,在统计学中,预设概率值通常取值0.025或0.05,在本发明的一些实施例中,概率值取值为0.1,本发明实施例不作限制。
示例性的,预设概率值为1,若至少一种概率值全部大于1,则确定第一特征样本和第二特征样本是同分布;若至少一种概率值存在小于或等于1的概率值时,则确定第一特征样本和第二特征样本不是同分布。
S104、根据检验结果,确定敏感特征集合;敏感特征集合为变桨轴承在故障检测时的参照数据。
本发明实施例中,若每两组特征样本中的多个子检验结果存在第一子检验结果为同分布,则第一子检验结果对应的每组特征样本中的特征样本为敏感特征,从而形成敏感特征集合。
本发明实施例中,敏感特征集合为所有是同分布的第一特征样本和第二特征样本的集合。
示例性的,若每两组特征样本中的第一时域特征是第一特征样本和第二特征样本,经过同分布假设检验,第一特征样本和第二特征样本是同分布,得到第一子检验结果为同分布,则第一时域特征是敏感特征。在本发明的一些可选实施例中,第一特征样本和第二特征样本可以是至少一个频域特征中的任意一个频域特征、至少一个熵特征中的任意一个熵特征等。
可以理解的是,敏感特征集合为同工况下变桨轴承正常运行中获取的,所以在对同工况下变桨轴承进行故障判断时,采集同工况下变桨轴承运行时的声发射原始数据,然后提取声发射原始数据中的特征,将提取出中的特征与敏感特征集合中的敏感特征一一对应进行对比,若对比结果超出预设值,则该变桨轴承当前存在故障,若对比结果小于预设值,则该变桨轴承当前不存在故障。
在本发明的一些实施例中,若每两组特征样本中的多个子检验结果存在第二子检验结果为不是同分布,则第二子检验结果对应的每组特征样本中的特征样本不是敏感特征。
在本发明的一些实施例中,若每两组特征样本中的第二时域特征是第一特征样本和第二特征样本,经过同分布假设检验,第一特征样本和第二特征样本不是同分布,得到第二子检验结果为不是同分布,则第二时域特征不是敏感特征。
可以理解的是,通过对同工况下变桨轴承正常运作中的声发射原始射数据进行至少两次采集,然后对至少两组声发射原始数据进行特征提取,从而形成特征样本,通过至少两组声发射原始数据中的每两组特征样本进行同分布假设检验,根据检验结果确定当前进行同步假设检验的特征样本是否为敏感特征,从至少两组声发射原始数据中筛选出敏感特征集合,以作为后续变桨轴承在同工况下故障检测的参照样本。这种筛选敏感特征集合的方法,在实际应用中易于实现,且该筛选敏感特征集合的方法基于声发射技术,可保证筛选出的敏感特征集合的参考准确性,使得在确定故障检测进行数据对比时,对比结果准确率更高,从而提高了故障检测的准确率,减少了误报、虚报的概率。
本发明的一个可选实施例提供的一种敏感特征筛选方法,基于如图1所示的一种敏感特征筛选场景,适用于变桨轴承的特征提取故障诊断等,本发明的一个可选实施例可以如图6所示,包括S601-S606,如下:
S601、采集两次同工况下变桨轴承正常运行时的两组声发射原始数据。
本发明实施例中,两组声发射原始数据均包括多条数据且数据条数相同。
在本发明的一个可选实施例中,两组声发射原始数据内的数据条数应分别不小于200条。
S602、对两组声发射原始数据进行特征提取,作为特征样本。
在本发明的一个可选实施例中,通过声发射信号处理设备从两组声发射原始数据的每条数据中分别提取相同的103个特征作为特征样本;其中,103个特征为:16个时域特征,13个频域特征,10个波形特征,小16个波能量特征,16个小波信息熵,16个小波标准差,16个小波95%分位数。
S603、将属于同一特征的多条数据记为一个特征样本,从两组声发射原始数据中各取一个特征样本,分别作为第一特征样本和第二特征样本。
S604、假设第一特征样本与第二特征样本是同分布为原假设,通过声发射信号处理设备进行Kolmogorov-Smirnov检验和Epps-Singleton检验,并分别获取概率值。
在本发明的一个可选实施例中,概率值为第一概率和第二概率值,第一概率值为Kolmogorov-Smirnov检验的概率值,第二概率值为Epps-Singleton检验的概率值。
在本发明的一个可选实施例中,Kolmogorov-Smirnov检验和Epps-Singleton检验用于检测第一特征样本和第二特征样本是否来自同一总体,即用于确定第一特征样本和第二特征样本是否从相同的分布中采样获取。
在本发明的一个可选实施例中,Kolmogorov-Smirnov检验和Epps-Singleton检验均采用双样本检验。
S605、判断概率值是否均大于预设概率值,若概率值均大于预设概率值时,则认为第一特征样本与第二特征样本中存在第一子检验结果是同分布,则第一子检验结果对应的每组特征样本中的特征样本是敏感特征。
在本发明的一个可选实施例中,预设值取0.1。
S606、对特征样本,依次进行S603-S605,从特征样本中筛选出全部敏感特征作为敏感特征集合。
可以理解的是,需要对变桨轴承进行故障检测时,将当前采集到的待检测声发射数据中与所述敏感特征集合中特征类型相同的特征提取出,并将两者进行对比,根据对比结果确定当前变桨轴承是否产生故障,从而在确定故障检测进行数据对比时,使得对比结果准确率更高,从而提高了故障检测的准确率,减少了误报、虚报的概率。
在本发明的一个可选实施例中,Kolmogorov-Smirnov检验可以如图7所示,包括S701-S704,如下:
S701、假设第一特征样本和第二特征样本的累计分布函数分别为F1(x)和F2(x)。
S702、利用累计分布函数F1(x)和F2(x)构建统计量。
S703、利用S702中的统计量检验第一特征样本和第二特征样本是否服从正态分布并获取服从正态分布的统计量。
S704、通过服从正态分布的统计量计算概率值。
本发明的一个可选实施例中,累计函数又称为分布函数,用于描述实随机变量x的概率分布;而统计量为第一特征样本和第二特征样本中待检测的特征数量,如在该可选实施例中,由于两组声发射原始数据内的数据条数应分别不小于200条,所以第一特征样本和第二特征样本的统计量为在200至两组声发射原始数据内的数据条数之间的随机取值。
在本发明的一个可选实施例中,Epps-Singleton检验可以如图8所示,包括S801-S804,包括:
S801、假设第一特征样本和第二特征样本的经验特征函数分别为Φ1(t)和Φ2(t)。
S802、利用经验特征函数Φ1(t)和Φ2(t)构建统计量。
S803、利用S802中的统计量检验第一特征样本和第二特征样本是否服从卡方分布并获取服从卡方分布的统计量。
S804、通过服从卡方分布的统计量计算概率值。
本发明的一些可选实施例中,Kolmogorov-Smirnov检验和Epps-Singleton检验均可基于统计数据库scipy.stats或其他数据库进行检验实现,本发明实施例中不做具体限定。
本发明实施例还提供一种敏感特征筛选装置,对应于一种敏感特征筛选方法;图9为本发明实施例提供的一种敏感特征筛选装置的结构示意图一,如图9所示,该敏感特征筛选装置5包括:采集单元51、提取单元52、检验单元53,和确定单元54;其中,
采集单元51,用于采集同工况下变桨轴承正常运行时的声发射原始数据。
提取单元52,用于获取每组声发射原始数据中的特征作为对应的特征样本。
检验单元53,用于对特征样本进行假设检验。
确定单元54,用于根据假设检验结果确定对应的特征是否为敏感特征。
本发明实施例还提供一种存储介质,适用于一种敏感特征筛选装置;如图10所示,本发明实施例提供的一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,用于实现如本发明实施例的敏感特征筛选方法。
本发明实施例中,存储介质具体可以为存储器。所述存储器可以为如图10所示的存储器62。
本发明实施例还提供一种敏感特征筛选装置,对应于一种敏感特征筛选方法,如图10所示,包括处理器61、存储器62以及通信总线64,存储器62通过通信总线64与处理器61进行通信,存储器62存储所述处理器61可执行的一个或者多个程序,当所述一个或者多个程序被执行时,所述处理器61执行如本发明实施例的敏感特征筛选方法,具体的,敏感特征筛选装置6还包括用于进行数据传输的通信组件63,其中,处理器61至少设有一个。
本发明实施例中,敏感特征筛选装置中的各个组件通过总线64耦合在一起。可理解,通过总线64用于实现这些组件之间的连接通信。通过总线64除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为通过总线64。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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。
本发明是参照根据本发明实施例的方法、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存储器中,使得存储在该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。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种敏感特征筛选方法,其特征在于,包括:
采集同工况下变桨轴承正常运行时的至少两组声发射原始数据;
分别提取每组声发射原始数据中的特征,得到对应的至少两组特征样本;
对所述至少两组特征样本之间进行假设检验,得到检验结果;
根据所述检验结果,确定敏感特征集合,所述敏感特征集合为变桨轴承在故障检测时的参照数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少两组特征样本之间进行假设检验,得到检验结果,包括:
对所述至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述至少两组特征样本的每两组特征样本进行假设检验,得到每两组特征样本的检验结果,包括:
对第一特征样本与第二特征样本进行至少一种同分布假设检验,得到至少一种概率值;其中,所述第一特征样本为第一组特征样本中的任意一个特征样本,所述第二特征样本为第二组特征样本中的任意一个特征样本;所述第一组特征样本和所述第二组特征样本为所述每两组特征样本;
基于所述至少一种概率值,确定所述第一特征样本与所述第二特征样本的子检验结果;直至所述每两组特征样本均检验完成时,得到多个子检验结果,进而得到所述每两组特征样本的检验结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述至少一种概率值,确定所述第一特征样本与所述第二特征样本的子检验结果,包括:
若所述至少一种概率值均大于预设概率值时,确定所述子检验结果为所述第一特征样本与所述第二特征样本是同分布;
若所述至少一种概率值中存在小于等于预设概率值的概率值时,确定所述子检验结果为所述第一特征样本与所述第二特征样本不是同分布。
5.根据权利要求3或4所述的方法,其特征在于,所述根据所述检验结果,确定敏感特征集合,包括:
若每两组特征样本中的多个子检验结果存在第一子检验结果为同分布,则所述第一子检验结果对应的每组特征样本中的特征样本为敏感特征,从而形成所述敏感特征集合。
6.根据权利要求3或4所述的方法,其特征在于,所述方法还包括:
若每两组特征样本中的多个子检验结果存在第二子检验结果为不是同分布,则所述第二子检验结果对应的每组特征样本中的特征样本不是敏感特征。
7.根据权利要求3所述的方法,其特征在于,所述对第一特征样本与第二特征样本进行至少一种同分布假设检验,得到至少一种概率值,包括:
根据至少一种函数对所述第一特征样本和所述第二特征样本进行至少一种同分布假设检验的计算,获取所述至少一种概率值;其中,所述至少一个种函数为所述至少一种同分布假设检验。
8.一种敏感特征筛选装置,其特征在于,所述装置包括:
采集单元,用于采集同工况下变桨轴承正常运行时的声发射原始数据;
提取单元,用于获取每组所述声发射原始数据中的特征作为对应的特征样本;
检验单元,用于对所述特征样本进行假设检验;
确定单元,用于根据假设检验结果确定对应的所述特征是否为敏感特征。
9.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7任一项所述的方法。
10.一种敏感特征筛选装置,其特征在于,所述装置包括处理器、存储器以及通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,所述处理器执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720070.4A CN113326589B (zh) | 2021-06-28 | 一种敏感特征筛选方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720070.4A CN113326589B (zh) | 2021-06-28 | 一种敏感特征筛选方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326589A true CN113326589A (zh) | 2021-08-31 |
CN113326589B CN113326589B (zh) | 2024-07-12 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
CN113312731B (zh) * | 2021-06-28 | 2024-07-12 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130043974A1 (en) * | 2011-08-16 | 2013-02-21 | Elwha LLC, a limited liability company of the State of Delaware | Systematic distillation of status data relating to regimen compliance |
CN103164651A (zh) * | 2011-12-15 | 2013-06-19 | 西门子公司 | 提取病毒文件特征码的装置和方法以及病毒检测系统 |
CN112162181A (zh) * | 2020-09-27 | 2021-01-01 | 北京南洋思源智能科技有限公司 | 一种监测方法、装置及计算机可读存储介质 |
CN112924173A (zh) * | 2021-03-01 | 2021-06-08 | 广州特种承压设备检测研究院 | 一种风力发电机组变桨轴承故障诊断方法 |
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130043974A1 (en) * | 2011-08-16 | 2013-02-21 | Elwha LLC, a limited liability company of the State of Delaware | Systematic distillation of status data relating to regimen compliance |
CN103164651A (zh) * | 2011-12-15 | 2013-06-19 | 西门子公司 | 提取病毒文件特征码的装置和方法以及病毒检测系统 |
CN112162181A (zh) * | 2020-09-27 | 2021-01-01 | 北京南洋思源智能科技有限公司 | 一种监测方法、装置及计算机可读存储介质 |
CN112924173A (zh) * | 2021-03-01 | 2021-06-08 | 广州特种承压设备检测研究院 | 一种风力发电机组变桨轴承故障诊断方法 |
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
Non-Patent Citations (2)
Title |
---|
张伟;赵洪山;: "基于MED和VMD的风电机组发电机滚动轴承故障特征提取方法", 黑龙江电力, no. 05, 15 October 2017 (2017-10-15), pages 62 - 68 * |
熊浩;晏海华;黄永刚;郭涛;李舟军;: "一种基于BP神经网络的代码相似性检测方法", 计算机科学, no. 03, 15 March 2010 (2010-03-15), pages 165 - 170 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
CN113312731B (zh) * | 2021-06-28 | 2024-07-12 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
Jamaludin et al. | Monitoring extremely slow rolling element bearings: part I | |
CN103760243A (zh) | 一种微裂纹无损检测装置及方法 | |
CN106323452A (zh) | 一种设备异音的检测方法及检测装置 | |
Hall et al. | Acoustic emissions diagnosis of rotor-stator rubs using the KS statistic | |
CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
O'brien et al. | A pattern recognition system based on acoustic signals for fault detection on composite materials | |
CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
JP2019067197A (ja) | 故障予兆検知手法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及系统 | |
CN102749425B (zh) | 一种发动机机体疲劳试验裂纹诊断方法和装置 | |
Mongia et al. | Vibration response-based condition monitoring and fault diagnosis of rotary machinery | |
CN203745428U (zh) | 一种微裂纹无损检测装置 | |
Pancaldi et al. | Time-varying metrics of cyclostationarity for bearing diagnostic | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
Pradhan et al. | Fault detection using vibration signal analysis of rolling element bearing in time domain using an innovative time scalar indicator | |
CN113326589B (zh) | 一种敏感特征筛选方法及装置、存储介质 | |
CN109934136A (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN113326589A (zh) | 一种敏感特征筛选方法及装置、存储介质 | |
CN105784364A (zh) | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 | |
CN113312731B (zh) | 一种变桨轴承故障检测方法及装置、存储介质 | |
Nunes et al. | Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection | |
CN113312731A (zh) | 一种变桨轴承故障检测方法及装置、存储介质 | |
Kim et al. | Condition monitoring of low-speed bearings—a review | |
Ince et al. | Averaged acoustic emission events for accurate damage localization |
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 |