CN113551766B - 一种基于人工智能的机械设备工作状态检测方法 - Google Patents

一种基于人工智能的机械设备工作状态检测方法 Download PDF

Info

Publication number
CN113551766B
CN113551766B CN202111107604.2A CN202111107604A CN113551766B CN 113551766 B CN113551766 B CN 113551766B CN 202111107604 A CN202111107604 A CN 202111107604A CN 113551766 B CN113551766 B CN 113551766B
Authority
CN
China
Prior art keywords
characteristic information
standard
sequences
obtaining
safety index
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
CN202111107604.2A
Other languages
English (en)
Other versions
CN113551766A (zh
Inventor
吴恩旗
王柱
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.)
QIDONG HAIXIN MACHINERY CO Ltd
Original Assignee
QIDONG HAIXIN MACHINERY 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 QIDONG HAIXIN MACHINERY CO Ltd filed Critical QIDONG HAIXIN MACHINERY CO Ltd
Priority to CN202111107604.2A priority Critical patent/CN113551766B/zh
Publication of CN113551766A publication Critical patent/CN113551766A/zh
Application granted granted Critical
Publication of CN113551766B publication Critical patent/CN113551766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种基于人工智能的机械设备工作状态检测方法。该检测方法包括采集待检测机械设备的多组振动信号；提取每组振动信号中的特征信息得到特征信息序列；通过特征信息与标准超球体之间的位置关系将特征信息分为两类，得到每类的距离评估指标，标准超球体是基于多组标准特征信息序列构建的超球体；根据两类的距离评估指标的总和得到第一安全指标；拟合多组特征信息序列得到直线方程，根据直线方程的斜率得到角度；获取角度与标准角度的角度变化量，根据角度变化量得到第二安全指标；根据第一安全指标和第二安全指标得到整体安全指标，判断安全等级，解决了由于振动信号容易受到噪声干扰，造成评估结果不准确的技术问题。

Description

一种基于人工智能的机械设备工作状态检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能的机械设备工作状态检测方法。
背景技术
智能化车间在生产的过程中，若机械设备发生故障会因设备无法正常工作造成重大的经济损失，严重的可能会导致人员伤亡。在机械设备发生故障之前设备自身的某些性能指标会发生变化，可以通过监控这些指标的变化来估计相应设备的工作状态。设备状态的监测信号是反应设备运行正常与否的信息载体。
对于大型机械设备中的旋转零部件，例如轴承和齿轮等，通常用振动法进行工作状态的监测时，用位移传感器在尽量靠近轴承的平面内测量转轴的径向振动；通过对振动信号的监测、采集和分析处理等，根据预设判断判断标准对机械设备的运行状态进行判断。
发明人在实践中发现上述技术方案存在以下缺陷：
由于机械设备的振动信号容易受到噪声的干扰，直接对该振动信号进行分析会将噪声信号的影响带入评估结果，造成的评估结果不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的机械设备工作状态检测方法，具体方案为：
一种基于人工智能的机械设备工作状态检测方法，该检测方法包括：
采集待检测机械设备的多组振动信号；
提取每组所述振动信号中的特征信息得到特征信息序列；
通过所述特征信息与标准超球体之间的位置关系将所述特征信息分为两类，得到每类特征信息的距离评估指标，所述标准超球体是基于正常工作状态下的多组标准特征信息序列构建的超球体；根据两类特征信息的所述距离评估指标的总和得到第一安全指标；
拟合多组特征信息序列得到直线方程，根据所述直线方程的斜率得到相应的角度；
获取所述角度与标准角度的角度变化量，根据所述角度变化量得到第二安全指标；
对所述第一安全指标和第二安全指标进行标准化处理，根据标准化处理后的所述第一安全指标和第二安全指标得到整体安全指标，判断所述整体安全指标的安全等级。
进一步，所述拟合多组特征信息序列得到直线方程的步骤包括：从每组特征序列中随机选取预设数量的散点，拟合所选取的所有所述散点得到第一直线；计算在所有特征序列中的散点分别到所述第一直线的距离小于预设距离阈值时的第一数量；对于每组特征序列中的剩余散点，随机选取预设数量的散点，拟合得到第二直线；计算在所有特征序列中的散点到所述第二直线的距离小于预设距离阈值时的第二数量；比较所述第一数量与所述第二数量的数值大小，数值最大的数量所对应的拟合直线作为所述直线方程。
进一步，所述标准角度的获取步骤包括：拟合多组所述标准特征信息序列得到标准的直线方程，根据所述标准的直线方程的斜率得到相应的标准角度。
进一步，所述通过所述特征信息与所述超球体之间的位置关系将所述特征信息分为两类的步骤包括：按照所述特征信息是否位于所述超球体内部，将所述特征信息分为位于球体内部的第一类特征信息和位于球体外部的第二类特征信息。
进一步，所述特征信息是否位于所述超球体内部的判断步骤包括：获取所述特征信息到所述超球体的球心之间的第一距离；比较所述第一距离与所述超球体的半径的关系，所述第一距离小于等于所述半径的特征信息为第一类特征信息，所述第一距离大于所述半径的特征信息为第二类特征信息。
进一步，所述每类特征信息的距离评估指标的获取方法为：所述第一类特征信息的距离评估指标为最大预设安全值；获取所述第一距离与所述半径的均方误差，所述第二类特征信息的距离评估指标与所述均方误差呈负相关关系。
进一步，所述第二安全指标为所述角度变化量的余弦值。
进一步，所述提取每组所述振动信号中的特征信息得到特征信息序列的步骤包括：分解所述振动信号得到多个模态分量信号；分别提取每个所述模态分量信号中的特征信息得到每组振动信号的特征信息序列。
进一步，所述分别提取每个所述模态分量信号中的特征信息的步骤包括：基于第一维度的窗口，将所述模态分量信号分为多个第一时间窗口序列；基于第二维度的窗口，将所述模态分量信号分为第二时间窗口序列；所述第二维度大于所述第一维度；分别计算多个所述第一时间窗口序列之间的第一匹配概率和多个所述第二时间窗口序列的第二匹配概率；根据所述第一匹配概率和所述第二匹配概率的熵得到所述分量信号的特征信息。
进一步，所述计算多个所述第一时间窗口序列之间的第一匹配概率的步骤包括：计算每个第一时间窗口序列与其他第一时间窗口序列之间的相似概率，根据所述相似概率得到平均概率，所述平均概率为所述第一匹配概率。
本发明实施例具有如下有益效果：
本发明实施例通过提取振动信号的特征信息，并根据特征信息与标准超球体之间的位置关系得到第一安全性指标；根据多组特征信息拟合得到的直线方程得到相应的角度，根据角度变化量得到第二安全性指标，通过第一安全性指标和第二安全性指标得到整体安全性指标，进而判断整体安全性指标的安全等级。第一安全性指标反映了特征信息与标准信息之间的相似性，相似性越大表示该特征信息越接近正常状态下的标准数据；第二安全性指标通过角度变化量反映了特征信息的变化趋势，角度变化量越大说明趋势变化越大；通过整体安全性指标反映出机械设备的安全工作状态，解决了目前由于机械设备的振动信号容易受到噪声干扰，造成评估结果不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的实施环境示意图；
图2为本发明一个实施例所提供的一种基于人工智能的机械设备工作状态检测方法的方法流程图；
图3为本发明实施例中提取特征信息的步骤示意图；
图4为本发明实施例中提取某一个模态分量信号中的特征信息的步骤示意图；
图5为本发明实施例中对于特征信息是否位于超球体内部的判断步骤示意图；
图6为本发明实施例中每类特征信息的距离评估指标的获取步骤示意图；
图7为本发明实施例中拟合多组特征信息序列得到直线方程的步骤示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的机械设备工作状态检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
请参阅图1，其示出了本发明实施例所涉及的一种基于人工智能的机械设备工作状态检测方法的实施环境，该实施环境包括机械设备100、安装于机械设备上的传感器200和监控终端300。具体的，传感器200安装于机械设备100，用于实时监测机械设备100中关键部件的振动信号，并将该振动信号发送给监控终端300。
机械设备100为含有齿轮的设备，例如：大型颚式破碎机、超细层压自磨机等。
传感器200采用能够检测振动信号的传感器，例如振动传感器，振动传感器可以选用机械振动传感器、光学式振动传感器以及电学振动传感器等。
监控终端300可以是台式计算机、膝上型计算机、平板电脑、手机、智能手表、智能手环等。
具体到本发明实施例中，机械设备为大型颚式破碎机，传感器采用电学振动传感器，通过将电学振动传感器固定安装在大型颚式破碎机的齿轮一侧，保证能够准确的采集到齿轮的振动信号，后续监控设备通过对该振动信号的处理和分析得到设备状态的评估结果。电学振动传感器的安装位置可根据实际情况进行调整。
下面结合附图和具体的实施例对本发明所提供的一种基于人工智能的机械设备工作状态检测方法的方案进行详细的介绍和说明。
请参阅图2，其示出了本发明一个实施例提供的一种基于人工智能的机械设备工作状态检测方法，包括以下步骤：
步骤S001，采集待检测机械设备的多组振动信号。
采用电学振动传感器按照预设的时间间隔采样，所采集到的振动信号为按照时间顺序排列的一个数据序列。
具体的，每组振动信号为预设时间段内采集的一组时间序列，假设该组时间序列 共有N个采样点，第
Figure DEST_PATH_IMAGE001
个采样点的振动信号记为
Figure 893929DEST_PATH_IMAGE002
，则该预设时间段的振动信号的时间序 列为：{
Figure DEST_PATH_IMAGE003
}，其中
Figure 415041DEST_PATH_IMAGE004
。
步骤S002，提取每组振动信号中的特征信息得到特征信息序列。
由于机械设备的振动容易受到环境噪声的影响，此时受到影响的振动信号具有非平稳性和非线性的特点，很难从受影响的振动信号中准确提取出振动信号的特征信息。请参阅图3，为了从振动信号中提取出有效的特征信息，本发明实施例对每组振动信号采用以下步骤进行处理：
步骤21，分解振动信号得到多个模态分量信号；
对步骤S001中所获取的振动信号进行分解，得到对应的模态分量信号
Figure DEST_PATH_IMAGE005
，则有：
Figure 851707DEST_PATH_IMAGE006
}
其中，
Figure DEST_PATH_IMAGE007
为分量信号的数量，
Figure 273199DEST_PATH_IMAGE008
表示分解后的第
Figure DEST_PATH_IMAGE009
个模态分量。
对于分解后的第
Figure 661586DEST_PATH_IMAGE010
个模态分量为：
Figure 637370DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示第
Figure 137447DEST_PATH_IMAGE010
个模态分量的第
Figure 773965DEST_PATH_IMAGE001
个信号值。
在本发明实施例中分解振动信号得到模态分量信号的方法为完备集合经验模态分解（CEEMDAN）。在其他实施例中还可以采用其他能够分解信号得到模态分量的方法，例如经验模态分解（EMD）或者集合经验模态分解（EEMD）。
步骤22，分别提取每个模态分量信号中的特征信息得到每组振动信号的特征信息序列。
对第
Figure 536516DEST_PATH_IMAGE010
个模态分量提取出的特征信息为
Figure 999596DEST_PATH_IMAGE014
，那么对同一组振动信号的各个模态分 量进行特征提取之后，该组振动信号的特征信息序列
Figure DEST_PATH_IMAGE015
为：
Figure 935322DEST_PATH_IMAGE016
，其中
Figure DEST_PATH_IMAGE017
。
对于多组振动信号，则能够得到特征信息序列：
Figure DEST_PATH_IMAGE019
其中，
Figure 737930DEST_PATH_IMAGE020
表示第一组振动信号中的第
Figure 435497DEST_PATH_IMAGE007
个特征信息，
Figure DEST_PATH_IMAGE021
表示第
Figure 418496DEST_PATH_IMAGE022
组振动信号中 的第
Figure 865570DEST_PATH_IMAGE007
个特征信息。
具体的，请参阅图4，提取某一个模态分量信号中的特征信息的步骤包括：
步骤221，基于第一维度的窗口，将模态分量信号分为多个第一时间窗口序列；基于第二维度的窗口，将模态分量信号分为第二时间窗口序列；第二维度大于第一维度；
具体的，以第
Figure 820888DEST_PATH_IMAGE010
个模态分量
Figure 440088DEST_PATH_IMAGE008
为例，将第一维度记为
Figure DEST_PATH_IMAGE023
，以
Figure 159651DEST_PATH_IMAGE023
为窗口的长度、窗 口滑动的步长为1，将模态分量划分为
Figure 155289DEST_PATH_IMAGE024
个时间窗口序列，则第
Figure 463648DEST_PATH_IMAGE001
个
Figure 270062DEST_PATH_IMAGE023
维的第一 时间窗口序列
Figure DEST_PATH_IMAGE025
为：
Figure DEST_PATH_IMAGE027
将模态分量
Figure 8079DEST_PATH_IMAGE008
的时间序列转换成
Figure 541829DEST_PATH_IMAGE023
维的窗口序列
Figure 253431DEST_PATH_IMAGE028
，则有：
Figure 965166DEST_PATH_IMAGE030
增加第一维度的维数得到第二维度，将第二维度记为
Figure DEST_PATH_IMAGE031
。同理，以
Figure 377431DEST_PATH_IMAGE031
为窗口 的长度、窗口的滑动步长为1，按照相同的方法得到模态分量
Figure 465604DEST_PATH_IMAGE008
的窗口序列，将该窗口序 列记为
Figure 14135DEST_PATH_IMAGE032
。
步骤222，分别计算多个第一时间窗口序列之间的第一匹配概率和多个第二时间窗口序列的第二匹配概率；
第一匹配概率的步骤包括：计算每个第一时间窗口序列与其他第一时间窗口序列之间的相似概率，根据相似概率得到平均概率，评价概率为第一匹配概率。
具体的，以计算第
Figure 490246DEST_PATH_IMAGE001
个维的时间窗口序列
Figure 15906DEST_PATH_IMAGE025
和其他所有
Figure DEST_PATH_IMAGE033
个时间窗口序列之间的 距离为例，分别计算时间窗口序列
Figure 547250DEST_PATH_IMAGE025
与其他任意一个时间窗口序列之间的距离，将两个窗 口中相应信号值的最大差值作为该窗口序列
Figure 576386DEST_PATH_IMAGE025
与相应窗口的第二距离。
例如：窗口序列
Figure 134318DEST_PATH_IMAGE025
与窗口序列
Figure 22640DEST_PATH_IMAGE034
之间的第二距离为：
Figure 436304DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示窗口序列
Figure 241317DEST_PATH_IMAGE025
的第
Figure 715024DEST_PATH_IMAGE038
个信号值，
Figure DEST_PATH_IMAGE039
表示窗口序列
Figure 605489DEST_PATH_IMAGE034
的第
Figure 822843DEST_PATH_IMAGE040
个信号值，
Figure DEST_PATH_IMAGE041
。
预设相似容限，统计窗口序列
Figure 482364DEST_PATH_IMAGE025
与其他窗口序列的所有第二距离小于相似容限 的数量，将该数量记为
Figure 495014DEST_PATH_IMAGE042
，窗口序列
Figure 951403DEST_PATH_IMAGE025
的相似概率
Figure DEST_PATH_IMAGE043
为：
Figure DEST_PATH_IMAGE045
根据相同的方法，计算每个窗口序列与其他窗口序列的相似概率，将
Figure 159399DEST_PATH_IMAGE046
个 相似概率进行累加得到两个序列在预设相似容限
Figure DEST_PATH_IMAGE047
下匹配
Figure 673426DEST_PATH_IMAGE023
个信号值的平均概率，该平均 概率为第一匹配概率
Figure 629881DEST_PATH_IMAGE048
：
Figure 573566DEST_PATH_IMAGE050
同理，对于增加维度后所得到的窗口序列，同样计算两个序列在预设相似容限
Figure 241045DEST_PATH_IMAGE047
下 匹配
Figure 970098DEST_PATH_IMAGE031
个信号值的第二匹配概率
Figure DEST_PATH_IMAGE051
：
Figure DEST_PATH_IMAGE053
其中，
Figure 414898DEST_PATH_IMAGE054
表示第
Figure 219781DEST_PATH_IMAGE001
个
Figure 317050DEST_PATH_IMAGE031
维的窗口序列的相似概率。
步骤223，根据第一匹配概率和第二匹配概率的熵得到分量信号的特征信息。
根据步骤222得到的第一匹配概率和第二匹配概率，得到分量信号
Figure 900609DEST_PATH_IMAGE008
所对应的 样本熵，将该样本熵作为特征信息
Figure 431822DEST_PATH_IMAGE014
：
Figure 615679DEST_PATH_IMAGE056
熵越大，振动信号的波形就越复杂；熵越小，振动信号的波形自我相似性越好。
步骤S003，通过特征信息与标准超球体之间的位置关系将特征信息分为两类，得到每类特征信息的距离评估指标，标准超球体是基于正常工作状态下的多组标准特征信息序列构建的超球体；根据两类特征信息的距离评估指标的总和得到第一安全指标。
标准超球体在构建之前需要采集正常工作状态下的多组标准振动信号，并根据步骤S002的方法提取该标准振动信号的特征信息，将该标准振动信号的标准特征信息序列记为，则有：
Figure 126426DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
表示第一组标准振动信号中的第
Figure 469551DEST_PATH_IMAGE007
个特征信息，
Figure 797764DEST_PATH_IMAGE060
表示第
Figure 329238DEST_PATH_IMAGE022
组标准 振动信号中的第
Figure 50200DEST_PATH_IMAGE007
个特征信息。
将
Figure DEST_PATH_IMAGE061
作为标准特征信息序列，根据该标准特征信息序列构建标准超球体，以使 该标准超球体能够涵盖该标准特征信息序列。将标准超球体的球心记为
Figure 497100DEST_PATH_IMAGE062
，半径记为
Figure DEST_PATH_IMAGE063
，该 超球体为：
Figure DEST_PATH_IMAGE065
对于标准特征信息序列中的每个数据点到球心
Figure 792952DEST_PATH_IMAGE062
的距离均应该满足：最小化超球 体半径，同时保证在容许范围内所有数据均在标准超球体内。通过最优化算法获取最优的 标准超球体，本发明实施例中选取拉格朗日松弛算法来获取最优超球体。标准超球体是由 正常状态下的特征信息构建的，因此在该标准超球体内部的特征信息属于安全的特征信 息。
具体的，基于标准特征信息序列，通过最优化算法进行迭代搜索最佳的满足目标函数的超球体，构建目标函数为：
Figure DEST_PATH_IMAGE067
其中，
Figure 466248DEST_PATH_IMAGE063
为最终的标准超球体的半径，
Figure 318797DEST_PATH_IMAGE068
为第
Figure DEST_PATH_IMAGE069
个标准特征信息到球心的距离，
Figure 891642DEST_PATH_IMAGE047
为每次搜索确定的半径。
通过最优化算法每次搜索得到一个球心、每个球心对应一个半径，直至搜索到半径最小且所有基准特征信息到球心的距离都小于球体的半径时停止搜索，将此时的球体的半径作为标准超球体的半径、球体的球心作为标准超球体的球心，此时对应的超球体为标准超球体。
在其他实施例中，最优化算法还可以采用遗传算法、模拟退火算法等能够搜索球体的算法。
基于步骤S002得到的待评估的振动信号的特征信息序列，可以得到特征信息序列中的每个数据点，通过特征信息与超球体之间的位置关系将特征信息分为两类的方法包括：按照特征信息是否位于超球体内部，将特征信息分为位于球体内部的第一类特征信息和位于球体外部的第二类特征信息。
请参阅图5，特征信息是否位于超球体内部的判断步骤包括：
步骤S31，获取特征信息到超球体的球心之间的第一距离；
步骤S32，比较第一距离与半径的关系，第一距离小于等于半径的特征信息为第一类特征信息，第一距离大于半径的特征信息为第二类特征信息。
请参阅图6，每类特征信息的距离评估指标的获取步骤为：
步骤S33，第一类特征信息的距离评估指标为最大预设安全值；
步骤S34，获取第一距离与半径的均方误差，第二类特征信息的距离评估指标与均方误差呈负相关关系。
具体的，在第一距离小于等于球体半径时，特征信息位于标准超球体的内部，反映 出该特征信息是比较安全的特征信息，因此将其评估指标设置为最大预设安全值；在第一 距离大于球体半径时，特征信息位于标准超球体的外部，其偏离标准超球体越远说明该特 征信息的安全性就越差，因此该距离值与评估指标之间呈负相关关系，因此将第
Figure 312390DEST_PATH_IMAGE010
个特征信 息到球心的第一距离记为
Figure 800878DEST_PATH_IMAGE070
、第c个待评估的特征信息的距离评估指标记为
Figure DEST_PATH_IMAGE071
，通过数学建 模的方法拟合得到：
Figure 988277DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE073
为大于零的模型参数，
Figure 894922DEST_PATH_IMAGE062
表示最大预设安全值。
在本发明实施例中
Figure 109740DEST_PATH_IMAGE073
取值为5，
Figure 711623DEST_PATH_IMAGE062
的取值为1；在其他实施例中可根据实际情况预设 合适的取值。
计算每个特征信息的距离评估指标，得到第一安全指标
Figure 312500DEST_PATH_IMAGE074
，则有：
Figure 51480DEST_PATH_IMAGE076
第一安全指标
Figure 63299DEST_PATH_IMAGE074
的值越大，设备的工作状态安全性越高；当振动信号所对应的特 征信号全部在标准超球体内时，第一安全指标
Figure 762264DEST_PATH_IMAGE074
的取值最大，此时设备的工作状态安全性 最高。
步骤S004，拟合多组特征信息序列得到直线方程，根据直线方程的斜率得到相应的角度。
由于机械设备的振动是连续的，即便发生故障，其振动信号也是连续变化的，因此根据所采集的振动信号之间的关系对工作状态进行进一步的分析，以达到准确分析齿轮的工作状态，得到准确地评估结果。
请参阅图7，拟合多组特征信息序列得到直线方程的步骤包括：
步骤S41，从每组特征序列中随机选取预设数量的散点，拟合所选取的所有散点得到第一直线；计算在所有特征序列中的散点分别到第一直线的距离小于预设距离阈值时的第一数量；
具体的，对于
Figure 399788DEST_PATH_IMAGE022
组待评估的振动信号
Figure DEST_PATH_IMAGE077
，每组振动信号对应的一组特征信息，每 组特征信息的数量为
Figure 31758DEST_PATH_IMAGE007
。以时间为横轴、以特征值为纵轴建立直角坐标系，每个特征信息在 坐标系中都对应一个散点，得到
Figure 322799DEST_PATH_IMAGE022
组特征信息的多个散点，也即
Figure 774640DEST_PATH_IMAGE078
个散点。对得到的多 个散点进行拟合，具体的拟合方法为：从每组特征信息对应的散点中随机的选取
Figure DEST_PATH_IMAGE079
个散点， 得到
Figure 356800DEST_PATH_IMAGE080
个散点；对选取的
Figure 436752DEST_PATH_IMAGE080
个散点进行拟合得到第一直线。在得到第一直线之后， 计算
Figure 435713DEST_PATH_IMAGE078
个散点分别到该第一直线的距离，将距离小于预设阈值的散点判定为属于该第 一直线的散点，记录属于该第一直线的散点的数量，该数量为第一数量。
步骤S42，对于每组特征序列中的剩余散点，随机选取预设数量的散点，拟合得到第二直线；计算在所有特征序列中的散点到第二直线的距离小于预设距离阈值时的第二数量；
剩余散点是指将每组中参加过拟合的散点剔除之后得到的散点。再次从每组中的 剩余散点中选取相同数量的散点进行拟合得到第二直线，同样计算
Figure 984637DEST_PATH_IMAGE078
个散点到该第二 直线的距离，将距离小于预设阈值的散点判定为属于该第二直线的散点，记录属于第二直 线的散点的数量，该数量为第二数量。
步骤S43，比较第一数量与第二数量的数值大小，数值最大的数量所对应的拟合直线为直线方程。
根据每组特征信息的数据量与每次拟合选取的数据量确定拟合的次数，拟合次数 为
Figure DEST_PATH_IMAGE081
，拟合次数取整数；也即在所剩余的散点数量小于
Figure 354176DEST_PATH_IMAGE079
时，停止拟合。将每次拟合之后确定 的属于直线方程的散点数量进行比较，将属于直线方程的散点数量最多的直线方程作为最 终的拟合直线。记该直线方程为
Figure DEST_PATH_IMAGE083
Figure DEST_PATH_IMAGE085
其中，
Figure 350951DEST_PATH_IMAGE086
为斜率，
Figure DEST_PATH_IMAGE087
为常数项。
步骤S005，获取角度与标准角度的角度变化量，根据角度变化量得到第二安全指标。
由步骤S004中得到的直线方程能够得到角度，记角度为
Figure 780533DEST_PATH_IMAGE088
，则有：
Figure 410229DEST_PATH_IMAGE090
通过角度反映拟合直线的整体变化趋势，也即反映特征信息的整体变化趋势。
同理，标准角度的获取方法为：对于多组正常工作状态下的标准特征信息序列，根 据步骤S004和S005的方法，拟合多组标准特征信息序列得到标准的直线方程，根据该标准 的直线方程的斜率得到相应的标准角度
Figure DEST_PATH_IMAGE091
。
由于机械设备从故障发生的起始阶段到故影响正常工作状态的阶段，振动信号也 相应的从正常的工作状态逐渐的演变为信号明显异常。角度变化量越大，说明特征信息的 趋势变化越大，也即特征信息越不稳定，特征信息越不稳定说明机械设备工作状态异常的 可能性越大，安全性就越低，也即角度变化量与工作状态的稳定性呈现负相关关系，则第二 安全性指标
Figure 351769DEST_PATH_IMAGE092
为：
Figure 780214DEST_PATH_IMAGE094
其中，
Figure DEST_PATH_IMAGE095
表示角度变化量。
也即第二安全指标为角度变化量的余弦值。
步骤S006，对第一安全指标和第二安全指标进行标准化处理，根据标准化处理后的第一安全指标和第二安全指标得到整体安全指标，判断整体安全指标的安全等级。
记第一安全性指标
Figure 616583DEST_PATH_IMAGE096
归一化后为
Figure DEST_PATH_IMAGE097
，第二安全性指标
Figure 779580DEST_PATH_IMAGE098
归一化后为
Figure DEST_PATH_IMAGE099
，整体安全 指标
Figure 490922DEST_PATH_IMAGE100
为：
Figure 275338DEST_PATH_IMAGE102
其中，
Figure DEST_PATH_IMAGE103
为第一安全性指标的权重，
Figure 68894DEST_PATH_IMAGE104
为第二安全性指标的权重。
在本发明实施例中，
Figure DEST_PATH_IMAGE105
和
Figure 702875DEST_PATH_IMAGE106
的取值可以通过函数拟合得到，在本发明实施例中
Figure 453794DEST_PATH_IMAGE105
的 经验取值为0.4、
Figure 732197DEST_PATH_IMAGE106
的经验取值为0.6。
归一化后的第一安全性指标
Figure 644790DEST_PATH_IMAGE097
取值越大，说明振动信号的稳定性越好；归一化后 的第二安全性指标
Figure 392166DEST_PATH_IMAGE099
的取值越大，说明振动信号的趋势变化越小，机械设备的工作状态的 稳定性越好；整体安全性指标的取值越大，说明机械设备的工作状态的稳定性。
在本发明实施例中将安全等级分为五个等级，在其他实施例中可根据需要划分安全等级。
具体的，采用分段法将(0，1)这个范围划分为五个等级，设置等级预设阈值分别为：0.2、0.4、0.6和0.8。在整体安全性指标位于(0,0.2)时，对应的工作状态为重度故障，等级标记为1；在整体安全性指标位于[0.2,0.4)时，对应的工作状态为中度故障，等级标记为2；在整体安全性指标位于[0.4,0.6)时，对应的工作状态为轻度故障，等级标记为3；在整体安全性指标位于[0.6,0.8)时，对应的工作状态为亚健康，等级标记为4；在整体安全性指标位于[0.8,1)时，对应的工作状态为健康，等级标记为5。
对于不同的等级，系统将做出预警提示，例如在系统中显示不同的颜色标记，或者系统控制不同指示灯指示，方便工作人员及时做出反馈，在机械设备出现潜在异常的初期阶段做出相应的调整反馈，避免较大的故障。
综上所述，本发明实施例通过提取振动信号的特征信息，并根据特征信息与标准超球体之间的位置关系得到第一安全性指标；根据多组特征信息拟合得到的直线方程得到相应的角度，根据该角度与标准角度之间的角度变化量得到第二安全性指标，通过第一安全性指标和第二安全性指标得到整体安全性指标，进而判断整体安全性指标的安全等级。整体安全性指标由第一安全性指标和第二安全性指标构成，其中第一安全性指标通过特征信息与标准信息之间的位置关系反映了两者之间的相似性，相似性越大，表示该特征信息越接近正常状态下的标准数据；第二安全性指标通过角度变化量反映了特征信息的变化趋势，因此通过分析特征信息的整体安全性指标能够准确的根据振动信号的变化特征，反映出机械设备的安全工作状态，解决了目前机械设备的监测结果容易受到噪声干扰，造成监测结果不准确的问题。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的机械设备工作状态检测方法，其特征在于，该检测方法包括：
采集待检测机械设备的多组振动信号；
提取每组所述振动信号中的特征信息得到特征信息序列；
通过所述特征信息与标准超球体之间的位置关系将所述特征信息分为两类，得到每类特征信息的距离评估指标，所述标准超球体是基于正常工作状态下的多组标准特征信息序列构建的超球体；根据两类特征信息的所述距离评估指标的总和得到第一安全指标；
拟合多组特征信息序列得到直线方程，根据所述直线方程的斜率得到相应的角度；
获取所述角度与标准角度的角度变化量，根据所述角度变化量得到第二安全指标；
对所述第一安全指标和第二安全指标进行标准化处理，根据标准化处理后的所述第一安全指标和第二安全指标得到整体安全指标，判断所述整体安全指标的安全等级。
2.根据权利要求1所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述拟合多组特征信息序列得到直线方程的步骤包括：
从每组特征序列中随机选取预设数量的散点，拟合所选取的所有所述散点得到第一直线；计算在所有特征序列中的散点分别到所述第一直线的距离小于预设距离阈值时的第一数量；
对于每组特征序列中的剩余散点，随机选取预设数量的散点，拟合得到第二直线；计算在所有特征序列中的散点到所述第二直线的距离小于预设距离阈值时的第二数量；
比较所述第一数量与所述第二数量的数值大小，数值最大的数量所对应的拟合直线作为所述直线方程。
3.根据权利要求1所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述标准角度的获取步骤包括：拟合多组所述标准特征信息序列得到标准的直线方程，根据所述标准的直线方程的斜率得到相应的标准角度。
4.根据权利要求1所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述通过所述特征信息与标准超球体之间的位置关系将所述特征信息分为两类的步骤包括：
按照所述特征信息是否位于所述超球体内部，将所述特征信息分为位于球体内部的第一类特征信息和位于球体外部的第二类特征信息。
5.根据权利要求4所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述特征信息是否位于所述超球体内部的判断步骤包括：
获取所述特征信息到所述超球体的球心之间的第一距离；
比较所述第一距离与所述超球体的半径的关系，所述第一距离小于等于所述半径的特征信息为第一类特征信息，所述第一距离大于所述半径的特征信息为第二类特征信息。
6.根据权利要求5所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述每类特征信息的距离评估指标的获取方法为：
所述第一类特征信息的距离评估指标为最大预设安全值；
获取所述第一距离与所述半径的均方误差，所述第二类特征信息的距离评估指标与所述均方误差呈负相关关系。
7.根据权利要求1所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述第二安全指标为所述角度变化量的余弦值。
8.根据权利要求1所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述提取每组所述振动信号中的特征信息得到特征信息序列的步骤包括：
分解所述振动信号得到多个模态分量信号；
分别提取每个所述模态分量信号中的特征信息得到每组振动信号的特征信息序列。
9.根据权利要求8所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述分别提取每个所述模态分量信号中的特征信息的步骤包括：
基于第一维度的窗口，将所述模态分量信号分为多个第一时间窗口序列；基于第二维度的窗口，将所述模态分量信号分为第二时间窗口序列；所述第二维度大于所述第一维度；
分别计算多个所述第一时间窗口序列之间的第一匹配概率和多个所述第二时间窗口序列的第二匹配概率；
根据所述第一匹配概率和所述第二匹配概率的熵得到所述分量信号的特征信息。
10.根据权利要求9所述的一种基于人工智能的机械设备工作状态检测方法，其特征在于，所述计算多个所述第一时间窗口序列之间的第一匹配概率的步骤包括：计算每个第一时间窗口序列与其他第一时间窗口序列之间的相似概率，根据所述相似概率得到平均概率，所述平均概率为所述第一匹配概率。
CN202111107604.2A 2021-09-22 2021-09-22 一种基于人工智能的机械设备工作状态检测方法 Active CN113551766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111107604.2A CN113551766B (zh) 2021-09-22 2021-09-22 一种基于人工智能的机械设备工作状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111107604.2A CN113551766B (zh) 2021-09-22 2021-09-22 一种基于人工智能的机械设备工作状态检测方法

Publications (2)

Publication Number Publication Date
CN113551766A CN113551766A (zh) 2021-10-26
CN113551766B true CN113551766B (zh) 2021-12-07

Family

ID=78106528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111107604.2A Active CN113551766B (zh) 2021-09-22 2021-09-22 一种基于人工智能的机械设备工作状态检测方法

Country Status (1)

Country Link
CN (1) CN113551766B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113701825B (zh) * 2021-10-27 2022-02-22 南通高桥体育用品有限公司 一种基于人工智能的健身设施异常检测方法及系统
CN114113664B (zh) * 2022-01-27 2022-04-08 山东泗水海韵粮机有限公司 脱皮机工作状态的智能监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN107563008A (zh) * 2017-08-08 2018-01-09 三峡大学 基于svd变换和支持向量空间的刀具运行可靠性评估方法
CN107862108A (zh) * 2017-10-12 2018-03-30 成都阜特科技股份有限公司 一种工业机械设备健康状态分析与预测方法及其系统
CN110737976A (zh) * 2019-10-10 2020-01-31 西安因联信息科技有限公司 一种基于多维度信息融合的机械设备健康评估方法
CN112461543A (zh) * 2020-10-28 2021-03-09 山东科技大学 一种基于多分类支持向量数据描述的旋转机械故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN107563008A (zh) * 2017-08-08 2018-01-09 三峡大学 基于svd变换和支持向量空间的刀具运行可靠性评估方法
CN107862108A (zh) * 2017-10-12 2018-03-30 成都阜特科技股份有限公司 一种工业机械设备健康状态分析与预测方法及其系统
CN110737976A (zh) * 2019-10-10 2020-01-31 西安因联信息科技有限公司 一种基于多维度信息融合的机械设备健康评估方法
CN112461543A (zh) * 2020-10-28 2021-03-09 山东科技大学 一种基于多分类支持向量数据描述的旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN113551766A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN113551766B (zh) 一种基于人工智能的机械设备工作状态检测方法
EP3680639B1 (en) Abnormality model learning device, method, and program
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN105675038A (zh) 一种仪表的故障预测装置
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN110704987B (zh) 基于失效数据挖掘的相似工况的轴承异常状态评估方法
CN116756595A (zh) 一种导电滑环故障数据采集监测方法
CN115524002B (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN115860579B (zh) 一种用于面粉加工的生产质量监测系统
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及系统
CN117171604A (zh) 基于传感器的保温板生产线异常监测系统
CN115290316A (zh) 一种偏心旋转阀故障诊断方法
CN117454283A (zh) 一种用于风电机组运行检测数据的状态评估方法
CN117076869B (zh) 旋转机械时频域融合故障诊断方法及系统
CN117421616B (zh) 一种矿山竖井井筒检测系统及方法
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
KR102017162B1 (ko) 원전설비의 예측 진단 방법 및 시스템
TWI398629B (zh) Equipment supervision method
CN112465073A (zh) 一种基于距离的数值分布异常检测方法及检测系统

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
GR01 Patent grant