CN114812796A - 设备状况评估方法以及相关设备 - Google Patents
设备状况评估方法以及相关设备 Download PDFInfo
- Publication number
- CN114812796A CN114812796A CN202210429096.8A CN202210429096A CN114812796A CN 114812796 A CN114812796 A CN 114812796A CN 202210429096 A CN202210429096 A CN 202210429096A CN 114812796 A CN114812796 A CN 114812796A
- Authority
- CN
- China
- Prior art keywords
- sound signal
- equipment
- state
- time
- health
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 348
- 230000036541 health Effects 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims description 80
- 230000003595 spectral effect Effects 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 22
- 239000013598 vector Substances 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 17
- 230000007704 transition Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000007637 random forest analysis Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- QVQLCTNNEUAWMS-UHFFFAOYSA-N barium oxide Chemical compound [Ba]=O QVQLCTNNEUAWMS-UHFFFAOYSA-N 0.000 description 1
- 229910001864 baryta Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本申请实施例公开了设备状况评估方法以及相关设备,用于评估设备运行状况。本申请实施例方法包括:根据预设计算周期获取设备在目标周期的第一声音信号,并基于所述设备的预设重复周期将所述第一声音信号划分为多个第二声音信号;基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况;根据所述预设重复周期获取当前时刻对应的第三声音信号,并基于所述第三声音信号确定所述设备在所述当前时刻的设备状态;根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度。
Description
技术领域
本申请实施例涉及设备维护领域,尤其涉及设备状况评估方法以及相关设备。
背景技术
测控设备是航天测控网的重要装备。测控设备因长期、变工况运行以及环境应力的作用,容易出现各种机械故障,根据测控设备历年故障统计,有多台设备出现过伺服机构异响问题,如果未及时发现和处置故障,伺服机构将进一步恶化或产生继发性损伤,导致设备整体功能失效,直接影响航天任务的执行。
在各种健康监测方法中,通过声音信号进行监测是一种便捷的方法,因为声音作为设备运行时发出的一种固有信号,包含着设备在运行过程中各种随时间变化的动态信息,具有一定的辨识性,能够从一定程度上反映设备的工作状态,而且声音传感器采用非接触式安装,不仅降低了不同介质间的能量传递损失,而且不影响设备原有的可靠性。
现有的大部分健康评估方法,依赖于专业领域知识,都需要对设备的基本原理及内在逻辑有较深的理解与认识,才能构建出一个准确的评估方法。
发明内容
本申请实施例提供了设备状况评估方法以及相关设备,用于准确评估设备运行状况。
本申请实施例第一方面提供一种设备状况评估方法,包括:
根据预设计算周期获取设备在目标周期的第一声音信号,并基于所述设备的预设重复周期将所述第一声音信号划分为多个第二声音信号;
基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况;
根据所述预设重复周期获取当前时刻对应的第三声音信号,并基于所述第三声音信号确定所述设备在所述当前时刻的设备状态;
根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度。
在一种具体实现方式中,所述基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况,包括:
提取所述每个第二声音信号的物理特征值和频谱特征值;
将所述每个第二声音信号的物理特征值和频谱特征值分别输入预先训练好的分类器中,得到所述设备在所述每个第二声音信号对应的时间段的设备状态;
根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况。
在一种具体实现方式中,所述物理特征值包括摩擦特征值;
所述提取所述每个第二声音信号的物理特征值,包括:
根据公式计算所述每个第二声音信号的摩擦特征值,其中x(ti)是所述多个第二声音信号中的第i个第二声音信号,x(ti-τ)是所述第i个第二声音信号对应的目标预设重复周期中所述第i个第二声音信号之前的第二声音信号,N是所述第i个第二声音信号的采样点数,F(f)是所述第一声音信号x(t)的短时傅里叶变换,τ是所述设备的预设重复周期,f1和f2是所述设备一个预设重复周期中的频率峰。
在一种具体实现方式中,所述提取所述每个第二声音信号的频谱特征值,包括:
基于无重叠滑动窗口的短时傅里叶变换和所述每个第二声音信号计算所述每个第二声音信号的频率估计值;
根据所述每个第二声音信号的频率估计值确定所述每个第二声音信号的频谱特征为其中,为所述多个第二声音信号中的第k个第二声音信号的第i个频率估计值,Fs(i)为所述多个第二声音信号中的第k个第二声音信号的频谱特征值。
在一种具体实现方式中,所述根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况,包括:
依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为平稳状态,计算并确定所述目标第二声音信号的所有特征值的统计分布直方图为实时直方图,所述目标第二声音信号为所述多个第二声音信号中的任一声音信号;
计算所述实时直方图中每个特征与标准直方图对应特征的概率分布相似度,所述标准直方图为根据所述设备的历史声音信号的所有特征值的统计分布直方图;
根据所述实时直方图中每个特征与标准直方图中对应特征的概率分布相似度计算所述设备在所述第二声音信号对应的时间段的初始健康度。
在一种具体实现方式中,所述根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况,包括:
依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为非平稳状态,则判断所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中非平稳状态的占比是否大于预设异常阈值;
若大于预设异常阈值,则提示所述设备的运行状况异常。
在一种具体实现方式中,所述根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度,包括:
若所述设备在所述当前时刻的设备状态为平稳状态,则确定所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中每个平稳状态对应的第二声音信号为有效第二声音信号;
计算并确定至少一个所述有效第二声音信号对应的初始健康度的平均值为所述设备在所述目标周期的健康度。
在一种具体实现方式中,所述根据所述设备在所述一段时间的设备状态计算所述设备在所述一段时间的健康度,包括:
若所述设备在所述当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算所述设备在所述目标周期的健康度,其中HDt为在所述当前时刻t算得的所述设备在所述目标周期的健康度,T为所述当前时刻t对应的计算周期,P为所述设备预设的非稳定分布状态的时间占比阈值。
本申请实施例第二方面提供一种设备状况评估装置,包括:
获取单元,用于根据预设计算周期获取设备在目标周期的第一声音信号,并基于所述设备的预设重复周期将所述第一声音信号划分为多个第二声音信号;
确定单元,用于基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况;
所述获取单元,还用于根据所述预设重复周期获取当前时刻对应的第三声音信号,并基于所述第三声音信号确定所述设备在所述当前时刻的设备状态;
计算单元,用于根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度。
在一种具体实现方式中,所述确定单元,具体用于提取所述每个第二声音信号的物理特征值和频谱特征值;
将所述每个第二声音信号的物理特征值和频谱特征值分别输入预先训练好的分类器中,得到所述设备在所述每个第二声音信号对应的时间段的设备状态;
根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况。
在一种具体实现方式中,所述物理特征值包括摩擦特征值;
所述确定单元,具体用于根据公式计算所述每个第二声音信号的摩擦特征值,其中x(ti)是所述多个第二声音信号中的第i个第二声音信号,x(ti-τ)是所述第i个第二声音信号对应的目标预设重复周期中所述第i个第二声音信号之前的第二声音信号,N是所述第i个第二声音信号的采样点数,F(f)是所述第一声音信号x(t)的短时傅里叶变换,τ是所述设备的预设重复周期,f1和f2是所述设备一个预设重复周期中的频率峰。
在一种具体实现方式中,所述确定单元,具体用于基于无重叠滑动窗口的短时傅里叶变换和所述每个第二声音信号计算所述每个第二声音信号的频率估计值;
根据所述每个第二声音信号的频率估计值确定所述每个第二声音信号的频谱特征为其中,为所述多个第二声音信号中的第k个第二声音信号的第i个频率估计值,Fs(i)为所述多个第二声音信号中的第k个第二声音信号的频谱特征值。
在一种具体实现方式中,所述确定单元,具体用于依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为平稳状态,计算并确定所述目标第二声音信号的所有特征值的统计分布直方图为实时直方图,所述目标第二声音信号为所述多个第二声音信号中的任一声音信号;
计算所述实时直方图中每个特征与标准直方图对应特征的概率分布相似度,所述标准直方图为根据所述设备的历史声音信号的所有特征值的统计分布直方图;
根据所述实时直方图中每个特征与标准直方图中对应特征的概率分布相似度计算所述设备在所述第二声音信号对应的时间段的初始健康度。
在一种具体实现方式中,所述确定单元,具体用于依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为非平稳状态,则判断所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中非平稳状态的占比是否大于预设异常阈值;
若大于预设异常阈值,则提示所述设备的运行状况异常。
在一种具体实现方式中,所述计算单元,具体用于若所述设备在所述当前时刻的设备状态为平稳状态,则确定所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中每个平稳状态对应的第二声音信号为有效第二声音信号;
计算并确定至少一个所述有效第二声音信号对应的初始健康度的平均值为所述设备在所述目标周期的健康度。
在一种具体实现方式中,所述计算单元,具体用于若所述设备在所述当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算所述设备在所述目标周期的健康度,其中HDt为在所述当前时刻t算得的所述设备在所述目标周期的健康度,T为所述当前时刻t对应的计算周期,P为所述设备预设的非稳定分布状态的时间占比阈值。
本申请实施例第三方面提供一种设备状况评估装置,包括:
中央处理器,存储器以及输入输出接口;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行第一方面所述的方法。
本申请实施例第四方面提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面所述的方法。
本申请实施例第五方面提供一种计算机存储介质,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行如第一方面所述的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:设备运行状况复杂,很难构建表征部件或系统退化过程的数学或物理模型,而本申请实施例基于设备的声音信号进行建模和评估,通过数据驱动的方法,不依赖于设备的数据或物理模型,也不依赖于专业领域知识,从设备的历史声音信号中学习设备的在不同设备状况下的行为,从而实现对设备的健康度的计算。
附图说明
图1为本申请实施例公开的设备状况评估方法的一种流程示意图;
图2为本申请实施例公开的设备状况评估方法的另一流程示意图;
图3为本申请实施例公开的设备状况评估方法的另一流程示意图;
图4为本申请实施例公开的状态识别方法的一个流程示意图;
图5为本申请实施例公开的健康度计算方法的一个流程示意图;
图6为本申请实施例公开的设备状态可视化分类的一个示例图;
图7为本申请实施例公开的物理特征的一个示例图;
图8为本申请实施例公开的频谱特征的一个示例图;
图9为本申请实施例公开的随机森林分类器的决策树的一个示例图;
图10为本申请实施例公开的特征分布直方图的一个示例图;
图11为本申请实施例公开的状态识别效果的一个示例图;
图12为本申请实施例公开的健康度计算效果的一个示例图;
图13为本申请实施例公开的设备状况评估装置一个结构示意图;
图14为本申请实施例公开的设备状况评估装置另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有的以均方根、峭度、峰值为代表的时域分析法,以傅里叶变换(FFT,fastfourier transform)为代表的频域分析法,以小波包分解(WPD,wavelet packet de-composition)、经验模态分解(EMD,empirical mode decomposition)为代表的时频分析方法,被广泛用于包括声音信号在内的时间序列信号的分析与解读。这些分析方法并未针对设备的机械运动作任何特定的优化,得到的频谱或者各种模态并不能直接用于分析设备运行状态,还需要专业知识或经验参与分析,才能转换为对设备状态的判断。为了增强特征指标(如摩擦特征、振动特征以及频谱特征等声音信号的各种特征)的通用性,并降低对领域知识的依赖,有必要设计一组兼顾设备通用性和专用性的特征指标,以适应同类或近似设备的运行状况评估需求。
本申请实施例在不入侵设备的前提下,利用非接触方式采集设备运行时产生的声音信号,通过集成学习融合多种状态识别方法,构建设备健康监测模型,从而实现对设备健康状态的评估,主要包括特征提取、设备状态识别和健康度计算3个环节。
请参阅图1,本申请实施例的设备状况评估方法可分为离线训练和在线监测2个部分,在离线训练阶段,利用设备历史运行过程中产生的声音信号,提取设备的特征指标(包括物理特征和频谱特征),通过设备状态识别,综合各个特征指标与设备状态之间的影响程度和关联关系,建立反映设备健康状态的基准模型。在线监测过程中,通过设备(即图1所述对象系统)的当前设备状态与基准模型之间的距离给出设备的健康度,从而实现设备健康状态的评估。
本申请实施例提供了设备状况评估方法以及相关设备,应用于设备状况评估装置,用于准确评估设备状况。
为便于理解本申请的技术方案,以下对本申请实施例中涉及的主成分分析(PCA,principal component analysis)算法、t分布随机近邻嵌入(t-SNE,t-distributionstochastic neighbor embedding)算法、Wasserstein距离等基础算法进行介绍。
(1)PCA算法
主成分分析通过压缩、简化数据来提取主要特征,基本思想是利用正交变换重构一组不相关的综合变量集。假设由频谱特征指标构建的初始矩阵,有:
对初始矩阵X进行标准化处理,得到新矩阵X*,其元素为:
计算X*的特征协方差矩阵C:
使用奇异值分解法求解协方差矩阵C的特征值λ=(λ1,λ2,…λn)和相应的特征向量uj=(uj1,uj2,…ujn),其中j=1,2,…n。对λ按照从大到小顺序排序,选取前k个特征值关联的特征向量组成特征向量矩阵U=(u1,u2,…uk)。
计算降维后的矩阵Xk=X*×U,完成数据从n维到k维的降维计算。
(2)t-SNE算法
t-SNE算法是对随机近邻嵌入算法的改进,解决了随机近邻嵌入算法存在的不对称和数据拥挤问题,基本思想是通过保持数据点在高维空间和低维空间中的概率分布尽可能的相似来达到维数简约。具体步骤如下:
假设N个高维数据点{x1,x2,…,xN},则高维空间的数据点两两之间相似的条件概率pi|j和pj|i可以定义为:
式中,σi是以数据点xi为中心的高斯分布的方差,任何特定值σi在所有其他数据点上都会诱发概率分布Pi,可以根据困惑度Perp和二分搜索寻找一个最佳的σi。其中困惑度定义为:
式中,H(Pi)是概率分布Pi的香农信息熵,其定义为:
高维空间中任意两个点的联合分布pij可以定义为:
假设N个低维数据点{y1,y2,…,yN},采用自由度为1的t分布,则低维空间数据点之间的联合分布qij可以定义为:
高维概率分布与低维概率分布的相似度用KL散度表示,即:
C值越小表示相似度越高,若C=0,则说明二者概率分布相同。为了获得最小KL散度,利用梯度下降法优化KL散度,具体表达式为:
通过上述计算可以得出降维后的结果{y1,y2,…,yN},为了提高降维效果,可以进行多次迭代运算,提高相似度。
(3)Wasserstein距离
Wasserstein距离的表达式为:
式中,inf(·)表示取最小值,∏(P1,P2)是P1和P2组合后所有可能联合分布的集合,E(x,y)~γ||x-y||表示联合分布γ下的采样点(x,y)~γ之间的距离期望值。
在本申请前述实施例的基础上,请参阅图2,本申请实施例提供一种设备状况评估方法,包括以下步骤:
201、根据预设计算周期获取设备在目标周期的第一声音信号,并基于设备的预设重复周期将第一声音信号划分为多个第二声音信号。
确定设备在目标周期的健康度,需要获取设备在目标周期的声音信号。具体的,可以采用如声音传感器等非接触方式采集该设备在目标周期的声音信号。
周期性地根据预设计算周期获取设备最近一个结束的计算周期(即目标周期)内的全部声音信号(即第一声音信号),并根据设备的预设重复周期将第一声音信号划分为声音信号的长度为预设重复周期的周期长度的多个第二声音信号。其中最近一个结束的计算周期是指,设备最近一次有起点且有终点的计算周期。另,设备的每个计算周期的周期长度均与预设计算周期的周期长度一致。
可以知道的是,获取设备在目标周期的第一声音信号的步骤可以由计算健康度的设备状况评估装置在每个预设计算周期结束时或结束后发起,或由设备维护人员发起对目标周期的健康度计算。
202、基于每个第二声音信号确定设备在每个第二声音信号对应的时间段的设备健康状况。
根据步骤201中从第一声音信号划分出的多个第二声音信号确定设备在每个第二声音信号对应的时间段的设备健康状况,每个第二声音信号对应的时间段的设备健康状况可以用于计算设备在目标周期的健康度。其中,多个第二声音信号是基于预设计算周期对第一声音信号获得的,每个第二声音信号均为第一声音信号中的一段时间的声音信号,则每个第二声音信号对应于目标周期的一段时间(即一个时间段)。
203、根据预设重复周期获取当前时刻对应的第三声音信号,并基于第三声音信号确定设备在当前时刻的设备状态。
设备在平稳状态下运行有一定的重复周期,比如齿轮运转一周所需的时间,可以知道的是,预设重复周期可以由维护人员根据设备的实际运行状况确定,此处不作具体限定。
因为,每个时刻都可以根据预设重复周期确定对应设备的某个重复周期,即本步骤所述当前时刻也有对应的一个重复周期,获取并确定设备当前时刻对应的一个重复周期内的全部声音信号为第三声音信号,并基于第三声音信号确定设备在当前时刻的设备状态。此处基于第三声音信号确定设备在当前时刻的设备状态的步骤与前述以及后述根据第二声音信号确定设备在对应时间段的设备状态类似,此处不再赘述。其中,当前时刻可以是执行步骤201至步骤203的中任一步骤的时刻,本实施例不作限定。
204、根据设备在当前时刻的设备状态以及设备在每个第二声音信号对应的时间段的设备健康状况,计算设备在目标周期的健康度。
根据设备在当前时刻的设备状态,可以根据不同的计算方法计算设备在目标周期的健康度。
在一些具体实现方式中,本步骤具体有以下实现方式:若设备在当前时刻的设备状态为平稳状态,则确定设备根据多个第二声音信号确定的不同时间段的多个设备状态中每个平稳状态对应的第二声音信号为有效第二声音信号;计算并确定至少一个有效第二声音信号对应的初始健康度的平均值为设备在目标周期的健康度。若设备在当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算设备在目标周期的健康度,其中HDt为在当前时刻t算得的设备在目标周期的健康度,T为当前时刻t对应的计算周期,P为设备预设的非稳定分布状态的时间占比阈值。
具体的,若设备在当前时刻的设备状态为平稳状态,则从根据多个第二声音信号确定的不同时间段的多个设备状态中找出所有的设备状态为平稳状态的第二声音信号,将每个设备状态为平稳状态对应的第二声音信号确定为有效声音信号。将至少一个有效声音信号对应的至少一个初始健康度求平均,得到设备在目标周期的健康度。若设备在当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算设备在目标周期的健康度。其中HDt-T为设备在当前时刻t往前的一个计算周期的时间段内声音信号的初始健康度的平均值。出于时效性考虑,当前时刻t对应的计算周期T应该为目标周期的后一个计算周期,即HDt-T包含目标周期的部分时间段的初始健康度以及计算周期T在当前时刻t之前的时间段的初始健康度。本步骤初始健康度的计算方式与前述以及后述根据第二声音信号确定设备在对应时间段的初始健康度类似,此处不再赘述。另外,本实施例前述及后述初始健康度的计算只针对于时长为设备的预设重复周期的周期长度声音信号,若声音信号不满足前述条件,则需要先根据预设重复周期划分该声音信号再进行初始健康度的计算。
在实际应用中,先确定预设计算周期,再确定设备非稳定分布状态的时间占比阈值P。在一些具体实施例中,T提供了1天、1小时、10分钟等多种粒度,P的选择可以根据设备实际的非稳定态运行时间统计得出,具体根据统计结果人工选取的一个数值。
在前述实施例的基础上,请参阅图3,前述步骤202具体可以通过以下步骤实现:
301、提取每个第二声音信号的物理特征值和频谱特征值。
对步骤201划分的每个第二声音信号进行特征提取,提取的特征包括声音信号的物理特征和频谱特征。
具体的,通过对设备故障机理的分析,发现机械故障大部分集中在润滑不够或者过载等原因导致的摩损、紧固件失效或者裂纹导致的松动、粉尘或其他颗粒物导致的堵塞等有限的几种原因,由此提出了摩擦、振动、功率、质量(指设备运行的质量,及设备运行的好坏)等4个物理特征,这4个物理特征与机械部件的材料、形状、宏观运动形式无关,是一种机械设备可以通用的特征指标,可以解决现有特征指标对机械运动针对性不强的问题。可以知道的是,在实际应用中,物理特征包括摩擦特征、振动特征、功率特征和质量特征中的至少一个,且物理特征不限于摩擦特征、振动特征、功率特征和质量特征,本实施例不作具体限定。
在一些具体实施例中,摩擦特征值、振动特征值、功率特征值和质量特征值可以通过以下公式计算:
(1)摩擦特征值
式中,x(ti)是步骤201划分的多个第二声音信号中的第i个第二声音信号,x(ti-τ)是第i个第二声音信号对应的目标预设重复周期中所述第i个第二声音信号之前的至少一个第二声音信号,N是第i个第二声音信号的采样点数,F(f)是第一声音信号x(t)的短时傅里叶变换,τ是设备的预设重复周期,f1和f2是设备一个预设重复周期中的频率峰。
(2)振动特征
式中,x(ti)是第i个第二声音信号,N是第i个第二声音信号的采样点数,μ是第一声音信号x(t)在ti至(ti-τ)时间段内(即第一声音信号中第i个第二声音信号的起点对应的时刻往前一个预设重复周期τ内全部声音信号)的均值。
(3)功率特征
式中,x(ti)是第i个第二声音信号,N是第i个第二声音信号的采样点数。
(4)质量特征
式中,x(ti)是第i个第二声音信号,N是第i个第二声音信号的采样点数,μ是第一声音信号x(t)在ti至(ti-τ)时间段内(即第一声音信号中第i个第二声音信号的起点对应的时刻往前一个预设重复周期τ内全部声音信号)的均值,τ是设备的预设重复周期。
在一些具体实施例中,声音信号的频谱特征具体可以通过以下方式提取:
考虑到若设备运行时的声音信号的频谱主要分布在0~BHz范围内,且具有声音信号频谱较高信噪比的先验知识,提出了一组针对设备的频谱特征提取方法,用于提升应用场景的针对性。
基于无重叠滑动窗口的短时傅里叶变换和每个第二声音信号计算每个第二声音信号的频率估计值;根据每个第二声音信号的频率估计值确定每个第二声音信号的频谱特征为其中,为多个第二声音信号中的第k个第二声音信号的第i个频率估计值,Fs(i)为多个第二声音信号中的第k个第二声音信号的频谱特征值。
具体的,短时傅里叶变换(STFT)是和傅里叶变换(FFT)相关的一种数学变换,用以确定时变信号的局部区域正弦波的频率与相位。其基本思想:局部平稳化,把长的非平稳随机过程看成是一系列短时随机平稳信号的叠加,短时性可通过在时间上加窗口函数实现(即截取一部分源数据)。其具体实现:使用时间窗函数g(t-u)与源信号f(t)相乘,实现在u附近的加窗和平移,然后进行傅里叶变换。
因为,短时傅里叶变换(STFT,short-time fourier transform)具有较高的时频分辨率和较快的运算速度,所以通过无重叠滑动窗口的STFT获得一组频率估计值:
式中,L是短时窗的宽度,N是一个第二声音信号的采样点数,N是L的整数倍,fs(t)是一个短时窗内的一组瞬时频率估计值,fs(t,j)是fs(t)中的第j个瞬时频率估计值,j的取值范围为[1,L]。
进一步的,在实际应用中,若原始频谱特征的数值分布区间较广,不利于机器学习算法的应用,可以对所有原始频谱特征值取自然对数,得到最终的一个第二声音信号的频谱特征值:
可以知道的是,在实际应用中,若原始频谱特征的数值分布区间适当,则可将原始频谱特征作为设备的一个第二声音信号的频谱特征,此处不做限定。
302、将每个第二声音信号的物理特征值和频谱特征值分别输入预先训练好的分类器中,得到设备在每个第二声音信号对应的时间段的设备状态。
利用设备的历史声音信号训练分类器,然后将设备的物理特征和频谱特征分别输入基于历史声音信号训练好的分类器中,根据预先训练好的分类器的分类结果确定设备在每个第二声音信号对应的时间段的设备状态。
请参阅图4,在一些具体实施例中,本步骤(即本申请实施例设备状态的状态识别流程)可以通过以下方式实现。
下面简述一个第二声音信号对应的时间段的设备状态的确认方法:将物理特征值输入预先训练好的阈值分类器,得到设备在对应的时间段的第一设备状态;将频谱特征值输入预先训练好的贝叶斯分类器,得到设备在对应的时间段的第二设备状态;将频谱特征值输入预先训练好的随机森林分类器,得到设备在对应的时间段的第三设备状态;将第一设备状态、第二设备状态和第三设备状态输入投票器,得到设备在对应的时间段的设备状态。
可以知道的是,前述分类器还可以是满足设备状态的状态识别的其他任意分类器,本申请实施例不对分类器的类型以及数量作具体限定。在一些具体实施例中,可以对物理特征和频谱特征可以选择增加分类器的数量或更换分类器的类型,再通过集成学习来提高分类的准确性,但是对于每个基分类器的错误率都应低于0.5,否则集成结果的错误率反而会提高,同时,每个基分类器应该尽可能相互独立。前述及后述实施例中提到的分类器外,其他分类器还包括K-近邻、支持向量机、核支持向量机、朴素贝叶斯、决策树等分类器,此处不做限定。
在一些具体实施例中,阈值分类器、贝叶斯分类器、随机森林分类器具体和投票器的实施方式具体如下:
(1)阈值分类器
阈值分类器将设备在一段时间的声音信号的每个物理特征的特征值与对应的阈值进行比较,根据其大小确定设备状态,主要用于Ff,Fv,Fp,Fq等物理特征指标的分类。
具体的,设备的每个物理特征值的在不同设备状态下的阈值是一个区间,物理特征的特征值处于哪个设备状态的阈值区间,则认为该物理特征对应的设备状态为这个阈值区间对应的设备状态,若存在多个物理特征且不同物理特征对应的设备状态部分相同,则多个物理特征对应的设备状态中出现次数最多的设备状态为阈值分类器输出的设备状态。
在一些具体实施例中,阈值选择是统计历史声音信号中停机\待机\运转\过渡状态的每个物理特征的特征值的分布情况,可以选择大于70%的特征值的分布线作为阈值。可以知道的是,不同的设备还可以选择大于60%的特征值的分布线作为阈值,具体阈值的划分方式根据需求而定,本实施例不作具体限定。
阈值是针对每个物理特征的幅值进行选择的,物理特征的幅值是没有单位的数值。设备刚开始是处于停机状态,加电后处于待机状态,动起来后处于运转状态,停机、待机和运转状态为平稳状态,停机-待机,待机-运转之间的为过渡态(即非平稳状态)。停机状态时,声音信号就是背景噪声信号,属于白噪声信号,计算出来的物理特征的特征值是很小的值。
(2)贝叶斯分类器
贝叶斯分类器计算每个特征值属于各个状态类别的概率,并取最大概率对应的类别作为分类结果,计算公式如下:
式中,X为频谱特征值的特征向量;A为设备状态;P(A)表示无任何后验知识前提下设备处于该运行状态的概率,采用历史声音信号中A状态占设备总运行时长的比例进行估计;P(Xi=xi|X∈A)表示当特征向量X属于类别A时,其第i个值为实际测量值xi的概率,可以在历史数据集中通过高斯拟合来获得;P(X∈A)表示该特征向量属于类别A的概率。
(3)随机森林分类器
随机森林分类器通过构建一系列决策树,并且所有决策树参与投票的方式来构建集成分类器,定义如下:
F(x)={fi(x),i∈[0,N]}
式中,x为频谱特征向量,fi(x)为第i棵决策树,N为决策树的数量,F(x)的输出为{fi(x),i∈[0,N]}估计值的众数。
随机森林分类器的训练阶段,对每一个树随机选取某个特征值作为分类依据,并且在历史声音信号中找出最优分割阈值,最优分割阈值通常只能成功分类一部分声音信号,因此分类不正确的声音信号会被构建为新的声音信号,然后选取下一个特征值继续切分,直到实现历史声音信号的完全分割或者分割次数达到上限,以上过程重复n次就形成n个不同的决策树,共同构成随机森林分类器。
(4)投票器
对于每一段时间的声音信号,三种分类器都会给出一个分类结果,将三个分类结果中出现次数最多的分类结果作为最终的设备状态输出。考虑阈值分类器与后续的健康度评估的原理有较强的相关性,不容易出现健康度与分类结果冲突的情况,可以在三个分类器给出各不相同的分类结果时,采纳阈值分类器的分类结果。
在一些具体实施例中,还可以采用简单投票法(一票否决、一致表决、少数服从多数、阈值表决等)、贝叶斯投票法、随机森林等投票策略,此处不作具体限定。
在实际应用中,单个分类器即可对设备的设备状态进行分类,集成多个分类器的目的在提高分类准确度的同时,还尽可能的解耦分类算法与健康评估之间的关系,避免设备出现异常时,分类和评估同时出现问题,导致无法有效的识别故障
进一步的,考虑设备运转的连贯性,可以在投票器分类的基础上进行时间平滑。对当前时刻t(相应第二声音信号的起点对应的时刻)至t-τ(其中τ为设备的预设重复周期)的分类结果进行统计,只有出现新状态的时间占比超过一半时间才会更改设备状态,否则延续此前的设备状态。
303、根据设备在每个第二声音信号对应的时间段的设备状态确定设备在每个第二声音信号对应的时间段的健康状况。
考虑到设备在每个第二声音信号对应的一段时间中会处于平稳状态或非平稳状态,所以先确定设备在第二声音信号所处的设备状态,再进行健康度计算。
基于“正常状态下,同一运行状态的声音特征数据应该来自同一统计分布”的假设,通过计算声音特征的统计分布与标准分布的偏差来获得设备的健康度信息。请参阅图4,在一些具体实现方式中,本步骤(本申请实施例设备健康状况评估流程即健康度计算流程)可如图所示。
在一些具体实施例中,依次确定每个设备在每个第二声音信号对应的时间段的健康状况;设备在目标第二声音信号对应的时间段的设备状态为平稳状态,计算并确定目标第二声音信号的所有特征值的统计分布直方图为实时直方图,目标第二声音信号为多个第二声音信号中的任一声音信号;计算实时直方图中每个特征与标准直方图对应特征的概率分布相似度,标准直方图为根据设备的历史声音信号的所有特征值的统计分布直方图;根据实时直方图中每个特征与标准直方图中对应特征的概率分布相似度计算设备在第二声音信号对应的时间段的初始健康度。若设备在目标第二声音信号对应的时间段的设备状态为非平稳状态,则判断设备根据多个第二声音信号确定的不同时间段的多个设备状态中非平稳状态的占比是否大于预设异常阈值;若大于预设异常阈值,则提示设备的运行状况异常。
具体的,设备的运行状态(即设备状态)包括4种状态,其中停机、待机、运转3种状态存在稳定成簇的数据分布特点,当设备处于以上三种平稳状态时可以通过监测这3个数据簇是否长期处于固定的位置(固定位置根据设备历史声音信号确定)来判断设备健康度的变化情况。
对于i时刻的特征向量Vi={vi1,vi2,…,vin}和对应的设备状态Ci,计算每个运行状态下各个特征值的统计分布直方图Hi={hi1,hi2,…,hin},使用历史声音信号生成各个状态的直方图的标准分布H*。设备的健康度由实时直方图Hi与标准直方图H*之间的频率分布距离决定。
在一些具体实现方式中,使用归一化统计分布直方图计算的Wasserstein距离值位于0~1之间,用1减去各个状态各个特征分布的距离平均值,即为设备的初始健康度,初始健康度定义为:
HDi=1-mean(W(Hi,H*))
式中,W(·)为Wasserstein距离,mean(·)为距离平均值。
可以知道的是,此处的概率分布相似度还可以用欧氏距离、马氏距离、交并比、f散度、海林格距离、巴氏距离和最大均值差异距离等进行计算,本实施例不做限定。
在实际应用中,也可以不对统计分布直方图做归一化,直接取各个特征值距离的平均值为初始健康度,此处不做限定。
当设备处于非平稳状态时(即设备处于过渡状态时),从t-SNE可视化分析中可知,该状态的数据不存在稳态分布区间,对其取值进行监控没有意义。在声音变化比较大时,为了防止将设备状态全部误判为过渡状态,而健康度没有明显变化,可以对此时的设备开展时间占比监测,在正常运转情况下,第一声音信号中设备处于过渡状态的时间段在第一声音信号总时间的占比应该稳定在比较低的水平。在一个具体实施例中,设置过渡状态的数据占比超过5%时触发报警,如果是非认为操控的事件,则应该引起注意并进行设备检查。可以知道的是,也可以设置过渡状态的数据占比超过7%时触发报警,具体根据需求设置,本实施例不做限定。
本实施例具有以下优点:(1)具有较强的泛化能力。本发明提出的物理特征,是从物理运动的本质出发提出的一组特征指标,与机械设备的材料、形状、宏观运动形式无关,对各种机械设备的旋转/往复运动具有较强的泛化能力,能适用于多种应用场景。(2)具有较高的识别精度。本申请实施例通过物理特征和频谱特征的组合,构建了一组特征向量,即考虑了机械运动的通用性(物理特征),又考虑了应用场景的专用性(频谱特征),通过实时声音信号分析,具有较高的准确性。(3)具有较强的自学能力。本申请实施例仅通过对声音信号的物理特征和频谱特征进行分析,即可构建机械设备的状况评估模型,不需要依赖于专业的领域知识,模型具有较强自学习特性。(4)规避数据不平衡问题。在实际应用中很难得到设备的故障数据,或者故障数据仅占很小一部分,本申请实施例通过计算实时状态与标准状态之间的距离来表征健康度,规避了样本数据不平衡带来的模型训练效率低下和模型表现下降的问题。
在前述实施例的基础上,在针对伺服机构(即设备)进行设备状态评估的场景下,在一个具体实施例中,本申请的设备状态评估方法如下:
首先,对伺服机构的历史声音信号进行物理特征(本申请实施例中包含摩擦、振动、功率和质量四个物理特征)和频谱特征的提取,
利用设备运行声音信号的频谱特征进行设备状态的聚类分析,取设备稳定运行的,包含各类运行工况的一段时间(如2~4周)的声音信号进行分析。
m个频谱特征向量Fs,构建m×30的矩阵X=[X1,X2,…,Xm]T,通过主成分分析算法将30维降到2维,得到m×2的矩阵将作为t-SNE算法的初始值,采用梯度下降法对进行优化,在优化过程中不断调整其困惑度的值,若干轮后可获得如图6所示的最优的降维结果。
通过降维后的2维图像,可以分析出不同状态之间的聚集情况,结合设备实际运行过程的停机\运转\待机\过渡等状态,可以对数据簇进行标注,识别出1、2、3、4分别代表什么状态。具体的,图5中的4个数据簇与运行状态之间存在映射关系:簇1为停机状态,簇2为待机状态,簇3为运转状态(碰撞声较弱),簇4为运转状态(碰撞声较强),其中簇3和簇4在时间区间处于一种混乱交错的状态,需要将这两簇进行合并处理。图中其他无规律的数据簇对应设备调试、启动和停止阶段的过渡态数据,这些数据的特点是没有集中且固定的分布区间,需要将它们统一划为一个额外的类型。因此,设备状态可以分为停机、待机、运转、过渡四种类型。停机状态,设备不加电,主要体现为背景噪声;待机状态,设备加电但不运转,主要体现为加电状态的电机声音与背景噪声的叠加;运转状态,设备处于转动过程中,主要体现为机械运动声音、电机声音与背景噪声的叠加;过渡状态是停机、待机、运转状态之间转换时的过渡阶段,声音信号较为复杂且持续时间较短。
得到了设备的状态分类之后,可以用于指导后续状态识别过程中分类器的参数选择、算法验证等,后续的状态识别等都是在状态分类的基础上展开的。
当获取伺服机构在目标周期的第一声音信号后,针对该第一声音信号划分而得的多个第二声音信号进行物理特征和频谱特征的提取。其中,物理特征的提取方式可以参照前述步骤302中所述的特征提取方法。在一些具体实施例中,提取后的物理特征可以是如图7所示的物理特征。而针对频谱特征,可以选择u=10ms,g(t)为矩形窗,即将源信号按照10ms的时间窗进行划分,对每10ms的声音信号做FFT变换具体如下:
首先,采用滑窗长度L=480(即帧间间隔为10ms),滑窗步长为480(即重叠长度为0,无重叠)的离散傅里叶变换(DFT,discrete fourier transform),将声音信号由波形信号转化为频谱信号,可以得到N/L=100组的频谱信号,按时间顺序组成矩阵大小为480×100的时频谱,如下:
其中,fs(t)=[ft,1,ft,2,…,ft,480]T,时频谱也可以表示为[fs(1) fs(2) … fs(100)]对时频谱进行时间维度上求平均,得到长度为480的向量,分别对应0-100Hz,100-200Hz,…,47900-48000Hz的能量,即一个估计值对应100Hz的频谱能量,具体如下:
进一步的,若原始频谱特征的数值分布区间较广,不利于机器学习算法的应用,可以对所有原始频谱特征值取自然对数,得到最终的频谱特征值:
在一些具体实施例中,提取后的频谱特征值可以如图8所示。
可以知道的是,本实施例中由具有通用性的物理特征和具有针对性的频谱特征共同组成特征向量:
具体的,声音传感器的采样率为48000Hz,将声音信号按照1s时长进行分段处理,则采样点数N=48000,选取短时窗的宽度L=480,即帧间间隔为10ms,频谱上限B=3000,可得i=1,…,30,即特征向量为34维的特征向量。
确定完伺服机构在每个第二声音信号的物理特征和频谱特征后,对该伺服机构在每个第二声音信号对应的时间段的设备状态进行状态识别。具体步骤如下:
集成学习指的是组合集成了多种分类器并通过投票得到了一个准确度更高的分类结果的机器学习方式。集成学习主要有两类,一类是Boosting,一类是Bagging,可以简单的理解为Boosting是多个弱分类器串行成一个强分类器,Bagging是多个弱分类器并行成一个强分类器,本实施例中采用Bagging类集成。
本实施例中,通过实验确定了以下几种分类器。具体的,本实施例设备状态识别集成了阈值分类器,贝叶斯分类器和随机森林分类器,采用投票策略和时间平滑处理,来提高设备状态识别的正确性。
(1)阈值分类器
阈值分类器将特征值与阈值进行比较,根据其大小确定设备状态,主要用于Ff,Fv,Fp,Fq等物理特征指标的分类,本申请实施例的应用场景中的伺服机构的阈值选取,可以如下表所示。
特征指标 | 停机 | 待机 | 运转 | 过渡 |
摩擦 | 1.0e10 | 1.8e10 | 2.5e10 | 1.0e11 |
振动 | 9.5e7 | 2.8e8 | 1.5e9 | 5.0e9 |
功率 | 2.0e6 | 4.3e6 | 1.4e7 | 5.0e7 |
质量 | 5.0e1 | 2.0e2 | 1.4e3 | 3e3 |
上表描述的,对于每个物理特征的特征值,是一个从小到大的一个区间分布,每个区间对应一个状态。以表1的内容来说,以摩擦这个特征为例,当设备在一段时间的声音信号的摩擦特征的特征值x≤1.0e10,认为是停机状态;1.0e10<x≤1.8e10,认为是待机状态。从另外一个维度来说,停机状态的摩擦特征的特征值≤1.0e10,振动特征的特征值≤9.5e7,功率特征的特征值≤2.0e6,质量特征的特征值≤5.0e1。
本实施例中,阈值选择是统计历史声音信号中停机\待机\运转\过渡状态的每个物理特征的特征值的分布情况,是选择大于70%的特征值的分布线作为阈值,由人为进行选择设置得到的阈值。
(2)贝叶斯分类器
与前述实施例中步骤303所述的贝叶斯分类器的分类方法类似,此处不再赘述。
(3)随机森林分类器
本实施例中,N取200,每个决策树的最大分割次数为10次,也就是最多构建200棵树用于分类,每棵树的最大深度为10。请参阅图9,给出了一棵树如何分割的示例,该树的分割次数为3,A表示本实施例中前述30维的频谱特征向量,A(i)表示随机选取的某个特征值,要通过历史声音信号来训练每个特征的特征值的最优分割阈值。
(4)投票器
与前述实施例中步骤303所述的投票器的投票策略类似,此处不再赘述。
(5)时间平滑处理
与前述实施例中步骤303所述的时间平滑处理方法类似,此处不再赘述。
在不同的工况下,设备的运行环境、运行状态和工作载荷可能不同,由于先验知识的缺乏和数据的不确定性,性能退化过程与健康状态之间的对应关系难以准确描述,因此采用监测值与基准值之间的距离来评估设备的健康度,并区分不同的状态(平稳状态和非平稳状态)进行计算。
设备的运行状态包括4种状态,其中停机、待机、运转3种状态存在稳定成簇的数据分布特点,是平稳状态,可以通过监测这3个数据簇是否长期处于固定的位置来判断设备健康度的变化情况。
对于一个时间段的第二声音信号的特征向量Vi={vi1,vi2,…,vin}和对应的设备状态Ci,计算每个运行状态下各个特征值的统计分布直方图Hi={hi1,hi2,…,hin},使用历史数据集生成各个状态的直方图的标准分布H*。设备的健康度由实时直方图Hi与标准直方图H*之间的Wasserstein距离决定。使用归一化统计分布直方图计算的Wasserstein距离值位于0~1之间,用1减去各个状态各个特征分布的距离平均值,即为设备的初始健康度,初始健康度定义为:
HDi=1-mean(W(Hi,H*))
式中,W(·)为Wasserstein距离,mean(·)为距离平均值。
本申请实施例前述H是指直方图,h是指各个特征值的统计值。以图10所示的Wasserstein距离里的土堆为例,Step[0]步骤中的P为实时直方图(即1s内伺服机构的声音信号);Step[0]步骤中的Q为标准直方图,其中{Q1 Q2 Q3 Q4}对应于特征向量{vi1 vi2 …vin},{hi1 hi2 … hin}则对应于Step[0]步骤中的标准直方图中柱的高度。对于停机\待机\运转状态,都有一个关于各个特征值的直方图。
对于过渡状态,从t-SNE可视化分析中可知,该状态的数据不存在稳态分布区间,对其取值进行监控没有意义。在声音变化比较大时,为了防止将状态全部误判为过渡状态,而健康度没有明显变化,可以对其开展时间占比监测,在正常运转情况下,过渡状态的数据占比应该稳定在比较低的水平。在本发明应用场景中,设置过渡状态的数据占比超过5%时触发报警,如果是非认为操控的事件,则应该引起注意并进行设备检查。
若获取目标周期的第一声音信号的时刻为平稳状态,则获取目标周期中N个平稳分布状态、M个特征值的统计分布监测会得到共计N×M个健康度数值HDti,计算其平均值,得到t时刻的健康度:
本实施例应用场景中,N=3,M=34(30维频谱特征和4维物理特征)。
具体的,3个稳定分布状态、34个特征值通过各自的两个统计分布直方图之间的关系得到的3×34(=102)个健康度,也就是每种设备状态对应着一组标准统计分布曲线,当前时刻t的实时直方图会更新3×34(=102)中对应设备状态的直方图的,再利用3×34(=102)个健康度的平均值得到当前时刻t计算设备在目标周期的健康度,比如现在是运转状态,则会将当前的直方图,加入到预设计算周期的运转状态的直方图中,再利用预设计算周期的统计直方图计算当前的健康度。也就是说,每一时刻的直方图,会不断的更新这102个直方图,再用这102个直方图来表征设备当前的健康度。
若获取目标周期的第一声音信号的时刻为非稳定分布状态,假设在计算周期T内,非稳定分布状态的时间占比阈值为P,则得到目标周期的健康度:
HDt=HDt-T×(1-P)
本发明应用场景中,T取1小时,P取5%。先定时间周期,再确定比例。本实施例中,T是提供了1天、1小时、10分钟三种粒度,此处选1小时是由于调试、维护等各种非正常运行状态的时间基本为几分钟量级,所以选择1小时这个粒度。P的选择是根据设备历史声音信号中非稳定态运行时间统计出来的,根据统计结果人工选取的一个数值。
本实施例通过以下方法实现了设备状态的评估:
(1)特征提取方法。通过物理特征和频谱特征构建了一组特征向量,即具有机械设备的通用特征,又具有针对应用场景的专业特征,使得这组特征指标具有较强的普适性。
(2)状态识别方法。在PCA-t-SNE组合降维算法对状态可视化分析的基础上,针对物理特征和频谱特征分别使用阈值分类器,贝叶斯分类器和随机森林分类器进行状态分类,使用集成算法对三种分类结果进行组合集成,并利用先验信息对初步分类结果进行时间平滑,得到最终的分类结果。
(3)健康评估方法。在特征提取和状态识别的基础上,根据设备状态的稳定程度分别采用特征值统计分布监测和特殊状态时间占比监测两种方式计算初始健康度。在稳定分布状态时,使用特征值统计分布的实时直方图与标准直方图之间的Wasserstein距离进行健康度计算;在非稳定分布状态时,使用监测周期内非稳定分布状态的时间占比来计算健康度。
前面描述了本实施例中伺服机构的健康度计算方法的具体实现步骤,下面简述本实施例健康度计算方法的算法校验结果:
(1)状态识别算法校验
利用连续55个小时的设备运行声音信号对状态识别算法(即前述状态识别步骤)的有效性进行分析,状态识别效果如图11所示。
以最终识别结果为基准,计算各个分类器的准确率,其中阈值分类器的准确率为93.75%,贝叶斯分类器的准确率为98.48%,随机森林分类器的准确率为89.79%,投票器集成后的分类准确率为98.60%。由此可见,分类器的组合集成有效提高了状态识别的准确率,在三种分类其中,基于频谱特征的贝叶斯分类器的准确率最高,基于物理特征的阈值分类器的准确率次之。
(2)健康度算法校验
采用人工构造异常音频的方式进行健康度算法(即前述健康度计算方法)测试。将一段实测音频分为6段,对第2段施加0~500Hz的随机扰动,对第4段进行全频段增大10%,对第6段进行全频段减少10%,健康评估算法的效果如图12所示。
对比0-100Hz与500-600Hz的频谱特征,可知第2干扰段的幅值有明显变化,第4和第6干扰段的变化趋势一致。从健康度趋势曲线分析,算法在遇到异常音频时,输出的健康度会下降,但不同异常所带来的影响程度有所区别,重新获取正常音频后健康度能够回升到正常值。但同时也要注意到,健康度趋势曲线有一定的滞后性,即出现异常或恢复正常后,健康度均呈现渐变的过程,而不是突变。因此,认为通过健康评估,可以通过趋势变化及时发现渐变退化类的故障隐患,而不适用于突发性故障。
本申请实施例,基于设备运转时产生的声音信号,通过特征提取、状态识别、健康评估等环节,获得设备的健康度,通过健康度曲线的变化趋势,可以指导设备开展预测性维护,以提高设备的稳定运行能力。本发明提出的方法,对于各种机械设备在旋转/往复运动中所产生的声音信号具有较强的适应性,针对具体的应用场景,不需要依赖于专业的领域知识就能构建出具有较高准确度的健康监测模型,实现对设备的健康监测。
请参阅图13,本申请实施例提供一种设备状况评估装置,包括:
获取单元1301,用于根据预设计算周期获取设备在目标周期的第一声音信号,并基于设备的预设重复周期将第一声音信号划分为多个第二声音信号;
确定单元1302,用于基于每个第二声音信号确定设备在每个第二声音信号对应的时间段的设备健康状况;
获取单元1301,还用于根据预设重复周期获取当前时刻对应的第三声音信号,并基于第三声音信号确定设备在当前时刻的设备状态;
计算单元1303,用于根据设备在当前时刻的设备状态以及设备在每个第二声音信号对应的时间段的设备健康状况,计算设备在目标周期的健康度。
在一种具体实现方式中,确定单元1302,具体用于提取每个第二声音信号的物理特征值和频谱特征值;
将每个第二声音信号的物理特征值和频谱特征值分别输入预先训练好的分类器中,得到设备在每个第二声音信号对应的时间段的设备状态;
根据设备在每个第二声音信号对应的时间段的设备状态确定设备在每个第二声音信号对应的时间段的健康状况。
在一种具体实现方式中,物理特征值包括摩擦特征值;
确定单元1302,具体用于根据公式计算每个第二声音信号的摩擦特征值,其中x(ti)是多个第二声音信号中的第i个第二声音信号,x(ti-τ)是第i个第二声音信号对应的目标预设重复周期中第i个第二声音信号之前的第二声音信号,N是第i个第二声音信号的采样点数,F(f)是第一声音信号x(t)的短时傅里叶变换,τ是设备的预设重复周期,f1和f2是设备一个预设重复周期中的频率峰。
在一种具体实现方式中,确定单元1302,具体用于基于无重叠滑动窗口的短时傅里叶变换和每个第二声音信号计算每个第二声音信号的频率估计值;
根据每个第二声音信号的频率估计值确定每个第二声音信号的频谱特征为其中,为所述多个第二声音信号中的第k个第二声音信号的第i个频率估计值,Fs(i)为所述多个第二声音信号中的第k个第二声音信号的频谱特征值。
在一种具体实现方式中,确定单元1302,具体用于依次确定每个设备在每个第二声音信号对应的时间段的健康状况;
若设备在目标第二声音信号对应的时间段的设备状态为平稳状态,计算并确定目标第二声音信号的所有特征值的统计分布直方图为实时直方图,目标第二声音信号为多个第二声音信号中的任一声音信号;
计算实时直方图中每个特征与标准直方图对应特征的概率分布相似度,标准直方图为根据设备的历史声音信号的所有特征值的统计分布直方图;
根据实时直方图中每个特征与标准直方图中对应特征的概率分布相似度计算设备在第二声音信号对应的时间段的初始健康度。
在一种具体实现方式中,确定单元1302,具体用于依次确定每个设备在每个第二声音信号对应的时间段的健康状况;
若设备在目标第二声音信号对应的时间段的设备状态为非平稳状态,则判断设备根据多个第二声音信号确定的不同时间段的多个设备状态中非平稳状态的占比是否大于预设异常阈值;
若大于预设异常阈值,则提示设备的运行状况异常。
在一种具体实现方式中,计算单元1303,具体用于若设备在当前时刻的设备状态为平稳状态,则确定设备根据多个第二声音信号确定的不同时间段的多个设备状态中每个平稳状态对应的第二声音信号为有效第二声音信号;
计算并确定至少一个有效第二声音信号对应的初始健康度的平均值为设备在目标周期的健康度。
在一种具体实现方式中,计算单元1303,具体用于若设备在当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算设备在目标周期的健康度,其中HDt为在当前时刻t算得的设备在目标周期的健康度,T为当前时刻t对应的计算周期,P为设备预设的非稳定分布状态的时间占比阈值。
图14是本申请实施例提供的一种设备状况评估装置结构示意图,该设备状况评估装置1400可以包括一个或一个以上中央处理器(CPU,central processing units)1401和存储器1405,该存储器1405中存储有一个或一个以上的应用程序或数据。
其中,存储器1405可以是易失性存储或持久存储。存储在存储器1405的程序可以包括一个或一个以上模块,每个模块可以包括对设备状况评估装置中的一系列指令操作。更进一步地,中央处理器1401可以设置为与存储器1405通信,在设备状况评估装置1400上执行存储器1405中的一系列指令操作。
设备状况评估装置1400还可以包括一个或一个以上电源1402,一个或一个以上有线或无线网络接口1403,一个或一个以上输入输出接口1404,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
该中央处理器1401可以执行前述图1至图13所示实施例中设备状况评估装置所执行的操作,具体此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种设备状况的评估方法,其特征在于,包括:
根据预设计算周期获取设备在目标周期的第一声音信号,并基于所述设备的预设重复周期将所述第一声音信号划分为多个第二声音信号;
基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况;
根据所述预设重复周期获取当前时刻对应的第三声音信号,并基于所述第三声音信号确定所述设备在所述当前时刻的设备状态;
根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度。
2.根据权利要求1所述的方法,其特征在于,所述基于每个第二声音信号确定所述设备在所述每个第二声音信号对应的时间段的设备健康状况,包括:
提取所述每个第二声音信号的物理特征值和频谱特征值;
将所述每个第二声音信号的物理特征值和频谱特征值分别输入预先训练好的分类器中,得到所述设备在所述每个第二声音信号对应的时间段的设备状态;
根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况。
5.根据权利要求2所述的方法,其特征在于,所述根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况,包括:
依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为平稳状态,计算并确定所述目标第二声音信号的所有特征值的统计分布直方图为实时直方图,所述目标第二声音信号为所述多个第二声音信号中的任一声音信号;
计算所述实时直方图中每个特征与标准直方图对应特征的概率分布相似度,所述标准直方图为根据所述设备的历史声音信号的所有特征值的统计分布直方图;
根据所述实时直方图中每个特征与标准直方图中对应特征的概率分布相似度计算所述设备在所述第二声音信号对应的时间段的初始健康度。
6.根据权利要求2所述的方法,其特征在于,所述根据所述设备在所述每个第二声音信号对应的时间段的设备状态确定所述设备在所述每个第二声音信号对应的时间段的健康状况,包括:
依次确定每个所述设备在所述每个第二声音信号对应的时间段的健康状况;
若所述设备在目标第二声音信号对应的时间段的设备状态为非平稳状态,则判断所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中非平稳状态的占比是否大于预设异常阈值;
若大于预设异常阈值,则提示所述设备的运行状况异常。
7.根据权利要求5所述的方法,其特征在于,所述根据所述设备在所述当前时刻的设备状态以及所述设备在所述每个第二声音信号对应的时间段的设备健康状况,计算所述设备在所述目标周期的健康度,包括:
若所述设备在所述当前时刻的设备状态为平稳状态,则确定所述设备根据所述多个第二声音信号确定的不同时间段的多个设备状态中每个平稳状态对应的第二声音信号为有效第二声音信号;
计算并确定至少一个所述有效第二声音信号对应的初始健康度的平均值为所述设备在所述目标周期的健康度。
8.根据权利要求1所述的方法,其特征在于,所述根据所述设备在所述一段时间的设备状态计算所述设备在所述一段时间的健康度,包括:
若所述设备在所述当前时刻的设备状态为非平稳状态,则根据公式HDt=HDt-T×(1-P)计算所述设备在所述目标周期的健康度,其中HDt为在所述当前时刻t算得的所述设备在所述目标周期的健康度,T为所述当前时刻t对应的计算周期,P为所述设备预设的非稳定分布状态的时间占比阈值。
9.一种设备状况评估装置,其特征在于,包括:
中央处理器,存储器以及输入输出接口;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行权利要求1至8中任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429096.8A CN114812796A (zh) | 2022-04-22 | 2022-04-22 | 设备状况评估方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429096.8A CN114812796A (zh) | 2022-04-22 | 2022-04-22 | 设备状况评估方法以及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114812796A true CN114812796A (zh) | 2022-07-29 |
Family
ID=82506085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429096.8A Pending CN114812796A (zh) | 2022-04-22 | 2022-04-22 | 设备状况评估方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114812796A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096634A (zh) * | 2022-08-26 | 2022-09-23 | 启东市嘉信精密机械有限公司 | 一种机械设备运行故障检测方法及系统 |
CN117554737A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130148817A1 (en) * | 2011-12-09 | 2013-06-13 | Tokyo Electron Limited | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program |
CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
WO2018097620A1 (ko) * | 2016-11-23 | 2018-05-31 | 주식회사 시그널웍스 | 이상 음원 감지 방법 및 이를 수행하기 위한 장치 |
CN109141935A (zh) * | 2018-08-16 | 2019-01-04 | 杭州容大智造科技有限公司 | 一种利用声音检测轮胎寿命的设备及汽车 |
CN109641602A (zh) * | 2017-07-14 | 2019-04-16 | 株式会社东芝 | 异常检测设备、异常检测方法和非临时性计算机可读介质 |
CN110630499A (zh) * | 2019-10-12 | 2019-12-31 | 重庆建设车用空调器有限责任公司 | 一种判定旋叶式压缩机是否引起异响的方法 |
CN111338878A (zh) * | 2020-02-21 | 2020-06-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN113702044A (zh) * | 2021-08-13 | 2021-11-26 | 华中科技大学 | 一种轴承故障检测方法及系统 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
-
2022
- 2022-04-22 CN CN202210429096.8A patent/CN114812796A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130148817A1 (en) * | 2011-12-09 | 2013-06-13 | Tokyo Electron Limited | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program |
CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
WO2018097620A1 (ko) * | 2016-11-23 | 2018-05-31 | 주식회사 시그널웍스 | 이상 음원 감지 방법 및 이를 수행하기 위한 장치 |
CN109641602A (zh) * | 2017-07-14 | 2019-04-16 | 株式会社东芝 | 异常检测设备、异常检测方法和非临时性计算机可读介质 |
CN109141935A (zh) * | 2018-08-16 | 2019-01-04 | 杭州容大智造科技有限公司 | 一种利用声音检测轮胎寿命的设备及汽车 |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN110630499A (zh) * | 2019-10-12 | 2019-12-31 | 重庆建设车用空调器有限责任公司 | 一种判定旋叶式压缩机是否引起异响的方法 |
CN111338878A (zh) * | 2020-02-21 | 2020-06-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN113702044A (zh) * | 2021-08-13 | 2021-11-26 | 华中科技大学 | 一种轴承故障检测方法及系统 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096634A (zh) * | 2022-08-26 | 2022-09-23 | 启东市嘉信精密机械有限公司 | 一种机械设备运行故障检测方法及系统 |
CN117554737A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
CN117554737B (zh) * | 2024-01-11 | 2024-03-26 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11467570B2 (en) | Anomalous sound detection apparatus, anomaly model learning apparatus, anomaly detection apparatus, anomalous sound detection method, anomalous sound generation apparatus, anomalous data generation apparatus, anomalous sound generation method and program | |
CN109582003B (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 | |
Li et al. | Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
Yu | A hybrid feature selection scheme and self-organizing map model for machine health assessment | |
CN114812796A (zh) | 设备状况评估方法以及相关设备 | |
Bagnall et al. | A run length transformation for discriminating between auto regressive time series | |
US20110191076A1 (en) | Error detection method and system | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN112084229A (zh) | 一种识别城镇燃气用户异常用气行为的方法及装置 | |
CN110650058A (zh) | 一种网络流量分析方法、装置、存储介质及设备 | |
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 | |
Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
CN111898443A (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
Zhang et al. | A data-driven prognostics framework for tool remaining useful life estimation in tool condition monitoring | |
CN111160106B (zh) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 | |
US20220122629A1 (en) | Sound generation apparatus, data generation apparatus, anomaly score calculation apparatus, and program | |
Liu et al. | A deep support vector data description method for anomaly detection in helicopters | |
CN114443338A (zh) | 面向稀疏负样本的异常检测方法、模型构建方法及装置 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN113554128A (zh) | 一种非常规异常检测方法、系统及存储介质 | |
Çetin et al. | Anomaly detection with multivariate k-sigma score using monte carlo | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
Zhang et al. | Steady-state and transient operation discrimination by Variational Bayesian Gaussian Mixture Models | |
Li et al. | Some preliminary results on the comparison of FCM, GK, FCMFP and FN-DBSCAN for bearing fault diagnosis |
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 |