CN117980707A - 操作振动信号的自主辨别 - Google Patents

操作振动信号的自主辨别 Download PDF

Info

Publication number
CN117980707A
CN117980707A CN202280064601.1A CN202280064601A CN117980707A CN 117980707 A CN117980707 A CN 117980707A CN 202280064601 A CN202280064601 A CN 202280064601A CN 117980707 A CN117980707 A CN 117980707A
Authority
CN
China
Prior art keywords
interval
frequency
vibration
signal
spectral density
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
Application number
CN202280064601.1A
Other languages
English (en)
Inventor
刘宜修
M·T·格尔德斯
G·C·王
K·C·格罗斯
H·巴拉苏布兰马尼安
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.)
Oracle International Corp
Original Assignee
Oracle International Corp
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 Oracle International Corp filed Critical Oracle International Corp
Publication of CN117980707A publication Critical patent/CN117980707A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Acoustics & Sound (AREA)

Abstract

本文描述了与操作振动信号的自主辨别相关联的系统、方法和其它实施例。在一个实施例中，一种方法包括将输出的频谱划分为多个离散区间，其中输出是从监视参考设备的振动传感器收集的；在设备以确定性应力负载测试模式被操作时生成代表性时间序列信号；通过将每个信号从时域转换到频域来生成每个区间的PSD；确定每个区间的最大功率谱密度值和峰频率值；选择具有超过阈值的最大PSD值的区间子集；将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号；以及至少基于操作振动信号来配置机器学习模型。

Description

操作振动信号的自主辨别
背景技术
加速度计(振动传感器)可以固定到机械设备并用于检测设备中导致较高振动水平(这可以是故障的先兆)的问题。目前用于机械设备的基于振动的状况监视的技术是初级的。例如，一种用于从加速度计传感器导出诊断和预兆信息的方法是在总体振动水平上设置阈值，以便如果振动增加到阈值以上，则警报条件被致动以发出预兆警告。
对于具有恒定负载并在系统的生命周期内以定速运行的机器，以及对于恰好处于环境振动水平固定的环境中(即，没有可以提供可变的环境振动水平的其它振动组件)的恒定负载机器，关于振动幅度的阈值是最适合的。但是，终生以固定的每分钟转数(RPM)运行且不与增加到环境振动背景的任何其它组件机械耦合的固定工作负载组件非常罕见。对于具有动态的(即，随时间改变的)工作负载、可变的速度性能并安装到包含其它变化振动源的结构中的旋转机械，关于总振动幅度的阈值对于检测劣化的早期发生非常低效。低效是阈值边界的结果。阈值警报边界必须设置为高于组件在最高负载、最高RPM设置以及环境振动水平最高时的最高峰。这显著降低了预兆的早期警告潜力，因为由于早期故障引起的振动可能在发生显著劣化之前不会达到阈值，并且在完全故障之前可能根本不会达到阈值。
发明内容
在一个实施例中，提供了一种用于操作振动信号的自主辨别的计算机实现的方法。该计算机实现的方法包括将输出的频谱划分为多个离散区间(bin)。输出可以从监视参考设备的一个或多个振动传感器收集。计算机实现的方法还包括在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号。计算机实现的方法还包括通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度。计算机实现的方法还包括确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值。计算机实现的方法还包括选择具有超过第一阈值的最大功率谱密度值的区间子集。计算机实现的方法还包括将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号。计算机实现的方法还包括至少基于操作振动信号来配置机器学习模型。
在一个实施例中，计算机实现的方法还包括计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数。计算机实现的方法还包括根据频率的相关系数计算第一区间中的每个频率的互相关分数。计算机实现的方法还包括识别第一区间中的高度互相关的频率的集合。高度互相关的频率具有超过第二阈值的互相关分数。第二阈值具有第一区间的互相关分数的至少第90百分位上的互相关分数。计算机实现的方法还包括根据高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
在计算机实现的方法的一个实施例中，配置机器学习模型还包括利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型。计算机实现的方法还包括在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常。计算机实现的方法还包括响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
在计算机实现的方法的一个实施例中，确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
在计算机实现的方法的一个实施例中，第一阈值具有所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
在一个实施例中，一种非暂态计算机可读介质包括存储在其上的用于操作振动信号的自主辨别的计算机可执行指令，计算机可执行指令在由计算机的至少一个处理器执行时使得计算机执行以下功能。计算机可执行指令使得计算机将输出的频谱划分为多个离散区间。输出是从监视参考设备的一个或多个振动传感器收集的。计算机可执行指令还使得计算机在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号。计算机可执行指令还使得计算机通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度。计算机可执行指令还使得计算机确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值。计算机可执行指令还使得计算机选择具有超过第一阈值的最大功率谱密度值的区间子集。计算机可执行指令还使得计算机将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号。计算机可执行指令还使得计算机至少基于操作振动信号来配置机器学习模型。
在非暂态计算机可读介质的一个实施例中，计算机可执行指令还使得计算机计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数。计算机可执行指令还使得计算机根据频率的相关系数计算第一区间中的每个频率的互相关分数。计算机可执行指令还使得计算机识别第一区间中的高度互相关的频率的集合。高度互相关的频率具有超过第二阈值的互相关分数。计算机可执行指令还使得计算机根据高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
在非暂态计算机可读介质的一个实施例中，机器学习模型是多变量状态估计技术模型。配置机器学习模型的指令还使得计算机利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型。计算机可执行指令还使得计算机在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常。计算机可执行指令还使得计算机响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
在非暂态计算机可读介质的一个实施例中，确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
在非暂态计算机可读介质的一个实施例中，第一阈值具有所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
在一个实施例中，一种计算系统包括处理器、可操作地连接到处理器的存储器以及可操作地连接到处理器和存储器并存储用于操作振动信号的自主辨别的计算机可执行指令的非暂态计算机可读介质，计算机可执行指令在由计算系统的至少处理器执行时使得计算系统执行以下功能。计算机可执行指令使得计算系统将输出的频谱划分为多个离散区间。输出是从监视参考设备的一个或多个振动传感器收集的。在参考设备以确定性应力负载测试模式被操作时，计算机可执行指令还使得计算系统生成每个区间的代表性时间序列信号。计算机可执行指令还使得计算系统通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度。计算机可执行指令还使得计算系统确定每个区间的最大功率谱密度值以及每个区间的最大功率谱密度值出现处的峰频率值。计算机可执行指令还使得计算系统选择具有超过第一阈值的最大功率谱密度值的区间子集。计算机可执行指令还使得计算系统将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号。计算机可执行指令还使得计算系统至少基于操作振动信号来配置机器学习模型。
在计算系统的一个实施例中，计算机可执行指令还使得计算系统计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数。计算机可执行指令还使得计算系统根据频率的相关系数计算第一区间中的每个频率的互相关分数。计算机可执行指令还使得计算系统识别第一区间中的高度互相关的频率的集合。高度互相关的频率具有超过第二阈值的互相关分数。第二阈值具有第一区间的互相关分数的至少第90百分位上的互相关分数。计算机可执行指令还使得计算系统根据高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
在计算系统的一个实施例中，机器学习模型是非线性非参数回归模型或多变量状态估计技术模型。配置机器学习模型的指令还使得计算系统利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型。计算机可执行指令还使得计算系统在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常。计算机可执行指令还使得计算系统响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
在计算系统的一个实施例中，确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
在计算系统的一个实施例中，第一阈值具有在所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
附图说明
结合在本说明书中并构成其一部分的附图示出了本公开的各种系统、方法和其它实施例。将认识到的是，图中所示出的要素边界(例如，方框、方框组，或者其它形状)表示边界的一个实施例。在一些实施例中，一个要素可以被实现为多个要素，或者多个要素可以被实现为一个要素。在一些实施例中，示为另一个要素的内部组件的要素可以被实现为外部组件，并且反之亦然。此外，要素可能不是按比例绘制的。
图1示出了沿着三个轴的示例功率谱密度谱图，其示出了示例大型企业服务器设备的振动特征。
图2示出了与操作振动信号的自主辨别相关联的系统的一个实施例。
图3示出了与操作振动信号的自主辨别相关联的方法的一个实施例。
图4示出了由服务器执行的示例确定性应力负载测试模式的图。
图5示出了振动频谱的一个示例区间中的频率的图。
图6示出了用于与操作振动信号的自主辨别相关联的频率区间化(binning)表征的方法的一个实施例。
图7示出了振动频谱的示例区间中就互相关而言的频率的第90百分位的图。
图8示出了对于不同互相关百分位阈值的灵敏度测试以及那些阈值处得到的平均值的图。
图9示出了用于识别指示与操作振动信号的自主辨别相关联的设备上的操作负载的频率的方法的一个实施例。
图10示出了由示例服务器执行的示例确定性应力负载测试的前四个代表性信号及其相应的频域。
图11示出了从汽车获得的测量的频率改变的三轴图。
图12示出了用于汽车的顶部频率区间的示例时间序列信号的图。
图13示出了配置有所公开的示例系统和/或方法的计算系统的实施例。
具体实施方式
本文描述了提供操作振动信号的自主辨别的系统和方法。在一个实施例中，本文描述的系统和方法提供了机械设备操作签名的基于振动共振谱测定(VRS)的自主辨别，以用于机械设备的基于条件的健康监视。在一个实施例中，本文描述的系统和方法实现频域到时域到频域的双重变换，其解析出最能指示设备的当前操作状态的设备的那些振动测量。这种新颖的方法为预兆监控机器学习工具的监视确定了最有价值的窄频区间，以便于设备的健康状况的持续评估。本文描述的用于操作振动信号的自主辨别的系统和方法使得能够通过预兆机器学习算法实时消费和分析所有类型的高频传感器，以用于主动的早期且准确的初期故障检测。
—振动监视—
用于检测设备的检测到的振动中的异常改变的基于振动的状况监视(本文称为“振动监视”)是检测具有旋转组件的设备的劣化操作的工具。此类设备可以从简单到复杂，例如从叶轮泵到车辆再到企业计算机服务器。
图1示出了沿着三个轴的示例功率谱密度(PSD)谱图105、110、115，示出了示例大型企业服务器设备的振动特征。PSD将信号中存在的功率描述为频率的函数。示例企业服务器包括多个内部旋转组件，诸如主风扇、电源单元的内部风扇和硬盘驱动器(HDD)主轴马达。谱图105示出了从一侧到另一侧(横向)加速度的振动传感器加速度功率谱密度。谱图110示出了从前到后(纵向)加速度的振动传感器加速度功率谱密度。谱图115示出了从上到下(垂直)加速度的振动传感器加速度功率谱密度。每个谱图中的功率谱密度相对于以赫兹(Hz)测量的频率轴120和以每赫兹分贝(db/Hz)测量的每频率功率轴125绘制。在每个谱图105、110、115中，具有正常的、未劣化的组件的企业服务器的功率谱密度由实线130示出，并且具有劣化的、安装有故障的风扇的企业服务器的功率谱密度由点线135表示。
在大致125Hz 140、150Hz 145、170Hz 150和225Hz 155处的振动PSD峰是由企业服务器的主风扇的操作造成的。在大致167Hz 160处的振动PSD峰是由企业服务器的HDD的操作造成的。在大致270、275和280Hz 165处的振动PSD峰是由中央处理单元(CPU)风扇的操作造成的。在大致160Hz 170处的振动PSD峰是好的(正确运行的)电源风扇的一次谐波。在大致315Hz 175处的小振动PSD峰是好的电源风扇的二次谐波。在大致175Hz 180处的振动PSD峰是坏的(运行不正确或发生故障的)电源风扇的一次谐波。在大致345Hz185处的振动PSD峰是好的电源风扇的二次谐波。基波或谐波峰附近的PSD曲线下的面积可以指示造成峰的组件的状况。例如，电源风扇的一次谐波附近的PSD曲线下的面积(由阴影区域190指示)是电源风扇状况的指示器。
PSD中的峰主要由动态和循环的运动主导，诸如内部旋转组件(诸如风扇、鼓风机、涡轮机、马达、发电机、具有旋转轴的任何机械组件)的旋转频率。即使对于具有由离心泵驱动的流的液压系统，流签名和压差换能器中出现的叶片通过频率也存在周期性。在所有前述现象中，PSD中出现的峰与旋转组件的基波周期性的1X、2X、3X和更高次谐波对应。如在PSD谱图105、110和115中可以看到的，所有显著的峰都与旋转组件相关联，或者作为基波振动或者作为高次谐波。注意，dB标度是对数标度，因此10dB的峰底比实际上是峰的尖端处相对于基底振动水平高100倍。
振动监视的一种方法是分析振动传感器的输出，执行快速傅立叶变换(FFT)以识别设备功率谱密度(PSD)的峰，然后监视那些峰以检测改变。例如，振动监控可以聚焦于PSD中的最高峰，对峰的高度(幅度)应用阈值以检测振动的幅度的改变，和/或聚焦于峰的中心线频率以检测振动的速度的改变。
监视PSD中的峰的高度以检测过度振动受到根本限制，这些限制显著降低捕获小的初期缺陷以使得能在这些小问题发展为严重和/或昂贵的停电事件之前主动修复它们的能力。如果设备始终以一个一致的性能水平利用定速旋转组件的操作，并且设备处于环境振动固定(不变)的环境中，那么检测PSD峰的高度的改变可以是有价值的。如果发动机、马达、发电机或任何旋转机械开始振动且幅度显著增加，那么表明出现了机械问题。这种始终一致的占空比操作的用例极其罕见。对于设备上的性能和/或负载可以在低/关闭与高/最大利用率状态之间变化的设备，PSD频谱中的峰随着工作负载而改变。这里，监视PSD峰高度的振动异常检测受到建立高于涉及峰环境振动水平的条件下的最大操作性能的警报阈值的限制。这个最大振动可以仅占那个资产的操作时间的百分之几。对于非最大工作负载和非最大环境振动水平下的所有操作，这种方法对于捕捉微妙的新劣化模式的初期或开始非常不敏感。
监视PSD中的峰的高度以检测过度振动的缺点是，在发出任何警报之前问题必须非常严重，尤其是对于在设备被操作时负载可能改变的设备。例如，如果将阈值设置在具有正常的、未劣化组件130的企业服务器的PSD曲线上的最高峰之上，那么企业服务器机箱内仅一个旋转组件的劣化可能必须变得相当严重，然后才会超过该高阈值以触发警报。
监视峰的中心线频率以检测频率的改变一般仅限于定速资产。对于那些受限的用例，检测中心线峰频率的改变可以指示摩擦的增加(例如，润滑干涸或轴承不圆或轴的某种弯曲，或者假设以确切的每分钟转数(RPM)旋转轴或其它元件的上游马达的问题)。
在监视峰的幅度或中心线时要在捕获初期劣化机制与造成假警报之间取得平衡是一项重大挑战，因为在PSD峰高度或中心线改变上设置阈值时，如果想要对发展劣化模式的早期警告获得更高的灵敏度，那么设计人员必须降低阈值。但是，对于可变性能的资产并且尤其是对于环境振动水平的可变性，降低阈值导致根本没有结构安全意义的虚假警报。由虚假阈值跳闸造成的假警报会极其昂贵，因为假警报会导致创收资产不必要地停止服务。因此，为了避免代价高昂的假警报，设计人员提高关于峰频率的警报阈值，然后如果出现新的劣化模式，那么在发出任何警报之前，劣化必须更加严重(或者机器已经无法运行)。
—振动信号的自主辨别的概述—
监视固定到任何通用机械或流体流设备或系统的加速度计的输出表明，如果对系统施压(通过增加系统上的负载、或流体的速度、或旋转元件的转速)，一些振动频率与被监视的设备或系统的需求简档强相关，而其它频率只是随机噪声或来自设备外部的环境振动内容。这些最密切地反映对设备的需求的频率可以被称为操作振动信号。
本文描述的提供操作振动信号的自主辨别的系统和方法引入了新的振动监视方法，该振动监视方法与上面讨论的PSD峰高度和峰中心线监视方法完全不同。用于操作振动信号的自主辨别的系统和方法应用了新颖的频域到时域到频域的双重变换，这可以自主且快速地从随机噪声和环境振动中隔离操作振动信号，从而使得能够对现在使用加速度计进行故障检测的无数设备和工程系统应用预兆机器学习。
在一个实施例中，有限数量的最优或最佳窄带频率区间被从频谱中选择，并且在初始频域到时域变换中由频率区间的规则的(即，时间上等间隔的)观察的时间序列信号来表示。被监视设备的工作负载以振荡模式变化，或者以规则周期“摆动”，同时对区间进行观察以创建每个区间的时间序列信号。然后，对每个区间的时间序列执行傅立叶变换以便为该区间创建单独的PSD，将振动信息放回频域，并揭示区间内的周期性改变。那些区间中的最高PSD尖峰示出了将设备的机械状况与振动测量最紧密地耦合的信号，并且是提供给后续机器学习分析(或者训练或者监控)的信号。
这种频域到时域到频域的双重变换提供那些最能指示设备的当前操作状态的振动频率的自主识别和提取，从而使得能够利用机器学习模型在时域中对那些频率进行实时监视，与其它振动监视技术相比，更早地检测异常性能劣化和初期故障，并且具有更高的预兆准确性。这种频率识别不同于并优于那些简单地将原始加速度计信号变换到频域(例如，通过对加速度计信号应用傅立叶变换)的振动分析，后者检测到初期故障要晚得多(如果有的话)并且预兆准确性低。
因此，用于操作振动信号的自主辨别的系统和方法将时域的原始加速度计读数变换成频域的原始精细频率，将精细频率转换成区间化的频率，选择最优的区间化频率，并将所选择的区间化频率转换回适合机器学习工具消费的时间序列信号。
有利地，本文描述的用于操作振动信号的自主辨别的系统和方法可以应用于配备有固定加速度计的任何机械、机电或热液压流系统。注意，在热液压流系统中，振动不需要是旋转引起的，它可以代替地是流动引起的振动(FIV)。FIV中的异常检测是发现流系统组件的问题的一种出色方式。此类流系统组件差异很大，并且包括石油和天然气行业中的高流量管壳式热交换器和填充塔洗涤器。FIV中的异常还可以发信号通知偏离核沸腾(DNB)的开始，这是热液压传热系统(诸如用于企业级计算机处理器的流动冷却系统)中的工程问题(其中最新CPU芯片的每平方厘米的热通量可以超过核燃料元件每平方厘米的热通量)。
—示例环境—
图2示出了与操作振动信号的自主辨别相关联的系统200的一个实施例。在一个实施例中，系统200包括时间序列数据服务205和通过诸如互联网和/或私有网络之类的网络215连接的企业网络210。在一个实施例中，网络215和225是同一个网络，而在另一个实施例中，网络215和225是分离的网络。时间序列数据服务205要么通过网络225直接连接到振动传感器(诸如振动传感器220)或数据获取单元(DAQ)(诸如远程终端单元(RTU))，要么通过一个或一个或多个上游设备235间接连接到振动传感器(诸如振动传感器230)或DAQ。
在一个实施例中，时间序列数据服务205包括各种系统，诸如自主信号辨别组件240、传感器接口服务器250、web接口服务器255、其它数据服务组件260和数据存储库265。这些系统240、250、255、260、265中的每一个都配置有逻辑，例如通过各种软件模块，以用于执行它们被描述为执行的功能。在一个实施例中，时间序列数据服务205的组件在通过数据网络或云网络(诸如服务器侧网络267)互连的一个或多个硬件计算设备或主机上实现。例如，时间序列数据服务205的组件可以各自由一个或多个计算硬件形态的网络连接的计算设备来执行，诸如通用中央处理单元(CPU)形态、密集输入/输出(I/O)形态、图形处理单元(GPU)形态和HPC形态。在一个实施例中，时间序列数据服务205的组件各自由专用计算设备实现。在一个实施例中，时间序列数据服务205的几个或所有组件由公共(或共享)计算设备实现，虽然在图2中被表示为离散单元。在一个实施例中，时间序列数据服务205的组件可以跨多个计算设备实现。
在一个实施例中，自主信号辨别组件240包括频谱划分组件242、代表性信号生成组件243、PSD生成组件244、最大PSD确定组件245、区间选择组件246、信号指派组件247和ML模型配置组件248。在一个实施例中，这些组件中的每一个都被实现为软件模块。在一个实施例中，频谱划分组件242被配置为将(从监视参考设备的一个或多个振动传感器收集的)输出的频谱划分成多个离散区间，例如如本文进一步详细描述的。在一个实施例中，代表性信号生成组件243被配置为在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号，例如如本文进一步详细描述的。在一个实施例中，PSD生成组件244被配置为通过将每个时间序列信号从时域转换到频域来生成每个区间的功率谱密度，例如如本文进一步详细描述的。在一个实施例中，最大PSD确定组件245被配置为确定每个区间的最大功率谱密度值，例如如本文进一步详细描述的。在一个实施例中，区间选择组件246被配置为选择具有超过第一阈值的最大功率谱密度值的区间的子集，例如如本文进一步详细描述的。在一个实施例中，信号指派组件247被配置为将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号，例如如本文进一步详细描述的。在一个实施例中，ML模型配置组件248被配置为基于来自训练数据的操作振动信号来配置机器学习模型，以预测或估计操作振动信号的正确或预期值，例如如本文进一步详细描述的。在一个实施例中，组件242-248是配置计算设备以执行本文针对这些组件描述的功能的软件模块。
在一个实施例中，时间序列数据服务205的组件通过电子消息或信号相互通信。这些电子消息或信号可以被配置成对访问组件的特征或数据的功能或过程的调用，诸如例如应用编程接口(API)调用。在一个实施例中，这些电子消息或信号以与传输控制协议/互联网协议(TCP/IP)或其它计算机网络协议兼容的格式在主机之间发送。时间序列数据服务205的每个组件可以(i)生成或编写电子消息或信号以向另一个组件发出命令或请求，(ii)使用调度、分派和路由系统205的基础设施将消息或信号传输到其它组件，以及(iii)解析接收到的电子消息或信号的内容以识别该组件可以执行的命令或请求，并且响应于识别出命令，该组件将自动执行该命令或请求。
在一个实施例中，时间序列数据服务205可以被实现为云基础设施上的服务。在一个实施例中，时间序列数据服务205可以由专用的第三方托管，例如在基础设施即服务(IAAS)、平台即服务(PAAS)或软件即服务(SAAS)体系架构中。在一个实施例中，时间序列数据服务205可以在本地基础设施(诸如一个或多个专用服务器的集合)上实现。
在一个实施例中，时间序列数据服务205可以由第三方托管，和/或为了多个账户所有者/租户的利益而由第三方操作，每个账户所有者/租户正在经营业务，并且每个账户所有者/租户具有相关联的企业网络210。在一个实施例中，时间序列服务205和企业网络210中的任一个可以与在使用振动传感器监视系统和设备的操作监控状况的多种行业(诸如石油和天然气生产、公用事业、航空、和数据中心IT)中的任何一个中操作的业务实体相关联。在一个实施例中，时间序列数据服务205被配置有诸如软件模块之类的逻辑，以根据本文描述的系统和方法操作时间序列数据服务205从而自主地辨别操作振动信号与环境振动和随机噪声，并预兆性地检测或发现异常的操作振动信号。
在一个实施例中，振动传感器220和230可以是任何类型的电、机械(包括基于压电的)或光学振动传感器。在一个实施例中，振动传感器220和230可以固定到机械设备或系统231，例如如传感器232、233所示的，以监视设备或系统231的振动。在设备或系统231中检测到的振动可以包括由设备或系统231的操作产生的振动以及来自外部设备或系统231的环境振动(例如，由附近设备或耦合到设备或系统231的设备的操作造成的)。设备或系统231一般包括具有执行可测量活动的组件的任何类型的机械或设施。设备或系统231可以是固定的(诸如油泵或气泵)或移动的(诸如汽车、飞机或其它车辆)。振动传感器220、230、232、233可以是网络连接的用于监视任何类型的物理现象的传感器。振动传感器220、230、232、233的网络连接可以是有线的或无线的。在一个实施例中，上游设备235可以是被配置为使得振动传感器230、233能够与传感器接口服务器250通信的网关设备。
在一种实施例中，振动传感器220、230、232、233通过网络225连接到传感器接口服务器250。在一个实施例中，传感器接口服务器250配置有诸如软件模块之类的逻辑，以收集来自振动传感器220、230、232、233的读数并将它们作为时间序列数据结构中的观察存储在例如数据存储库260中。传感器接口服务器250被配置为例如通过暴露一个或多个应用编程接口(API)来与传感器交互，该一个或多个API被配置为使用适用于振动传感器220、230、232、233的传感器数据格式和通信协议接受来自振动传感器220、230、232、233的读数。在一个实施例中，传感器接口服务器250被动地接收由振动传感器220、230、232、233主动传输的传感器读数。在一个实施例中，传感器接口服务器250包括频谱分析仪251，频谱分析仪251被配置为测量来自振动传感器220、230的输入信号的频率上的量值，并且输出由振动传感器230感测的整个频率范围上的输入的量值的时间序列。
为了解释的简单和清楚起见，企业网络210由一个或多个个人计算机275或服务器280可操作地连接到的现场局域网270以及通过网络215或其它合适的通信网络或网络组合连接到企业网络210的一个或多个远程用户计算机285表示。个人计算机275和远程用户计算机285可以是例如台式计算机、膝上型计算机、平板计算机、智能电话或具有连接到局域网270或网络215的能力或具有其它同步能力的其它设备。企业网络210的计算机通过网络215或另一个合适的通信网络或网络组合与时间序列数据服务205接口。
在一个实施例中，远程计算系统(诸如企业网络210的远程计算系统)可以通过web接口服务器255访问由时间序列数据服务205提供的信息或应用。例如，企业网络210的计算机275、280、285可以从时间序列数据服务205访问自主信号辨别组件240。在一个实施例中，远程计算系统可以向web接口服务器255发送请求并从web接口服务器255接收响应。在一个示例中，对信息或应用的访问可以通过使用个人计算机275或远程用户计算机285上的web浏览器来实现。例如，企业网络210的这些计算设备275、280、285可以请求并接收基于网页的图形用户界面(GUI)，用于访问由自主信号辨别组件240提供的信息。在一个示例中，这些通信可以在web接口服务器255和服务器280之间交换，并且可以采取使用JavaScript对象表示法(JSON)作为数据交换格式的远程表示状态传输(REST)请求、或者去往和来自XML服务器的简单对象访问协议(SOAP)请求的形式。
在一个实施例中，(一个或多个)数据存储库265包括一个或多个数据库(诸如数据历史档案、时间序列数据库或信号数据库)或被配置为存储和供应由传感器接口服务器265从振动传感器220、230、232、233接收的时间序列数据的其它数据结构。时间序列数据可以由一个或多个传感器以规则或不规则的间隔感测并且与传感器和感测该值的时间相关联地存储的值组成。在一个实施例中，时间序列数据库是用于时间序列数据的NoSQL数据库。在一些示例配置中，(一个或多个)数据存储库265可以使用一个或多个Exadata计算形态、网络附加存储(NAS)设备和/或其它专用服务器设备来实现。API调用可以包括对数据库的查询。查询可以用SQL编写并在SQL运行时中执行，或者使用其它适当的查询语言和环境。例如，在数据库被配置为存储和供应时间序列数据的情况下，查询可以用NoSQL语言与特定于时间序列的命令组成，并在NoSQL运行时中执行。
—示例方法—
在一个实施例中，本文描述的计算机实现的方法的每个步骤可以通过一个或多个计算设备的如下处理器(诸如参考图13中所示和描述的处理器1310)执行：(i)访问存储器(诸如存储器1315和/或参考图13所示和描述的其它计算设备组件)和(ii)配置有使系统执行方法的步骤的逻辑(诸如参考图13所示和描述的自主振动信号辨别逻辑1330)。例如，处理器访问存储器并对存储器进行读或写以执行本文描述的计算机实现的方法的步骤。这些步骤可以包括(i)检索任何必要的信息，(ii)计算、确定、生成、分类或以其它方式创建任何数据，以及(iii)存储任何计算、确定、生成、分类或以其它方式创建的数据供后续使用。对存储的引用指示作为计算设备的存储器或存储装置/盘(诸如存储器1315，或计算设备1305的存储装置/盘1335或参考图13所示和描述的远程计算机1365，或参考图2所示和描述的数据存储库265中)中的数据结构的存储。
在一个实施例中，方法的每个后续步骤响应于解析接收到的信号或检索到的存储数据指示前一步骤已被至少执行到后续步骤开始所必需的程度而自动开始。一般而言，接收到的信号或检索到的存储数据指示前一步骤的完成。
图3示出了与操作振动信号的自主辨别相关联的方法300的一个实施例。在一个实施例中，方法300的步骤由自主信号辨别组件240执行(如参考图2中所示和描述的)。在一个实施例中，自主信号辨别组件240是配置有自主振动信号辨别逻辑1330的专用计算设备(诸如计算设备1305)。在一个实施例中，自主信号辨别组件240是配置有逻辑1330的专用计算设备的模块。在一个实施例中，通过方法300的步骤启用振动信号的ML预兆监视，方法300自动识别频率代表以提供给预兆ML模型，该预兆ML模型最佳地表征用于基于条件的健康监视的设备的操作签名。在一个实施例中，通过方法300的步骤启用振动异常的实时预兆早期识别，其中这种实时识别以前是不可能的，因为无法自主辨别与设备上的操作负载的改变相关联的振动信号分量。
方法300可以基于各种触发被自动发起，诸如响应于通过网络接收信号或解析存储数据，该信号或存储数据指示(i)时间序列数据服务205的用户(或管理员)已经发起方法300，(ii)方法300被调度为在既定的时间或时间间隔发起，(iii)用户(或管理员)已经开始扫描设备以自动辨别与设备上的负载改变对应的振动频率，(iv)响应于在变化负载的测试模式下操作的设备的振动扫描的完成；或者(v)响应于从以变化负载的测试模式操作的设备记录的振动的时间序列数据库的呈现。响应于解析接收到的信号或检索到的存储数据并确定该信号或存储数据指示方法300应当开始，方法300在开始方框305处发起。过程继续到过程方框310。
在过程方框310处，处理器将输出的频谱划分成多个离散区间，其中输出是从监视参考设备的一个或多个振动传感器收集的。在一个实施例中，固定到设备的一个或多个加速度计生成设备的振动的连续频谱输出。处理器接受来自加速度计的连续频谱输出。处理器执行频率分析仪来扫掠连续频谱输出。处理器将被扫频频谱细分或划分为多个区间或连续原始频率的组。原始频率追踪出与被测量的设备或系统的活动相关的时间序列信号。并非每个频率都会包含与设备活动相关联的可分析物理内容。一些频率表现出与设备工作负载相关的动态(幅度改变的)响应，而其它频率中存在随机噪声。一般而言，区间是离散的，即，区间中包括的原始频率的组不与另一个区间中的原始频率的组重叠。在一个示例中，划分具有相同的尺寸，每个区间具有相同数量的原始频率。在一个实施例中，振动频谱被划分为100个区间。这个数量可以根据分析仪支持的频率范围进行调整。在实践中，100个区间已经取得了令人满意的结果。设备是参考设备，因为它是具有已知性能和/或劣化状态的设备。参考设备的振动频率(由方法300选择)被用作评估相同(或相似)类型的其它设备的性能的基础或标准。在一个实施例中，参考设备是“黄金系统”，或经认证在正确参数内操作和/或不存在劣化组件的设备。在一个实施例中，过程方框310的步骤由自主信号辨别组件240的频谱划分组件242实现。一旦处理器因此完成将输出的频谱划分成多个离散区间，其中输出是从监视参考设备的一个或多个振动传感器收集的，过程方框310处的处理就完成，并且过程继续到过程方框315。
在过程方框315处，在参考设备以确定性应力负载测试模式被操作的同时，处理器生成每个区间的代表性时间序列信号。
在一个实施例中，参考设备以在设备上施加确定性应力负载的测试模式进行操作。确定性应力负载是以预先计划的(确定性的)方式变化的负载，使得设备的操作模式预先已知。指示设备上的负载的频率将表现出类似于确定性应力负载的模式。这种确定性应力负载可以非正式地被称为设备的工作负载中的“摆动(wiggle)”。在一个示例中，确定性应力负载或摆动可以具有规则的周期(即，它可以以相同的时间间隔重复)。在一个实施例中，确定性应力负载是正弦曲线，平滑地通过负载最小值和负载最大值。在一个实施例中，确定性应力负载具有方波图案，立即(或至少快速地)往返于负载最小值和负载最大值。在一个实施例中，处理器控制参考设备在确定性应力负载下的操作，例如通过根据测试模式直接操作参考设备的可变速度控制，或者通过将执行测试模式的指令传输到设备的控制器。
对于带有可变速度控制器的系统(包括旋转机械，诸如离心流体泵、发电机、马达、马达-发电机组、可变速度风扇、鼓风机、压缩机、涡轮机、齿轮箱、主轴马达等)，其中用于该设备的控制器是可编程的，那么理想的多频校准练习(测试模式)是在设备操作负载中引入编程的正弦变化。通过电子接口、通过可编程逻辑控制器(PLC)或通过固件控制的API控制的设备和系统一般具有连续可变负载控制。然后，处理器可以操作设备或系统的连续可变负载控制，并生成用于简略训练/测试时段的正弦负载剖面。当设备的正弦控制不可用时，本文的系统和方法对于其中设备具有两个性能级别(例如，开/关、高/低、空闲/高等)或少量有限数量的设置(例如，3个速度设置，或有限数量的离散设置)的用例也有良好效果。即使设备在具有两种性能设置(例如，空闲/高)的最坏情况下，本文描述的系统和方法对于所产生的简单方波高/低剖面也有良好效果。推荐至少一连串五个等距隔开的高/低方波。
在具有可编程的工作负载的计算设备(诸如在企业级服务器计算机)中，也可以通过执行中断工作负载并随后恢复工作负载的工作负载脚本来引入五分钟训练/测试时段的工作负载的正弦变化，对于任何计算都没有状态的丢失。在训练/测试时段期间，工作负载脚本生成工作负载的正弦变化，这使计算设备在五分钟训练/测试时段期间的几个循环内从空闲状态变为最大状态(最大CPU、存储器和I/O)。对于不具有可编程工作负载能力的计算设备，可以简单地将机器从空闲切换到最大(例如，以30秒的间隔)，从而创建方波工作负载剖面。
在一个实施例中，被监视设备对确定性应力负载的执行产生对于被监视的机械、机电或热液压参考设备的需求的周期性变化。在一个实施例中，周期性变化的时段短，在几分钟内重复多次。在一个实施例中，测试模式在训练窗口时间段期间重复多个循环。在实践中，五分钟的训练/测试窗口(包括最小负载和最大负载的五个循环)已经产生令人满意的结果。因此，在一个实施例中，确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载、以及在高和空闲状态之间规则地循环的应力负载之一。
在一个实施例中，在设备根据将确定性应力负载施加在设备上的测试模式进行操作时，处理器监视由固定到设备的振动传感器检测到的频率。对于频谱中的每个区间，处理器生成表征区间中的原始频率对由测试模式造成的负载改变的响应的代表性时间序列信号。在一个实施例中，以针对其它遥测度量(诸如温度、电压、电流、RPM等)的最快采样率对区间进行采样。在一个实施例中，区间的代表信号是区间的每个原始频率的时间信号的平均值(均值)(其中代表性信号的每个观察处的频率幅度是与观察对应的区间中所有原始频率时间信号的频率幅度值的均值)。在一个实施例中，区间的代表性信号是区间中最互相关的原始频率时间信号的集合的平均值(均值)(其中代表性信号的每个观察处的频率幅度值是对应观察处的区间中最高度互相关的原始频率时间信号的子集的频率幅度值的均值)。例如，最互相关的原始频率时间信号的集合可以是处于互相关的第90百分位的那些原始频率信号。针对互相关选择信号降低了具有高度随机或嘈杂内容的原始频率的重要性，并增加了与测试模式的操作一致的频率的重要性。在任一情况下(无论是使用区间中的所有原始频率的集合，还是使用区间中的最互相关的频率的这些频率)，处理器都计算每次观察时整个集合的平均值，以生成区间的代表性信号。然后，处理器将区间的代表性信号存储在例如与区间相关联的数据结构中。
在一个实施例中，过程方框315的步骤由自主信号辨别组件240的代表性信号生成组件243来实现。一旦处理器由此完成为每个区间生成代表性时间序列信号，同时参考设备以确定性应力负载测试模式被操作，那么过程方框315处的处理完成，并且过程继续到过程方框320。在一个实施例中，方法300的过程方框310-315表示本文描述的频域到时域到频域双重变换中的频域到时域变换。
在过程方框320处，处理器通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度。在一个实施例中，处理器对每个代表性时间序列信号的值执行傅立叶变换，诸如快速傅立叶变换(FFT)或离散傅立叶变换(DFT)。所得的曲线是区间的功率谱密度(PSD)。处理器将每个区间的PSD存储在例如与该区间相关联的数据结构中。根据区间的功率谱密度，处理器可以识别该区间的代表性时间信号的频率分量。PSD曲线的峰指示代表性时间信号的分量的频率。在一个实施例中，过程方框320的步骤由自主信号辨别组件240的功率谱密度生成组件244来实现。一旦处理器因此完成通过将每个代表性时间序列信号从时域转换到频域而生成每个区间的功率谱密度，过程方框320处的处理就完成，并且过程继续到过程方框325。
在过程方框325处，处理器确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值。在一个实施例中，对于每个区间，处理器沿着该区间的PSD曲线遍历频率值，并且检查每个频率值处的幅度值。处理器通过将幅度值与“当前最大幅度”值进行比较来检查幅度值。当前最大幅度值被初始化为0。指示出现当前最大幅值的频率的“当前峰频率”值也被初始化为例如0。当沿着PSD曲线的某个频率处的幅度值超过当前最大值时，将当前最大幅度替换为当前正在检查的幅度值，并将当前峰频率值替换为出现当前最大幅度时的频率值。一旦检查了PSD曲线的每个频率处的幅度，当前最大幅度值就是PSD曲线的最大幅度值，并且当前峰频率值就是PSD曲线的出现最大幅度的频率。处理器将当前最大幅度存储为区间的最大PSD值，并将当前峰频率值存储为区间的峰频率值，例如存储在与区间相关联的数据结构中。然后，处理器继续重复依次确定每个区间的最大PSD值(以及相关联的峰频率值)的处理，直到没有剩余区间。在一个实施例中，过程方框325的步骤由自主信号辨别组件240的最大功率谱密度确定组件245实现。一旦处理器因此完成确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值，过程方框325处的处理就完成，并且过程继续到过程方框330。
在过程方框330处，处理器选择具有超过阈值的最大功率谱密度值的区间的子集。在一个实施例中，处理器按照最大功率谱密度值对区间进行排序，例如通过按照区间各自的最大PSD降序对区间进行排序。在一个实施例中，处理器从存储器或存储装置检索阈值。在一个实施例中，阈值由执行方法300的系统的用户或管理员预先配置。在一个实施例中，阈值是百分位，处理器选择在最大PSD方面处于最高百分位的那些区间属于子集，例如前百分之20。因此，在一个实施例中，阈值具有在所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值(即，通过其满足阈值)。在一个实施例中，阈值是给定数量，并且处理器选择在最大PSD方面位于最前面的给定数量的区间属于子集，例如，前20个区间。在实践中，选择前20个区间的阈值已经产生了令人满意的结果，通过在用于前20个区间的代表性时间序列信号上训练的ML模型以非常合理的计算成本提供了出色的预兆监视。然后，处理器存储区间子集以供后续处理，例如存储在与设备或频谱相关联的数据结构中。注意，具有最高PSD峰的时间序列信号与设备操作振动测量的耦合最为紧密，因此是设备振动的时间序列机器学习分析中包含的信息最丰富的窄带信号。在一个实施例中，过程方框330的步骤由自主信号辨别组件240的区间选择组件246实现。一旦处理器因此完成选择具有超过第一阈值的最大功率谱密度值的区间子集，过程方框330处的处理就完成，并且过程继续到过程方框335。
在过程方框335处，处理器将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号。在一个实施例中，处理器描述构成区间子集中的每个区间的代表性时间序列信号的分量时间序列信号，并将该描述记录在描述操作振动信号的集合的数据结构中。然后处理器存储数据结构以供后续处理。在一个实施例中，分量时间序列信号的描述包括区间内频率切片的列表，这些频率切片被组合(例如，通过在每个观察处找到平均值——均值或中值)以构成代表性时间序列信号。在一个实施例中，处理器检索区间子集中的每个区间的代表性时间序列信号，并将它们存储为操作振动信号的训练时间序列数据库以供将来处理。在一个实施例中，通过对区间进行采样来检索区间子集的代表性时间序列信号。在一个实施例中，以与用于参考设备的其它传感器遥测相匹配的采样率对子集中的区间进行采样，例如每2秒一次或每5秒一次。从每个最前面的区间中选择一个操作振动信号确保操作振动信号对频谱的广泛覆盖。在一个实施例中，过程方框335的步骤由自主信号辨别组件240的信号指派组件247实现。一旦处理器因此完成将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号，过程方框335处的处理就完成，并且过程继续到过程方框340。
在过程方框340处，处理器至少基于操作振动信号来配置机器学习模型。在一个实施例中，处理器提供操作振动信号——来自参考设备的针对所选择的区间子集的峰频率的时间序列信号——作为用于预兆机器学习(ML)模型的训练信号。在一个实施例中，预兆ML模型被实现为用于多变量异常检测的一种或多种非线性非参数(NLNP)回归算法，包括神经网络(NN)、支持向量机(SVM)、自关联核回归(AAKR)和基于相似性的建模(SBM)，诸如多变量状态估计技术(MSET)(包括Oracle专有的多变量状态估计技术(MSET2))。因此，在一个实施例中，ML模型是NLNP模型或MSET模型。处理器对被指定为训练集的操作振动信号的一系列观察执行监督式学习过程。将一系列观察指定为训练集指示在给定观察处的其它信号值的情况下每个观察处的信号值是适当的或预期的。被指定为训练集的操作振动信号可以在参考设备的正常操作期间被收集，其中正常操作指示参考设备在适当的或预期的振动水平内运行。因而，在一个实施例中，配置机器学习模型包括利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型。ML模型被配置为执行目标函数，该目标函数在给定输入信号的实际(或观察)值的情况下输出输入信号的预期(或预测)值。给定操作振动信号的训练集，处理器迭代地优化ML模型的目标函数以正确确定操作振动信号的值。然后存储经训练的机器学习模型，以供后续用于监视与参考设备相同(或相似)类型的设备的操作振动信号。在一个实施例中，过程方框340的步骤由自主信号辨别组件240的ML模型配置组件248实现。一旦处理器因此完成了至少基于操作振动信号的机器学习模型的配置，过程方框340处的处理就完成，并且过程继续到结束方框345，在那里过程300结束。方法300的实施方式的进一步细节在本文别处示出和描述。
在一个实施例中，利用参考设备的操作振动信号训练的ML模型被用于监视与参考设备相同(或相似)类型的目标设备的操作振动信号。在一个实施例中，参考设备和目标设备是同一设备。在一个实施例中，参考设备与目标设备是不同的设备。在一个实施例中，处理器还利用经训练的模型在操作的监控时段期间监视目标设备的操作振动信号，以检测振动异常。处理器执行经训练的ML模型来估计操作振动信号的值。处理器计算操作振动信号的观察值与操作振动信号的模型估计值之间的残差(差的绝对值)。处理器执行故障检测模型以检测操作振动信号中的异常行为。在一个实施例中，故障检测模型使用顺序概率比测试(SPRT)以通过计算测得的信号与估计的值之间的每个相继残差的对数似然比的累积和来检测与正常操作(或故障)的异常偏差，并将累积和与阈值进行比较以确定检测到故障。当阈值被超过时，在目标设备的一个或多个操作振动信号中检测到振动异常。在一个实施例中，处理器还响应于检测到目标设备的一个或多个操作振动信号中的振动异常而发送预测性维护警报。在一个实施例中，处理器在发送预测性维护警报之前例如通过检索预测性维护警报的存储的模板并用描述振动异常的信息填充它作为警报的基础来构成预测性维护警报。在一个实施例中，预测性维护警报是电子消息，诸如发送到负责维护目标设备的个人的账户的电子邮件、或者对操作目标设备的控制系统的API请求。在一个实施例中，预测性维护警报表明已检测到振动异常，并建议对目标设备的一个或多个组件进行维护。
—示例实施方式：计算硬件—
如上面所讨论的，由振动传感器(诸如加速度计)输出的连续频谱被处理器扫掠并划分成多个离散且宽的频率区间，并且每个区间由多个原始频率组成，这些原始频率追踪出与被测量的系统的活动相关的时间序列信号。但是，并非每个频率都会包含与设备或系统的活动相关联的可分析物理内容。情况常常是一些特定频率表现出与设备工作负载相关的动态(幅度改变)，而其它频率则表现出随机噪声。因此，每个频率区间可以包含噪声和具有有意义的物理内容的信号。由本文公开的系统和方法解决的挑战是从所有离散频率区间中提取具有有意义内容的信号，增强它们的信噪比(SNR)，并最终选择最能表征和揭示系统的动态的顶部信号。
本文示出和描述的用于操作振动信号的自主辨别的新颖方法被应用于示例现实世界用例：反映企业服务器设备的操作负载的操作振动信号的自主辨别。(这种用于操作振动信号的自动辨别的方法的特征一般可以应用于其它物理设备的用例。)利用频谱分析仪和加速度计测量由操作服务器生成的加速度计检测到的振动，并且频率响应是用于频率区间化和表征的输出。服务器运行测试程序，该测试程序在服务器设备上造成确定性应力负载，使得服务器上的负载的模式预先已知并且可以与服务器的振动信号进行比较。作为服务器上的操作负载的签名的服务器的振动信号表现出与服务器上的确定性应力负载类似的模式。
图4示出了由服务器执行的示例确定性应力负载405测试模式的图400。确定性应力负载405的操作相对于时间轴410(单位以分钟和秒给出)和负载轴415绘制。服务器上的确定性应力负载405包括由近似475 420的负载表示的“开”或“活动”状态以及由近似200的负载表示的“关”或空闲状态。确定性应力负载405每秒在关和开状态之间循环一次。
加速度计(例如，振动传感器220、230之一)感测服务器的振动，并且频谱分析仪(诸如频谱分析仪251)测量感测到的服务器的振动并输出跨感测到的振动频谱的频率响应。感测到的振动的频谱被划分为离散的区间。在这个示例情况研究中，使用100个区间。区间的数量可以根据频谱分析仪支持的频率范围进行调整。
图5示出了振动频谱的一个示例区间中的频率的图500。该区间包括40个原始频率，由40个时间序列信号505表示。(注意，区间中时间序列信号505的图的相当大的重叠使得它们在图500中在视觉上无法区分。)时间序列信号505相对于时间步长轴510(单位以秒给出)和幅度轴515(单位以分贝给出)来绘制。原始频率是等间距的频谱的切片，例如，在0到4000Hz的频谱中，有100个区间，原始频率各自间隔开1Hz。如前面所提到的，许多原始频率仅携带随机噪声，而其它频率则在某种程度上表现出应力负载的模式。
在图500中还示出了相对于时间步长轴510和幅度轴515绘制的示例区间中的40个时间序列信号的简单平均520。一般而言，对区间中的时间序列信号进行简单平均(诸如简单平均520)以滤除一些随机噪声并产生具有更大SNR的信号，因为随机噪声相互抵消。但是，由于设备工作负载的变化(本文中也称为“动态范围”)，这个平均常常表现出比各个信号更小的幅度改变范围，因为该平均被不与设备中的负载活动对应的噪声测量所稀释。在这个示例情况下，即使负载的形态被保留并且可变性被减轻，平均的动态范围也被减小，因此对于对系统的操作特征进行建模来说不是最优的。因此，示例区间中的简单平均520产生劣化的频率响应，因为噪声在频率响应中占主导地位。
为了改进频率区间的频率响应，识别并检索频率区间中与区间中其它信号的互相关性最高的几个信号，并且通过对高度互相关的信号求平均来增强(即，改进)SNR。具体而言，区间中的所有信号都经过相关矩阵评估，并且在信号上对相关系数求和并从最低到最高排序。然后，选择与前10百分位对应的信号并对其求平均，从而产生那个频率区间的单个时间序列信号。使用百分位而不是相关系数作为阈值，因此这种方法是自适应的并且可以应用于任何SNR中的频率区间。
图6示出了用于与操作振动信号的自主辨别相关联的频率区间化表征的方法600的一个实施例。在一个实施例中，方法600的步骤由自主信号辨别组件240的频谱划分组件242和代表性信号生成组件243(如参考图2中所示和描述的)执行。方法600可以基于各种触发被自动发起，诸如响应于通过网络接收到信号或解析存储数据，该信号或存储数据指示(i)时间序列数据服务205的用户(或管理员)已经发起了方法600，(ii)方法600被调度在既定的时间或时间间隔发起，(iii)用户(或管理员)已经开始扫描设备以自动辨别与设备上的负载变化对应的振动频率，(iv)响应于在变化负载的测试模式下操作的设备的振动扫描的完成；或者(v)响应于从以变化负载的测试模式操作的设备记录的振动的时间序列数据库的呈现。响应于解析接收到的信号或检索到的存储数据并确定该信号或存储数据指示方法600应当开始，方法600在开始方框605处发起。过程继续到过程方框610。
在过程方框610处，处理器将频谱划分为X个粗略频率区间，每个粗略频率区间由Y个原始的精细频率组成。在一个实施例中，基本上如参考方法300的过程方框310所示和描述的那样执行划分为粗略频率区间。过程方框610处的处理完成，并且过程继续到过程方框615。
在过程方框615处，处理器将区间计数器i初始化为值1。区间计数器i是索引号，其指示构成振动频谱的所有区间的集合中的哪个区间(在从区间编号1到区间编号X的范围内)是下面示出并描述的外处理循环中考虑的当前区间。在一个实施例中，处理器为区间计数器声明整数变量i，并执行赋值操作以赋予i整数值1。一旦处理器完成将区间计数器i初始化为值1，过程方框615处的处理就完成，并且过程继续到判定方框620。
判定方框620引导外处理循环，该外处理循环针对构成振动频谱的每个区间重复。在判定方框620处，处理器确定对于生成代表性时间序列信号(在方框645处)是否有剩余区间。在一个实施例中，处理器通过评估区间计数器i的值是否小于或等于振动频谱上的区间总数X来做出这个确定。处理器检索区间数X的值和区间计数器i的当前值。处理器比较X与i的值。当i的值小于或等于X时，对于生成代表性时间序列信号有剩余区间。当i的值不小于或等于(即，大于)X时，对于生成代表性时间序列信号没有剩余区间。如果处理器已确定剩余区间(i≤X：真)，那么判定方框620处的处理完成，并且过程继续到过程方框625。如果处理器确定没有剩余区间(i≤X：假)，那么判定方框620处的处理完成，外循环终止，并且过程继续到结束方框630，方法600在此处结束。
在过程方框625处，处理器将频率计数器j初始化为值1。频率计数器j是指示区间中的哪个原始精细频率的索引号(在从频率编号1到频率编号Y的范围内)是在下面示出和描述的内处理循环中考虑的当前频率。在一个实施例中，处理器为区间计数器声明整数变量j，并执行赋值操作以赋予j整数值1。一旦处理器完成将区间计数器j初始化为值1，过程方框625处的处理就完成，并且过程继续到判定方框635。
判定方框635开始针对区间中的每个精细频率重复的内处理循环。在判定方框635处，处理器确定是否有剩余频率需要评估它们是否处于互相关的最高百分位(在方框660处)。在一个实施例中，处理器通过评估频率计数器j的值是否小于或等于区间内的精细频率的总数Y来做出这个确定。处理器检索精细频率数量Y的值以及频率计数器j的当前值。处理器比较Y与j的值。当j的值小于或等于Y时，有剩余频率需要评估它们是否处于区间的精细频率之间互相关的顶部百分位上。当j的值不小于或等于(即，大于)Y时，没有剩余频率需要评估它们是否处于互相关的最高百分位上。当处理器确定仍有剩余精细频率时(j≤X：真)，判定方框635处的处理完成，并且过程继续到过程方框640。当处理器确定没有剩余精细频率时(j≤X：假)，判定方框635处的处理完成，内循环终止，并且过程继续到过程方框645。
在过程方框640处，处理器计算当前频率切片Yj与区间中除Yj以外的所有其它频率切片之间的相关系数。在一个实施例中，处理器计算切片Yj的时间序列信号与区间中除Yj以外的每个其它频率切片之间的Pearson积矩相关系数，并且记录所得到的一系列系数值，例如作为相关矩阵数据结构的行(对于Yj)。然后过程方框640处的处理完成并且过程继续到过程方框650。
在过程方框650处，处理器对相关矩阵的行求和，产生Yj的互相关分数。在一个实施例中，处理器检索Yj的一系列系数值中的每个相关系数并将它们加在一起，从而形成Yj的互相关分数。过程方框650完成并且过程继续到过程方框655。
在过程方框655处，处理器将互相关分数添加或插入到互相关分数的阵列中。在一个实施例中，处理器将互相关分数添加到阵列数据结构，该阵列数据结构保持与该分数所针对的频率切片(Yj)相关联的互相关分数。过程方框655完成并且过程继续到过程方框660。
在过程方框660处，处理器将频率计数器j的值递增1。在一个实施例中，检索j的值，找到j的值与1的和，并且将该和的值存储为j的新值。这将内循环推进到所考虑的下一个频率切片。过程方框660完成并且过程继续到判定方框635，从判定方框635开始重复内循环，直到区间中没有剩余精细频率为止。当区间中没有剩余精细频率时，外循环中的处理前进到过程方框645。
在过程方框645处，处理器将互相关分数从最小到最高排序。在一个实施例中，处理器执行多种排序算法中的任何一种，以按照互相关分数的值对互相关分数和相关联的频率切片的阵列进行重新排序。例如，处理器可以实现比较排序，诸如快速排序、合并排序、堆排序、块排序或冒泡排序。过程方框645完成并且过程继续到过程方框665。
在过程方框665处，处理器选择与分数的第90百分位对应的频率切片。在一个实施例中，处理器计算已排序的互相关分数的阵列中互相关分数的第90百分位的阈值，并且生成区间内具有第90百分位的互相关分数的频率切片的阵列。已经发现第90百分位在实践中是令人满意的(如下面所讨论的)，但是在一个实施例中也可以使用除第90百分位以外的其它百分位。过程方框665完成并且过程继续到过程方框670。
在过程方框670处，处理器对所选择的频率切片的时间序列内容求平均以形成区间Xi的时间序列信号。在一个实施例中，处理器通过计算所选择的第90百分位频率的每个观察处的时间序列信号的平均(均值)并将新的代表性时间序列信号中的该观察的值设置为计算出的平均值来为区间Xi生成新的代表性时间序列信号。过程方框670完成并且过程继续到过程方框675。
在过程方框675处，处理器输出区间Xi的时间序列信号。在一个实施例中，处理器存储所生成的新的代表性时间序列信号用于后续处理，例如作为与区间Xi相关联的时间序列信号数据结构。过程方框675完成并且过程继续到过程方框680。
在过程方框680处，处理器以与上面参考过程方框660针对频率计数器j示出和描述的方式类似的方式将区间计数器i的值递增1。这将外循环推进到所考虑的下一个区间。过程方框680处的处理完成，并且处理返回到判定方框620，从判定方框620重复外循环直到没有未处理的区间。当没有剩余区间时，外循环中的处理前进到结束方框630，在那里方法600结束。参考图6将内处理循环和外处理循环示出并描述为while循环，其中先决条件在判定方框620和635处表达。可替代地，处理循环也可以被实现为do-while循环，并在循环之后表达后置条件。
在方法600完成时，处理器已生成每个区间的代表性信号，其是区间中位于互相关的阈值最高百分位(在这个示例中，第90百分位)内的那些精细频率信号的平均信号值。在一个实施例中，处理器因此：计算区间中的每个频率与区间中的每个其它频率之间的相关系数，例如如参考过程方框640所示和描述的；根据频率的相关系数计算区间中的每个频率的互相关分数，例如参考过程方框650-655所示和描述的；识别区间中的高度互相关的频率的集合，其中高度互相关的频率具有超过阈值的互相关分数，例如如参考过程方框645和665所示和描述的；以及根据高度互相关的频率的集合中每个高度互相关的频率的时间序列值的平均值来生成该区间的代表性时间序列信号，例如如参考过程方框670-675所示和描述的。在一个实施例中，作为高度互相关的频率包括在内的阈值具有处于该区间的互相关分数的至少第90百分位上的互相关分数。
当将方法600应用于上面参考图5示出和描述的示例频率区间时，使用区间中的前几个相关的信号(而不是区间中所有原始频率的信号)的优点变得明显，其结果在图7中示出。图7示出了在振动频谱的示例区间中在互相关方面的第90百分位的频率的图700。第90百分位上的频率由四个时间序列信号705表示。四个时间序列信号705相对于时间步长轴710(单位以秒给出)和幅度轴715(单位以分贝给出)绘制。还示出了在图700中相对于时间步长轴710和幅度轴715绘制的四个、第90百分位时间信号的简单平均值720。将图700与图500进行比较示出了SNR和频率响应的明显改进。虽然四个时间序列信号705的图的重叠仍然使它们在视觉上彼此无法区分，但是图500中在-65与-90分贝之间可见的模糊噪声在图700中实际上被消除了。另外，平均720比平均520更清晰地保留了负载的形状，并且强调平均720的动态范围，跨越比平均520更大的分贝范围。与平均520相比，这提高了平均720对系统的操作特征进行建模的效用。因此，具有最佳互相关的原始频率的平均720表示区间对应力负载的最优频率响应。
在一个实施例中，使用互相关方面的第90百分位频率作为阈值来挑选出对于区间对设备上的负载的形状的频率响应的“最佳”频率。第90百分位阈值表示捕获信号动态范围与具有多于一个可用于表示区间的频率之间的良好平衡。但是，也可以使用第90百分位以外的百分位。图8示出了具有不同互相关百分位阈值以及在那些阈值处得到的平均值的灵敏度测试的图800。图800是给定频率区间的最优频率响应与不同百分位阈值的比较。图800包括区间中的频率的第60百分位的平均时间序列信号805、第70百分位的平均时间序列信号810、第80百分位的平均时间序列信号815、第90百分位的平均时间序列信号820和第99百分位的平均时间序列信号825。平均时间序列信号805-825相对于时间步长轴830(单位以秒给出)和幅度轴835(单位以分贝给出)绘制。如在图800上可见的，超过第90百分位，在更大动态范围和应力负载的更清晰形状方面几乎没有改进。但是，当将百分位阈值设置为超过第90个时，可用频率太少而无法表示该区间的可能性上升。
在一个实施例中，例如使用方法600获得每个频率区间的代表性时间序列信号。在示例服务器设备的示例用例中，存在100个频率区间，因此获得代表这100个区间的100个时间序列信号。然后在频域中进一步检查这些信号的SNR。选择谱图中具有最强频率分量(最高峰)的多个顶部信号作为指示设备上的操作负载的频率。
图9示出了用于识别指示与操作振动信号的自主辨别相关联的设备上的操作负载的频率的方法900的一个实施例。在一个实施例中，方法900的步骤由自主信号辨别组件240的PSD生成组件244、最大PSD确定组件245、区间选择组件246和信号指派组件247执行。方法900可以基于各种触发被自动发起，诸如响应于通过网络接收到信号或解析存储数据，该信号或存储数据指示(i)时间序列数据服务205的用户(或管理员)已经发起方法900，(ii)方法900被调度在既定的时间或时间间隔发起，(iii)已经为每个区间生成了代表性信号，该代表性信号现在准备好用于辨别指示设备上的操作负载的频率。响应于解析接收到的信号或检索到的存储数据并确定该信号或存储数据指示方法900应当开始，方法900在开始方框905处发起。过程继续到过程方框910。
在过程方框910处，处理器检索并输入跨越感兴趣的宽操作频谱的振动测量的X个信号。在一个实施例中，处理器从存储装置中检索由方法600生成以表示X个区间的X个代表性时间序列信号并输入到存储器中以用于后续处理。X个代表性时间序列信号覆盖感兴趣的整个操作频谱：由时间序列信号表示的区间范围在由固定或附接到设备或系统的振动传感器检测到的整个振动频谱上，并因此覆盖由于设备或系统上的操作负载而引起的所有振动。过程方框910完成并且处理在过程方框915处继续。
在过程方框915处，处理器以基本上类似于上面计数器i和j的初始化的方式将信号计数器k初始化为值1。信号计数器k是指示哪个代表性时间序列信号(在从信号编号1到信号编号X的范围内)是在下面示出和描述的处理循环中考虑的当前信号的索引号。在信号计数器k初始化之后，过程方框915完成并且处理在判定方框920处继续。
判定方框920开始对每个代表性时间序列信号重复的处理循环，以找到每个区间的PSD最大值。在判定方框920处，处理器以基本上类似于上面针对区间计数器i描述的方式例如通过评估区间计数器k的值是否小于或等于区间和代表性时间序列信号的总数X来确定对于识别PSD最大值是否有剩余代表性时间序列信号。当k的值小于或等于X时，对于识别PSD最大值有剩余代表性时间序列信号。当k的值不小于或等于X(即，大于X)时，对于识别PSD最大值没有剩余代表性时间序列信号。在处理器确定信号仍然剩余时(k≤X：真)，判定方框920处的处理完成并且过程继续到过程方框925。当处理器确定没有信号剩余时(k≤X：假)，判定方框920处的处理完成并且过程继续到过程方框930。
在过程方框925处，处理器通过执行诸如FFT或DFT之类的傅立叶变换将代表性时间序列信号从时域转换到频域。注意，这个变换是单个区间的代表性时间序列信号的变换，而不是整个频谱的变换。代表性时间序列信号到频域的转换产生由代表性时间序列信号表示的单个区间的功率谱密度曲线。处理器将所得到的曲线存储在例如与区间相关联的数据结构中以供后续处理。在一个实施例中，如参考方法300的过程方框320所示和描述的那样生成区间的PSD曲线。在一个实施例中，过程方框925的步骤由PSD生成组件244执行。然后过程方框925完成并且处理在过程方框935处继续。
在过程方框935处，处理器识别并存储区间的PSD的最大值(或峰值)。在一个实施例中，如关于方法300的过程方框325所示和描述的那样识别PSD的最大值或峰值。PSD的最大值与其相应的区间相关联地被存储以用于后续处理。在一个实施例中，处理器通过将PSD的最大值添加到最大PSD值的阵列来存储PSD的最大值。过程方框935完成，并且处理在过程方框940处继续。
在过程方框940处，处理器将信号计数器k的值递增1，例如以基本上类似于上面计数器i和j的递增的方式。过程方框940处的处理完成并且处理返回到判定方框920。处理继续循环通过方框925、935和940，直到针对X个区间中的每一个记录了PSD的最大值，其中区间的PSD由区间的代表性时间序列信号的傅立叶变换产生。一旦对于PSD生成和最大值识别没有剩余代表性信号，处理就从判定方框920继续到过程方框930。
在过程方框930处，处理器输出通过在循环的过程方框935处重复存储PSD值而创建的X个最大PSD值的阵列。在一个实施例中，处理器存储X个区间的X个最大PSD值的阵列以供后续处理。过程方框930完成并且处理在过程方框945处继续。
在过程方框945处，处理器按降序对最大PSD值的阵列进行排序，并选择阵列中的N个最高值。在一个实施例中，处理器通过执行适当的排序算法(诸如前面提到的比较排序之一)来对阵列进行排序。在一个实施例中，处理器检索先前由系统的用户或管理员存储的N的值。在一个实施例中，处理器然后选择前N个最高PSD值，并识别与它们相关联的区间。在一个实施例中，过程方框930和945的步骤由区间选择组件246执行。过程方框945完成并且处理在过程方框950处继续。
在过程方框950处，处理器找到N个值的原始索引。在一个实施例中，N个值的原始索引是构成具有最高的最大PSD值的N个区间的代表性时间序列信号的原始频率时间序列信号。在一个实施例中，处理器检索具有最高的最大PSD值的N个区间中的每个区间的代表性时间序列信号。处理器识别区间中的原始频率时间序列信号，将其组合(求平均)在一起以产生区间中的代表性时间序列信号。在一个实施例中，处理器将这些原始频率中的每一个与N个区间相关联地存储在例如列表或其它数据结构中。这些识别出的频率高度指示设备的操作负载，并且处理器可以自动将区间中的这些频率(顶部区间的代表性频率)处的振动信号的平均指派为设备的操作振动信号。在一个实施例中，过程方框950的步骤由信号指派组件247执行。过程方框950完成并且处理在过程方框955处继续。
在过程方框955处，处理器提取与索引对应的振动测量。在一个实施例中，处理器在作为操作振动信号的分量的每个原始频率处对由频谱分析仪输出的振动幅度测量进行采样，以生成原始频率时间序列信号。然后，处理器对每个区间的这些分量原始频率时间信号求平均，以创建N个操作振动信号的集合。处理器然后存储这N个操作振动信号以供后续处理。过程方框955完成并且过程继续到结束方框960，在那里方法900完成。
图10示出了由示例服务器执行的示例确定性应力负载测试的前四个代表性信号1005、1010、1015、1020以及它们各自的频域PSD 1025、1030、1035、1040。取决于用于设备或系统的健康监视的灵敏度要求，推荐使用离散频率区间的数量的20％来选择顶部信号。在图10中，可以在频域中进一步检查从频率区间化表征导出的信号。谱图中具有最高峰的前20％信号被认为是真正反映设备或系统的操作特征的“最佳”信号。为了简明起见，图10中仅示出了这个用例中前20个信号中的前4个信号。在确定性应力负载测试下的服务器示例情况研究中，基于频域中峰的最大高度选择前20个信号。这些信号中的每一个都在时域中示出服务器上的应力负载的清晰形状，具有最小的可变性，如在时域信号图1005、1010、1015和1020中可以看到的。
—示例实施方式：汽车—
虽然前述示例利用了来自在确定性应力负载下操作的示例企业计算服务器的振动测量，但是进行第二测试实施方式来说明用于本文描述的操作振动信号的自主辨别的系统和方法的稳健性。利用附接到发动机正上方汽车的引擎盖上的三轴加速度计对任意资产(在本例中是汽车)进行振动测量的集合。随着时间的推移，在改变操作条件的同时进行测量。具体而言，轿车以大约750rpm的怠速运转，并以规则的时间间隔周期性地加速至大约4000rpm，以便在测量中包括相当大范围的轿车操作频率。然后以与关于方法600或方法300的过程方框310和315所示和描述的相同方式对测量进行区间化。
图11示出了从汽车获得的测量结果的频率变化1105的三轴图1100。频率(以kHz为单位测量)在x轴1110上，时间(以分钟为单位测量)在y轴1115上，并且功率(以分贝为单位测量)在z轴1120上。随着时间的推移具有较高功率输出的频率区间指示轿车的标称操作。通过查看随时间变化的频率1105，容易地看到轿车上变化的负载。表明轿车的不同工作负载的频率范围非常明显，如附图标记1125-1150所示。具有低功率和相对平坦行为的频率被忽略。
例如通过执行参考图9中所示和描述的方法900，可以自动识别突出的频率区间。然后，可以通过高级模式识别ML算法(诸如MSET2或其它NLNP算法)提取和处理与那些区间对应的时间序列信号，以进行异常检测。图12示出了汽车的顶部频率区间1150的示例时间序列信号1205的图1200。与顶部频率区间1150对应的这个时间序列信号可以被用于构建、配置和/或训练预兆ML模型。划分线1210(训练范围1215)左边的所有时间步长被认为是训练数据，而划分线1210右边的测量是测试范围1220。通过使发动机转速超出先前时间步长的原始范围(4000rpm)，将操作的改变插入到最后45秒的测量中(在潜在的劣化初期1225处开始)。最后30秒内信号的改变在视觉上是显而易见的，因此它也可通过在训练范围1215中的数据上训练的预兆ML模型来识别。
—选择的优点—
本文描述的用于操作振动信号的自主辨别的系统和方法使得有可能自动表征由于设备的操作而出现的振动频率，而在此之前，这样的频率不能与噪声和环境振动隔离。本文描述的用于操作振动信号的自主辨别的系统和方法通过自动识别最密切地反映与系统上的负载相关联的能量内容的特定窄频率并自动选择这些频率作为用于监视系统的预兆ML模型的输入来克服使用加速度计的系统中的振动预兆的固有挑战。
本文描述的用于操作振动信号的自主辨别的系统和方法使得能够在所有类型的机械、机电和热液压流系统中进行稳健的基于振动的ML预兆，无论是在固定速度还是可变速度下操作，以及无论是在振动安静还是在振动嘈杂的背景环境中操作。识别特定的操作振动频率使得能够通过预兆机器学习模型实时监视那些频率，从而允许对初期故障的实时警报。这至少部分地是由于与振动传感器检测到的频率的宽带的计算上不可行的ML监控相比，ML从几个高度指示性频率识别潜在劣化的计算成本显著降低。
本文描述的用于那些振动频率的自主识别和提取的系统和方法通过允许更早且更准确地检测初期故障来启用基于状况的维护(在需要时执行的维护)。基于状况的维护是优选的，因为基于时间的维护时间表需要技术人员拆卸并检查所有内部组件，包括100％健康的组件。这是昂贵的(修复仍然100％健康的组件)，并且当技术人员意外损坏正常运行的东西时，常常导致“人为引发”的维护活动。本文描述的系统和方法有助于主动识别和修复设备中的小缺陷、避免对设备造成灾难性损坏以及应用基于状况的维护的能力，从而最大化设备的正常运行时间可用性。
用于分析用于ML预兆的时间序列数据库的任何软件系统都可以通过实现本文描述的用于操作振动信号的自主辨别的系统和方法的实施例来改进。例如，通过在任何软件系统(诸如GE PREDIX、Microsoft Azure、Amazon AWS_Sitewise、SAP/西门子智能资产管理，或其它时间序列数据分析服务)中实现与被监视的设备(如本文所示和描述的)的操作负载对应的振动信号的自主辨别，使得能够改进来自振动时间序列信息的预兆ML监视的异常警报的准确性。
—计算设备实施例—
图13示出了示例计算设备1300，该计算设备被配置和/或编程为具有本文描述的示例系统和方法和/或等同形式中的一个或多个的专用计算设备。示例计算设备可以是计算机1305，其包括通过总线1325可操作地连接的处理器1310、存储器1315和输入/输出端口1320。在一个示例中，计算机1305可以包括自主振动信号辨别逻辑1330，其被配置为促进操作振动信号的自主辨别，类似于参考图1-12示出和描述的逻辑、系统和方法。在不同的示例中，逻辑1330可以以硬件、具有存储的指令1337的非暂态计算机可读介质、固件和/或其组合来实现。虽然逻辑1330被示为附接到总线1325的硬件组件，但是应该认识到，在其它实施例中，逻辑1330可以在处理器1310中实现、存储在存储器1315中或者存储在盘1335中。
在一个实施例中，逻辑1330或计算机是用于执行所描述的动作的手段(例如，结构：硬件、非暂态计算机可读介质、固件)。在一些实施例中，计算设备可以是在云计算系统中操作的服务器、以软件即服务(SaaS)体系架构配置的服务器、智能电话、膝上型计算机、平板计算设备等。
该手段可以被实现为例如被编程为自主辨别操作振动信号的ASIC。该手段还可以被实现为存储的计算机可执行指令，该指令作为临时存储在存储器1315中的数据1340呈现给计算机1305，并且然后由处理器1310执行。
逻辑1330还可以提供用于执行操作振动信号的自主辨别的手段(例如，硬件、存储可执行指令的非暂态计算机可读介质、固件)。
一般地描述计算机905的示例配置，处理器1310可以是各种不同的处理器，包括双微型处理器和其它多处理器体系架构。存储器1315可以包括易失性存储器和/或非易失性存储器。非易失性存储器可以包括例如ROM、PROM等。易失性存储器可以包括例如RAM、SRAM、DRAM等。
存储盘1335可以通过例如由至少输入/输出(I/O)控制器1347控制的输入/输出(I/O)接口(例如，卡、设备)1345和输入/输出端口1320可操作地连接到计算机905。盘1335可以是例如磁盘驱动器、固态盘驱动器、软盘驱动器、带驱动器、Zip驱动器、闪存卡、记忆棒等。此外，盘1335可以是CD-ROM驱动器、CD-R驱动器、CD-RW驱动器、DVD ROM等。例如，存储器1315可以存储过程1350和/或数据1340。盘1335和/或存储器1315可以存储控制和分配计算机1305的资源的操作系统。
计算机1305可以经由输入/输出(I/O)控制器1347、I/O接口1345和输入/输出端口1320与输入/输出(I/O)设备交互、控制输入/输出(I/O)设备和/或被输入/输出(I/O)设备控制。输入/输出设备可以包括一个或多个显示器1370、打印机1372(诸如喷墨打印机、激光打印机或3D打印机)、以及音频输出设备1374(诸如扬声器或耳机)、文本输入设备1380(诸如键盘)、定点和选择设备1382(诸如鼠标、轨迹球、触摸板、触摸屏、操纵杆、指点杆、手写笔鼠标)、音频输入设备1384(诸如麦克风)、视频输入设备1386(诸如摄像机和静态相机)，视频卡(未示出)、盘1335、网络设备1355、传感器(未示出)等。输入/输出端口1320可以包括例如串行端口、并行端口和USB端口。在一个实施例中，计算机可以通过I/O端口1310或网络1360连接到振动传感器1390，以便从被监视的设备和系统接收广谱振动信息。
计算机1305可以在网络环境中操作，因此可以经由I/O接口1345和/或I/O端口1320连接到网络设备1355。通过网络设备1355，计算机1305可以与网络1360交互。通过网络1360，计算机1305可以逻辑地连接到远程计算机1365并使远程计算机的传感器振动。计算机1305可以与之交互的网络包括但不限于LAN、WAN和其它网络。
本文描述或要求保护的任何动作或功能都不是由人类思维执行的。任何动作或功能都可以在人类思维中执行的解释是不一致的并且与本公开相反。
—软件模块实施例—
一般而言，软件指令被设计为由一个或多个合适编程的访问存储器的处理器执行。这些软件指令可以包括例如计算机可执行代码和可以被编译成计算机可执行代码的源代码。这些软件指令还可以包括以诸如脚本语言之类的解释性编程语言编写的指令。
在复杂系统中，此类指令可以被布置为程序模块，其中每个这样的模块执行特定任务、过程、功能或操作。模块的整个集合可以在其操作中由操作系统(OS)或其它形式的组织平台控制或协调。
在一个实施例中，本文描述的组件中的一个或多个被配置为存储在非暂态计算机可读介质中的模块。模块配置有存储的软件指令，指令在由访问存储器或存储装置的至少一个处理器执行时使计算设备执行如本文所述的(一个或多个)对应功能。
—云或企业实施例—
在一个实施例中，时间序列数据服务205是包括用于企业组织的应用或分布式应用集合的计算/数据处理系统。应用和计算系统可以被配置为与基于云的网络计算系统、基础设施即服务(IAAS)、平台即服务(PAAS)或软件即服务(SaaS)体系架构或其它类型的联网的计算解决方案一起操作或者被实现为基于云的网络计算系统、基础设施即服务(IAAS)、平台即服务(PAAS)或软件即服务(SaaS)体系架构或其它类型的联网的计算解决方案。在一个实施例中，本系统是集中式服务器侧应用，其提供本文公开的功能中的至少一个或多个以及用于访问和操作它们的图形用户界面，并且由许多用户经由通过计算机网络与本计算系统(用作服务器)通信的计算设备/终端来访问。
—定义和其它实施例—
在另一个实施例中，所描述的方法和/或它们的等同物可以用计算机可执行指令来实现。因此，在一个实施例中，非瞬态计算机可读/存储介质被配置为具有存储的算法/可执行应用的计算机可执行指令，当该指令由(一个或多个)机器执行时使该(一个或多个)机器(和/或相关联的组件)执行所述方法。示例机器包括但不限于处理器、计算机、在云计算系统中操作的服务器、用软件即服务(SaaS)体系架构配置的服务器、智能电话等等。在一个实施例中，计算设备用被配置为执行任何所公开的方法的一个或多个可执行算法来实现。
在一个或多个实施例中，所公开的方法或它们的等同物由以下任一项执行：被配置为执行所述方法的计算机硬件；或者，存储在非瞬态计算机可读介质中的模块中体现的计算机指令，其中指令被配置为可执行算法，可执行算法被配置为在由计算设备的至少一个处理器执行时执行所述方法。
虽然为了简化说明的目的，图中示出的方法被示出和描述为算法的一系列方框，但是应该认识到的是，这些方法不受方框的顺序的限制。一些方框可以以与所示出和描述的不同的顺序出现和/或与其它方框同时出现。而且，可以使用比全部示出的方框少的方框来实现示例方法。方框可以被组合或分成多个动作/组件。此外，附加的和/或替代的方法可以采用未在方框中示出的附加动作。
以下段落包括本文所采用的所选择术语的定义。定义包括属于术语的范围并且可以用于实现的组件的各种示例和/或形式。示例并不旨在是限制性的。术语的单数和复数形式都可以在定义之内。
对“一个实施例”、“实施例”、“一个示例”、“示例”等的引用指示如此描述的(一个或多个)实施例或(一个或多个)示例可以包括特定的特征、结构、特性、性质、元素或限制，但并非每个实施例或示例都必须包括该特定的特征、结构、特性、性质、元素或限制。此外，短语“在一个实施例中”的重复使用不一定指代相同的实施例，但是可以指代相同的实施例。
AAKR：自关联核回归。
API：应用编程接口。
ASIC：专用集成电路。
CD：光盘。
CD-R：可刻录CD。
CD-RW：可重写CD。
CPU：中央处理单元。
DAQ：数据获取单元。
DFT：离散傅立叶变换。
DIMM：双列直插存储器模块。
DNB：偏离核沸腾。
DRAM：动态RAM。
DVD：数字多功能光盘和/或数字视频光盘。
EMI：电磁干扰。
EEPROM：电可擦除PROM。
EPROM：可擦除PROM。
FFT：快速傅立叶变换。
FIV：流引起的振动。
GPU：图形处理单元。
GUI：图形用户界面。
HDD：硬盘驱动器。
HPC：高性能计算。
HTTP：超文本传输协议。
I/O：输入/输出。
IAAS：基础设施即服务。
IT：信息技术。
JSON：JavaScript对象表示法。
LAN：局域网。
ML：机器学习。
MSET：多变量状态估计技术。
MSET2：Oracle专有的多变量状态估计技术实现。NAS：网络附加存储。
NLNP：非线性非参数。
NN：神经网络。
NOSQL：不仅仅是SQL。
OS：操作系统。
PAAS：平台即服务。
PCI：外围组件互连。
PCIE：PCI Express。
PLC：可编程逻辑控制器。
PROM：可编程ROM。
PSD：功率谱密度。
PWM：脉宽调制。
RAM：随机存取存储器。
REST：代表性状态转移。
ROM：只读存储器。
RPM：每分钟转数。
RTU：远程终端单元。
SAAS：软件即服务。
SOAP：简单对象访问协议。
SQL：结构化查询语言。
SRAM：同步RAM。
SSD：固态硬盘。
SVM：支持向量机。
TCP/IP：传输控制协议/互联网协议。
USB：通用串行总线。
VRS：振动共振光谱法。
WAN：广域网。
XML：可扩展标记语言。
如本文所使用的，“数据结构”是计算系统中存储在存储器、存储设备或其它计算机化系统中的数据的组织。数据结构可以是例如数据字段、数据文件、数据阵列、数据记录、数据库、数据表、图、树、链表等中的任何一个。数据结构可以由许多其它数据结构形成以及包含许多其它数据结构(例如，数据库包括许多数据记录)。根据其它实施例，数据结构的其它示例也是可能的。
如本文所使用的，“计算机可读介质”或“计算机存储介质”是指存储被配置为当被执行时执行所公开的功能中的一个或多个功能的指令和/或数据的非瞬态介质。在一些实施例中，数据可以用作指令。计算机可读介质可以采取包括但不限于非易失性介质和易失性介质的形式。非易失性介质可以包括例如光盘、磁盘等。易失性介质可以包括例如半导体存储器、动态存储器等。计算机可读介质的常见形式可以包括但不限于软盘、柔性盘、硬盘、磁带、其它磁性介质、专用集成电路(ASIC)、可编程逻辑器件、紧凑型盘(CD)、其它光学介质、随机存取存储器(RAM)、只读存储器(ROM)、存储器芯片或卡、存储棒、固态存储设备(SSD)、闪存驱动器、以及计算机、处理器或其它电子设备可以利用其工作的其它介质。如果每种类型的媒体在一个实施例中被选择用于实现，则其可以包括被配置为执行所公开的和/或所要求保护的功能中的一个或多个功能的算法的存储指令。
如本文所使用的，“逻辑”表示利用计算机或电气硬件、具有存储的可执行应用或程序模块的指令的非瞬态介质和/或这些的组合实现的组件，以执行如本文公开的任何功能或动作，和/或使得来自另一逻辑、方法和/或系统的功能或动作如本文所公开的那样被执行。等效逻辑可以包括固件、利用算法编程的微处理器、离散逻辑(例如，ASIC)、至少一个电路、模拟电路、数字电路、编程的逻辑器件、包含算法的指令的存储器设备等，其中任何一个可以被配置为执行所公开的功能中的一个或多个功能。在一个实施例中，逻辑可以包括一个或多个门、门的组合、或者被配置为执行所公开的功能中的一个或多个能够的其它电路组件。在描述多个逻辑的情况下，有可能将多个逻辑合并到一个逻辑中。类似地，在描述单个逻辑的情况下，有可能在多个逻辑之间分配那单个逻辑。在一个实施例中，这些逻辑中的一个或多个是与执行所公开的和/或所要求保护的功能相关联的对应结构。选择实现哪种类型的逻辑可以基于期望的系统条件或规范。例如，如果考虑更高的速度，则将选择硬件来实现功能。如果考虑更低的成本，则将选择存储的指令/可执行应用来实现功能。
“可操作的连接”或实体通过其“可操作地连接”的连接是可以发送和/或接收信号、物理通信和/或逻辑通信的连接。可操作的连接可以包括物理接口、电接口和/或数据接口。可操作的连接可以包括足以允许可操作的控制的接口和/或连接的不同组合。例如，两个实体可以可操作地连接，以直接或者通过一个或多个中间实体(例如，处理器、操作系统、逻辑、非瞬态计算机可读介质)彼此传送信号。逻辑和/或物理通信信道可以被用于创建可操作的连接。
如本文所使用的，“用户”包括但不限于一个或多个人、计算机或其它设备、或者这些的组合。
虽然已经相当详细地示出和描述了所公开的实施例，但并不旨在将所附权利要求的范围限制或以任何方式限定到这样的细节。当然，不可能为了描述主题的各个方面而描述组件或方法的每种预期的组合。因此，本公开不限于所示出和描述的特定细节或说明性示例。因此，本公开旨在涵盖落入所附权利要求范围内的变更、修改和变化。
就术语“包含”在具体实施方式或权利要求书中被采用的程度而言，它旨在以类似于当术语“包括”作为过渡词在权利要求中被采用时所解释的方式是包含性的。
就术语“或”在具体实施方式或权利要求书中被采用的程度而言(例如，A或B)，其旨在意味着“A或B或两者”。当申请人旨在指示“仅A或B但不是两者”时，那么将使用短语“仅A或B但不是两者”。因此，术语“或”在本文的使用是包含性的，而不是排他性使用。

Claims (15)

1.一种用于操作振动信号的自主辨别的计算机实现的方法，该方法包括：
将输出的频谱划分为多个离散区间，其中所述输出是从监视参考设备的一个或多个振动传感器收集的；
在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号；
通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度；
确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值；
选择具有超过第一阈值的最大功率谱密度值的区间子集；
将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号；以及
至少基于操作振动信号来配置机器学习模型。
2.如权利要求1所述的计算机实现的方法，还包括：
计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数；
根据第一区间中的每个频率的相关系数计算该频率的互相关分数；
识别第一区间中的高度互相关的频率的集合，其中高度互相关的频率具有超过第二阈值的互相关分数，其中第二阈值具有第一区间的互相关分数的至少第90百分位上的互相关分数；以及
根据所述高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
3.如权利要求1或权利要求2所述的计算机实现的方法，
其中配置机器学习模型还包括利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型；以及
其中如权利要求1所述的方法还包括：
在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常；以及
响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
4.如权利要求1或权利要求2所述的计算机实现的方法，其中确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
5.如权利要求1或权利要求2所述的计算机实现的方法，其中第一阈值具有所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
6.一种非暂态计算机可读介质，包括存储在其上的用于操作振动信号的自主辨别的计算机可执行指令，计算机可执行指令在由计算机的至少一个处理器执行时使得计算机：
将输出的频谱划分为多个离散区间，其中所述输出是从监视参考设备的一个或多个振动传感器收集的；
在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号；
通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度；
确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值；
选择具有超过第一阈值的最大功率谱密度值的区间子集；
将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号；以及
至少基于操作振动信号来配置机器学习模型。
7.如权利要求6所述的非暂态计算机可读介质，其中指令还使得计算机：
计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数；
根据频率的相关系数计算第一区间中的每个频率的互相关分数；
识别第一区间中的高度互相关的频率的集合，其中所述高度互相关的频率具有超过第二阈值的互相关分数；以及
根据高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
8.如权利要求6或权利要求7所述的非暂态计算机可读介质，
其中机器学习模型是多变量状态估计技术模型；
其中配置机器学习模型的指令还使得计算机利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型；以及
其中指令还使得计算机：
在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常；以及
响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
9.如权利要求6或权利要求7所述的非暂态计算机可读介质，其中确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
10.如权利要求6或权利要求7所述的非暂态计算机可读介质，其中第一阈值具有所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
11.一种计算系统，包括：
处理器；
存储器，可操作地连接到处理器；
非暂态计算机可读介质，可操作地连接到处理器和存储器并存储用于操作振动信号的自主辨别的计算机可执行指令，计算机可执行指令在由计算系统的至少处理器执行时使得计算系统：
将输出的频谱划分为多个离散区间，其中所述输出是从监视参考设备的一个或多个振动传感器收集的；
在参考设备以确定性应力负载测试模式被操作时生成每个区间的代表性时间序列信号；
通过将每个代表性时间序列信号从时域转换到频域来生成每个区间的功率谱密度；
确定每个区间的最大功率谱密度值以及每个区间的出现最大功率谱密度值的峰频率值；
选择具有超过第一阈值的最大功率谱密度值的区间子集；
将来自所选择的区间子集的代表性时间序列信号指派为指示参考设备上的操作负载的操作振动信号；以及
至少基于操作振动信号来配置机器学习模型。
12.如权利要求11所述的计算系统，其中指令还使得计算系统：
计算第一区间中的每个频率与第一区间中的每个其它频率之间的相关系数；
根据第一区间中的每个频率的相关系数计算该频率的互相关分数；
识别第一区间中的高度互相关的频率的集合，其中高度互相关的频率具有超过第二阈值的互相关分数，其中第二阈值具有第一区间的互相关分数的至少第90百分位上的互相关分数；以及
根据所述高度互相关的频率的集合中的每个高度互相关的频率的时间序列值的平均值来生成第一区间的代表性时间序列信号。
13.如权利要求11所述的计算系统，
其中机器学习模型是非线性非参数回归模型或多变量状态估计技术模型；
其中配置机器学习模型的指令还使得计算系统利用在参考设备的正常操作的训练时段期间收集的操作振动信号来训练机器学习模型；以及
其中指令还使得计算系统：
在操作的监控时段期间利用经训练的模型来监视目标设备的操作振动信号以检测振动异常；以及
响应于在目标设备的一个或多个操作振动信号中检测到振动异常而发送预测性维护警报。
14.如权利要求11、权利要求12或权利要求13所述的计算系统，其中确定性应力负载测试模式是正弦应力负载、在开和关状态之间规则地循环的应力负载、在高和低状态之间规则地循环的应力负载以及在高和空闲状态之间规则地循环的应力负载之一。
15.如权利要求11、权利要求12或权利要求13所述的计算系统，其中第一阈值具有所有区间的最大功率谱密度值的至少第80百分位上的最大功率谱密度值。
CN202280064601.1A 2021-10-20 2022-10-10 操作振动信号的自主辨别 Pending CN117980707A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/506,200 2021-10-20
US17/506,200 US11740122B2 (en) 2021-10-20 2021-10-20 Autonomous discrimination of operation vibration signals
PCT/US2022/046142 WO2023069267A1 (en) 2021-10-20 2022-10-10 Autonomous discrimination of operation vibration signals

Publications (1)

Publication Number Publication Date
CN117980707A true CN117980707A (zh) 2024-05-03

Family

ID=84331750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280064601.1A Pending CN117980707A (zh) 2021-10-20 2022-10-10 操作振动信号的自主辨别

Country Status (3)

Country Link
US (2) US11740122B2 (zh)
CN (1) CN117980707A (zh)
WO (1) WO2023069267A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240045878A1 (en) * 2022-08-05 2024-02-08 International Business Machines Corporation Building and using a sparse time series database (tsdb)
CN117250900B (zh) * 2023-10-25 2024-03-05 无锡市中远工业自动化有限公司 基于自动辨识运行模式的人工智能电机控制系统
CN117688480B (zh) * 2024-02-04 2024-05-14 四川华腾公路试验检测有限责任公司 一种基于损伤频率全景图与随机森林的桥梁损伤识别方法

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3705516A (en) 1971-09-30 1972-12-12 Northrop Corp Method and apparatus for testing the condition of a machine
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5684718A (en) * 1996-02-12 1997-11-04 Westinghouse Electric Corporation Method and apparatus for monitoring the operation of an electric generator
CA2276693A1 (en) * 1999-06-28 2000-12-28 Frederic Laville Vibration testing system and method using acoustical waves
AU2001259193A1 (en) * 2000-05-11 2001-11-20 Technion Research And Development Foundation Ltd. Wavelet depulsing of ultrasound echo sequences
US7020802B2 (en) 2002-10-17 2006-03-28 Sun Microsystems, Inc. Method and apparatus for monitoring and recording computer system performance parameters
US7281112B1 (en) 2005-02-28 2007-10-09 Sun Microsystems, Inc. Method for storing long-term performance data in a computer system with finite storage space
US7702485B2 (en) 2006-12-06 2010-04-20 Oracle America, Inc. Method and apparatus for predicting remaining useful life for a computer system
US7613576B2 (en) 2007-04-12 2009-11-03 Sun Microsystems, Inc. Using EMI signals to facilitate proactive fault monitoring in computer systems
US7613580B2 (en) 2007-04-12 2009-11-03 Sun Microsystems, Inc. Method and apparatus for generating an EMI fingerprint for a computer system
US7680624B2 (en) 2007-04-16 2010-03-16 Sun Microsystems, Inc. Method and apparatus for performing a real-time root-cause analysis by analyzing degrading telemetry signals
US7703325B2 (en) * 2007-08-24 2010-04-27 Weite Wu Method for relieving residual stress in an object
US8069490B2 (en) 2007-10-16 2011-11-29 Oracle America, Inc. Detecting counterfeit electronic components using EMI telemetric fingerprints
US8055594B2 (en) 2007-11-13 2011-11-08 Oracle America, Inc. Proactive detection of metal whiskers in computer systems
US8200991B2 (en) 2008-05-09 2012-06-12 Oracle America, Inc. Generating a PWM load profile for a computer system
US8457913B2 (en) 2008-06-04 2013-06-04 Oracle America, Inc. Computer system with integrated electromagnetic-interference detectors
US20100023282A1 (en) 2008-07-22 2010-01-28 Sun Microsystem, Inc. Characterizing a computer system using radiating electromagnetic signals monitored through an interface
US7869977B2 (en) 2008-08-08 2011-01-11 Oracle America, Inc. Using multiple antennas to characterize a computer system based on electromagnetic signals
US8255341B2 (en) 2008-12-19 2012-08-28 Oracle America, Inc. Analyzing a target electromagnetic signal radiating from a computer system
US8275738B2 (en) 2009-05-27 2012-09-25 Oracle America, Inc. Radio frequency microscope for amplifying and analyzing electromagnetic signals by positioning the monitored system at a locus of an ellipsoidal surface
US8543346B2 (en) 2009-05-29 2013-09-24 Oracle America, Inc. Near-isotropic antenna for monitoring electromagnetic signals
CN102072829B (zh) 2010-11-04 2013-09-04 同济大学 一种面向钢铁连铸设备的故障预测方法及装置
US8661905B2 (en) * 2010-11-09 2014-03-04 Georgia Tech Research Corporation Non-contact microelectronic device inspection systems and methods
US8548497B2 (en) 2011-12-16 2013-10-01 Microsoft Corporation Indoor localization using commercial frequency-modulated signals
US9851386B2 (en) 2012-03-02 2017-12-26 Nokomis, Inc. Method and apparatus for detection and identification of counterfeit and substandard electronics
JP5530020B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
US9642014B2 (en) 2014-06-09 2017-05-02 Nokomis, Inc. Non-contact electromagnetic illuminated detection of part anomalies for cyber physical security
US10395032B2 (en) 2014-10-03 2019-08-27 Nokomis, Inc. Detection of malicious software, firmware, IP cores and circuitry via unintended emissions
US9915217B2 (en) 2015-03-05 2018-03-13 General Electric Company Methods and systems to derive health of mating cylinder using knock sensors
US10116675B2 (en) 2015-12-08 2018-10-30 Vmware, Inc. Methods and systems to detect anomalies in computer system behavior based on log-file sampling
US10783764B2 (en) * 2016-04-19 2020-09-22 University Of South Carolina Impact force estimation and event localization
CN109313069B (zh) * 2016-04-26 2021-08-03 比勒陀利亚大学 一种使用叶尖定时(btt)监测涡轮机转子叶片的方法和系统
US10859609B2 (en) 2016-07-06 2020-12-08 Power Fingerprinting Inc. Methods and apparatuses for characteristic management with side-channel signature analysis
US10234492B2 (en) 2016-08-31 2019-03-19 Ca, Inc. Data center monitoring based on electromagnetic wave detection
JP6715740B2 (ja) 2016-10-13 2020-07-01 株式会社日立製作所 電力系統の潮流監視装置、電力系統安定化装置および電力系統の潮流監視方法
US10896064B2 (en) 2017-03-27 2021-01-19 International Business Machines Corporation Coordinated, topology-aware CPU-GPU-memory scheduling for containerized workloads
CN107181543B (zh) 2017-05-23 2020-10-27 张一嘉 一种基于传播模型和位置指纹的三维室内无源定位方法
US10817803B2 (en) 2017-06-02 2020-10-27 Oracle International Corporation Data driven methods and systems for what if analysis
US11002634B2 (en) 2017-08-24 2021-05-11 Banner Engineering Corp Vibrational alarms facilitated by determination of motor on-off state in variable-duty multi-motor machines
US20190102718A1 (en) 2017-09-29 2019-04-04 Oracle International Corporation Techniques for automated signal and anomaly detection
US10452510B2 (en) 2017-10-25 2019-10-22 Oracle International Corporation Hybrid clustering-partitioning techniques that optimizes accuracy and compute cost for prognostic surveillance of sensor data
US10606919B2 (en) 2017-11-29 2020-03-31 Oracle International Corporation Bivariate optimization technique for tuning SPRT parameters to facilitate prognostic surveillance of sensor data from power plants
US10565185B2 (en) 2017-12-21 2020-02-18 Oracle International Corporation MSET-based process for certifying provenance of time-series data in a time-series database
CN108344564B (zh) 2017-12-25 2019-10-18 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
US10977110B2 (en) 2017-12-27 2021-04-13 Palo Alto Research Center Incorporated System and method for facilitating prediction data for device based on synthetic data with uncertainties
US11392850B2 (en) 2018-02-02 2022-07-19 Oracle International Corporation Synthesizing high-fidelity time-series sensor signals to facilitate machine-learning innovations
US10740310B2 (en) 2018-03-19 2020-08-11 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data
US10496084B2 (en) 2018-04-06 2019-12-03 Oracle International Corporation Dequantizing low-resolution IoT signals to produce high-accuracy prognostic indicators
DE102018207176A1 (de) * 2018-05-08 2019-11-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Steuereinheit zur Erkennung von Laufunruhe eines Antriebs
US11775873B2 (en) 2018-06-11 2023-10-03 Oracle International Corporation Missing value imputation technique to facilitate prognostic analysis of time-series sensor data
US20200191643A1 (en) * 2018-12-13 2020-06-18 Benjamin T. Davis Human Activity Classification and Identification Using Structural Vibrations
US11188691B2 (en) 2018-12-21 2021-11-30 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs
US11281971B2 (en) * 2019-01-30 2022-03-22 James David Busch Devices, systems, and methods that observe and classify real-world activity relating to an observed object, and track and disseminate state relating the observed object
SG11202113071RA (en) 2019-04-24 2021-12-30 Univ Adelaide Method and system for detecting a structural anomaly in a pipeline network
US11409992B2 (en) 2019-06-10 2022-08-09 International Business Machines Corporation Data slicing for machine learning performance testing and improvement
US11055396B2 (en) 2019-07-09 2021-07-06 Oracle International Corporation Detecting unwanted components in a critical asset based on EMI fingerprints generated with a sinusoidal load
US20210081573A1 (en) 2019-09-16 2021-03-18 Oracle International Corporation Merged surface fast scan technique for generating a reference emi fingerprint to detect unwanted components in electronic systems
US11797882B2 (en) 2019-11-21 2023-10-24 Oracle International Corporation Prognostic-surveillance technique that dynamically adapts to evolving characteristics of a monitored asset
US11367018B2 (en) 2019-12-04 2022-06-21 Oracle International Corporation Autonomous cloud-node scoping framework for big-data machine learning use cases
CN110941020B (zh) 2019-12-16 2022-06-10 杭州安恒信息技术股份有限公司 基于电磁泄漏的盗摄器材的检测方法及装置
KR102288271B1 (ko) * 2019-12-26 2021-08-10 한국항공우주연구원 인공위성 진동 가진 시험 방법 및 그 장치
WO2021166128A1 (ja) * 2020-02-19 2021-08-26 日本電気株式会社 異常推定装置、異常推定方法、及びコンピュータ読み取り可能な記録媒体
US11255894B2 (en) 2020-02-28 2022-02-22 Oracle International Corporation High sensitivity detection and identification of counterfeit components in utility power systems via EMI frequency kiviat tubes

Also Published As

Publication number Publication date
US20230121897A1 (en) 2023-04-20
US20230366724A1 (en) 2023-11-16
WO2023069267A1 (en) 2023-04-27
US11740122B2 (en) 2023-08-29

Similar Documents

Publication Publication Date Title
US11493379B2 (en) Systems and methods for monitoring of mechanical and electrical machines
US11740122B2 (en) Autonomous discrimination of operation vibration signals
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
US9443201B2 (en) Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
US20210140851A1 (en) System and method for automatic diagnosis of power generation facility
US20150160101A1 (en) Method and System for Testing Operational Integrity of a Drilling Rig
JP5101396B2 (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
CN102902873A (zh) 供监测机器之用的系统和方法
KR20160008491A (ko) 회전 블레이드 강건성 모니터링 방법 및 시스템
CN104350435A (zh) Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报
JP6849446B2 (ja) 振動監視システム
CN110133500B (zh) 基于多层架构的电机在线监测与故障前兆诊断系统及方法
CN109416023A (zh) 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质
JP6989398B2 (ja) 故障診断装置、故障診断方法、および故障診断プログラム
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
US20220012644A1 (en) Method and system for monitoring a remote system
JP5490277B2 (ja) プラント運転状態監視方法
CN117171657A (zh) 风力发电设备故障诊断方法、装置、电子设备及存储介质
US11429900B1 (en) Systems and methods for automatic detection of error conditions in mechanical machines
WO2023181241A1 (ja) 監視サーバ装置、システム、方法、及びプログラム
US11463032B2 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation
Inturi et al. Principal component analysis based gear fault diagnostics in different stages of a multi-stage gearbox subjected to extensive fluctuating speeds
RU2783860C2 (ru) Устройство и способ для виброакустического анализа промышленного оборудования, содержащего вращающиеся части
Mebratu et al. Online Server Fan failure prediction by Vibration Analysis augmented by Hardware and Software Telemetry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication