CN1516807A - 具备状态判断功能的信号收集装置 - Google Patents

Abstract

本发明提出这样一种信号收集系统和信号收集装置，它在进行状态监视和收集信号时，不仅能减少信号收集媒体的浪费，而且还可以在适当的时候收集反映状态变化的特征参数和原始信号，并具备状态判断功能。在本信号收集系统和信号收集装置中，对于用传感器测定的信号，首先计算高、中、低频率区域的特征参数，再根据状态变化的程度，决定只收集特征参数，或者同时收集特征参数和所需要的时间长度的原始信号。进行状态判断时，将收集的特征参数变换成服从正态概率密度分布的正态特征参数，通过概率检验、置信区间和可能性理论确定有量纲和无量纲特征参数和正态特征参数的状态判断基准，并通过综合有量纲和无量纲特征参数的判断结果，进行状态判断。另外，根据需要，进行状态变化的趋势管理、状态预测和状态变化的原因分析，显示测定时间的状态，并在危险状态时发出报警。

Description

具备状态判断功能的信号收集装置

一.技术领域

本发明是有关状态判断法和信号收集装置，它非常适用于长期监测对象物的状态和采集反映状态的数据与信号。例如在进行设备诊断、医疗诊断和地震监视等时，为了长时间监视对象物的状态和收集信号，如判断出没有异常和状态变化，则只收集反映其状态的特征参数，而判断出发生了异常和状态变化时，就同时记录表示其异常和状态变化的特征参数和原始信号，并且可以利用这些特征参数和原始信号进行状态变化的趋势管理、状态预测以及查明状态变化原因。

二.现有技术

现在的信号采集方法主要有：

1)直接连续地收集原始信号。

2)预先设定时间间隔，进行收集。

3)将信号的峰值和输入电平作为触发，决定是否收集信号。

但是，为了进行状态监视，收集信号时，想要尽可能地收集反映测定对象的状态变化的信号，这是一般的做法。例如，收集设备状态的信号时，特别是长期收集时序的原始信号需要大容量的收集媒体，所以在目前的记录媒体的技术中，进行长期收集原始信号是困难的。如果设备是正常状态，或者没有状态变化，收集一次原始信号后，只记录反映状态趋势的特征参数就可以。如果收集超出需要的相同状态的原始信号，就会浪费收集媒体，还会缩短可以收集信号的时间。

另外，当状态变化时，为了进行其原因的分析和查明原因，需要不错过记录状态变化时的原始信号。象这样开发出一种既不浪费收集媒体，而且又能在适当的时候收集反映状态的特征参数和原始信号的信号收集装置，是很有意义的。

直接收集对象物的原始信号时，不仅长时间收集困难，而且捕捉状态变化也很困难。

预先设定时间间隔，进行收集时，在收集信号期间，不一定发生状态变化，在不收集期间，有可能发生状态变化。也就是说，不能保证能收集到想要收集的信号，避免不了收集一些没有用的信号。

当峰值和信号电平超过了预先设定的阈值时，收集信号时，要进行阈值的决定则很困难。也就是说，信号的峰值和信号电平不一定反映状态变化。

由于事先大都不知道用于状态判断的特征参数是按哪一种概率密度分布的，所以假设其特征参数是按照正态概率密度分布，根据统计理论进行状态判断时，就不能保证判断结果的精确度。

三.要解决的课题

在本发明中，为了解决上述的问题点，对于用传感器测定的信号，首先计算高、中、低频率区域的特征参数，将特征参数变换成服从正态概率密度分布的“正态特征参数”，通过概率检验、置信区间和可能性理论决定正态特征参数的状态判断基准，再通过综合有量纲和无量纲特征参数的判断结果，进行状态判断，根据状态变化的程度决定只收集特征参数或者同时收集特征参数和所需要的时间长的原始信号。只收集特征参数时，所需要的收集媒体的容量比连续收集原始信号时远为少，可以进行长时间的收集和状态监视。

再者，可以使用记录的原始信号、特征参数和正态特征参数，进行状态变化的趋势管理、状态预测以及分析状态变化的原因。另外，根据需要显示状态，并在危险状态时发出报警。

四.实施的形态

1.状态判断用的特征参数

可以在信号收集装置中使用的特征参数，有时间域的特征参数、频率区域的参数((1)(1)Peng CHEN，Masami NASU，Toshio TOYOTA：Self-reorganization of symptom parameters in frequency domain for failure diagnosis bygenetic algorithms，Journal of Intelligent & Fuzzy System，IOS Press，Vol.6 No 1.1，pp.27-37，1998.)和时间—频率区域的特征参数((2)Peng CHEN，Toshio TOYOTA，Masatoshi TANIGUTI，Feng FANG，and Tomoya NIHO：Failure Diagnosis Methodfor Machinery in Unsteady Operating Condition by Instantaneous Power Spectrum andGenetic Algorithms，Proc.of Fourth International Conference on Knowledge-BasedIntelligent Engineering System & Allied Technologies(KES2000)，pp.640-643，2000.)，但这里以时间域的特征参数为例加以说明。

1)无量纲特征参数

使用滤波器，从测定的时序信号中抽取低、中、高频率区域的信号。用下列公式对抽取的信号x(t)进行归一化。

$x_i=\frac{x_i^{\′}-\stackrel{\‾}{x}}{S}---\left(0\right)$

式中，x’_i是A/D变换后的x(t)的离散值， x和S分别是x’_i的平均值和标准偏差。

原来使用的特征参数在(1)～(10)中表示((3)Peng CHEN，Toshio TOYOTA，Yueton LIN，Feiyue WANG：FAILURE DIAGNOSIS OF MACHINERY BY SELF-REORGANIZATION OF SYMPTOM PARAMETERS IN TIME DOMAIN USINGGENETIC ALGORITHMS，Intemational Joumal of Intelligent Control and System，Vol.3，No.4，pp.571-585，1999.)。

$p_1=\mathrm{\σ}/{\stackrel{\‾}{x}}_{\mathrm{abs}};$ (变动率)                    (1)

式中

$\stackrel{\‾}{x_{\mathrm{abs}}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x_i\right|/N;$ (绝对平均值，N为数据的总数)

$\mathrm{\σ}=\sqrt{\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{-}{x})}^2}{N-1}};$ (标准偏差)

$p_2=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^3}{(N-1){\mathrm{\σ}}^3};$ (歪度)                      (2)

$p_3=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^4}{(N-1){\mathrm{\σ}}^4};$ (峭度)                      (3)

$p_4={\stackrel{\‾}{x}}_p/{\stackrel{\‾}{x}}_{\mathrm{abs}}---\left(4\right)$

式中， xp为波形的极大值(峰值)的平均值。

$p_5=\left|\stackrel{\‾}{x_{\max }}\right|/{\stackrel{\‾}{x}}_p$

                               (5)

式中， 为10个波形的最大值的平均值。p₆＝ x_p/σ_p

                               (6)

式中，σ_p为极大值的标准偏差值。

$P_7=\stackrel{\‾}{x_L}/{\mathrm{\σ}}_L---\left(7\right)$

式中， x_L和σ_L分别为极小值(谷值)的平均值和标准偏差值。

$p_8=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{\left|x_i\right|}}{N\sqrt{\mathrm{\σ}}}---\left(8\right)$

$p_9=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2}{{\mathrm{N\σ}}^2}---\left(9\right)$

$p_{10}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left|x_i\right|}{N\log \mathrm{\σ}};(x_i\≠0)---\left(10\right)$

公式(1)～.(10)是常用的特征参数，但为了在数值计算中易于高速计算，这里重新提出“区间特征参数”，如公式(11)～(16)所示。

$p_{k1}=\frac{\underset{i=1}{\overset{N_{k1}}{\mathrm{\Σ}}}{x}_i}{N_{k1}}---\left(11\right)$

${\mathrm{\σ}}_{k1}=\sqrt{\frac{\underset{i=1}{\overset{N_{k1}}{\mathrm{\Σ}}}{(x_i-p_{k1})}^2}{N_{k1}}}---\left(12\right)$

其中，x_i kσ、k可以任意设定，例如，k＝0.5、1、2。

$\mathrm{ph}1=\frac{\underset{i=1}{\overset{N_{h1}}{\mathrm{\Σ}}}\left|x_i\right|}{N_{h1}}---\left(13\right)$

${\mathrm{\σ}}_{h1}=\sqrt{\frac{\underset{i=1}{\overset{N_{h1}}{\mathrm{\Σ}}}{\left(\right|x_i|-p_{h1})}^2}{N_{h1}}}---\left(14\right)$

其中，x_i hσ、h可以任意设定，例如，k＝0.5、1、2。

$p_{k2}=\frac{\underset{i=1}{\overset{N_{k1}}{\mathrm{\Σ}}}{(x_i-p_{k1})}^{\′}}{{{\mathrm{\σ}}_{k1}}^{\′}{N}_{k1}}---\left(15\right)$

其中，x_i＞kσ、k和p_k1与公式(11)相同。t可以任意设定，例如t＝2、3、4。

$p_{h2}=\frac{\underset{i=1}{\overset{N_{h1}}{\mathrm{\Σ}}}{\left(\right|x_i|-p_{h1})}^{\′}}{{{\mathrm{\σ}}_{h1}}^{\′}{N}_{h1}}---\left(16\right)$

其中，x_i＜-hσ、h和p_h1与公式(13)相同。t可以任意设定，例如t＝2、3、4。

2)有量纲特征参数

计算有量纲特征参数时，对于测定的信号，如公式(0)那样，没有进行归一化。

$p_{d1}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x_i\right|}{N-1}$ (信号的绝对平均值)                (17)

$p_{d2}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2}{N-1}$ (信号的有效值)                    (18)

$p_{d3}=\frac{\underset{i=1}{\overset{N_p}{\mathrm{\Σ}}}{\left|x_i\right|}_p}{N_p}$ (信号的绝对值的峰值平均值)        (19)

式中，|x_i|P是信号的绝对值的峰值平均值(极大值)、N_p是峰值的总数。

$p_{d4}=\frac{\underset{i=1}{\overset{N_p}{\mathrm{\Σ}}}{{\left|x_i\right|}_p}^2}{N_p}$ (信号的绝对值的峰值有效值)                            (20)

另外，除了上述的特征参数以外，还可以定义许多的特征参数，但应用本方法时，首先要用上述的特征参数试一下，如果识别状态的效果不好，也可以追加定义其它的特征参数。

2.将特征参数变换成正态概率变量

用p^* _i表示收集的原始特征参数。使用p^* _i，根据统计理论进行状态判断和状态预测时，需要事先知道p^* _i是否服从正态分布以及其概率密度函数。但是由于测定的对象不能事先特定，所以多数情况事先不知道p^* _i是服从哪一种概率分布。

因此，在本发明中，对于收集的特征参数p^* _i，使用下列的方法，将p^* _i变换成正态分布的概率变量p_i。

(1)基于基准时间的方法

决定测定对象的基准时间，例如，决定第1次测定的时间，求出此时的特征参数p^* _io的概率密度函数f(p^* _io)和累计概率分布函数F(p^* _io)。设标准正态分布的概率密度分布为(x_i)，设标准正态分布的累计概率分布函数为Φ(x_i)。另外，为离散数据的p^* _io的概率密度函数也可以称为“频度分布函数”和“直方图”，但以下记载为“概率密度分布函数”。

1)基于正态分布变换的平均值和标准偏差的方法

经过正态分布变换的平均值μ_io可用下列公式求出。

${\mathrm{\μ}}_{i0}=p_{i0}^{*}-{\mathrm{\σ}}_{i0}\×{\mathrm{\Φ}}^{-1}\left(F\left(p_{i0}^{*}\right)\right)---\left(21\right)$

式中，^-1表示的反函数，σ_io是经过正态分布变换的标准偏差，可用下列公式求出。

${\mathrm{\σ}}_{i0}=\frac{1}{f\left({p^{*}}_{i0}\right)}\mathrm{\φ}\left({\mathrm{\Φ}}^{-1}\left(F\left(p_{i0}^{*}\right)\right)\right)---\left(22\right)$

如果将在基准时间以外的时间求出的特征参数P^* _ik代入公式(21)，就可求出μ_iok。使用μ_iok，进行状态判断和状态预测。

2)直接变量变换法

用下列公式将在基准时间以外的时间求出的特征参数p^* _ik变换成正态分布的概率变量。

$x_{\mathrm{ik}}={\mathrm{\Φ}}^{-1}\left(F\left(p_{\mathrm{ik}}^{*}\right)\right)---\left(23\right)$

使用x_ik，进行状态判断和状态预测。

(2)不按基准时间的方法

求出从在任意的时间上测定的数据中求出的特征参数p^* _ik的概率密度函数f_k(p^* _ik)和累计概率分布函数F_k(p^* _ik)。

1)直接将特征参数p^* _ik变换成正态分布的概率变量μ_ik的方法

变换成正态分布的平均值μ_ik可用下列公式求出。

${\mathrm{\μ}}_{\mathrm{ik}}=p_{\mathrm{ik}}^{*}-{\mathrm{\σ}}_{\mathrm{ik}}\×{\mathrm{\Φ}}^{-1}\left(F_k\left(p_{\mathrm{ik}}^{*}\right)\right)---\left(24\right)$

式中，σ_ik可用下列公式求出。

${\mathrm{\σ}}_{\mathrm{ik}}=\frac{1}{f_k\left({p^{*}}_{\mathrm{ik}}\right)}\mathrm{\φ}\left({\mathrm{\Φ}}^{-1}\left(F_k\left(p_{\mathrm{ik}}^{*}\right)\right)\right)---\left(25\right)$

使用μ_ik，进行状态判断和状态预测。

2)使用特征参数p_ik的概率密度函数，间接地变换成正态分布的概率变量μ_ikj的方法

将特征参数p^* _ik的最小值和最大值分别设为(p^* _ik)_min和(p^* _ik)_max。将从(p^* _ik)_min到(p^* _ik)_max按等间隔取的N个新的变量X^* _ik的数值设为X_ikj。其中，j＝1～N。若将X^* _ik代入公式(24)，就可以得到与变量X^* _ik对应的N个的μ_ikj。

使用μ_ikj，进行状态判断和状态预测。

在公式(21)、(23)和(24)中将特征参数P^* _i变换成正态概率变量的μ_iok、X_ik、μ_ik和μ_ikj称为“正态特征参数”，统一用P_i表示。

3.根据统计理论和可能性理论，判断状态变化的方法

这里说明使用正态特征参数P_i，根据统计检验理论和可能性理论，判断状态变化程度的方法。

(1)根据统计理论进行判断

1)正态特征参数的平均值的检验

将在状态k和状态y中求出的正态特征参数P_i的数值分别设为P_ik和P_iy。

式中，表示为i＝1～M(M为使用的正态特征参数的总数)。

如果将P_ik与P_iy的平均值分别设为P_ik和P_iy，将P_ik与P_iy的标准偏差分别设为S_i和S_iy平均值和标准偏差就使用下列公式计算。

$\stackrel{\‾}{P}=\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{p}_j}{J}---\left(26\right)$

$S^2=\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(p_j-\stackrel{\‾}{p})}^2}{J-1}---\left(27\right)$

检验P_ik和P_iy是否相等要按下列所示进行。((4)K.A.Brownlee.StatisticalTheory and Methodology in Science and Engineering，Second Edition，The UniversityChicago，1965)

$|{\stackrel{\‾}{p}}_{\mathrm{ik}}-{\stackrel{\‾}{p}}_{\mathrm{iy}}|>\frac{S_{\mathrm{iy}}}{\sqrt{J}}{t}_{\mathrm{\α}/2}(J-1)---\left(28\right)$

如果上述公式成立，就用有效水平α判断“ P_ik和 P_iy不相等”。

式中，t_α/2(J-1)是自由度J-1的F分布的概率密度函数对于下侧概率α/2的百分点。

2)正态特征参数离散的检验

检验S_ik和S_iy是否相同要按下列所示进行。((5)K.A.Brownlee.StatisticalTheory and Methodology in Science and Engineering，Second Edition，The UniversityChicago，1965)

$\frac{{S_{\mathrm{ik}}}^2}{{S_{\mathrm{iy}}}^2}>F_{\mathrm{\α}/2}(J-1,J-1)\mathrm{or}\frac{{S_{\mathrm{iy}}}^2}{{S_{\mathrm{ik}}}^2}>F_{\mathrm{\α}/2}(J-1,J-1)---\left(29\right)$

如果上述公式成立，就用有效水平α判断“S_ik和S_iy不相等”。

式中，F_α/2(J-1，J-1)是自由度J-1的F分布的概率密度函数对于下侧概率α/2的百分点。

改变了有效水平α时，通过确认是否满足公式(28)或公式(29)，决定状态y对于状态k的状态变化的程度。根据有效水平α决定状态变化的程度的示例见表1所示。另外，在进行设备诊断时，假设状态k为正常状态，状态y是处于正常状态、注意状态还是危险状态的判断，可按表1所示，设定“正常”(α1)、“注意”(α2)、和“危险”(α3)，并进行检验。

             表1  按有效水平的状态变化程度的判断例

	没有状态变化(正常)	状态变化中等(注意)	状态变化大(危险)
				有效水平(示例)	α1(0.4)	α2(0.10)	α3(0.005)

另外，表1的数字表示在α变成该值时，公式(28)或公式(29)才成立。

3)根据置信区间进行判断

将在基准时间测定的数据中求出的正态特征参数的平均值设为 P_io，从其它时间测定的数据中求出的正态特征参数的平均值设为 P_ik时， P_io的置信区间可用下列公式给出。

$\stackrel{\‾}{p_{i0}}\±t_{\mathrm{\σ}/2}(J-1)S_{i0}/\sqrt{J}---\left(30\right)$

式中，t_α/2(J-1)是自由度J-1的t分布的概率密度函数对于下侧概率α/2的百分点。S_io是从数据中求出的P_io的标准偏差。

如果 P_ik位于公式(30)示出的区间内，可以说在α的概率中没有 P_io的差。

的99％置信区间为10＜J＜50时，可近似表示如下。

$\stackrel{\‾}{p_{i0}}\±3S_{i0}/\sqrt{J}---\left(31\right)$

因此，如果 P_ik超过公式(31)的范围，可以说在99％的概率中与 P_io不同。

而且，用测定的数据求出的 P_ik的置信区间可用下列公式求出。

$\stackrel{\‾}{p_{\mathrm{ik}}}\±{3S}_{\mathrm{ik}}/\sqrt{J}---\left(32\right)$

式中，S_ik是从数据中求出的P_ik的标准偏差。

若将表1的α代入公式(30)，就可以得到以下的置信区间。

$\stackrel{\‾}{p_{i0}}\±t_{0.2}(J-1)S_{i0}/\sqrt{J}$ (没有状态变化的区间)(正常)     (33)

$\stackrel{\‾}{p_{i0}}\±t_{0.05}(J-1)S_{i0}/\sqrt{J}$ (状态变化为中等的区间)(注意)   (34)

$\stackrel{\‾}{p_{i0}}\±t_{0.025}(J-1)S_{i0}/\sqrt{J}$ (状态变化大的区间)(危险)       (35)

根据 P_ik是否位于这些区间内的情况来进行状态的判断。

(2)按可能性理论的判断

1)可能性分布函数的编成

用状态k中的实测信号计算出正态特征参数P_i的值之后，用公式(36)从P_i的概率密度函数f_k(P_i)中求出可能性分布函数P_k(P_i)。

如果根据可能性理论((6)L.Davis：HANDBOOK OF GENETICALGORITHMS，Van Nostrand Reinhold，A Division of Wadsworth，Inc(1990))，无论P_i按哪一种概率分布，都可以求出其可能性分布函数。例如，P_i按照正态分布时，N段的可能性分布函数P_k(P_i)就按下列所示求出。

$P_k\left(p_{\mathrm{ix}}\right)=\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}\min \{{\mathrm{\λ}}_x,{\mathrm{\λ}}_y\}---\left(36\right)$

式中，

${\mathrm{\λ}}_x={\∫}_{p_{\mathrm{ix}-1}}^{p_{\mathrm{ix}}}\frac{1}{S_i\sqrt{2\mathrm{\π}}}\exp \left\{\frac{{(p-\stackrel{\‾}{p_i})}^2}{{{2S}_i}^2}\right\}\mathrm{dp}$

${\mathrm{\λ}}_y={\∫}_{p_{\mathrm{iy}-1}}^{p_{\mathrm{ij}}}\frac{1}{S_i\sqrt{2\mathrm{\π}}}\exp \{-\frac{{(p-\stackrel{\‾}{p_i})}^2}{2{S_i}^2}\}\mathrm{dp}$

在上述公式中，P_ix＝min{P_i}+x×(max{P_i})/N、x＝1～N，S_i是 P_i的标准偏差，P_i是P_i的平均值。

2)可能性的求出方法

如图1所示，将在状态k和状态y中求出的正态特征参数P_i的可能性分布函数设为P_k(P_i)和P_y(P_i)，将在状态y中求出的正态特征参数的数值设为P_i时，“状态y与状态k相同”的可能性w可按下列所示求出。

a)根据P_i的平均值P_i mean与P_k(P_i)的匹配，进行w的决定，

b)根据P_y(P_i)与P_k(P_i)的匹配，进行w的决定。

另外，求出P_y(P_i)与P_k(P_i)的匹配的w的公式如下所示。

$w=\underset{x=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{P}_k\left(p_{\mathrm{ix}}\right)\·P_y\left(p_{\mathrm{ix}}\right)---\left(37\right)$

3)状态变化的判断

在得到在状态k中求出的正态特征参数P_i的可能性分布函数P_k(P_i)之后，左右两侧的“状态变化小”的可能性分布函数(P_c1(P_i)和P_c2(P_i))、和“状态变化大”的可能性分布函数(P_d1(P_i)和P_d2(P_i))要按图2所示决定。

边界值的

p_i+iS_i， p_i±jS_i

中的i，j要根据用户输入决定，但作为标准值，i＝3，j＝6。

在进行设备诊断时，要将正常状态的可能性分布函数设为P_k(P_i)、将注意状态的可能性分布函数设为(P_c1(P_i)和P_c2(P_i)、将危险状态的可能性分布函数设为P_d1(P_i)和P_d2(P_i)。在实际的识别时得到的“正常”、“注意”、“危险”的可能性如图3所示。另外，在判断为“危险”时，也有可能发出报警。

(3)将数个特征参数综合成一个的状态判断法

也可以将数个特征参数综合成一个特征参数，进行判断状态。综合的方法，例如有用遗传算法进行的状态的判断法((7)国际专利申请：No.PCT/JP00/03006、申请号：2000-618695)、神经网络和主成分分析法((8)大津，栗田，关田著：图形识别，朝仓书店(1996))、(9)甘利著：神经回路网的数理，产业图书(1978)、(10)K.Fukunaga：Introduction to StatisticalPattern Recognition，Academic Press(1972)、(11)丰田利夫：有关最新设备诊断技术的实用化的研究报告书、社团法人日本设备维护协会、(1999))等。

(4)通过综合有量纲特征参数与无量纲特征参数的判断基准进行状态变化的判断

有量纲特征参数表示信号波形的大小。无量纲特征参数表示信号波形的形状特征。例如，在进行设备诊断时，即使在正常状态下，随着转速的变化和负载的变化，有量纲特征参数也发生变动。综合有量纲特征参数和无量纲特征参数，进行状态变化的判断更为有效。

1)有量纲特征参数的判断基准

进行旋转机械设备的诊断时，在低、中、高频率区域中，无量纲特征参数的判断基准见图4、5、6所示。

图中的k作为缺省值，设定为1，但要使得可以调节。例如，想要以0.2为一档提高灵敏度时，将k每次下降0.2，反之想要下降灵敏度时，则将k每次提高0.2。

另外，低频率区域的测定信号采用振动速度，中、高区域的测定信号采用加速度。还有，图4、5、6表示旋转机械设备的判断基准，但其它的测定对象的判断基准，如图4、5、6所示，需要预先设定好。

2)无量纲特征参数的判断基准

在进行设备诊断时，如表1所示，无量纲特征参数的判断基准要通过统计检验、或者按照公式(33)、(34)、(35)示出的置信区间、或者按照图2所示的可能性分布函数来决定。

3)有量纲特征参数与无量纲特征参数的判断基准的综合

图7表示有量纲特征参数与无量纲特征参数的判断基准的综合。现对此图，做如下说明。

(a)用数个无量纲特征参数进行状态判断时，判断了“状态变化大”的特征参数的判断结果优先。例如，用P₁～P₃进行设备诊断时，在低、中、高频率区域中，可以获得以下的检验结果。

用p₁进行的判断结果：“正常”、“注意”、“正常”

用p₂进行的判断结果：“注意”、“危险”、“正常”

用p₃进行的判断结果：“正常”、“正常”、“正常”

在中频率区域中，由于p₂的判断结果是“危险”，所以最终判断结果为“危险”。

(b)用数个有量纲特征参数进行状态判断时，最终判断结果与上述的(a)一样决定。

(c)将上述的(3)中叙述的数个特征参数综合成一个时，用统一的一个特征参数进行的判断基准要按照各个综合法来决定。例如，综合了用主成分分析法进行的特征参数时，就可以用x²检验法进行状态判断。((12)丰田利夫：有关最新设备诊断技术的实用化的研究报告书、社团法人日本设备维护协会、(1999))。

(d)用有量纲特征参数与无量纲特征参数的判断基准的综合进行的最终判断结果可以直接用字符显示在装置的屏幕上。根据图7的示出的状态变化，也可以用彩色指示灯(这里称“状态灯”)表示。

4)结果的表示

用有量纲和无量纲特征参数进行的判断结果和通过判断基准的综合进行的判断结果(状态灯)的表示例见图8所示。另外，无量纲特征参数的判断结果表示状态的概率、或可能性的程度。

4.状态变化的趋势管理

用正态有量纲和无量纲特征参数进行状态变化的趋势管理图示例见图9和图10所示。另外，有量纲特征参数的状态变化的趋势管理图示例见图11所示。图9和图10中的k与图4的k相同。

5.状态预测

求出正态特征参数p_i之后，使用原来的状态预测方法((13)石川真澄、武藤博道：预测方法、计测和控制、1982年3月。(14)小川，M：时间序列分析和随机预测，数理统计报告，8，8-72，1958年)就可以比较容易地预测测定对象的状态。

6.处理的流程

本发明中提出的信号收集系统的处理流程见图12所示。还有，如图13所示，可以构成信号收集装置与外部计算机分开的信号收集系统。这样，通过减轻信号收集装置的计算处理的负担，就可以将信号收集装置制作成紧凑型，并很容易地在现场进行设置。外部计算机通过与信号收集装置的数据通信可进行测定条件的设定、判断基准的制成、状态的趋势管理、精密诊断以及原因的分析等。另外，进行精密诊断和原因分析时，也可以使用遗传算法、神经网络和主成分分析法等进行状态判断。

五.实施例

图14表示用装在某个旋转机械的轴上的速度传感器测定的时序信号实例。该机械从正常状态向不平衡状态变化下去。为了识别状态，例如，使用公式(1)～(6)示出的无量纲特征参数(P₁～P₆)、和公式(15)～(17)示出的有量纲特征参数(P_d1～P_d3)。

图15是无量纲特征参数(P₁～P₅)的判断结果，图16表示无量纲特征参数(p₆)的判断结果。根据这些结果，由于p₆比其它的无量纲特征参数，判断状态要敏感，所以，如图16所示，p₆的判断结果就作为用无量纲特征参数进行的状态判断结果。

图17表示有量纲特征参数的判断结果。

综合有量纲和无量纲特征参数的判断结果的最终判断结果见图18所示。

另外，虽然对于正常的状态变化的程度用状态灯表示，但是，相对于先前状态的状态变化程度，将作为决定是否记录原始信号的基准。例如，要根据图18的综合判断，决定记录“测定1(正常)”、“测定3(状态变化中等)”和“测定7(状态变化大)”的原始波形。

还有，在这个示例中，由于从测定3到测定8的信号是处于相同状态(不平衡)，所以，认为根据上述的判断结果的原始信号的记录用于阐明异常原因(精密诊断)已经足够。如果在测定期间，也发生了其它的异常状态，与这个实例一样，用于状态判断的有量纲和无量纲特征参数就会反映到其状态变化中，可在适当的时候收集发生状态变化的原始信号。

信号收集装置的回路图示例见图19所示。图中，1：传感器、2：充电放大器、3：滤波器模块、4：单片CPU、5：结果显示器、6：数据用RAM、7：AD变换器、8：DC端口、9：SCI、10：CPU、11：闪光ROM、12：外部计算机。

该信号收集装置可以设计成多个通道。另外，外部计算机可以用于信号收集装置的收集条件的设定、状态判断基准的设定、读取记录的特征参数和原始信号、进行状态变化的趋势管理以及原因分析等。

六.发明的效果

本发明在进行设备诊断、医疗诊断和地震监视等中，长时间监视对象物的状态，在判断没有明显的异常和状态变化时，只收集一次原始信号和反映了其状态的特征参数，在判断发生了明显的异常和状态变化时，及时记录表示其异常和状态变化的特征参数和原始信号，并可以利用收集的特征参数和原始信号进行状态变化的趋势分析和原因分析以及查明原因。使用本发明的信号收集系统和收集装置，长时间收集信号时，可以减少信号收集媒体的浪费，而且还可以在适当时候收集到表示状态变化的特征参数和原始信号。进行状态判断时，将收集的特征参数变换成服从正态概率密度分布的正态特征参数，通过概率检验、置信区间和可能性理论决定有量纲和无量纲特征参数和正态特征参数的状态判断基准，并通过综合有量纲和无量纲特征参数的判断结果，进行状态判断。另外，根据需要，进行状态变化的趋势管理、状态预测和状态变化的原因分析，表示测定时间的状态，并在危险状态时发出报警。

七.图的简单说明

图1是表示可能性分布函数实例的示图。

图2是表示用可能性函数进行状态变化的判断的图形。

图3是表示可能性的表示例的说明图。

图4是表示低频率区域中的有量纲特征参数的判断基准的图形。

图5是表示中频率区域中的有量纲特征参数的判断基准的图形。

图6是表示高频率区域中的有量纲特征参数的判断基准的图形。

图7是表示有量纲特征参数与无量纲特征参数的判断基准的综合说明图。

图8是表示判断结果的表示例的说明图。

图9是表示用正态有量纲特征参数进行状态变化的趋势管理图的示例的图形。

图10是表示用正态无量纲特征参数进行状态变化的趋势管理图的示例的图形。

图11是表示有量纲特征参数进行状态变化的趋势管理图的示例的图形。

图12是表示信号收集系统的处理流程的流程图。

图13是表示外部计算机与信号收集装置分开的信号收集的处理流程的流程图。

图14是表示测定的原始信号的示例的图形。

图15是表示无量纲特征参数(P₁～P₅)的判断结果示例的说明图。

图16是表示无量纲特征参数p₆的判断结果示例的说明图。

图17是表示有量纲特征参数(P_d1，P_d2，P_d3)的判断结果示例的说明图。

图18是表示通过有量纲和无量纲特征参数的综合进行的判断结果的示例的说明图。

图19是表示信号收集装置的回路的一个示例的回路图，图中符号如下。

1：传感器、2：充电放大器、3：滤波器模块、4：单片CPU、5：结果显示器、6：数据用RAM、

7：AD变换器、8：DC端口、9：SCI(串行通信接口)、10：CPU、11：闪光ROM、12：计算机。

Claims (1)

1. 用传感器测定的对象物的信号计算各个频带的有量纲和无量纲特征参数的方法、

   将特征参数变换成服从正态概率密度分布的正态特征参数的方法、

   使用通过上述的变换得到的正态特征参数，进行对象物的状态判断、状态变化的趋势管理以及状态预测的方法、

   为判断状态变化的程度，通过统计检验、置信区间和可能性理论决定有量纲特征参数和无量纲特征参数的状态判断基准的方法、

   通过统计检验、置信区间和可能性理论决定正态特征参数的状态判断基准的方法、

   通过综合有量纲特征参数和无量纲特征参数的状态判断结果，判断状态变化的程度的方法、

   根据状态变化的结果，决定只记录各个频带的特征参数，或者同时记录各个频带的特征参数和原始信号的方法、

   通过概率、可能性的程度和状态灯作为显示状态变化程度的方法、

   采用以上所述方法的、具有与外部计算机通信功能的状态判断和信号收集系统以及信号收集装置。

Images