TWI627387B - 振動感測器狀態檢測方法及相關電腦程式產品 - Google Patents
振動感測器狀態檢測方法及相關電腦程式產品 Download PDFInfo
- Publication number
- TWI627387B TWI627387B TW106115176A TW106115176A TWI627387B TW I627387 B TWI627387 B TW I627387B TW 106115176 A TW106115176 A TW 106115176A TW 106115176 A TW106115176 A TW 106115176A TW I627387 B TWI627387 B TW I627387B
- Authority
- TW
- Taiwan
- Prior art keywords
- vibration sensor
- sensor signals
- historical
- similarity
- similarity data
- Prior art date
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一種振動感測器狀態檢測方法,包含進行模型建立階段和線上檢測階段。模型建立階段係根據多個歷史振動感測器訊號來建立振動感測器狀態預測模型,此些歷史振動感測器訊號分別對應於多個運作狀態。線上檢測階段係利用振動感測器狀態預測模型來檢測線上振動感測器的狀態。
Description
本發明是有關於一種振動感測器檢測方法,且特別是指一種振動感測器狀態檢測方法及相關電腦程式產品。
振動感測器可用以偵測機器設備或建物等大型物體的振動現象,例如生產設備、大樓和橋墩等。若是振動感測器偵測到物體產生不正常的振動現象,則其可發出警示,以通知檢修人員進行處理,避免振動現象持續而造成物體的損壞或崩壞等。然而,振動感測器常受到其所處環境的影響而造成其運作狀態的異常;若是振動感測器未正常運作,則可能無法偵測出物體的不正常振動現象,導致物體的不正常振動現象持續至其毀損而造成重大的財產損失或發生嚴重的意外事件,故有必要即時監測振動感測器的運作狀態。若是振動感測器的運作狀態異常時,則須即時通知檢修人員處理,以在最短時間內將振動感測器的異常狀態排除。
發明名稱為「振動感測器功能異常之檢測方法」之中華民國專利編號第I335425號揭露一種振動感測器功能異常之檢測方法,其主要內容為利用振動威測器擷取振動訊號、設定頻寬範圍和頻率解析度以產生多個特定頻率、設定對應此些特定頻率之哈爾小波(Haar Wavelet)家族、將振動訊號與哈爾小波家族進行捲積計算而得到對應此些特定頻率的小波係數以及根據此些檢測線判斷振動感測器是否正常。然而,此專利案只能用來判斷振動感測器為正常運作狀態或異常運作狀態,但無法再進一步判別振動感測器的異常狀態是何種異常狀態(例如反接狀態、短路狀態或是空接狀態等),使得檢修人員在處理振動感測器的異常運作狀態時需再進行額外分析,才可判斷出振動感測器所屬的異常運作狀態並進行對應處理。
本發明的目的是在於提供一種振動感測器狀態檢測方法及相關電腦程式產品,其透過得到之振動感測器訊號的動態特性曲線並結合數學模型之計算及分類來判別振動感測器的運作狀態;若是振動感測器的運作狀態為異常,則可進一步判別振動感測器處於何種異常運作狀態。於實際應用上,可全自動化檢測振動感測器的運作狀態,並可在振動感測器異常運作下進一步判別出振動感測器處於何種異常運作狀態,以利檢修人員進行對應處理並有效縮短振動感測器異常狀態的處理時間。
本發明之一態樣是在提供一種振動感測器狀態檢測方法,此振動感測器狀態檢測方法包含進行模型建立階段和線上檢測階段。模型建立階段用以根據多個歷史振動感測器訊號來建立振動感測器狀態預測模型,此些歷史振動感測器訊號分別對應於多個運作狀態。模型建立階段包含:提供此些歷史振動感測器訊號;對此些歷史振動感測器訊號進行相似度運算,以得到此些歷史振動感測器訊號的第一相似度資料以及依據第一相似度資料選擇此些歷史振動感測器訊號中的多者為模型振動感測器訊號並建立振動感測器狀態預測模型,其中此些模型振動感測器訊號分別對應於此些運作狀態。線上檢測階段係利用振動感測器狀態預測模型來檢測振動感測器。線上檢測階段包含:取得振動感測器的線上振動感測器訊號;對該線上振動感測器訊號和該些模型振動感測器訊號進行相似度運算,以得到該線上振動感測器訊號和該些模型振動感測器訊號之一第二相似度資料;以及使用振動感測器狀態預測模型對第二相似度資料進行運算,以決定此些運作狀態中線上振動感測器訊號所屬的一者。
依據本發明的一實施例,上述第一相似度資料包含第一分佈統計相似度資料,此第一分佈統計相似度資料係藉由下列步驟得到:對此些歷史振動感測器訊號進行正規化運算且依據預設級距對經正規化運算後的歷史振動感測器訊號進行分佈統計運算而得到此些歷史振動感測器訊號的多個分佈統計資料:以及對此些分佈統計資料進行相似度運算,以計算出第一分佈統計相似度資料。
依據本發明的又一實施例,上述第二相似度資料包含第二分佈統計相似度資料,此第二分佈統計相似度資料係藉由對線上振動感測器訊號的分佈統計資料和此些模型振動感測器訊號的分佈統計資料進行相似度運算而得到。
依據本發明的又一實施例,上述第一相似度資料包含第一特徵描述子相似度資料,此第一分佈統計相似度資料係藉由下列步驟得到:對此些歷史振動感測器訊號進行訊號特徵描述子(descriptor)運算,以得到此些歷史振動感測器訊號的多個特徵描述子;依據預設鑑別度門檻值對此些特徵描述子進行比較,以篩選出此些特徵描述子中的多個第一鑑別特徵描述子;以及對此些鑑別特徵描述子進行相似度運算,以計算出第一分佈統計相似度資料。
依據本發明的又一實施例,上述此些歷史振動感測器訊號的特徵訊號包含多個時域(time-domain)特徵訊號和多個頻域(frequency-domain)特徵訊號,且上述模型建立階段更包含:對此些歷史振動感測器訊號進行時域訊號特徵描述子運算,以計算出此些時域特徵描述子;將此些歷史振動感測器訊號分別轉換為多個頻域歷史振動感測器訊號;以及對此些頻域歷史振動感測器訊號進行頻域訊號特徵描述子運算,以計算出此些頻域特徵描述子。
依據本發明的又一實施例,上述此些時域特徵描述子包含均值、均方值、均方根值、方根幅值、絕對平均值、偏度、峰度、最大值、最小值、方差、峰值、波形指標、峰值指標、脈衝指標、裕度指標、峰度指標、偏態指標、偏
度係數、八階矩係數、十六階矩係數和六階矩係數,且上述此些頻域特徵描述子包含功率譜重心指標、均方譜、功率譜方差、相關因子、諧波因子和譜原點距。
依據本發明的又一實施例,上述第二相似度資料包含第二特徵描述子相似度資料,此第二特徵描述子相似度資料係藉由下列步驟得到:對線上振動感測器訊號進行訊號特徵描述子運算,以得到線上振動感測器訊號的多個第二鑑別特徵描述子;以及對此些第二鑑別特徵描述子和此些模型振動感測器訊號的第一鑑別特徵描述子進行相似度運算,以計算出第二特徵描述子相似度資料。此些第二鑑別特徵描述子與此些第一鑑別特徵描述子的種類相同。
依據本發明的又一實施例,上述第一相似度資料包含第一動態時間歸整相似度資料,此第一動態時間歸整相似度資料係藉由下列步驟得到:對此些歷史振動感測器訊號進行動態時間歸整(dynamic time warping;DTW)運算,以得到此些歷史振動感測器訊號中之任兩者之間的第一正規化距離;以及對此些第一正規化距離進行相似度運算,以計算出第一動態時間歸整相似度資料。
依據本發明的又一實施例,上述第二相似度資料包含第二動態時間歸整相似度資料,此第二動態時間歸整相似度資料係藉由下列步驟得到:對線上振動感測器訊號與每一此些模型振動感測器訊號進行動態時間歸整運算,以得到線上振動感測器訊號與每一此些模型振動感測器訊號間
的第二正規化距離;以及對此些第二正規化距離進行相似度運算,以計算出第二動態時間歸整相似度資料。
依據本發明的又一實施例,上述第一相似度資料和上述第二相似度資料各自為經加權後的綜合相似度資料。
依據本發明的又一實施例,上述此些運作狀態包含反接狀態、正常狀態、空接狀態、開路狀態和短路狀態。
依據本發明的又一實施例,上述模型建立階段更包含對此些歷史振動感測器訊號進行均值濾波處理,且上述線上檢測階段更包含對線上振動感測器訊號進行均值濾波處理。
依據本發明的又一實施例,上述此些歷史振動感測器訊號和線上振動感測器訊號中的每一者包含直流訊號和交流訊號。
依據本發明的又一實施例,上述此些模型振動感測器訊號係使用由歷史振動感測器訊號中的多個歷史振動感測器訊號,其中此些模型振動感測器訊號分別對應於此些運作狀態。
依據本發明的又一實施例,上述此些模型振動感測器訊號係利用加總法、中位數法或極小極大(minimax)法對第一相似度資料進行運算而從此些歷史振動感測器訊號中選擇出。
依據本發明的又一實施例,上述線上振動感測器訊號所屬的運作狀態係使用振動感測器狀態預測模型以
線性迴歸(linear regression)法對第二相似度資料進行運算並依據運算結果決定。
本發明之另一態樣是在提供一種的電腦程式產品,當電腦載入此電腦程式產品後,可執行如上述的振動感測器狀態檢測方法。
100‧‧‧振動感測器狀態檢測方法
110‧‧‧模型建立階段
111~119、121~127‧‧‧步驟
120‧‧‧線上檢測階段
為了更完整了解實施例及其優點,現參照結合所附圖式所做之下列描述,其中:〔圖1〕為依據本發明實施例之振動感測器狀態檢測方法的流程示意圖;〔圖2A〕為依據本發明實施例之圖1之模型建立階段的流程示意圖;以及〔圖2B〕為依據本發明實施例之圖1之線上檢測階段的流程示意圖。
以下仔細討論本發明的實施例。然而,可以理解的是,實施例提供許多可應用的概念,其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明,並非用以限定本發明之範圍。
可被理解的是,雖然在本文可使用「第一」和「第二」等用語來描述各種資料和/或數值,但此些用語不
應限制此些資料和/或數值。此些用語僅用以區別一資料和/或數值與另一資料和/或數值。
請參照圖1,圖1為依據本發明實施例之振動感測器狀態檢測方法100的流程示意圖。振動感測器狀態檢測方法100用以檢測振動感測器所屬的運作狀態,此振動感測器可以是壓電感測器(piezoelectric sensor)、加速規感測器(accelerometer sensor)或其他相似的感測器。振動感測器狀態檢測方法100包含模型建立階段110和線上檢測階段120,其中模型建立階段110用以根據多個歷史振動感測器訊號來建立振動感測器狀態預測模型,此些歷史振動感測器訊號分別對應於振動感測器的多個運作狀態,而線上檢測階段120利用經由進行模型建立階段110所得到的振動感測器狀態預測模型來檢測振動感測器的運作狀態。此些運作狀態可包含正常狀態各種異常的運作狀態,例如反接狀態、正常狀態、空接狀態、開路狀態、短路狀態和/或其他運作狀態。
請參照圖2A,圖2A為依據本發明實施例之模型建立階段110的流程示意圖。在模型建立階段110中,首先進行步驟111,提供多個歷史振動感測器訊號。每一此些歷史振動感測器訊號均對應至振動感測器的其中一種運作狀態,且此些歷史振動感測器訊號至少包含對應反接狀態、正常狀態、空接狀態、開路狀態和短路狀態的歷史振動感測器訊號。此外,此些歷史振動感測器訊號可以包含直流訊號和交流訊號。為方便敘述本發明實施例,在以下說明中,此
些歷史振動感測器訊號完全對應反接狀態、正常狀態、空接狀態、開路狀態和短路狀態,且此些歷史振動感測器訊號的個數、對應至反接狀態的歷史振動感測器訊號的個數、對應至正常狀態的歷史振動感測器訊號的個數、對應至空接狀態的歷史振動感測器訊號的個數、對應至開路狀態的歷史振動感測器訊號的個數和對應至短路狀態的歷史振動感測器訊號的個數分別以N A 、N 1、N 2、N 3、N 4和N 5表示,其中N A 為N 1、N 2、N 3、N 4和N 5的總和。
接著,進行步驟112,對此些歷史振動感測器訊號進行均值濾波(mean filtering)處理,以平滑化此些歷史振動感測器訊號的波形。均值濾波的視窗尺寸(window size)可依據此些歷史振動感測器訊號的波形對應調整。或者,若是此些歷史振動感測器訊號的波形的平滑度已足夠,則可不進行步驟112。
之後,進行步驟113,對此些歷史振動感測器訊號進行正規化運算且依據預設級距對經正規化運算後之歷史振動感測器訊號進行分佈統計運算,以得到此些歷史振動感測器訊號之多個分佈統計資料,並依據此些分佈統計資料計算出第一分佈統計相似度資料。詳細而言,每一此些歷史振動感測器訊號的離散數值以x i 表示,其為數值序列x中第N個離散數值(i為小於或等於N的正整數),且這些數值x i 經由式(1)之正規化運算而得到正規化數值:
其中且。得到正規化數值
後,接著以預設級距對正規化數值進行分佈統計運算,例如百分比直方圖運算等。預設級距的大小可依據應用情形對應調整,例如歷史振動感測器訊號的最大振幅和/或取樣個數等,但不限於此。
對正規化數值進行分佈統計運算後,接著將統計結果以向量形式表示,並計算不同向量之間的相似度。舉例而言,可使用式(2)或式(3)對兩個相異歷史振動感測器訊號A、B的統計結果向量v A 、v B 進行運算而得到相異歷史振動感測器訊號A、B之間的餘弦(cosine)相似度s 1(A,B)或相關係數相似度s 2(A,B):
其中corr(v A ,v B )為統計結果向量v A 與v B 的相關係數。餘弦相似度s 1(A,B)和相關係數相似度s 2(A,B)可作為歷史振動感測器訊號A、B之間的分佈統計相似度。藉由上述方法對此些歷史振動感測器訊號進行分佈統計運算和相似度運算,可得到此些歷史振動感測器訊號的第一分佈統計相似度資料。
接著,進行步驟114,對此些歷史振動感測器訊號進行訊號特徵描述子(descriptor)運算,以得到此些歷史振動感測器訊號的多個特徵描述子(或稱為特徵參數)。得到的特徵描述子可包含時域(time-domain)特徵描述子和頻域(frequency-domain)特徵描述子,其中時
域特徵描述子包含均值、均方值、均方根值、方根幅值、絕對平均值、偏度、峰度、最大值、最小值、方差、峰值、波形指標、峰值指標、脈衝指標、裕度指標、峰度指標、偏態指標、偏度係數、八階矩係數、十六階矩係數和/或六階矩係數,且時域特徵描述子包含功率譜重心指標、均方譜、功率譜方差、相關因子、諧波因子和/或譜原點距。表1和表2分別列示此些時域特徵描述子和此些頻域特徵描述子的表示式,其中此些歷史振動感測器訊號之連續形式以x(t)表示,其可藉由對離散數值x i 進行曲線擬合(curve fitting)運算而得,f i 為將數值序列x進行傳立葉轉換(Fourier Transform)後對應第i個頻率的強度,p(x)為對應數值序列x的機率密度函數,且p i 為對應f i 的機率密度函數。
得到此些歷史振動感測器訊號的時域特徵描述子和頻域特徵描述子後,接著可再進行步驟115,對此些時域特徵描述子和此些頻域特徵描述子進行變異數分析(analysis of variance;ANOVA)處理,以從此些時域特徵描述子和此些頻域特徵描述子篩選出具有顯著鑑別度的第一鑑別特徵描述子。
詳細而言,將表1之時域特徵描述子與表2之頻域特徵描述子以Y (k)表示(k為正整數且小於或等於所有特徵描述子的個數),此些歷史振動感測器訊號的特徵描述子可表示為,其中i、j分別為歷史振動感測器訊號所屬的運作狀態次序及在此歷史振動感測器中的歷史振動感測器訊號次序。此些歷史振動感測器訊號的特徵描述子的平均組內變異(within-group variability)W (k)為
其中K為振動感測器的運作狀態種類個數(在本發明實施例
之說明中,K等於5),為在對應第i運作狀態之歷史振動
感測器訊號的第k個特徵描述子的平均值。此外,此些歷史振動感測器訊號的平均組間變異(between-group variability)B (k)為
其中為在此些歷史振動感測器訊號的第k個特徵描述子
Y (k)的平均值。將式(4)除以式(5),即得到第k個特徵描述子Y (k)的F檢定統計量(F test statistic)f (k):
其中此些F檢定統計量f (k)具有(K-1,N-K)自由度。
接著,使用一預設鑑別度門檻值對此些F檢定統計量f (k)進行篩選,以從此些特徵描述子Y (k)中篩選出具有顯著鑑別度的第一鑑別特徵描述子。舉例而言,預設鑑別度門檻值可設定為95%,且若第k個特徵描述子Y (k)的F檢定統計量f (k)超過95%,則判別此第k個特徵描述子Y (k)具有顯著鑑別度。篩選出的第一鑑別特徵描述子定義為Y' (l),其中l為小於或等於L的正整數,L為第一鑑別特徵描述子的個數,其小於或等於所有特徵描述子的個數。
篩選出具有顯著鑑別度的第一鑑別特徵描述子Y' (l)後,接著對此些歷史振動感測器訊號的第一鑑別特徵描述子進行相似度計算,以得到第一特徵描述子相似度資料。
將此些歷史振動感測器訊號的第一鑑別特徵描述子以向量
形式表示為,則兩相異歷史振動感測器
訊號的第一鑑別特徵描述子向量之間的馬式距離(Mahalanobis distance)為:
其中和分別為此些歷史振動感測器訊號中相異的歷史振動感測器訊號A、B的第一鑑別特徵描述子向量,且Σ AB 為第一鑑別特徵描述子向量與的共變異數矩陣。
計算出此些歷史振動感測器訊號之間的馬式距離後,接著再以一非遞增函數(non-increasing function)對此些馬式距離進行轉換,以得到此些歷史振動感測器訊號的第一特徵描述子相似度資料。舉例而言,使用的非遞增函數可以是如式(8)所示之函數:
其中const為大於0的常數。
之後,進行步驟116,對此些歷史振動感測器訊號進行動態時間歸整(dynamic time warping;DTW)運算,以得到此些歷史振動感測器訊號中的任兩者之間的第一正規化距離,並依據此些第一正規化距離計算出此些歷史振動感測器訊號的第一動態時間歸整相似度資料。相異的歷史振動感測器訊號A、B之間的動態時間歸整距離為:D(i,j)=Distance(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)], (9)
其中i為歷史振動感測器訊號A的訊號長度坐標,其為正整數且小於或等於歷史振動感測器訊號A的訊號長度|A|,j為歷史振動感測器訊號B的訊號長度坐標,其為正整數且小於或等於歷史振動感測器訊號B的訊號長度|B|,Distance(i,j)為在歷史振動感測器訊號A的訊號長度坐標i的值與在歷史振動感測器訊號B的訊號長度坐標j的值的差絕對值,D(0,0)定義為0,且D(i,0)和D(0,j)定義為無限大。
接著,使用式(10)對歷史振動感測器訊號A、B進行正規化運算,以得到歷史振動感測器訊號A、B之間的正規化距離:
之後,對經由式(10)所得到的正規化距離進行轉換,以得到此些歷史振動感測器訊號的第一動態時間歸整相似度資料。計算此些歷史振動感測器訊號的第二動態時間歸整相似度資料可使用式(8)所示之函數(即將式(8)之和const分別替換為D'(|A|,|B|)和其他大於0的常數)或其他相似的非遞增函數。
接著,進行步驟117,從此些歷史振動感測器訊號中選擇模型振動感測器訊號。詳細而言,首先將此些歷史振動感測器訊號的第一分佈統計相似度資料、第一特徵描述子相似度資料和第一動態時間歸整相似度資料分別以矩陣M 1、M 2和M 3表示如下:
之後,進行步驟118,藉由綜合相似度資料從此些歷史振動感測器訊號中選擇出模型振動感測器訊號。舉例而言,可利用加總法對矩陣M '的每一列進行加總運算,以得到分別對應第1個歷史振動感測器訊號至第N A 個歷史
振動感測器訊號的加總相似度、...、(為
矩陣M '中的元素),接著再對此些加總相似度由大至小排序,並以此排序選擇出N' A 個加總相似度,且對應選擇之加
總相似度的歷史振動感測器訊號作為模型振動感測器訊號。應注意的是,此些模型振動感測器訊號應包含對應反接狀態、正常狀態、空接狀態、開路狀態和短路狀態的模型振動感測器訊號。也就是說,對應反接狀態之的模型振動感測器訊號的個數、對應正常狀態之模型振動感測器訊號的個數、對應空接狀態之模型振動感測器訊號的個數、對應開路狀態之模型振動感測器訊號的個數和對應短路狀態之模型振動感測器訊號的個數均至少為1,且。
或者,也可利用中位數法或極小極大(minimax)法對矩陣M '進行運算來從此些歷史振動感測器訊號中選擇出模型振動感測器訊號。中位數法或極小極大法之運算為所屬技術領域中具通常知識者熟知,故在此不多加說明。
得到模型振動感測器訊號後,接著進行步驟119,依據此些歷史振動感測器訊號和選擇出的模型振動感測器訊號來建立振動感測器狀態預測模型。
首先,對此些歷史振動感測器訊號與直流之模型振動感測器訊號進行分佈統計相似度運算、特徵描述子相似度運算和動態時間歸整相似度運算(如上文所述),以分別得到此些歷史振動感測器訊號與直流之模型振動感測器訊號之分佈統計相似度、特徵描述子相似度和動態時間歸整相似度,且對此些歷史振動感測器訊號和交流之模型振動感測器訊號對此些歷史振動感測器訊號與直流之模型振動感
測器訊號進行分佈統計相似度運算、特徵描述子相似度運算和動態時間歸整相似度運算,以分別得到此些歷史振動感測器訊號與交流之模型振動感測器訊號之分佈統計相似度、特徵描述子相似度和動態時間歸整相似度。接著,將得到的動態時間歸整相似度排列為矩陣A,如式(12)所示:
其中DC1、DC2、DC3、AC1、AC2和AC3分別對應直流之模型振動感測器訊號及分佈統計相似度、直流之模型振動感測器訊號及特徵描述子相似度、直流之模型振動感測器訊號及動態時間歸整相似度、交流之模型振動感測器訊號及分佈統計相似度、交流之模型振動感測器訊號及特徵描述子相似度和交流之模型振動感測器訊號及動態時間歸整相似度,
,且a i,j,C 為第i個歷史振動感
測器訊號與直流或交流之第j個模型振動感測器訊號之間的分佈統計相似度、特徵描述子相似度或動態時間歸整相似度。此外,建立編碼矩陣B為:
其中1和0分別為元素皆為1的子矩陣和元素皆為0的子矩陣。
建立矩陣A和編碼矩陣B後,接著找出矩陣A和編碼矩陣B的對應函式。舉例而言,可使用線性迴歸法對矩
陣A和編碼矩陣B建立振動感測器狀態預測模型,如式
(14)所示:
其中A T 為A的轉移矩陣,且(A T A)-1為(A T A)的反矩陣。在一些實施例中,振動感測器狀態預測模型另可為類神經網路(neural network)模型或支持向量機器(support vector machine)模型。
振動感測器狀態預測模型建立完成後,即完
成模型建立階段110。接著,進行線上檢測階段120,利用
振動感測器狀態預測模型來檢測振動感測器的狀態。
請參照圖2B,圖2B為依據本發明實施例之線上檢測階段120的流程示意圖。在線上檢測階段120中,首先進行步驟121,取得振動感測器的線上振動感測器訊號,此線上振動感測器訊號對應之振動感測器的狀態為未知。也就是說,無法從線上振動感測器訊號直接得知振動感測器的狀態。
接著,進行步驟122,對線上振動感測器訊號進行均值濾波處理,以平滑化線上振動感測器訊號的波形。相似於步驟112,均值濾波的視窗尺寸可依據線上振動感測器訊號的波形對應調整。或者,若是線上振動感測器訊號的波形的平滑度已足夠,則可不進行步驟122。
之後,進行步驟123,對線上振動感測器訊號進行正規化運算且依據預設級距對經正規化運算後之線上振動感測器訊號進行分佈統計運算,以得到線上振動感測器訊號之分佈統計資料,接著再依據此分佈統計資料和模型振動感測器訊號之分佈統計資料計算出第二分佈統計相似度資料。線上振動感測器訊號之分佈統計資料可經由相似於步驟113之離散數值取樣、正規化運算和分佈統計運算得到,而模型振動感測器訊號之分佈統計資料可直接利用經由步驟113所得到之分佈統計資料而不須再重新進行運算。
取得線上振動感測器訊號和模型振動感測器訊號之分佈統計資料後,將線上振動感測器訊號和模型振動感測器訊號之分佈統計資料以向量形式表示,接著再利用式(2)或式(3)對線上振動感測器訊號之統計結果向量和每一此些模型振動感測器訊號之統計結果向量進行運算而得到線上振動感測器訊號與每一此些模型振動感測器訊號之間的餘弦相似度或相關係數相似度,其作為線上振動感測器訊號與每一此些模型振動感測器訊號之間的統計相似度。藉由上述方法對線上振動感測器訊號進行分佈統計運算且對線上振動感測器訊號進行分佈統計運算與每一此些模型振動感測器訊號進行相似度運算,可得到線上振動感測器訊號與模型振動感測器訊號的第二分佈統計相似度資料。
接著,進行步驟124,對線上振動感測器訊號進行訊號特徵描述子運算,以得到線上振動感測器訊號的多個第二鑑別特徵描述子,接著再依據此些第二鑑別特徵描述
子和模型振動感測器訊號的第一鑑別特徵描述子計算出第二特徵描述子相似度資料。第二鑑別特徵描述子的種類與第一鑑別特徵描述子的種類相同,故只需利用表1和表2中對應第一鑑別特徵描述子的表示式對線上振動感測器訊號進行訊號特徵描述子運算,就可得到線上振動感測器訊號的第二鑑別特徵描述子。此外,線上振動感測器訊號之第一鑑別特徵描述子可直接利用經由步驟114所得到之第一鑑別特徵描述子而不須再重新進行運算。
得到線上振動感測器訊號的第二鑑別特徵描述子後,接著將線上振動感測器訊號之第二鑑別特徵描述子和模型振動感測器訊號之第一鑑別特徵描述子以向量形式表示,接著再利用式(7)對線上振動感測器訊號之第二鑑別特徵描述子向量和每一此些模型振動感測器訊號之第一鑑別特徵描述子向量進行運算(和分別為線上振動感測器訊號的第二鑑別特徵描述子向量和每一此些模型振動感測器訊號的第一鑑別特徵描述子向量,且Σ AB 為第二鑑別特徵描述子向量與第一鑑別特徵描述子向量的共變異數矩陣),以得到線上振動感測器訊號與每一此些模型振動感測器訊號之間的馬式距離。
計算出線上振動感測器訊號與每一此些模型振動感測器訊號之間的馬式距離後,接著再以一非遞增函數對此些馬式距離進行轉換,以得到線上振動感測器訊號與此些模型振動感測器訊號的第二特徵描述子相似度資料。使用的
非遞增函數可與在步驟115中使用的非遞增函數相同,例如式(8)所示之函數。
之後,進行步驟125,對線上振動感測器訊號與每一此些模型振動感測器訊號進行動態時間歸整運算,以得到線上振動感測器訊號與每一此些模型振動感測器訊號間的第二正規化距離,並依據此些第二正規化距離計算出第二動態時間歸整相似度資料。詳細而言,利用式(9)對線上振動感測器訊號和每一此些模型振動感測器訊號進行動態時間歸整運算(i為線上振動感測器訊號的訊號長度坐標,其為正整數且小於或等於線上振動感測器訊號的訊號長度,j為每一此些模型振動感測器訊號的訊號長度坐標,其為正整數且小於或等於每一此些模型振動感測器訊號的訊號長度),接著再利用式(10)對線上振動感測器訊號和每一此些模型振動感測器訊號進行正規化運算,以得到線上振動感測器訊號與每一此些模型振動感測器訊號之間的正規化距離,且再將此些正規化距離轉換為第二動態時間歸整相似度資料。計算線上振動感測器訊號與每一此些模型振動感測器的第二動態時間歸整相似度資料所使用的非遞增函數可與在步驟116中使用的非遞增函數相同,例如式(8)所示之函數或其他相似的非遞增函數。
得到線上振動感測器訊號與此些模型振動感測器的第二分佈統計相似度資料、第二特徵描述子相似度資料和第二動態時間歸整相似度資料後,接著進行步驟126,使用在模型建立階段中所建立的振動感測器狀態預測模型對
第二分佈統計相似度資料、第二特徵描述子相似度資料與第二動態時間歸整相似度資料進行運算,以決定線上振動感測器訊號所屬的運作狀態。
接著,使用振動感測器狀態預測模型對該第二分佈統計相似度資料、該第二特徵描述子相似度資料與該第二動態時間歸整相似度資料進行運算,以決定線上振動感測器訊號所屬的運作狀態。將得到的第二分佈統計相似度資料、第二特徵描述子相似度資料與第二動態時間歸整相似度排列為矩陣A ',如式(15)所示:
其中DC1、DC2、DC3、AC1、AC2和AC3分別對應直流之模型振動感測器訊號及分佈統計相似度、直流之模型振動感測器訊號及特徵描述子相似度、直流之模型振動感測器訊號及動態時間歸整相似度、交流之模型振動感測器訊號及分佈統計相似度、交流之模型振動感測器訊號及特徵描述子相似度和交流之模型振動感測器訊號及動態時間歸整相似度,
,且為線上振動感測器訊
號與直流或交流之第i個模型振動感測器訊號之間的分佈統計相似度、特徵描述子相似度或動態時間歸整相似度。
之後,利用線性迴歸法,將矩陣A '與在模型建
立階段110中得到的振動感測器狀態預測模型進行矩陣
乘法運算,如式(16)所示:
且對矩陣(其為1×5之矩陣)中的所有元素進行比較,並
以此些元素中的最大值來判別線上振動感測器訊號對應的
運作狀態,其中在矩陣中的第一至第五個元素分別對應反
接狀態、正常狀態、空接狀態、開路狀態和短路狀態。舉例
而言,若是第三個元素為矩陣中的最大值元素,則判別
線上振動感測器訊號對應的運作狀態為空接狀態。
最後,進行步驟127,輸出線上振動感測器訊號的判別結果,以即時通知使用者線上振動感測器的運作狀態。輸出的判別結果可透過圖像、聲音、顏色、振動或其他合適的方式呈現。
上述實施例亦可實作為電腦程式產品,並儲存於電腦可讀取記錄媒體中,當電腦載入此電腦程式產品並執行後,可完成本發明之振動感測器狀態檢測方法。其中,上述電腦可讀取記錄媒體可為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之電腦可讀取紀錄媒體。
應注意的是,上述實施例僅為示例說明,而本發明之振動感測器狀態檢測方法可依據實際應用需求對應調整,其不以上述實施例之說明為限。舉例而言,在一些實施例中,在模型建立階段110可僅使用第一分佈統計相似度資料、第一特徵描述子相似度資料和第一動態時間歸整相似度資料的其中一者來建立振動感測器狀態預測模型,且在線上檢測階段120可使用此振動感測器狀態預測模型對對應
的相似度資料(即第二分佈統計相似度資料、第二特徵描述子相似度資料和第二動態時間歸整相似度資料的其中一者)進行運算來決定線上振動感測器訊號所屬的運作狀態。上述實施例之一例為,在模型建立階段110使用第一特徵描述子相似度資料來建立振動感測器狀態預測模型,且在線上檢測階段120可使用此振動感測器狀態預測模型對第二特徵描述子相似度資料進行運算來決定線上振動感測器訊號所屬的運作狀態。
綜上所述,本發明之振動感測器狀態檢測方法及相關電腦程式產品可即時判別振動感測器的運作狀態,且在振動感測器的異常運作下可進一步判別振動感測器處於何種異常運作狀態,以利檢修人員進行對應處理並有效縮短振動感測器異常狀態的處理時間。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
Claims (17)
- 一種振動感測器狀態檢測方法,包含:進行一模型建立階段,用以根據複數個歷史振動感測器訊號來建立一振動感測器狀態預測模型,該些歷史振動感測器訊號分別對應於複數個振動感測器運作狀態,其中該模型建立階段包含:提供該些歷史振動感測器訊號;對該些歷史振動感測器訊號進行相似度運算,以得到該些歷史振動感測器訊號之一第一相似度資料;以及依據該第一相似度資料選擇該些歷史振動感測器訊號中之複數者為模型振動感測器訊號並建立該振動感測器狀態預測模型,其中該些模型振動感測器訊號分別對應於該些運作狀態;以及進行一線上檢測階段,以利用該振動感測器狀態預測模型來檢測一振動感測器,其中該線上檢測階段包含:取得該振動感測器之一線上振動感測器訊號;對該線上振動感測器訊號和該些模型振動感測器訊號進行相似度運算,以得到該線上振動感測器訊號和該些模型振動感測器訊號之一第二相似度資料;以及使用該振動感測器狀態預測模型對該第二相似度資料進行運算,以決定該些運作狀態中該線上振動感測器訊號所屬之一者。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該第一相似度資料包含一第一分佈統計相似度資料,該第一分佈統計相似度資料係藉由下列步驟得到:對該些歷史振動感測器訊號進行正規化運算且依據一預設級距對經正規化運算後之歷史振動感測器訊號進行分佈統計運算而得到該些歷史振動感測器訊號之複數個分佈統計資料:以及對該些分佈統計資料進行相似度運算,以計算出該第一分佈統計相似度資料。
- 如申請專利範圍第2項所述之振動感測器狀態檢測方法,其中該第二相似度資料包含一第二分佈統計相似度資料,該第二分佈統計相似度資料係藉由對該線上振動感測器訊號之分佈統計資料和該些模型振動感測器訊號之分佈統計資料進行相似度運算而得到。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該第一相似度資料包含一第一特徵描述子相似度資料,該第一分佈統計相似度資料係藉由下列步驟得到:對該些歷史振動感測器訊號進行訊號特徵描述子(descriptor)運算,以計算出該些歷史振動感測器訊號之複數個特徵描述子; 依據一預設鑑別度門檻值對該些特徵描述子進行比較,以篩選出該些特徵描述子中之複數個第一鑑別特徵描述子;以及對該些第一鑑別特徵描述子進行相似度運算,以計算出該第一分佈統計相似度資料。
- 如申請專利範圍第4項所述之振動感測器狀態檢測方法,其中該些歷史振動感測器訊號之特徵訊號包含複數個時域(time-domain)特徵訊號和複數個頻域(frequency-domain)特徵訊號,且該模型建立階段更包含:對該些歷史振動感測器訊號進行時域訊號特徵描述子運算,以得到該些時域訊號特徵描述子;將該些歷史振動感測器訊號分別轉換為複數個頻域歷史振動感測器訊號;以及對該些頻域歷史振動感測器訊號進行頻域訊號特徵描述子運算,以計算出該些頻域訊號特徵描述子。
- 如申請專利範圍第5項所述之振動感測器狀態檢測方法,其中該些時域訊號特徵描述子包含一均值、一均方值、一均方根值、一方根幅值、一絕對平均值、一偏度、一峰度、一最大值、一最小值、一方差、一峰值、一波形指標、一峰值指標、一脈衝指標、一裕度指標、一峰度指標、一偏態指標、一偏度係數、一八階矩係數、一十六階矩係數及一六階矩係數,且該些頻域訊號特徵描述 子包含一功率譜重心指標、一均方譜、一功率譜方差、一相關因子、一諧波因子及一譜原點距。
- 如申請專利範圍第4項所述之振動感測器狀態檢測方法,其中該第二相似度資料包含一第二特徵描述子相似度資料,該第二特徵描述子相似度資料係藉由下列步驟得到:對該線上振動感測器訊號進行訊號特徵描述子運算,以得到該線上振動感測器訊號之複數個第二鑑別特徵描述子;以及對該些第二鑑別特徵描述子和該些模型振動感測器訊號之第一鑑別特徵描述子進行相似度運算,以計算出該第二特徵描述子相似度資料;其中該些第二鑑別特徵描述子與該些第一鑑別特徵描述子之種類相同。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該第一相似度資料包含一第一動態時間歸整相似度資料,該第一動態時間歸整相似度資料係藉由下列步驟得到:對該些歷史振動感測器訊號進行動態時間歸整(dynamic time warping;DTW)運算,以得到該些歷史振動感測器訊號中之任兩者之間之第一正規化距離;以及 對該些第一正規化距離進行相似度運算,以計算出該第一動態時間歸整相似度資料。
- 如申請專利範圍第8項所述之振動感測器狀態檢測方法,其中該第二相似度資料包含一第二動態時間歸整相似度資料,該第二動態時間歸整相似度資料係藉由下列步驟得到:對該線上振動感測器訊號與每一該些模型振動感測器訊號進行動態時間歸整運算,以得到該線上振動感測器訊號與每一該些模型振動感測器訊號間之第二正規化距離;以及對該些第二正規化距離進行相似度運算,以計算出該第二動態時間歸整相似度資料。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該第一相似度資料及第二相似度資料各自為經加權後之綜合相似度資料。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該些運作狀態包含反接狀態、正常狀態、空接狀態、開路狀態和短路狀態。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該模型建立階段更包含對該些歷史 振動感測器訊號進行均值濾波處理,且該線上檢測階段更包含對該線上振動感測器訊號進行均值濾波處理。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該些歷史振動感測器訊號和該線上振動感測器訊號中之每一者包含一直流訊號和一交流訊號。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該些模型振動感測器訊號係使用由該些歷史振動感測器訊號中之複數者,其中該些模型振動感測器訊號分別對應於該些運作狀態。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該些模型振動感測器訊號係利用加總法、中位數法或極小極大(minimax)法對該第一相似度資料進行運算而從該些歷史振動感測器訊號中選擇出。
- 如申請專利範圍第1項所述之振動感測器狀態檢測方法,其中該線上振動感測器訊號所屬之運作狀態係使用該振動感測器狀態預測模型以線性迴歸(linear regression)法對該第二相似度資料進行運算並依據運算結果決定。
- 一種電腦程式產品,經一電腦載入後,該電腦可執行如申請專利範圍第1至16項中任一項所述之振動感測器狀態檢測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106115176A TWI627387B (zh) | 2017-05-08 | 2017-05-08 | 振動感測器狀態檢測方法及相關電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106115176A TWI627387B (zh) | 2017-05-08 | 2017-05-08 | 振動感測器狀態檢測方法及相關電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI627387B true TWI627387B (zh) | 2018-06-21 |
TW201843425A TW201843425A (zh) | 2018-12-16 |
Family
ID=63255877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106115176A TWI627387B (zh) | 2017-05-08 | 2017-05-08 | 振動感測器狀態檢測方法及相關電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI627387B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020030812A1 (en) * | 2018-08-10 | 2020-02-13 | Green Running Limited | Systems and methods for condition monitoring |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW255011B (zh) * | 1994-01-10 | 1995-08-21 | Omron Tateisi Electronics Co | |
US20150226604A1 (en) * | 2012-09-28 | 2015-08-13 | Nec Corporation | Sensor device, vibration detection system, sensor unit, information processing device, vibration detection method, and program |
JP2016085142A (ja) * | 2014-10-27 | 2016-05-19 | 日本電信電話株式会社 | 光ファイバ振動センサおよび振動測定方法 |
-
2017
- 2017-05-08 TW TW106115176A patent/TWI627387B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW255011B (zh) * | 1994-01-10 | 1995-08-21 | Omron Tateisi Electronics Co | |
US20150226604A1 (en) * | 2012-09-28 | 2015-08-13 | Nec Corporation | Sensor device, vibration detection system, sensor unit, information processing device, vibration detection method, and program |
JP2016085142A (ja) * | 2014-10-27 | 2016-05-19 | 日本電信電話株式会社 | 光ファイバ振動センサおよび振動測定方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020030812A1 (en) * | 2018-08-10 | 2020-02-13 | Green Running Limited | Systems and methods for condition monitoring |
Also Published As
Publication number | Publication date |
---|---|
TW201843425A (zh) | 2018-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107528832B (zh) | 一种面向系统日志的基线构建与未知异常行为检测方法 | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
CN110650058B (zh) | 一种网络流量分析方法、装置、存储介质及设备 | |
CN110907207B (zh) | 非标机械设备的运行状态检测方法及装置 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN108009740B (zh) | 一种烟用香精香料智能化精细识别系统及方法 | |
CN115392284A (zh) | 一种基于机器学习的场地微振动振源识别方法 | |
TWI627387B (zh) | 振動感測器狀態檢測方法及相關電腦程式產品 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
Huang et al. | Automatic classification of magnetic tiles internal defects based on acoustic resonance analysis | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
CN106847306B (zh) | 一种异常声音信号的检测方法及装置 | |
Jung et al. | Multivariate neighborhood trajectory analysis: an exploration of the functional data analysis approach | |
CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
Petladwala et al. | Canonical correlation based feature extraction with application to anomaly detection in electric appliances | |
CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
Liu et al. | A review of nonintrusive load monitoring and its application in commercial building | |
CN104980442A (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
US10109298B2 (en) | Information processing apparatus, computer readable storage medium, and information processing method | |
CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
Mitrovic et al. | Analysis of the data quality of audio features of environmental sounds | |
JP2004349846A (ja) | 外れ値検出方法 | |
Kumaresh et al. | Aging status prediction of oil impregnated insulating kraft paper using GLCM based textural features |