一种基于无故障振动信号的往复机械异常检测方法与流程

本发明属于装甲车辆、船舶动力及工程机械用往复机械设备异常检测技术领域，尤其涉及了一种基于无故障振动信号的往复机械异常检测方法，可在缺乏故障数据情况下对往复机械异常进行预警。

背景技术：

往复机械是装甲车辆、船舶动力及工程机械的核心动力设备，其安全可靠运行对军事或生产任务的顺利完成具有重要作用。往复机械振动信号包含了丰富的状态信息，为了及时对往复机械异常进行预警，防止异常进一步恶化，降低恶性故障带来的严重损失，国内外学者对基于振动信号的故障在线监测方法进行研究并积累了一定的成果。然而，由于这些故障监测方法对故障数据依赖性较强，已经越来越无法满足工程应用的实际需求。因此，研发一种无故障振动信号的异常检测方法对往复机械异常预警具有十分重要的意义。

目前在异常检测领域，主要采用的方法是，利用带标签的正常和异常数据数据，结合机器学习或深度学习算法，进行异常检测模型的训练。训练高精度的异常检测模型可以获得很好的故障识别效果，但大多需要根据足够的专家标记的正常和异常样本。往复机械结构复杂，故障类型多样化，导致异常数据的专家标记过程复杂且昂贵。另外，由于环境、应用条件、经济等因素的限制导致故障数据难以获取，很多情况下机组仅有正常数据而没有故障数据。故障数据的缺乏，大大限制了传统异常检测方法的应用。

技术实现要素：

为了解决缺乏故障数据情况下的异常预警问题，本发明提供一种无需任何异常数据、效率高、准确率良好的基于无故障振动信号的往复机械异常检测方法。本发明目的在于针对异常数据获取难，数量少等问题，提供一种以角域整周期信号的频段能量百分比特征序列为基础，结合基于变分自编码网络的往复机械正常状态对应潜在空间模型，以样本服从潜在空间分布概率为指标的异常检测方法，实现对往复机械气门间隙过大等异常状态的预警。

针对上述问题，本发明设计的一种技术方案是：基于无故障振动信号的往复机械异常检测方法，方案步骤如下所示：

第一步，在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号，在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号。利用往复机械状态监测系统，采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号。

第二步，根据键相信号截取角域整周期振动信号形成正常状态下的数据集。当曲轴旋转720°，对应为角域一个整周期，根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°。根据振动信号与键相信号的对应性，进行角域整周期振动信号截取。

第三步，利用以db10小波为基础，对整周期信号进行n阶小波包变换，得到样本的2ⁿ组分解系数。根据分解系数计算对应频段的能量特征，如下所示。

e(i,j)＝∑[ps(n,i,k)]²

式中，e(i,j)表示第i层分解第j个分解序列对应的能量值。ps(n,i,k)表示小波包变换得到的分解系数。对各个分解序列的能量值进行归一化处理，得到各个频段对应的能量百分比，如下所示。

根据频段的先后顺序，形成频段能量百分比特征序列。

第四步，以频段能量百分比特征序列作为变分自编码网络的输入，构建变分自编码网络。变分自编码网络结构包括输入层、编码器、潜在空间表示层、解码器和输出层，潜在空间表示层包括均值和方差两部分，往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出。

第五步，变分自编码网络的目标函数是数据的边际似然的变分下界，因此变分自编码网络的损失函数包括两个方面：一是实现重构误差最小；二是让潜在空间分布与真实数据分布最接近。因此，对应的损失函数如下所示。

式中，dkl(*)表示kl散度函数，qω(z|x⁽ⁱ⁾)表示利用样本x⁽ⁱ⁾推断出的潜在空间z分布，pθ(z)表示潜在空间z分布，logpθ(x⁽ⁱ⁾|z^(i,l))表示样本的边际似然。

以正常状态下的往复机械振动信号为数据基础，使用随机梯度下降法最小化损失函数，更新变分自编码网络参数，直到参数收敛完成网络模型的训练。

第六步，基于训练完成的变分自编码网络模型，计算训练样本的重构概率，并把最小值作为异常检测的阈值；信号的重构概率定义如下所示。

p＝pθ(x|u^*,σ^*)

式中，u^*,σ^*分别表示生成样本分布的均值和方差。

第七步，基于训练完成的变分自编码网络模型，计算测试样本的重构概率，如果测试样本的重构概率小于检测阈值，说明测试样本是异常的，否则为正常。利用以下公式计算准确率：

式中，nr,nt分别表示准确识别的样本数和总样本数。

2、进一步，步骤2当前整周期振动信号截取方法：为了避免发生频谱泄露，振动信号样本常根据当前曲轴转速v(单位：转/每分钟)和系统采样频率fs(单位：hz)进行截取，整周期振动信号样本为[x(i),…,x(i+fs/v*60*2)]。本发明以键相信号冲击顶点进行整周期振动信号截取，为了保证变转速下整周期信号的完整性，滑动对比键相信号瞬时幅值，连续采集n个键相信号数据点，当瞬时幅值邻域最大且远大于平均值时max([y(i),…,y(i+n)])>>mean([y(i),…,y(i+n)])，该数据点为键相冲击信号顶点pi。以键相冲击信号顶点时刻作为时域整周期振动信号的起始点和终止点，信号长度对应连续的三个冲击顶点，整周期振动信号样本为[x(pj),…,x(pj+2)]。

3、进一步，步骤3变分自编码网络的输入形式：当前对于变分自编码网络的输入形式多为时序振动数据，为了保证振动信号样本的一致性，通常需要结合气缸的发火和配气相位，将整周期信号中发火、进气门开启关闭、排气门开启关闭对应的激励冲击相位调整一致。本发明利用小波包变换进行振动信号频段分解，计算各个频段的能量特征并进行归一化处理，以振动信号的频段能量百分比特征序列代替时序振动信号作为变分自编码网络的输入，能够有效降低振动信号随机性带来的影响，保证振动信号样本前后信息的一致性。

4、进一步，步骤4基于变分自编码网络的正常状态对应潜在空间建模。传统异常检测方法是以信号特征为基础，以距离或密度等度量方式进行正常状态对应潜在空间建模。本发明利用正常数据进行变分自编码网络训练，得到自适应数据分布的正常状态对应潜在空间模型。

5、进一步，步骤6异常检测指标的确定。为了对比正常与异常的差异性，传统异常检测方法常以信号的重构误差作为异常检测指标。本发明以测试样本满足正常状态对应数据分布的可能性作为异常检测指标。

与传统异常检测技术对比，本发明的效益主要具体体现在：

1、本发明利用频段能量特征百分比序列代替时域振动信号，一方面能够大大降低振动信号随机性对关键信息表征效果的影响，另一方面能够使得振动数据样本具有较好的一致性，避免样本信息受角域整周期信号在不同往复机械工况下的数据长度不同因素的影响。

2、本发明提出的基于无故障振动信号的往复机械异常检测方法能够对往复机械正常状态潜在空间进行建模，无需任何人工特征的设计和提取；异常检测的判定规则简单，效率高，适应性好。

3、本发明提出的基于无故障振动信号的往复机械异常检测方法具有适应性广、应用方便简单、准确高特点，不仅能够应用于往复机械气门间隙异常的监测，也能应用于其他往复机械典型故障(如撞缸、失火等故障)、燃气轮机和压缩机等复杂机组。

附图说明：

图1为本发明的流程图

图2为角域整周期振动信号截取

图3为小波包变换提取频段能量百分比特征序列

图4为变分自编码网络结构

图5为正常和异常数据在变分自编码网络的潜在空间分布图

图6为异常检测结果混淆矩阵

具体实施方式

结合附图和实际往复机械缸盖数据分别对本发明方法进行详细说明：

如图1所示，一种基于无故障振动信号的往复机械异常检测方法，异常检测流程如下：

第一步，利用往复机械状态监测系统，采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号。在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号，在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号。

第二步，根据键相信号截取角域整周期振动信号形成正常状态下的数据集。当曲轴旋转720°，对应为角域一个整周期，根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°。根据振动信号与键相信号的对应性，进行角域整周期振动信号截取，如图2所示。

第三步，利用以db10小波为基础，对整周期信号进行n阶小波包变换，得到样本的2ⁿ个频段能量百分比，用频段能量百分比特征序列代替角域整周期信号。当n取3时，整周期信号整个频谱将被分为8个频段，如图3所示。能量百分比特征则为每个频段对应能量归一化后的数值，根据频段的先后顺序，形成频段能量百分比特征序列。振动信号的采样频率为51200hz，最大频率为25600hz，进行小波包变换特征提取时，n取10，能够得到长度为1024的频段能量百分比特征序列。

第四步，以频段能量百分比特征序列作为变分自编码网络的输入，构建变分自编码网络。变分自编码网络结构如图4所示，包括输入层、隐含层1、隐含层2、隐含层3、潜在空间表示层、隐含层4、隐含层5、隐含层6和输出层，对应神经网络层的维度分别为1024，512，256，128，64，128，256，512，1024。除了输入层和潜在空间表示层，其他神经网络层的激活函数都采用relu非线性函数。潜在空间表示层包括均值和方差两部分，均包含64个神经元，往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出。

第五步，变分自编码网络的目标函数是数据的边际似然的变分下界，因此变分自编码网络的损失函数包括两个方面：一是实现重构误差最小；二是让潜在空间分布与真实数据分布最接近。因此，对应的损失函数如下所示。

式中，dkl(*)表示kl散度函数，qω(z|x⁽ⁱ⁾)表示利用样本x⁽ⁱ⁾推断出的潜在空间z分布，pθ(z)表示潜在空间z分布，logpθ(x⁽ⁱ⁾|z^(i,l))表示样本的边际似然。

以正常状态下的往复机械振动信号为数据基础，设定学习率为0.001，使用随机梯度下降法最小化损失函数，更新变分自编码网络参数，直到参数收敛完成网络模型的训练。为了方便展示，将潜在空间分布的维度设置为2，正常与异常数据在基于变分自编码网络的潜在空间分布如图5所示。

第六步，基于训练完成的变分自编码网络模型，计算训练样本的重构概率，并把最小值作为异常检测的阈值；信号的重构概率定义如下所示。

p＝pθ(x|u^*,σ^*)

式中，u^*,σ^*分别表示生成样本分布的均值和方差。

第七步，基于训练完成的变分自编码网络模型，计算测试样本的重构概率，如果测试样本的重构概率小于检测阈值，说明测试样本是异常的，否则为正常。利用以下公式计算准确率：

式中，nr,nt分别表示准确识别的样本数和总样本数。

本实例中往复机械机组信息如下：

利用测试集进行测试，得到的异常检测结果混淆矩阵如图6所示，总体准确率在95％以上。