本发明属于机械系统运行状态监测领域,尤其涉及一种基于多传感器的旋转机械系统运行状态监测方法及系统。
背景技术:
机械系统运行状态监测是确保机械系统正常运行,预防故障和实现机械系统自动化的关键技术。现有旋转机械系统监测方法,大多使用单一(或单一类型)传感器和相应的算法来实施旋转机械系统的运行状态监测。
而在实际应用中,随着旋转机械系统的复杂化、集成化和自动化水平的提高,依赖于单一(或单一类型)传感器的监测系统往往无法对监测对象进行全面有效的监测。
技术实现要素:
为了解决现有技术的不足,本发明提供了一种基于多传感器的旋转机械系统运行状态监测方法,该方法通过对采集到的多维时序信号进行时域分析可以精确检测和识别机械系统状态发生变化的变化点位置。
本发明的一种基于多传感器的旋转机械系统运行状态监测方法,包括:
采用任意维传感器来监测旋转机械系统运行状态数据,形成多维原始信号;
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行arima模型建模并不断更新arima模型参数;
将各维传感器所监测的数据的实测值和arima模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
进一步的,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
进一步的,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
进一步的,利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
进一步的,在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
本发明还提供了一种基于多传感器的旋转机械系统运行状态监测系统。
本发明的一种基于多传感器的旋转机械系统运行状态监测系统,包括:
任意维传感器,其被配置为监测旋转机械系统运行状态数据,形成多维原始信号并传送至处理器;
处理器,其被配置为:
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行arima模型建模并不断更新arima模型参数;
将各维传感器所监测的数据的实测值和arima模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
进一步的,所述处理器还被配置为:若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
进一步的,所述处理器还被配置为:若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
进一步的,所述处理器还被配置为:利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
进一步的,所述处理器还被配置为:在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
与现有技术相比,本发明的有益效果是:
本发明在旋转机械系统运行过程中对多传感器采集数据进行变化点检测进而有效的监测其运行状态,无需先验知识,可进行在线实时无监督运行状态监测,同时适用于多种类型传感器(声音,电流,振动)的采集信息监测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的基于多传感器的旋转机械系统运行状态监测方法应用实施例图;
图2是采集原始信号示意;
图3为本发明的基于多传感器的旋转机械系统运行状态监测方法的监测结果;
图4为本发明的基于多传感器的旋转机械系统运行状态监测方法的流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的基于多传感器的旋转机械系统运行状态监测方法中的传感器包括:电流传感器、多个振动传感器和声音传感器。如图1所示,电流传感器、多个振动传感器和声音传感器分别与数据采集卡相连,所述数据采集卡与计算机相连。其中,电流传感器还与步进电机控制器相连,步进电机控制器还与脉冲控制器相连。
图4为本发明的基于多传感器的旋转机械系统运行状态监测方法的流程图。
如图4所示,本发明的基于多传感器的旋转机械系统运行状态监测方法,具体包含:
(1)多维信号预测残差计算,内容如下:
(1-1)对任意维传感器所监测的数据进行运行状态周期估算从而得到旋转机械系统信号的运行周期,如图2所示。
具体地,使用动态时间归整(dynamictimewarping,dtw)进行运行状态周期估算,具体过程为:
任取某一维传感器的一段数据使用动态时间归整(dynamictimewarping,dtw)算法进行运行状态周期估算得到旋转机械系统运行周期t,具体实施方法为:使用dtw算法将截取不同长度l∈[la,lb]([la,lb]为周期长度候选区间,一般设置为[fs/20,fs/2],fs为采样频率,也可以根据经验进行设置)的子序列yl与原始序列x进行重复无重叠的匹配。匹配相似度c最大时的子序列长度即为信号周期,即:
(1-2)在机械系统运行的前若干个周期分别对各维传感器信号进行arima模型建模并在以后的运行过程中不断更新arima模型参数。
具体地,在每一维信号上,将时刻t表示成t=nt+v,这里t为第n个周期的第v相,其中1≤v≤t,假定此刻采样值xnt+v,由模型xnt+v=μv+β(nt+v)+cnt+v,独立产生,其中εnt+v为误差且期望为0。我们遍历n个周期通过
可以求得模型中的系数μv和β。在旋转机械系统运行的前两个循环(n=2)根据上式求得系数后,在以后的监测过程中模型系数将根据上式不断更新。
(1-3)将各维传感器信号的实测值和arima模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列。
具体地,根据所建立的模型给出监测时间点的预测值
(2)多维信号变化点检测,步骤如下:
(2-1)在每个采样时刻,将上述得到的多维残差序列分别在每一维上进行异常度计算。
具体地,将上述得到的多维残差序列分别在每一维上利用累积和(cumulativesum,cusum)算法进行异常度计算。
其中,对于一维残差序列
其中一维数据监测滑动窗窗长l通常设置为500个采样点,通过上式可以计算一维残差序列每一个采样时刻所对应的异常度
(2-2)将每一维上计算的异常度进行融合得到一维综合异常度时间序列。
将各维异常度
α为人工设置的参数,一般情况下设置为0.5,环境噪声较大时在[0,0.5)取值,环境噪声较小时在(0.5,1]之间取值,至此多维原始信号被变换为一维综合异常度时间序列{ζt}。
(2-3)通过使用一个长度固定的滑动窗(size-fixedslidingwindow)在机械系统运行过程中进行变化点检测,若融合后的异常度大于设定的阈值,则认为此刻机械系统运行状态发生了变化,认为这个采样时刻为机械系统变化点,如图3所示。
若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
通过使用一个长度固定的滑动窗(size-fixedslidingwindow)[ti,ti+l](其中l为滑动窗窗长,应用中设为1000采样点,ti为滑动窗内第一个采样时刻)在机械系统运行过程中对融合后的综合异常度序列{ζt}进行变化点检测。在滑动窗内提出如下的假设检验:
η0:max{ζt}≥λ,i.e.,
ηa:max{ζt}<λ,i.e.,
nochangeoccurs
即综合异常度ζ大于设定的阈值λ,则认为此刻(假定为tp)机械系统运行状态发生了变化并输出此时变化点位置tp同时更新滑动窗参数ti=tp继续滑动监测窗口;若在滑动窗内综合异常度ζ均小于阈值λ,则认为此时滑动窗内无变化点存在,并更新滑动窗参数ti=ti+1后继续滑动监测窗口。应用中阈值λ需要通过预实验来确定。
本发明还提供了一种基于多传感器的旋转机械系统运行状态监测系统。该系统包括:
(1)任意维传感器,其被配置为监测旋转机械系统运行状态数据,形成多维原始信号并传送至处理器;
(2)处理器,其被配置为:
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行arima模型建模并不断更新arima模型参数;
将各维传感器所监测的数据的实测值和arima模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
其中,处理器还被配置为:若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
所述处理器还被配置为:若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
所述处理器还被配置为:利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
所述处理器还被配置为:在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
本发明在旋转机械系统运行过程中对多传感器采集数据进行变化点检测进而有效的监测其运行状态,无需先验知识,可进行在线实时无监督运行状态监测,同时适用于多种类型传感器(声音,电流,振动)的采集信息监测。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。