用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序与流程

本发明涉及机器(例如，诸如飞行器发动机之类的发动机)的监测领域。特别地，本发明涉及一种用于对机器进行分析(例如，声学或振动分析)以检测、识别或者预见机器中的异常的系统及方法。

背景技术：

机器是一种经受应力的机械系统，该应力可能导致其部件磨损。因此，寻求一种尽可能有效地监测机器的状态的一般方法，以检测对机器的任何损坏，从而从关于机器的一组可能的类型的损坏中识别出这些类型的损坏，或者预测这些类型的损坏的发生。

尽管机器(例如，飞行器发动机)呈现出生成噪音的缺点，然而，可以想到可以使用该缺点以非侵入性方式执行损坏的诊断或预测。实际上，飞行器发动机和旋转机器通常会呈现出可以通过耳朵进行识别的一些类型的损坏。

因此，根据公开us2007/0255563a1，已知一种用于监测飞行器涡轮喷气式发动机的系统，根据该系统，使用位于涡轮喷气式发动机机舱下方的两个麦克风来记录来自工作中的涡轮喷气式发动机的声学信号。使用语音识别算法将所采集的信号与参考信号进行比较。因此，可以从所采集的信号中识别出表示涡轮喷气式发动机的状态的特征。

类似地，已经设想到通过使用由机器生成的声学信号以及使用通过机器的各种部件的振动信号来实现这种监测。参考与此相关的专利申请wo2011/054867a1。

这样的监测系统使用了数据库，该数据库中记录有表示正常运作的信号与表示异常运作的信号之间的界限特性。更具体地说，数据库存储有一个或多个阈值，所述一个或多个阈值是关于根据与机器相关联的传感器(例如，布置在机器内的麦克风)所提供的信号而计算的一个或多个指示符的。特别地，在学习阶段期间可以通过以统计方式确定一定数量的指示符的阈值来给数据库提供信息。在测试阶段期间可以使用根据传感器所提供的信号而计算的指示符来查询数据库，以确定正被测试的机器是处于正常运作状态还是处于异常运作状态。

学习阶段期间的一个困难是由于下述事实：几乎没有表示正常运作的数据以及尤其表示异常运作的数据可用。这可能不足以获得统计信息。例如当使用测试装置或者正在进行开发并且其配置可能会发生改变的机器来进行学习时的情况就是如此。因此，利用有限数量的学习数据，特别是利用可用的少量异常数据，无法使以统计方式估算的阈值优化。这限制了在测试阶段期间确定运作状态的质量。

因此，寻求对高质量数据库的访问，以实现对异常的高水平正确检测并且降低异常的错误检测率。

技术实现要素：

本发明的目的在于对这组问题做出响应。为此，本发明提出了一种对诸如飞行器发动机之类的机器的运作状态进行分析的方法，该方法包括学习步骤，该学习步骤用于向参考数据库提供数据，该数据与一个或多个指示符的一个或多个阈值有关，所述一个或多个指示符是根据与机器相关联的一个或多个传感器所提供的信号而计算的，其特征在于，所述学习步骤包括由计算机化处理单元实施的以下操作：

-采集表征机器的正常运作的信号和表征机器的异常运作的信号；

-针对表征正常运作的每个信号，通过使用数学运算来计算至少一个所谓的偏差信号，所述数学运算的属性是该表征正常运作的信号以及除了该表征正常运作信号以外表征正常运作或者异常运作的信号之一；

-针对每个偏差信号计算指示符；

-根据偏差信号的指示符确定指示符阈值，该指示符阈值使得能够将根据表征正常运作的信号和表征正常运作的另一信号形成的偏差信号与根据表征正常运作的信号和表征异常运作的信号形成的偏差信号区分开；

-将指示符阈值记录到参考数据库中。

该方法的一些优选而非限制性方面如下：

-此外，该方法包括使用与机器相关联的传感器所提供信号的机器测试步骤，其中，测试步骤包括以下操作：

o通过使用所述数学运算来形成测试信号，所述数学运算的属性为参考信号和传感器所提供的信号；

o计算测试信号的指示符；

o将测试信号的指示符与记录在参考数据库中的指示符阈值进行比较，以确定机器的运作作态是正常状态还是异常状态；

-在计算偏差信号之前，传感器所提供的信号被转换成频率信号；

-传感器所提供的信号在其间机器的发动机速度可变的测量时段内被采样，根据发动机的速度在测量时段内的变化对由此所采样的信号进行同步，并且经同步的采样信号被转换为频率信号，以获得根据轴转速进行排列的频率线；

-信号的一个或多个指示符包括信号的统计矩和信号的能量中的一个或多个指示符；

-信号的指示符的计算是通过对从表征正常运作的信号中减去的信号中的存在于该表征正常运作的信号的包络以外的点的数量进行计数来执行的；

-信号的指示符的计算是通过对表征正常运作的信号中的n个峰值中的、与从该表征正常运作的信号减去的信号的p个峰值中的峰值一致的峰值的数量进行计数来执行的；

-学习步骤包括第二阶段，在该第二阶段期间，通过将表征正常运作的多个信号进行组合来形成表征正常运作的信号；

-传感器提供声学信号或者振动信号。

本发明还涉及一种计算机程序产品，该计算机程序产品包括代码指令，当在计算机上执行所述程序时，代码指令用于执行所述方法中的步骤。本发明还适用于一种用于分析诸如飞行器发动机之类的机器的运作状态的系统，该系统包括信号采集模块和参考数据库，该信号采集模块用于采集与所述机器相关联的传感器所提供的信号，参考数据库中记录有一个或多个指示符的一个或多个阈值，所述一个或多个指示符是根据与所述机器相关联的传感器所提供的信号而计算的，其特征在于，所述系统还包括：

-偏差信号计算模块，其被配置成针对表征正常运作的每个信号，通过使用数学运算来形成至少一个所谓的偏差信号，所述数学运算的属性是表征正常运作的信号以及除了该表征正常运作的信号以外表征正常运作或者异常运作的信号之一；

-指示符计算模块，其被配置成针对每个偏差信号计算指示符；

-指示符阈值确定模块，其被配置成根据所述偏差信号指示符确定表示所述机器的正常运作和异常运作之间的界限的指示符阈值，所述阈值使得能够将根据表征正常运作的信号和表征正常运作的另一信号形成的偏差信号与根据表征正常运作的信号和表征异常运作的信号形成的偏差信号区分开，并且被配置成将所述指示符阈值记录到参考数据库中。

附图说明

通过阅读下面作为非限制性示例给出的并且参考附图进行的本发明的优选实施例的详细描述，本发明的其他方面、目的、优点以及特征将变得更加明显，在附图中：

图1示出了在根据本发明的系统的一个可能实施例中实现的设备装置的示例；

图2示出了在根据本发明的方法的学习步骤中实现的不同运作；

图3a和图3b示出了根据传统实施方式以及根据本发明的实施方式的可用于计算指示符的数据；

图4示出了下述三个信号的频谱：表征机器的良性运作的信号以及从所述表征良性运作的信号中分别减去表示正常运作的信号和表示异常运作的信号而生成的两个信号；

图5a和图5b示出了可以在本发明的上下文中执行的指示符示例的计算。

具体实施方式

图1示出了根据本发明的在用于对被测试的机器m的运作状态进行分析的系统及方法的各个可能的实施例中实现的设备装置的示例。

被测试的机器m可以是机载发动机或陆地交通工具发动机，例如，如图1示意性示出的飞行器发动机。然而，本发明并不限于这样的说明性示例，而是总体上适用于对生成噪声或者振动的任何机械系统的调查。

至少一个传感器2与机器m相关联。例如，所述传感器可以是位于机器m内的麦克风，例如位于飞行器发动机机舱内、直接位于机舱的内表面上或者发动机上。所述传感器还可以是优选地位于发动机上的诸如加速度计或者应变计之类的振动传感器。

优选地，使用多个传感器，例如，大约十个传感器。特别地，这使得传感器能够分布在机器的多个部件之间，例如分布在鼓风机壳体、主壳体以及用于从飞行器发动机排出气体的锥体之间。

一个或多个传感器2理想地位于待监测机器的部件附近。然而，传感器不一定布置在正在被监测的部件上。相反，可以使用环境传感器，该环境传感器具有能够监测多个部件的优点。特别地，传感器可以被放置成靠近更关键的部件之一，这不会妨碍要监测的其他部件。

系统包括计算机化处理单元10，该计算机化处理单元10配备有采集模块1，该采集模块1用于采集由与机器m相关联的至少一个传感器2所提供的至少一个信号。处理单元10还包括参考数据库3，参考数据库3中记录有一个或多个阈值，所述一个或多个阈值是关于根据与机器相关联的至少一个传感器2所提供的信号而计算的一个或多个指示符的。在测试阶段，使用下述事实来确定机器是否正处于正常运作：根据与正被测试的机器相对应的信号所计算的指示符是否超过这些阈值之一。在本发明的一些实施例中，对异常的检测伴随着对所检测到的异常进行分类(例如，在一类有缺陷的涡轮马达和另一类有缺陷的压缩机马达之间)。

更具体地，根据本发明的系统和方法使得能够根据声学/振动现象来检测异常，同时被优化成使用少量学习数据进行操作以用于形成参考数据库。

参考图2，学习步骤包括由计算机化处理单元10的不同模块4、5、6实施的以下操作。学习步骤首先包括“acq”操作，该“acq”操作使用之前所描述的采集模块1来采集表征机器正常运作的信号和表征机器异常运作的信号。这些信号记录在参考数据库3中。例如，表征机器正常运作的信号是在机器的首次飞行期间当机器的部件具有最大良性概率时采集的。相反，表征机器异常运作的信号是使用例如根据检查已知呈现出异常的机器来采集的。

然后，针对表征正常运作的每个信号并且在稍后将进行描述的用于对所采集的信号进行滤波和归一化的任意操作之后，学习步骤包括“sous”操作，该“sous”操作用于使用数学运算来计算至少一个所谓的偏差信号，所述数学运算的属性是表征正常运作的信号以及除了该表征正常运作的信号以外表征正常运作或者异常运作的信号之一。

这种“sous”操作由偏差信号计算模块4来实施。可以在表征正常运作的信号与除了该表征正常运作的信号以外表征正常运作或者异常运作的信号中的每个信号之间执行数学运算。在本公开内容的其余部分将使用的一个实施例中，数学运算是减法。因此，该“sous”操作优选地包括：针对表征正常运作的每个信号，通过从表征正常运作的信号中减去除了该表征正常运作的信号以外表征正常运作或者异常运作的信号中的每一个信号来形成偏差信号。

在一个可能的实施例中，“sous”操作还包括针对表征异常运作的每个信号，通过实施数学运算来计算至少一个所谓的偏差信号，所述数学运算的属性是表征异常运作的信号以及除了该表征异常运作的信号以外表征异常运作的信号之一。

在“sous”操作之后，学习步骤包括“indc-sous”操作，该“indc-sous”操作由指示符计算模块5实施，并且包括：针对每个偏差信号计算一个或多个指示符。

该“indc-sous”操作之后是用于估算损坏阈值的“cal-tsh”操作，该“cal-tsh”操作由用于确定指示符阈值6的模块来实施，并且包括：针对偏差信号的每个指示符，确定表示机器的正常运作和异常运作之间界限的指示符阈值。该阈值使得能够将根据表征正常运作的信号和另一表征正常运作的信号形成的偏差信号与根据表征正常运作的信号和表征异常运作的信号形成的偏差信号区分开。

例如，可以通过计算第一个指示符和最后一个指示符之间的空间中值、或者通过排除异常点、或者通过使用支持向量机或者神经网络或者决策树来执行用于估算损坏阈值的“cal-tsh”操作。

然后，学习步骤包括“eng”操作，该“eng”操作由指示符阈值确定模块6来实施，并且包括将由此所计算的一个或多个阈值记录到参考数据库3中。

图3a和图3b在示例的背景下示出了根据本发明的学习阶段的优点，其中，在“acq”采集操作结束时，表征正常运作的五个信号正常1到正常5以及表征异常运作的两个信号异常1和异常2被记录在数据库3中。

如图3a所示，传统算法为每个信号分配一个分数(通过计算指示符，例如信号的方差)，并寻求将良性信号的五个分数与异常信号的两个分数区分开，以计算正常信号的分数和异常信号的分数之间的界限或阈值。通过这种方式，在测试阶段期间，为了对未知信号进行分类，针对该未知信号计算分数并且根据该分数相对于在学习步骤期间所确定的阈值的位置将该分数指定为正常/异常状态。

在本发明的上下文中并且如图3b所示，形成了多个信号对，这些信号对全部以相同方式构成：第一良性信号以及良性比较信号或者异常比较信号。在一个实施例示例中，从第一良性信号中减去比较信号以形成偏差信号。这时候为每对信号(偏差信号)分配分数，并且试图将从第一良性信号中减去良性类型信号的二十对与从第一良性信号中减去异常类型信号的十对区分开。应当注意的是，不将信号与其自身进行比较，因此，在图3b的表格中从第一良性信号中减去良性型信号的信号对的数量为20对并且有交叉的未使用的框。因此，本发明依赖于下述理念：通过利用比所采集的信号更多的偏差信号来使根据其计算指示符并且确定阈值的信号的数量倍增。因此，可以对所采集的信号进行二对二地比较并且将该差异分类，而不是对每个所采集的信号单独地分类。

通过利用例如通过二对二地将信号进行比较所获得的偏差信号来使寻求进行区分以确定阈值的信号的数量倍增。返回到上述示例，设法将与从第一良性信号中减去良性型信号的二十对相对应的二十个偏差信号和与从第一良性信号中减去异常型信号的十对相对应的十个偏差信号区分开来确定阈值，而不是设法将五个良性信号与两个异常信号区分开来确定阈值。由于可用信号数量的增大，会更精确地确定阈值。

自然地，一旦完成学习步骤，就可以执行对机器的测试。通过使用与根据偏差信号计算的指示符相同的方式定义的指示符来执行该测试。因此，借助于与正被测试的机器相关联的传感器所提供的信号对机器m进行的测试步骤包括以下操作：

-偏差信号计算模块4形成通过实施所述数学运算(例如，减法)产生的测试信号，该数学运算属性是传感器所提供的信号以及在学习步骤期间预先记录在参考数据库中的参考信号；

-指示符计算模块5计算测试信号的一个或多个指示符；

-异常检测模块7将一个或多个测试信号指示符与记录在参考数据库中的相应阈值进行比较，以确定正在测试的机器m的运作状态是正常状态还是异常状态。

参考信号通常是表征机器的正常运作的信号。例如，当寻求识别故障特征时，该参考信号还可以涉及表征机器的异常运作的信号。

表征正常(相对应地，异常)运作的参考信号可以是学习阶段期间所使用的表征正常(相对应地，异常)运作的信号之一，或者可以是根据在学习阶段期间所使用表征正常(相对应地，异常)运作的一个信号和/或表征正常运作的另一信号所产生的信号，例如，在学习阶段的过程中所使用的表征正常(相对应地，异常)运作的信号的均值。

在本发明的上下文中，优选地，传感器所提供的信号在形成偏差信号和测试信号之前被转换成频率信号。因此，在频谱域中实现信号彼此之间的比较和一个或多个指示符的计算。因此，图4中示出了表征机器的正常运作的参考信号的频谱s，其中，信号频谱δs1对应于参考信号与表示机器的正常运作的另一信号之差，并且其中，信号频谱δs2对应于参考信号与表示机器的异常运作的另一信号之差。

在一个实施例中，学习步骤和测试步骤包括在形成偏差信号之前和形成测试信号之前分别实施的对所采集的信号的滤波(噪声去除)和归一化操作。

该滤波可以使用卡尔曼滤波器或者微粒过滤器来进行。可替代地，可以采用傅立叶变换、主分量分析、小波变换或者用于使振动信号归一化的任意方法的形式。

在另一实施例中，该滤波采取到阶次域的投影的形式，这利于读取频谱图，特别是读取高能量线。根据该实施例，在其间机器的发动机速度可变的测量时段内对传感器所提供的信号进行采样，根据发动机的速度在测量时段内的变化对由此采样的信号进行同步，并且将经同步的采样信号转换为频率信号，以获得根据发动机速度进行排列的频率线。

这种到阶次域的投影的进一步细节将在前面所引用的专利申请wo2011/054867a1中找到。这里假设该专利申请涉及在可变速度下进行测量，以恒定频率对所测量的信号进行采样，然后以与速度成比例的频率进行重新采样。这需要确定角行程曲线，例如，通过对表示发动机速度随时间的变化的曲线求积分，然后通过执行进一步的采样将传感器所提供的信号投影到角行程曲线上，该进一步采样包括在角行程曲线上在以规则间隔隔开的点处进行的采样。

下面的描述涉及对偏差信号和测试信号的处理，以用于计算这些信号的一个或多个指示符。通常，一个或多个指示符必须使这些信号中所包含的非常密集的信息减少，同时保留足够的特征信息来将良性信号与异常信号区分开。

作为偏差信号的指示符和测试信号的指示符的示例，可以引用这些信号的统计矩，例如，这些信号的方差、不对称性(偏度)、或者峰态、或者再次这些信号的能量。在所有情况下，优选地，传感器的性能(动态，通带等)适合于所建立的指示符的类型。

指示符的计算的另一示例涉及对与表征正常运作的信号进行比较的信号中存在于所述表征正常运作的信号的包络以外的点的数量进行计数。为了做到这一点，围绕良性信号(例如通过使良性信号向上和向下偏移固定距离d，或通过计算良性信号的频谱包络)来绘制包络，并且对比较信号中的从该包络中出现的点的数量进行计数。

指示符的计算的另一示例涉及对表征正常运作的信号的n个峰值中的、和与所述表征正常运作的信号进行比较的信号的p个峰值中的峰值一致的峰值的数量进行计数。优选地，使用良性信号的n个最高峰值和比较信号的p个最高峰值。可替代地，所使用的峰值可以是局部最小值，这将使得不仅能够检测到能量最大值而且能够检测到急剧下降。实际上，峰值可以从一个信号到另一信号而稍微偏移，并且以这样的方式产生算法，使得容忍梳状图案的小偏移，即，一组峰值的小偏移。

有利地，选择不同的n值和p值，以便于不会构造出对称的指示符表，从而避免在学习阶段中用于确定表示机器的正常运作和异常运作之间的界限的指示符阈值的可用数据的数量减少。

因此，图5a示出了将信号s1作为与信号s2进行比较的参考信号的情况，并且图5b示出了将信号s2作为与信号s2进行比较的参考信号的情况。

从图5a可以看出，如果将信号s1和s2各自的5个最高峰值进行比较，则存在三个共同的峰值。另一方面，如果将参考信号s1的5个最高峰值与比较信号s2的6个最高峰值进行比较，则存在4个共同的峰值。

在图5b中，无论对于比较信号和参考信号是否采取相同数量的最高峰值，都可以观察到：相对于参考信号的五个最高峰值存在三个共同的峰值。

通过取不同的n值和p值，根据是s2与s1进行比较还是s1与s2进行比较来得到不同的分数。这使得分数的分布多样化，因此改善了异常数据空间的描述。

可以根据所采集的信号直接计算的指示符的另一示例依赖于极值理论。为此，信号频谱被分成多个小的频率间隔(例如，400个间隔)。使用极值理论，在每个间隔内对所有良性参考频谱的幅度极值(最小值和最大值)的分布进行建模。在分布的两个尾部设置容差阈值，所测试的频谱中的在该容差阈值上面的(或者相对应地，下面的)的点被认为是异常的。将异常点的数量作为指示符。

在本发明的一个实施例中，在机器测试步骤期间所执行的对异常的检测伴随着对所检测到的异常进行分类(例如，在一类有缺陷的涡轮马达和另一类有缺陷的压缩机马达之间)。可以使用多个数学模型来使这种分类自动化，特别是判别分析(其中，通过高斯方程对每类异常进行建模)、数据划分方法(例如使用k-means)或者使用支持向量机(svm)的监督学习模型等。

在本发明的一个实施例中，可以将参考数据库的几个学习阶段区分开。

在对应于例如使用测试安装或者对应于机器开发的初始阶段中，几乎没有良性学习数据或者异常学习数据可用。然后，通过实施如前所述的学习步骤向数据库提供信息。

在对应于例如机器运行的开始的第二阶段中，有很多良性学习数据可用，但是却很少有异常数据。然后，可以通过将表征正常运作的几个不同的信号进行组合(例如，来自学习数据库的良性参考信号的平均值或中值)来修改学习步骤以形成表征正常运作的信号。这种组合实际上比单独的良性信号更能表示机器运作的常态。然后，以类似的方式修改测试步骤，以通过从所述组合中减去从被测试的机器采集的信号来计算信号的指示符。

在例如对应于成熟时期机器的运作的后期阶段，存在许多学习数据(包括良性学习数据和异常学习数据)可用，此外针对每种可能的异常类型存在学习数据可用。在该阶段中，由于存在足够数量的数据，所以可以以常规方式为每个信号(不一定是信号对)分配指示符分数。根据指示符分数，将数据分类为正常的或者异常的(以及异常类型)。

本发明实际上不限于如上所述的方法，并且可理解地，还适用于一种被配置成用于实现该方法的系统，特别地适用于一种用于分析诸如飞行器发动机之类的机器的运作状态的系统，该系统包括信号采集模块和参考数据库，该信号采集模块用于采集由与所述机器相关联的传感器所提供的信号，参考数据库中记录有一个或多个阈值，所述一个或多个阈值是关于根据与所述机器相关联的传感器提供的信号而计算的一个或多个指示符的，其特征在于，所述系统还包括：

-偏差信号计算模块4，其被配置成针对表征正常运作的每个信号通过实施数学运算来形成至少一个所谓的偏差信号，所述数学运算的属性是表征正常运作的信号以及除了该表征正常运作的信号以外表征正常运作或者异常运作的信号之一；

-指示符计算模块，其被配置成针对每个偏差信号计算指示符；

-指示符阈值确定模块，其被配置成根据所述偏差信号指示符确定表示所述机器的正常运作和异常运作之间的界限的指示符阈值，所述阈值使得能够将根据表征正常运作的信号和表征正常运作的另一信号形成的偏差信号与根据表征正常运作的信号和表征异常运作的信号形成的偏差信号区分开，并且被配置成将所述指示符阈值记录到参考数据库中。

本发明还适用于该方法的软件实现，并且因此适用于计算机程序产品，该计算机程序产品包括代码指令，当在计算机上执行所述程序时，代码指令用于执行根据本发明的方法中的步骤。