[发明专利]基于信号检测和ROC分析的状态指数评估和优化方法

说明书

本发明公开了一种基于信号检测和ROC分析的状态指数评估和优化方法，包括以下步骤：确定目标动部件及故障模式，并准备动部件健康状态和故障模式下的监测信号；梳理状态指数，分别从健康信号和故障信号中提取状态指数，并建立状态指数集；估计状态指数在健康状态下和故障状态下的概率密度函数；基于信号检测理论计算状态指数区分度指标，并进行状态指数评估；求解ROC曲线；以ROC曲线为基础，构造优化目标函数；求解方程，得到优化目标函数极小值点，即可得到状态指数最优阈值。本发明提供的方法具有原理简单、操作简便、稳定可靠等优点，适用于各类旋转机械状态监测与故障诊断中的状态指数评估与优化问题。

技术领域

本发明属于监测与故障诊断领域，涉及状态指数评估与阈值优化问题，具体涉及一种基于信号检测和ROC分析的状态指数评估和优化方法。

背景技术

旋转机械部件(包括齿轮、轴承、轴类零件等)在大型装备的传动系统中有着十分广泛的应用，旋转机械部件的健康状况对装备的运行性能有很大的影响，一旦发生故障，将会造成装备停机，给生产带来极大的影响。针对这一问题，人们大力发展了基于状态维修(CBM)策略，使用各类传感器对机械设备进行监测，能够及时对设备的健康状态进行感知，从而可以第一时间获知设备故障信息。在CBM系统中，状态指数是用于描述设备健康状态的统计量，在故障诊断技术流程中具有重要的地位，状态指数计算具有两个步骤，即信号处理和特征提取。随着信号处理与特征提取的研究，新的状态指数的计算方法不断涌现，使得CBM系统能够更加精确的对机械系统的健康状态进行描述。

然而，状态指数的增多也带来了一些问题：首先，在CBM系统中到底应该选用哪些状态指数。最直观的解决方案是对所有的动部件计算尽可能多的状态指数，张成具有很多元素的特征矩阵，然而这种方法对于CBM系统的计算资源和内存空间要求较高，同时计算时间也相对较长，为了解决这一问题，学者们开展了相关研究，对状态指数进行定量和定性的评估和评价。其次，如何合理的设定各个状态指数的阈值。通常，状态指数是特征向量的元素，作为人工神经网络、支持向量机或者其他智能模型进行故障诊断的输入量，在CBM系统中，状态指数也作为阈值检测模型的输入对监测数据的异常进行检测。为了实现有效的异常检测，工程人员需要在故障命中率和虚警率之间进行权衡，虚警会引起不必要的停机，造成无效益的维修费用；提高状态指数阈值能够减少虚警率，但同时会引起故障命中率的降低，导致运行过程中的部分故障无法及时检测，增加了系统的运行风险。

综上所述，如何合理的选用状态指数、如何科学的设定状态指数的阈值，从而在保证较低的虚警率的同时使阈值检测的故障命中率保持较高水平，成为CBM系统应用中面临的问题之一。

发明内容

本发明要解决的技术问题是：如何合理的选用状态指数、如何科学的设定状态指数的阈值，从而在保证较低的虚警率的同时使阈值检测的故障命中率保持较高水平。

针对上述技术问题，本发明公开了一种基于信号检测和ROC分析的状态指数评估和优化方法，该方法在确定目标动部件及故障模式的基础上，基于动部件监测信号，对状态指数的概率密度函数进行估计，在此基础上利用区分度指标对状态指数进行评估和筛选，之后基于ROC分析，构造优化目标函数，通过求解优化目标函数极小值点获得状态指数的最优化阈值。该方法原理简单、操作简便、稳定可靠，适用于各类旋转机械状态监测与故障诊断中的状态指数评估与优化问题。

为此，本发明采用了以下技术方案：

一种基于信号检测和ROC分析的状态指数评估和优化方法，包括以下步骤：

步骤一，确定目标动部件及故障模式，并准备动部件健康状态和故障模式下的监测信号x_norm(t)和x_fault(t)；