[发明专利]一种机械部件的异常状态检测方法及检测系统

说明书

本发明属于数据分析技术领域，公开了一种机械部件的异常状态检测方法，选择并采集监测段外的机械部件的特征值以TF‑IDF加权算法得到基准值，再采集监测段内实时特征值并将基准值带入得到结果与设定阈值比较预判是否出现异常。本发明使用TF‑IDF计算方法对离散化后的特征值的处理，有效的放大异常点的权重，提高了对弱异常的检测。

技术领域

本发明属于数据分析技术领域，具体涉及一种机械部件的异常状态检测方法及检测系统。

背景技术

机械部件的异常可以通过振动或者温度的变化来表征，在多数设备都有安装振动或温度传感器对机械部件的一个或多个位置进行测量，并通过一套监测系统采集数据。振动或温度异常，体现在多方面，包括数值的异常，也包括与周围相关变量的关系的改变。机械设备因为内外因素，造成振动或温度的异常，多为机械设备故障发生的早期表征。

现有的机械部件异常检测技术包括阈值判定法，就是通过在监控系统中对监测测点数据设定阈值进行判断，以诊断机械部件是否存在异常。这种方法在绝大多数的机械设备的控制系统中都存在广泛应用，但是通常传感器的测点的影响因素诸多，比如发电机轴承的温度传感器受其工况、外界环境温度、相邻的机械设备温度影响，单独的阈值检测方法容易在正常的情况下引起误报；

而另一种方法如申请号为CN201310592830.3的专利采用了一种基于概率统计的温升异常检测方法。这种方法使用了温升而不是温度作为特征，但是其缺陷在于使用高斯分布来处理温升数据，而温升的分布并不一定服从高斯分布，导致其检测值和预判结果与实际结果相差较大。

发明内容

针对上述现有技术中容易引起误报或者检测误差较大的问题，本发明提供一种基于TF-IDF加权数据放大异常点权重的机械部件异常检测方法及其系统。

本发明所采用的技术方案为：一种机械部件的异常状态检测方法，选择并采集监测段外的机械部件的特征值以TF-IDF加权算法得到基准值，再采集监测段内实时特征值并将基准值带入得到结果与设定阈值比较预判是否出现异常。其中，所述的TF-IDF加权算法是一种用于信息检索与数据挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。而本发明中采用该统计方法对大样本的机械部件状态数据进行分析，并通过两个步骤进行预判零部件是否出现异常。

首先，确定需要监测对象的特征值，然后通过对该监测项目进行采样统计，具体针对不同的任务选择特征或构建新的特征变量。一般选取的变量为温度和振动，而选定了对象便只需针对该变量进行监测。然后需要找到标准对照值，再来确定出现异常的阈值。本方法中，通过先收集该部件监测段之前的大量数据进行计算，来得到一个数据库。其中所述的监测段只是一个参照点，便于后续限定，其具体时间以开始实施监测为准，在实时监测开始之前即判定为监测段前。通过设有传感器监测数据，可根据具体的被测数据类型来确定参数。例如，需要对转子轴承部件进行监测采集数据，可模拟正常工况下进行运转，或者调节具体负载大小，使其处在变化工况条件下；或者在完成某个过程前后进行采集，其具体工作环境可预设，从而达到不同的需求。