[发明专利]一种基于支持向量数据描述的转子系统异常检测方法

说明书

一种基于支持向量数据描述的转子系统异常检测方法：利用传感器采集转子正常状态运行下的数据构成正常数据集；提取正常数据集中的15个时域特征与4个频域特征作为支持向量数据描述模型的训练集；对支持向量数据描述模型进行训练，得到正常数据样本训练情况下的超球体半径，并保存训练好的支持向量数据描述模型；利用传感器在线实时采集转子故障状态运行下的运行振动数据，进行时域及频域特征提取作为测试集；将测试集输入训练好的支持向量数据描述模型中，计算测试集中各个样本与球心之间的距离，与正常样本情况下的超球体半径相比较，若超出正常样本下的半径阈值，则判定为设备异常。本发明解决了正常与故障样本量不平衡的问题。

技术领域

本发明涉及一种转子系统异常检测方法。特别是涉及一种基于支持向量数据描述的转子系统异常检测方法。

背景技术

随着工业技术的不断进步，机械设备更加趋于高速化、精密化与自动化发展。但在运行过程中，极端高温与重载等恶劣的环境问题会使密切接触部件的维护和修理变得更加困难。特别是一旦关键部件出现故障，如转子或轴承，整个机械设备的运行将受到影响，从而导致生产质量下降，甚至灾难性的损坏。因此，为了避免严重事故，特别是在设备性能下降的早期阶段，对设备中的关键部件进行预测性维护至关重要^[1]。异常检测作为预测性维护的第一步，是健康管理的基础，同时也是最容易被忽视的方面之一。准确的异常检测将有助于促进健康管理工作，提高机器维护的效率和质量。

异常检测已被应用于各个领域，如变速箱温度异常检测^[2]，临床医学中的软组织病变检测^[3]等。异常通常被定义为系统行为在特定时间步长内明显不同于先前正常状态的点。为了检测异常，需要识别这些可能异常的时间步长。一般来说，前一刻机械设备的状态会影响下一刻，这总是与时间因素密切相关。因此，异常检测模型如何捕捉时间序列的不同特征并有效地检测异常是一个挑战。其中，有不少学者提出了以支持向量机为基础的二分类故障诊断方法，其通过建立最优超平面来区分两类状态。例如，Cheng等人将齿轮振动信号分解为有限数量的本征模态分量，并建立AR模型，将相应的自回归参数和残差方差作为故障特征向量，输入支持向量机分类器中进行诊断^[4]。Afrooz等通过提取峭度和非高斯分数信息作为支持向量机方法的输入信息，使检测以高精度收敛到最优值[引。此外，也有不少学者提出了基于概率密度估计的方法进行异常检测，其基于训练期间有效数据的密度建模，再将待测数据输入模型，若数据落入低密度区域则被拒绝。例如，Yu等通过局部保持投影法对提取的特征进行非线性降维，并利用高斯混合模型实现了轴承的性能退化评估^[6]。而基于角度的离群值检测方法^[7]和特征集成方法^[8]则是通过考虑变量的相关性来处理数据，进而进行异常值检测。

但是，上述方法都存在一定局限性。其中，传统的支持向量机方法用于二分类问题能解决很多实际问题，在机械的故障诊断中也取得了一定效果，但前提是必须存在一定的正常和故障数据样本供其学习和判断。实际应用中故障数据的不平衡会导致该方法难以实施。同样，基于概率密度的方法也需要在训练过程中提供足够大的训练数据集以确保检测的准确性。

发明内容

本发明所要解决的技术问题是，提供一种解决了正常与故障样本量不平衡问题的基于支持向量数据描述的转子系统异常检测方法。

本发明所采用的技术方案是：一种基于支持向量数据描述的转子系统异常检测方法，包括如下步骤：

步骤一、利用传感器采集转子正常状态运行下的数据，并构成正常数据集；

步骤二、提取正常数据集中的15个时域特征与4个频域特征；将15个时域特征与4个频域特征，共19个参数特征组成的特征参数矩阵作为支持向量数据描述模型的训练集；

步骤三、对支持向量数据描述模型进行训练，得到正常数据样本训练情况下的超球体半径，并保存训练好的支持向量数据描述模型；