[发明专利]基于核熵成分分析失衡数据下物流设备异常检测方法

摘要

一种核熵成分分析失衡数据下物流设备异常检测方法，其特征在于该方法包括以下步骤(1)利用振动加速传感器采集振动信号，并将获取的信号按时间序列间隔化分段处理；(2)对步骤(1)获取的振动片段信号利用小波包分解变换提取关于节点熵和相对能量的高维特征集合；(3)对步骤(2)获取的高维特征集合进行核熵成分分析投影至低维特征空间；(4)用步骤(3)获取的低维特征集合对支持向量数据描述检测器进行训练，得到检测器的各个参数；(5)对于待测试的新样本，用上述方法，分别进行特征提取、投影降维然后利用求得参数的支持向量数据描述检测器进行异常检测。本发明申请应用于失衡数据下物流设备异常检测。

主权项

一种基于核熵成分分析失衡数据下物流设备异常检测方法。其特征在于：该方法包括以下步骤：(1)利用安装在物流传送设备轴承外环部位上的振动加速传感器采集振动信号，其中采样频率为12K；(2)对步骤(1)获取的传送设备轴承振动信号分别按时间序列间隔化分段处理，得到采样点数为1024，训练样本个数为NT的振动信号片段集合(3)对步骤(2)获取的训练样本振动信号片段集合首先利用小波包分解(Wavelet Packet Decomposition，WPD)变换对每个训练样本分别进行时频分解，其中,小波函数采用的是DB2小波，分解为L层，分别得到2L个小波包节点，最终得到训练样本振动信号的小波包节点系数集合WPNL＝1024/2L为每个小波包节点系数的个数，建议L＝4；(4)对步骤(3)获取的训练样本振动信号的小波包节点系数集合分别求每个小波包节点的熵(Entropy In A Wavelet Packet Node，EWPN)和小波包节点的相对能量(Relative Energy In A Wavelet Packet Node，REWPN)，得到训练样本振动信号的高维频谱特征集合其中，为2L+1×NT矩阵，NT是训练样本数，(5)对步骤(4)获取的训练样本振动信号的高维频谱特征集合进行核熵成分分析，确定核函数和相应核函数参数，这里建议核函数为高斯核函数，高斯核半径参数σ＝0.5。通过将原始高维观测空间投影到低维特征空间以获得低维特征Xkeca。本发明建议投影空间维数d＝2，则为训练样本投影后的低维特征集合；(6)对步骤(5)获取的训练样本低维特征集合带入支持向量数据描述(Support Vector Data Description，SVDD)检测器进行训练，引入核函数和相应核函数参数，这里建议核函数为高斯核函数，高斯核半径参数σ′＝0.5，得到SVDD检测器的各个参数；(7)对于待测试的新样本，首先通过步骤(2)、(3)、(4)得到新样本高维特征集合然后投影至步骤(5)选择的主成分计算出低维特征x′keca。本发明建议投影空间维数d＝2，则x′keca∈R2×1为新样本投影后的低维特征集合；(8)对步骤(7)获取的新样本低维特征集合x′keca∈R2×1，输入到训练好的SVDD检测器中，用SVDD算法实现新样本的模式分类,分析分类器输出的结果，得到轴承的工作状态，实现滚动轴承故障检测并提出警告，以便于工作人员采取相应的措施。