[发明专利]异常监控设备和方法

说明书

技术领域

本发明涉及通过使用从由装置运行所产生的目标信号中获得的多个特性来判断装置是否正常工作的异常监控设备和方法。

背景技术

传统地，已经提出了各种通过使用由装置运行产生的声波或振动来判断装置是否正常工作的设备。在这些设备中，为了检测由装置产生的声波或振动，具有诸如声音检测器等传感器(变换器)的信号输入单元用于将声音或振动转换为电信号，经转换的电信号用作要进行分析的目标信号(如见专利文献1)。

在专利文献1的脉冲声音检测方法中，为了判断由旋转体的旋转周期性产生的脉冲声音的存在，将通过在单位时间中对来自目标信号的波形采样而获得的波形数据(一组振幅单元)与振幅阈值比较。如果超过振幅阈值的单元数量大于阈值，则认为由装置产生的声波包含周期脉冲声音。振幅阈值由乘法器乘以波形数据单元的均方根来确定。

在专利文献1中，如果包含脉冲声音，则认为装置是异常的。然而，在装置中存在许多种异常情况，它们无法简单地通过脉冲声音的存在来检测。因此，为了检测更复杂情形中的异常存在，提出了异常监控设备，它通过使用从由装置运行所产生的目标信号中获得的若干参数来确定装置是否正常工作，然后通过神经网络(神经元计算机)或模糊逻辑将各种分布类型的参数按特性分类。

用来将各种分布类型的参数按特性分类的神经网络可以采用竞争学习神经网络(自组织映射(SOM))。竞争学习神经网络是具有两层即输入层和输出层以及两种运行模式即训练模式和检查模式的神经网络。

在训练模式中，将训练样本给予网络，网络利用无人管理训练方案进行训练。如果将训练样本分类，输出层的神经元可以和类关联，可以形成包括同类神经元的聚类。因此，在训练模式中，可以将表示类别的聚类映射匹配到输出层中的神经元聚类。

在检查模式中，把待分类的多个特性(输入数据)给予已完成训练过程的竞争学习神经网络，并且把激活的神经元所属的聚类的分类映射到聚类映射，从而可以对输入数据的类别进行分类(如见专利文献2)。

专利文献1

日本专利特开平：No.2002-71447。

专利文献2

日本专利特开平：No.2004-354111。

如上所述，将由装置产生的声波或振动转换为电目标信号需要在信号输入单元中完成，用以判断该装置是否正常工作。因此，如果信号输入单元发生故障，它就无法确定装置是否正常工作。具体而言，如果在信号输入单元发生故障时正在监控装置，那么就可能检测不到装置中关键性故障的发生。

发明内容

因此，本发明提供了能检测信号输入单元异常的异常监控设备和方法，用以防止在信号输入单元非正常工作时对装置连续监控。

根据本发明的第一方面，提供了异常监控设备，其包括：信号输入单元，用于接收由运行装置产生的周期性目标信号；特性提取单元，用于从目标信号提取包括若干参数的多个特性；判断单元，通过使用由特性提取单元获得的多个特性来判断装置是否正常工作；存储单元，用于在其中按队列方式存储由目标信号提供的若干分段目标信号；分割单元，用于在存储在存储单元中的每个分段目标信号的时间轴上提供若干比较部分；以及，能量计算单元，用于计算每个分段目标信号中的每个比较部分的能量。异常监控设备进一步包括异常输入检测单元，当与存储在存储单元中的前一个分段目标中的对应比较部分比较时，如果最新分段目标信号的比较部分的能量在异常值的范围内，那么异常输入检测单元就判断该比较部分是异常的，而如果最新分段目标信号中的异常比较部分的数量超过阈值数值，则确定信号输入单元是异常的。

在该配置中，因为通过使用目标信号来检测信号输入单元是否正常，因此可以防止在信号输入单元异常时对装置进行监控。此外，在检查装置是否正常工作的同时监控信号单元是否正常工作。因此，提供用于信号输入单元的附加检查模式不是必要的，但可以一直对信号输入单元检测。此外，在分段目标信号中设置若干比较部分，比较相同比较部分处的分段目标信号的能量，然后，通过分段目标信号能量的历史变化研究信号输入单元中发生异常的可能性。此外，当分段目标信号的许多部分显示可能发生异常时，则确定信号输入单元是异常的。因此，在监控装置中异常的同时，也可以高可靠性地检测信号输入单元中的异常。