[发明专利]一种新异类检测方法与装置

说明书

技术领域

本发明涉及机械测试领域，特别地，涉及一种新异类检测方法与装置。

背景技术

由于旋转机械设计时考虑了很高的安全系数，一般情况下只能采集到大量的正常状态样本数据。另外，考虑到故障所造成的损失，一般不开展典型故障植入实验，因此，在旋转机械的故障诊断应用中，很难获取典型故障样本和完备的故障模式特征。因此，如何通过学习正常状态样本数据来识别不正常的状态(故障状态)，成为旋转机械故障诊断领域的难题。

新异类检测技术能较好地解决这个难题。近年来，学者们研究了许多的方法。它们大致概括为三类：统计方法、神经网络方法和支持向量数据描述(Support Vector Data Description，SVDD)方法。

常用的统计方法有参数法和非参数法。参数法通过估计训练样本的概率密度函数来判断新的样本数据是否属于已知类别，如高斯混合模型。参数法建模时需要对训练数据的分布作出正态分布假设，然后计算分布模型的参数。这种方法计算量少，容易实现，适合在线诊断。然而实际的测量数据往往不是正态分布的，所以，参数估计法实用性受到了限制。非参数法不需要事先估计数据的分布，因此受到广泛的应用。如K-近邻(K-Nearest Neighbor，KNN)方法，Parzen法等都是典型的参数法，但这些方法的检测效果不但对参数选择敏感，而且抗噪性能差。

基于神经网络的新异类检测方法有多层感知神经网络(Multi-Layer Perception，MLP)，RBF神经网络、学习矢量量化网络(Learning Vector Quantization，LVQ)和自组织映射(Self Organizing Map，SOM)神经网络。相对于统计方法，神经网络不需要先验的概率分布知识，能降低训练计算强度，提高了新异类检测推广能力。但是，神经网络方法不但容易陷入局部极小值，而且存在过学习和欠学习，容易出现“死神经元”等问题。

SVDD方法采用核函数将输入样本映射到高维特征空间，然后在特征空间中构造一个涵盖了最可能多的正常样本的超球面，以此超球面作为决策边界。SVDD是SVM方法的推广，能较好解决小样本、非线性学习问题，在机械故障诊断领域得到了广泛的应用。然而，正如SVM方法一样，SVDD方法识别效果同样受参数影响，需要严格的参数调整和优化。Tax and Duin提出通过留一法验证来调整参数，可是留一法计算量巨大。多SVDD模型融合的SVDD方法可以减少参数对分类结果的影响，但是，如何确定模型以及模型的数量又成为了难题。

针对现有技术中各处理方法参数选择敏感、抗噪性能差、存在过学习和欠学习、计算量巨大、计算效率低等问题，目前尚无有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提出一种新异类检测方法与装置，能够高鲁棒性与高效率的解决只有大量的正常样本没有故障样本的机械故障诊断问题。

基于上述目的，本发明提供的技术方案如下：

本发明实施例提供了一种新异类检测方法，包括：

收集正常状态下的样本作为训练样本与验证样本；

从训练样本中提取特征值，并根据训练样本特征值训练状态模型；

从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；

根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

在一些实施方式中，所述特征值的提取步骤包括：

对样本进行局部特征尺度分解(Local characteristic scale decomposition，LCD)，获得内禀尺度分量(Intrinsic scale component，ISC)集合；

用相关系数法从内禀尺度分量集合中剔除与噪声和分解过程有关的内禀尺度分量，获得主导内禀尺度分量集合；

重构主导内禀尺度分量集合获得降噪后的振动加速度信号；

从降噪后的振动加速度信号中提取高相关性的时域统计特征量作为特征值。

在一些实施方式中，所述收集正常状态下的样本为采集正常状态下的原始振动信号。

在一些实施方式中，所述特征值包括：峭度、峰值因子、裕度、脉冲因子、波形因子。

在一些实施方式中，所述状态模型为以下之一：线性模型、线性交互模型、纯二次模型或二次交互模型。