[发明专利]一种基于无故障振动信号的往复机械异常检测方法

权利要求书

1.一种基于无故障振动信号的往复机械异常检测方法，其特征在于：

第一步，在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号，在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号；利用往复机械状态监测系统，采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号；

第二步，根据键相信号截取角域整周期振动信号形成正常状态下的数据集；当曲轴旋转720°，对应为角域一个整周期，根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°；根据振动信号与键相信号的对应性，进行角域整周期振动信号截取；

第三步，利用以db10小波为基础，对整周期信号进行n阶小波包变换，得到样本的2ⁿ组分解系数；根据分解系数计算对应频段的能量特征，如下所示；

E(i,j)＝∑[p_s(N,i,k)]²

式中，E(i,j)表示第i层分解第j个分解序列对应的能量值；p_s(N,i,k)表示小波包变换得到的分解系数；对各个分解序列的能量值进行归一化处理，得到各个频段对应的能量百分比，如下所示；

根据频段的先后顺序，形成频段能量百分比特征序列；

第四步，以频段能量百分比特征序列作为变分自编码网络的输入，构建变分自编码网络；变分自编码网络结构包括输入层、编码器、潜在空间表示层、解码器和输出层，潜在空间表示层包括均值和方差两部分，往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出；

第五步，变分自编码网络的目标函数是数据的边际似然的变分下界，对应的损失函数如下所示；

式中，D_KL(*)表示KL散度函数，q_ω(z|x⁽ⁱ⁾)表示利用样本x⁽ⁱ⁾推断出的潜在空间z分布，p_θ(z)表示潜在空间z分布，logp_θ(x⁽ⁱ⁾|z^(i,l))表示样本的边际似然；

以正常状态下的往复机械振动信号为数据基础，使用随机梯度下降法最小化损失函数，更新变分自编码网络参数，直到参数收敛完成网络模型的训练；

第六步，基于训练完成的变分自编码网络模型，计算训练样本的重构概率，并把最小值作为异常检测的阈值；信号的重构概率定义如下所示；

P＝p_θ(x|u^*,σ^*)

式中，u^*,σ^*分别表示生成样本分布的均值和方差；

第七步，基于训练完成的变分自编码网络模型，计算测试样本的重构概率，如果测试样本的重构概率小于检测阈值，说明测试样本是异常的，否则为正常；利用以下公式计算准确率：

式中，n_R,n_T分别表示准确识别的样本数和总样本数。

2.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法，其特征在于，步骤2当前整周期振动信号截取方法：以键相信号冲击顶点进行整周期振动信号截取，为了保证变转速下整周期信号的完整性，滑动对比键相信号瞬时幅值，连续采集N个键相信号数据点，当瞬时幅值邻域最大且远大于平均值时max([y(i),…,y(i+N)])mean([y(i),…,y(i+N)])，该数据点为键相冲击信号顶点p_i；以键相冲击信号顶点时刻作为时域整周期振动信号的起始点和终止点，信号长度对应连续的三个冲击顶点，整周期振动信号样本为[x(p_j),…,x(p_j+2)]。

3.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法，其特征在于，步骤3变分自编码网络的输入形式：利用小波包变换进行振动信号频段分解，计算各个频段的能量特征并进行归一化处理，以振动信号的频段能量百分比特征序列代替时序振动信号作为变分自编码网络的输入。