[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

说明书

本发明涉及了一种基于无故障振动信号的往复机械异常检测方法，包括以下步骤：1)往复机械气缸盖振动信号和曲轴箱键相信号采集；2)角域整周期振动信号截取；3)转化振动信号为频段能量百分比特征序列；4)变分自编码网络模型构建和训练；5)以样本重构概率为指标进行异常检测。本发明研究创新与特点在于柴油机角域整周期振动信号准确截取与预处理及利用变分自编码网络对往复机械正常状态对应潜在空间进行建模，弥补了传统故障监测方法中对故障数据的依赖性，避免了人工特征的设计和提取问题，尤其适用于旋转、往复动力机械的故障监测。

技术领域

本发明属于装甲车辆、船舶动力及工程机械用往复机械设备异常检测技术领域，尤其涉及了一种基于无故障振动信号的往复机械异常检测方法，可在缺乏故障数据情况下对往复机械异常进行预警。

背景技术

往复机械是装甲车辆、船舶动力及工程机械的核心动力设备，其安全可靠运行对军事或生产任务的顺利完成具有重要作用。往复机械振动信号包含了丰富的状态信息，为了及时对往复机械异常进行预警，防止异常进一步恶化，降低恶性故障带来的严重损失，国内外学者对基于振动信号的故障在线监测方法进行研究并积累了一定的成果。然而，由于这些故障监测方法对故障数据依赖性较强，已经越来越无法满足工程应用的实际需求。因此，研发一种无故障振动信号的异常检测方法对往复机械异常预警具有十分重要的意义。

目前在异常检测领域，主要采用的方法是，利用带标签的正常和异常数据数据，结合机器学习或深度学习算法，进行异常检测模型的训练。训练高精度的异常检测模型可以获得很好的故障识别效果，但大多需要根据足够的专家标记的正常和异常样本。往复机械结构复杂，故障类型多样化，导致异常数据的专家标记过程复杂且昂贵。另外，由于环境、应用条件、经济等因素的限制导致故障数据难以获取，很多情况下机组仅有正常数据而没有故障数据。故障数据的缺乏，大大限制了传统异常检测方法的应用。

发明内容

为了解决缺乏故障数据情况下的异常预警问题，本发明提供一种无需任何异常数据、效率高、准确率良好的基于无故障振动信号的往复机械异常检测方法。本发明目的在于针对异常数据获取难，数量少等问题，提供一种以角域整周期信号的频段能量百分比特征序列为基础，结合基于变分自编码网络的往复机械正常状态对应潜在空间模型，以样本服从潜在空间分布概率为指标的异常检测方法，实现对往复机械气门间隙过大等异常状态的预警。

针对上述问题，本发明设计的一种技术方案是：基于无故障振动信号的往复机械异常检测方法，方案步骤如下所示：

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。