[发明专利]一种伺服系统多尺度健康评估与故障预测方法

权利要求书

1.一种伺服系统多尺度健康评估与故障预测方法，其特征在于：含有以下步骤，

步骤1，获取振动数据，并对其进行数据预处理，包括离群点处理、缺失值填充和数据归一化；对原始时间序列进行数据预处理，包括离群点处理、缺失值填充和数据归一化，完成处理后，定义训练集正常时间序列为x(i)，其中i＝1,2,…,n；待异常检测的时间序列为x'(i)，其中i＝1,2,…,n；

步骤2，对预处理后的振动信号进行多尺度分析，将原始振动序列数据转化为数个子序列；其中序列多尺度分析使用EMD经验模态分解方法从信号本身的尺度特征出发对信号进行分解，通过在不同尺度上观察振动信号，对原始时间序列进行经验模态分解算法，其对信号时域进行分解公式如下：

h(t)＝x(t)-m(t)

其中，x(t)是原始时间序列；imf_i(t)是各阶IMF分量，其包含了原信号的不同时间尺度的局部特征信号；r(t)是其趋势余项值；m(t)是上下包络线均值；e₊(t)和e_-(t)分别为通过对x(t)的所有极大值/极小值点进行三次样条插值得到的上/下包络线；h(t)是将m(t)从x(t)剔除掉后的新信号；首先对x(t)进行筛分计算第一阶IMF，记为imf₁(t)；然后令剩余信号x1(t)＝x(t)-imf₁(t)，重复筛分过程计算得到第二阶IMF，即imf₂(t)，不断重复这个过程构成x(t)的各阶IMF分量，直到甚于信号x_n(t)为一单调变化的信号截至，通过上述方式将x(i)和x'(i)分别分解为d个不同尺度下的子序列后，重构得到x₁(i),…,x_μ(i),…,x_d(i)和x’₁(i),…,x’_μ(i),…,x’_d(i)；

步骤3，对序列数据进行异常检测，首先将不同尺度下的子序列分割成序列段，并根据这些序列段的特征定义为不同的状态，进而得到待检测序列；其次通过马尔可夫异常检测模型检测出各子序列中的异常状态；

步骤4，统计某时刻前一定时间窗口内的异常状态数量，计算该时刻的健康指数，在不同尺度下进而得到伺服控制系统的健康评估曲线；其中步骤4通过异常检测结果来进一步刻画系统的劣化信息，首先统计t时刻前一定时间内，各尺度下模型检测出的异常状态数量；然后将该段时间内异常状态的数量作为自变量，计算各尺度下t时刻系统的健康指数，该指数通过单位时间内系统出现异常状态的频率来反映系统的健康情况，可将t时刻系统的健康指数定义为HI(t,a,b,l,m)＝ae^-bm，其中a为系统的初始健康值；b为异常权重因子，其大小与系统对异常的敏感性相关；l为观测窗口的长度，即对t时刻以前多长时间内的系统进行健康评估；m表示在长度为l的时间窗口内检测出异常的数量，最后在各个尺度下按时间顺序排列所有时刻的健康指数，得到不同尺度下的健康评估曲线；

步骤5，计算不同尺度下健康评估曲线的单调性，选择单调性最好的曲线所在的尺度作为最佳健康评估尺度；

步骤6，通过伺服控制系统加速老化实验，得到系统在最佳健康评估尺度下即将发生故障时的健康指数，作为系统故障萌发点的健康指数阈值，当系统的健康指数低于设定的阈值时，认为系统健康状态处于故障萌发阶段，提示工作人员采取措施避免系统进一步劣化。