[发明专利]一种伺服系统多尺度健康评估与故障预测方法

说明书

本发明公开了一种伺服系统多尺度健康评估与故障预测方法，改善了现有技术中伺服控制系统设备性能监测的可靠性仍需提高的问题。该发明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；对序列数据进行异常检测，将不同尺度下的子序列分割成序列段，进而得到待检测序列；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；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；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。该技术根据异常检测结果得出系统的健康曲线，对故障做出准确的预测。

技术领域

本发明涉及伺服控制系统的故障数据挖掘领域，特别是涉及一种伺服系统多尺度健康评估与故障预测方法。

背景技术

带有伺服控制系统的设备被广泛应用于气象、国防和航空航天等领域，这些设备的性能不断得到完善的同时，其可靠性、维修性、故障预测及维修保障等问题越来越严峻。伺服系统作为这些的重要组成部分，其性能的稳定也将深刻影响设备的可靠性。传统针对伺服控制系统的维修方式往往存在“养护不足”和“检修过度”的问题。工作过程中的振动信号存在时序性，可认为振动信号是一组时间序列。时间序列中的异常通常反映在幅度变化或形状变化上。

健康评估与故障预测作为一种前沿的“预测性”维修技术，将其应用于伺服控制系统的养护工作中，将有效提升系统的任务可靠性和使用可用度。该技术通过大数据技术和人工智能算法充分挖掘现有传感器数据，获取设备的工作状态信息并做出健康评估和早期故障预测，进而实现对设备的预测性维修。

异常检测作为健康评估与故障预测技术的重要组成，其承担的主要责任是通过监测系统的传感器数据，及时准确地挖掘监测数据中潜在的异常。相较于其它类型的监测数据，伺服控制系统的振动信号的获取难度小且成本低，对其进行异常检测具有可行性。

异常可以分为形状异常和幅度异常，这两种异常都属于模式异常。模式异常检测是指对时间序列进行分析，发现不同时间段时间序列形态之间的相关性，一般表现为时间序列中的频繁的变化模式和罕见的变化模式。一般认为，罕见的变化模式是异常模式。经典的异常检测模型适用于低维数据，在检测振幅异常检测方面效果更佳。

而基于机器学习的异常检测方法往往依赖于高质量的带标签数据，且这类方法无法精确地从异常数据中定位异常。针对振动数据的特点，特提出本技术方案来处理之。

发明内容

本发明改善了现有技术中伺服控制系统的设备性能监测的可靠性仍需提高的问题，提供一种能够精确地从异常数据中定位异常振动数据的伺服系统多尺度健康评估与故障预测方法。

本发明的技术解决方案是，提供一种具有以下步骤的伺服系统多尺度健康评估与故障预测方法：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；

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；

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；

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。