[发明专利]一种轴承状态监测振动异常数据检测方法

权利要求书

1.一种轴承状态监测振动异常数据检测方法，包括对轴承振动加速度数据进行采集，其特征在于，本方法基于长短时空融合奇异峰模型，包括

步骤A1，将所采集的原始振动加速度数据作为样本；

步骤A2，以时空窗分割时间序列为子样本，提取每个子样本的内属值；

步骤A3，基于轮廓核原理提取主成分；

步骤A4，以多参膨胀系数最大为优化目标，获得最优参数；

步骤A5，获取多元基因序列，构建得分阈值；

步骤A6，得到溢出阈值边界的样本，作为异常样本，完成异常数据的采集；

所述步骤A1中包括：选取某段时间t，对该段时间t内的振动加速度进行取值，即x=[x₁,x₂,…x_N]，其中x为所选取时间段t内振动加速度信号,N为该段时间信号长度；

对时间段t内随机分割时域信号，

以时空窗对振动加速度集合x进行分割，取窗长度为w，将滑动窗口起始段设置在变量x的起始点x₁处，形成数据长度为w的子数据段S₁；

向末端移动时空窗窗口，以数据集的x_γ为起点位置获得第下一个长度为w的子数据段S_i，重复向末端移动时空窗窗口的操作，直到选取到子数据段S_n，得到子样本集合S=[S₁，S₂，…S_n]，其中 γ=w-τ+1，τ=μw，μ为分隔重叠率；

所述步骤A3中包括：

步骤A3-1，利用轮廓核原理，滤除特征峰刺的影响，进行特征融合，嵌入到奇异模型中，提取辐射主元；

步骤A3-2，执行开合吸收操作，根据信号特点，根据窗长台阶式搜索空间邻居个数，设置初始值及最大值，确定其增量比特，构造循环迭代硬阈值，满足条件时可自动退出当前开合吸收过程；

所述步骤A3-1包括，将步骤A2中n个子样本，其中每个子样本有m维IP值，得到n*m样本数据矩阵，其中，0＜i≤n，0＜m≤15，求的轮廓矩阵，并求轮廓矩阵的内属向量，将内数值按照大小顺序从上到下排列成矩阵，取前b行组成新的矩阵作为辐射主元，辐射主元中的每个子向量作为新的子样本；

所述步骤A3-2包括，

在初始窗长w₁中，执行台阶式开合操作，具体包括，

计算在该窗长下空间邻居个数k的搜索范围，k表示任意选取步骤A3-1得到的辐射主元子样本，与该子样本距离最临近的k个辐射主元子样本：

k∈[k_min，k_max]；

定义循环迭代硬阈值ε，

；

l为多元基因序列值，β代表循环迭代过程；=0.1；

更新k值，当δ＜ε时，跳出k循环层；

所述步骤A4包括，重复步骤A1-步骤A3，将原始数据进行滑动时空窗分割，在初始窗长为w₁的基础上将时空窗的窗长增加，窗长增量比特值为w_d，

其中，

更新窗长w，当超出最大窗长w_max时跳出w循环层；

其中w_min=w₁, w_max=10*w_min；

比较获取最优的l值；

所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T；

奇异粒子代表空间中不同的参数组合，其飞行轨迹即为窗长w，空间邻居k搜索变化行踪，根据多参膨胀系数d最大原则确定最优粒子；从而自适应获得最优多元基因序列l；用以评价每个子样本的离群程度，并自适应确定异常值，超出得分阈值T的即为异常样本；

所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T；

多元基因序列是长短时空融合奇异峰模型中的异常得分衡量标准，具体计算如下：

首先，将两个数据对象p和o的距离记作d(p,o)：

时空密度定义为：

其中N_k(p)为距离对象p空间距离最近的对象集合；

多元基因序列模型为：

多参膨胀系数d：

得分阈值：

T=3*std(l₁,l₂,…l_n)；

所述步骤A6中，将所述多元基因序列值l与所述得分阈值T进行对比，超出得分阈值T的数据即判断为异常样本。

2.根据权利要求1所述的一种轴承状态监测振动异常数据检测方法，其特征在于，所述步骤A2还包括，从子样本中提取多维时空卷褶内属值，并把这些特征进行标准化处理，

用标准化操作对每个子样本的多维时空卷褶内属值，即IP值，进行标准化处理，即，其中z_ij是第i个子样本的第j 个内属值，i=1,2,…n；j=1,2,…m；是第j个内属值的均值，b_ij为标准化后的IP值。