[发明专利]一种轴承状态监测振动异常数据检测方法

说明书

本发明涉及一种轴承状态监测振动异常数据检测方法，属于轴承监测技术领域，包括对轴承振动加速度数据进行采集，本方案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，可搜寻异常样本，定位异常数据段，为轴承状态监测大数据质量保障、异常检测提供了新的思路。

技术领域

本发明涉及轴承监测技术领域，具体为一种轴承状态监测振动异常数据检测方法。

背景技术

轴承是机械系统的核心运动部件，实现轴承的状态监测对于机械制造系统的产品质量、机械运动系统的运行安全具有重要的应用价值。由于轴承是运动部件，对其进行状态监测的技术难点在于直接获取运动体的状态信息。由于轴承结构的限制，一般不能采用非接触方式监测轴承内部的状态，只能在轴承中安装传感器以获得状态信息，传感信号的传出和对传感器的电源供给是亟待解决的技术关键。异常数据检测是旋转机械状态监测过程的重要组成部分，也是进行数据清洗、补偿、挖掘的前提。

发明内容

本发明提出了一种轴承状态监测振动异常数据检测方法，可搜寻异常样本，定位异常数据段，为轴承状态监测大数据质量保障、异常检测提供了新的思路。

本发明的技术方案如下：

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，本方案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。

作为本方案的进一步优化，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。

作为本方案的进一步优化，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。

作为本方案的进一步优化，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(i=1,2,…n)个子样本的第j (j=1,2,…m)个内属值，是第j个内属值的均值，b_ij为标准化后的IP值。

作为本方案的进一步优化，所述步骤A3中包括：