一种旋转设备振动信号的分类报警方法及系统与流程-尊龙凯时官方app下载

文档序号:36399086发布日期:2023-12-16 00:59阅读:6来源:国知局


1.本发明涉及旋转类设备运行监测报警技术领域,特别是涉及一种旋转设备振动信号的分类报警方法及系统



背景技术:

2.随着社会经济和科技水平的进步,机械设备也不断地向大型化

精密化和自动化的方向发展

旋转类机械是广泛应用于各行各业的重要设备,其种类繁多且占比巨大,常见的旋转机械包括发电机

汽轮机

飞机引擎

水泵

通风机等等

为保障这些机械的安全正常运作,避免因设备劣化

破损等故障造成严重的经济财产损失,旋转机械设备的故障监测系统正在日益被人们所重视

目前市面上的设备监测系统一般通过加装在设备关键位置的振动传感器收集振动数据,进行长期监测

当监测系统收集到异常数据时,监测系统会及时报警,帮助设备企业提早维护保养,避免设备的计划外停机

3.然而,在常见的监测系统中,报警触发逻辑简单,一般以监测到的振动指标值超过规定极限为主

但是除了设备故障,设备运行功率的变化也会改变设备振动程度,对于一些运行功率频繁变动的设备
(
如风力发电机,港口起升电机等
)
,单一的报警阈值无法准确匹配设备的运行状态,易导致误报警或漏报警现象

此外,设备运行过程中会出现多种工况,而单一的报警阈值使得监测系统仅能根据监测数据判断设备是否正常运行,而无法进一步判断设备处于何种运行状态



技术实现要素:

4.本发明提供了一种旋转设备振动信号的分类报警方法及系统,以解决目前设备监测系统中报警不准确的问题

5.为了解决上述技术问题,第一方面,本发明实施例提供了一种旋转设备振动信号的分类报警方法,包括:
6.获取旋转设备当前运行的第一振动信号;
7.将所述第一振动信号输入至预设的高斯混合分布模型,以使所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况;其中,所述高斯混合分布模型是根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式而训练获得;
8.当所述第一振动信号大于所述第一工况对应的预设报警门限,向用户发出所述第一工况对应的报警信息

9.本发明实施例根据旋转设备的历史振动信号建立初始的高斯混合分布模型并使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型进行训练

训练完成后的高斯混合分布模型可以确定所述旋转设备的工况数量并对所述旋转设备运行过程中产生的振动信号以工况类型进行分类,从而识别出所述旋转设备当前的工况类型,并根据预先设置的对应各个工况的报警门限判断是否报警,实现对设备信号的分类报警,提高对
设备监测报警的准确性

10.在一种可能实现的方式中,所述高斯混合分布模型是根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式而训练获得,具体为:
11.获取所述历史振动信号;
12.将所述历史振动信号转换为所述旋转设备的历史瞬时转速;
13.根据所述旋转设备的历史瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型;
14.使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,获得所述高斯混合分布模型

15.由于工况对瞬时转速数据更为敏感,所以本发明实施例将设备的振动数据转化为设备的瞬时转速数据,使得模型的建立与训练过程更为直观,有利于提高模型分类的准确性;同时在建模过程中,本领域的技术人员根据经验人为地预设工况数,可以有效减少模型在训练过程中的迭代次数,有利于提高模型的训练效率

在迭代训练过程中,通过预设的停止迭代的条件可以控制模型的训练时长,减少无效迭代

模型过拟合等情况的发生,同样有利于提高模型的训练效率

16.在一种可能实现的方式中,将所述历史振动信号转换为所述旋转设备的瞬时转速,具体为:
17.针对所述旋转设备的预设转动频率范围,对所述振动信号依次进行滤波处理

降采样处理以及短时傅里叶变换后,提取预设转动频率范围内的所述旋转设备的瞬时转速;所述旋转设备的预设转动频率范围是根据旋转设备型号所估算的转动频率范围

18.本发明实施例,在振动信号转换为瞬时转速过程中,先对所述振动信号进行滤波处理

降采样处理和短时傅里叶变换,可以有效去除噪声,提高信号转换的效率和准确性

根据旋转设备型号所估算的转动频率范围提取瞬时转速数据,即在模型训练之前先对输入数据进行了一次筛选,减少无效转速数据,提高后续模型训练的效率

19.在一种可能实现的方式中,所述旋转设备的瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型,具体为:
20.计算不同时刻

不同预设工况下的所述旋转设备的瞬时转速的高斯分布,并根据获得的多个高斯分布,建立初始高斯混合分布模型,并使用所述初始高斯混合分布模型中的状态变量对不同的高斯分布进行约束,同时建立所述状态变量的联合概率密度函数

21.本发明实施例通过联合多个高斯分布建立初始高斯混合分布模型,并使用所述初始高斯混合分布模型中的状态变量对所述不同的高斯分布进行约束,同时建立所述状态变量的联合概率密度函数

通过所述状态变量可以使模型快速判断输入数据的工况类别,在后续模型训练过程中可以主要针对所述状态变量进行优化

22.进一步的,建立所述初始高斯混合分布模型的具体公式为:
[0023][0024]
其中符号
p(
·
)
代表所述初始高斯混合分布模型;代表高斯分布;k为所述
预设工况数,
μk为第k个工况对应高斯分布的均值,为协方差矩阵;ztk
为所述高斯混合分布模型的状态变量,取值范围为0或1;
x

[x1,x2,

x
t
]
为所述旋转设备瞬时转速,
t
是转速信息的长度;
[0025]
建立所述状态变量的联合概率密度函数的具体公式为:
[0026][0027]
使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,具体为:
[0028]
将所述待优化的参数
k、
πk代入变分贝叶斯模型;初始化所述变分贝叶斯模型中的迭代参数
αi、
β(i)、m(i)、w(i)和
v(i),其中,所述符号i表示在迭代过程中所处于的迭代轮次,初始化状态时,所述符号i取值为0,所述参数
α
为狄利克雷先验分布系数,所述参数
β
、m、w
和v为正态-威沙特先验分布相关系数;
[0029]
在所述变分学习迭代过程中,每次迭代中基于前次迭代参数
α

β
、m、w
和v更新所述初始高斯混合分布模型的相关参数,具体更新公式为:
[0030][0031][0032]
αk=
α0 nk[0033][0034][0035][0036][0037][0038]
其中符号rtk
表示所述旋转设备
t
时刻的转速是否属于k工况;
nk表示所述旋转设备在一段时间内的转速属于k工况的数量;表示所述旋转设备在一段时间内属于k工况的转
速均值;
sk表示所述旋转设备在一段时间内属于k工况的转速方差;
const
为常数;
(
·
)
t
为矩阵转置操作;符号表示求数学期望操作;符号表示双伽马函数;
[0039]
在所述变分学习迭代过程中,所述初始高斯混合分布模型的相关参数更新后,基于所述高斯混合分布模型的相关参数更新当次迭代参数
α

β
、m、w
和v,具体为:
[0040][0041][0042][0043][0044]
其中符号
inv(
·
)
为求逆矩阵操作;
[0045]
在所述迭代过程中,所述预设的迭代停止的条件为:
[0046][0047]
其中,
ε
为预设迭代收敛性阈值,设置为
0.05
%以下

[0048]
所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况,具体为:
[0049]
所述变分学习迭代停止后,获得所述高斯混合分布模型,通过观察所述高斯分布权重
πk的值,所述
πk的值不为零的数量为最终识别的工况数量,使用符号j表示最终识别的工况数量,使用符号
j∈{1,2,

,j}
表示所述最终识别的工况的标号;根据所述最终识别的工况数量以及标号将所述参数rtk
更新为rtj
,所述参数rtj
的取值范围为1或0;根据所述参数rtj
的值判断所述旋转设备
t
时刻产生的振动是否属于j工况,若所述rtj
的值为1,则判断为是,若所述rtj
的值为0,则判断为否;所述高斯混合分布模型获取所述第一振动信号并将所述第一振动信号转换为所述旋转设备的第一瞬时转速,遍历每个所述rtj
的值,识别出所述旋转设备当前的第一工况

[0050]
本发明实施例在所述变分学习迭代的过程中,通过交替更新高斯混合分布模型和变分贝叶斯模型中的参数,达到无监督学习的效果,使模型自动迭代学习,节省了人力成本

在模型训练完成之后,根据所述高斯分布权重
πk的值,判断所述旋转设备的工况数量;在实际应用过程中,通过观察高斯混合分布模型中的rtj
参数即可得知某时刻设备的工况情况,实现对设备工况的实时判断

[0051]
在一种可能实现的方式中,所述预设报警门限是根据所述旋转设备的工况类型和属于所述工况类型的历史振动信号确定的,具体为:所述预设的高斯混合分布模型对所述旋转设备的历史振动信号进行分类,分别统计每类工况数据的均值及方差,将所述每类工况数据的均值加
/
减三倍方差的值设定为该类工况的报警门限

[0052]
本发明实施例,使用所述高斯混合分布模型收集大量历史数据,对历史数据进行工况分类,同时利用统计学中的知识对分类后的历史数据设定独立的报警门限,实现对设备工况的分类报警

此外,模型在后续应用过程中还可以持续收集设备数据,在使用该模型一段时间后,技术人员可以结合新收集的数据调整报警门限,使报警门限的设定更灵活

更合理

[0053]
相应的,本发明实施例还提供了一种旋转设备振动信号的分类报警系统,包括:获取模块

识别模块和报警模块;
[0054]
其中,所述获取模块用于获取旋转设备当前运行的第一振动信号;
[0055]
所述识别模块用于将所述第一振动信号输入至预设的高斯混合分布模型,以使所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况;其中,所述高斯混合分布模型是根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式而训练获得;
[0056]
所述报警模块用于当所述第一振动信号大于所述第一工况对应的预设报警门限,向用户发出所述第一工况对应的报警信息

[0057]
本发明实施例根据旋转设备的历史振动信号建立初始的高斯混合分布模型并使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型进行训练

训练完成后的高斯混合分布模型可以确定所述旋转设备的工况数量并对所述旋转设备运行过程中产生的振动信号以工况类型进行分类,从而识别出所述旋转设备当前的工况类型,并根据预先设置的对应各个工况的报警门限判断是否报警,实现对设备信号的分类报警,提高对设备监测报警的准确性

[0058]
在一种可能实现的方式中,所述分类报警系统还包括训练模块;所述训练模块用于根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式进行训练,获得高斯混合分布模型;
[0059]
所述训练模块包括:获取单元

转换单元

建模单元和迭代单元;
[0060]
其中,所述获取单元用于获取所述历史振动信号;
[0061]
所述转换单元用于将所述历史振动信号转换为所述旋转设备的瞬时转速;
[0062]
所述建模单元用于根据所述旋转设备的历史瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型;
[0063]
所述迭代单元用于使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,获得所述高斯混合分布模型

[0064]
在一种可能实现的方式中,所述转换单元用于将所述历史振动信号转换为所述旋转设备的瞬时转速,具体为:
[0065]
针对所述旋转设备的预设转动频率范围,对所述振动信号依次进行滤波处理

降采样处理以及短时傅里叶变换后,提取预设转动频率范围内的所述旋转设备的瞬时转速;所述旋转设备的预设转动频率范围是根据旋转设备型号所估算的转动频率范围

[0066]
在一种可能实现的方式中,所述预设报警门限是根据所述旋转设备的工况类型和属于所述工况类型的历史振动信号确定的,具体为:所述预设的高斯混合分布模型对所述旋转设备的历史振动信号进行分类,分别统计每类工况数据的均值及方差,将所述每类工
况数据的均值加
/
减三倍方差的值设定为该类工况的报警门限

附图说明
[0067]
图1:为本发明提供的一种旋转设备振动信号的分类报警方法的一种实施例的流程示意图

[0068]
图2:为本发明具体实施例中的建模训练流程示意图

[0069]
图3:为本发明具体实施例中的旋转设备一段时间内的历史振动信号图

[0070]
图4:为本发明具体实施例中将所述历史信号转换为瞬时转速后的平均转速图

[0071]
图5:为本发明具体实施例中所述变分学习迭代过程中的变分下限随迭代次数增加的变化情况

[0072]
图6:为本发明具体实施例中所述变分学习迭代过程中的收敛性系数
ε
随迭代次数增加的变化情况
[0073]
图7:为本发明具体实施例中所述高斯混合分布模型训练完成后,对所述历史振动信号的工况分类结果

[0074]
图8为本发明实施例中模型训练并识别设备工况的具体流程图

[0075]
图9:为本发明提供的一种旋转设备振动信号的分类报警系统的一种实施例的结构示意图

具体实施方式
[0076]
下面将结合本发明中的附图,对本发明中的技术方案进行清楚

完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例

基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围

[0077]
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用

[0078]
实施例一:
[0079]
如图1所示,实施例一提供一种旋转设备振动信号的分类报警方法,包括步骤
s1

s3

[0080]
s1、
获取旋转设备当前运行的第一振动信号;
[0081]
s2、
将所述第一振动信号输入至预设的高斯混合分布模型,以使所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况;其中,所述高斯混合分布模型是根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式而训练获得;
[0082]
s3、
当所述第一振动信号大于所述第一工况对应的预设报警门限,向用户发出所述第一工况对应的报警信息

[0083]
上述步骤
s1
中,所述第一振动信号是通过所述旋转设备上的振动传感器收集的

[0084]
在步骤
s2
中,本实施例使用了非监督式的分类算法即高斯混合分布模型,用于旋转设备的运行工况识别

由于高斯混合分布模型是多个高斯分布的线性组合,在模型参数的后验概率分布计算上,考虑到多高斯分布的叠加会导致模型复杂,而传统的
em
(expectation-maximization)
算法在迭代计算上效率上不高,无法满足在工业现场对算法计算速度的要求,因此本实施例采用了变分贝叶斯学习的方法,使用泛函的概念和平均场理论,从
k-l
散度
(kullback-leibler divergence)
的角度优化估计后验分布,可以在保持计算精度的前提下更快速识别旋转设备工况

此外,通过对变分下限的估算,使得本实施例可以自动识别工况数目,更有利于在工业实际环境下工作,从而实现设备预测性维护系统分工况精细化报警的目的

[0085]
在步骤
s3
中,所述报警门限的设定需要历史数据的支持,所以在所述高斯混合分布模型训练完成后,应该继续收集所述旋转设备的历史数据并使用所述高斯混合分布模型进行分类,确保有足够的数据对报警门限的设定

[0086]
本发明实施例根据旋转设备的历史振动信号建立初始的高斯混合分布模型并使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型进行训练

训练完成后的高斯混合分布模型可以确定所述旋转设备的工况数量并对所述旋转设备运行过程中产生的振动信号以工况类型进行分类,从而识别出所述旋转设备当前的工况类型,并根据预先设置的对应各个工况的报警门限判断是否报警,实现对设备信号的分类报警,提高对设备监测报警的准确性

[0087]
如图2所示,在优选的实施例当中,所述高斯混合分布模型是根据所述旋转设备在不同工况下的历史振动信号,使用变分贝叶斯模型以变分学习迭代的方式而训练获得,具体为:
[0088]
步骤
s21
,获取所述历史振动信号;
[0089]
步骤
s22
,将所述历史振动信号转换为所述旋转设备的历史瞬时转速;
[0090]
步骤
s23
,根据所述旋转设备的历史瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型;
[0091]
步骤
s24
,使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,获得所述高斯混合分布模型

[0092]
由于工况对瞬时转速数据更为敏感,所以本发明实施例在步骤
s22
中将设备的振动数据转化为设备的瞬时转速数据,使得模型的建立与训练过程更为直观,有利于提高模型分类的准确性;在步骤
s23
的建模过程中,本领域的技术人员根据经验人为地预设工况数,可以有效减少模型在训练过程中的迭代次数,有利于提高模型的训练效率

在步骤
s24
的迭代训练过程中,通过预设的停止迭代的条件可以控制模型的训练时长,减少无效迭代

模型过拟合等情况的发生,同样有利于提高模型的训练效率

[0093]
其中,上述步骤
s22
具体为:针对所述旋转设备的预设转动频率范围,对所述振动信号依次进行滤波处理

降采样处理以及短时傅里叶变换后,提取预设转动频率范围内的所述旋转设备的瞬时转速;所述旋转设备的预设转动频率范围是根据旋转设备型号所估算的转动频率范围

[0094]
本发明实施例,在振动信号转换为瞬时转速过程中,先对所述振动信号进行滤波处理

降采样处理和短时傅里叶变换,可以有效去除噪声,提高信号转换的效率和准确性

根据旋转设备型号所估算的转动频率范围提取瞬时转速数据,即在模型训练之前先对输入数据进行了一次筛选,减少无效转速数据,提高后续模型训练的效率

[0095]
图3为本发明实施例中所述的旋转设备在连续工作6天的振动加速度有效值数据,其中,横坐标表示所述旋转设备的运行时间,纵坐标表示所述旋转设备的振动加速度有效值

需要说明的是,由于数据量很大,为了方便展示,图3是以每半小时时间段内的前
0.25
秒的振动加速度有效值数据绘制的

从图3可以看出,在大部分情况下设备的振动加速度有效值都处于一个平稳状态,而在4月
28
号到4月
29
号期间,设备的振动加速度有效值出现了一次异常波动,在5月1号到5月2号期间,设备的振动加速度有效值出现了两次异常波动

[0096]
图4为经过步骤
s24
根据图3中的制动加速度有效值数据提取出的瞬时转速,其中,横坐标表示所述旋转设备的运行时间,纵坐标表示所述旋转设备的平均转速

同样的,由于数据量较大且设备运行状态平稳,为方便展示,图4中的数据是以半小时为单位绘制的平均转速数据

从图4可以看出,在4月
28
号到4月
29
号期间,设备的平均转速一次异常波动,在5月1号到5月2号期间,设备的平均转速出现一次异常波动

可以发现,将设备的振动数据转化为设备的转速数据后,有效减少了噪声

[0097]
上述步骤
s23
具体为:计算不同时刻

不同预设工况下的所述旋转设备的瞬时转速的高斯分布,并根据获得的多个高斯分布,建立初始高斯混合分布模型,并使用所述初始高斯混合分布模型中的状态变量对不同的高斯分布进行约束,同时建立所述状态变量的联合概率密度函数

其中,所述建立初始高斯混合分布模型的具体公式为:
[0098][0099]
其中符号
p(
·
)
代表所述初始高斯混合分布模型;代表高斯分布;k为所述预设工况数,
μk为第k个工况对应高斯分布的均值,为协方差矩阵;ztk
为所述高斯混合分布模型的状态变量,取值范围为0或1;
x

[x1,x2,

x
t
]
为所述旋转设备瞬时转速,
t
是转速信息的长度;
[0100]
建立所述状态变量的联合概率密度函数的具体公式为:
[0101][0102]
其中,
πk为第k个工况对应高斯分布的权重

基于贝叶斯理论,可以建立
μ
,
λ
,
π
的先验分布,再根据观测值的似然函数推断得到模型未知参数的后验概率

[0103]
上述步骤
s24
具体为:将所述待优化的参数
k、
πk代入变分贝叶斯模型;初始化所述变分贝叶斯模型中的迭代参数
αi、
β(i)、m(i)、w(i)和
v(i),其中,所述符号i表示在迭代过程中所处于的迭代轮次,初始化状态时,所述符号i取值为0,所述参数
α
为狄利克雷先验分布系数,所述参数
β
、m、w
和v为正态-威沙特先验分布相关系数;本发明实施例从计算复杂性角度考虑分别引入了狄利克雷分布
(dirichlet distribution)
和正态-威沙特分布
(normal-wishart distribution)
作为模型未知参数的共轭先验分布

[0104]
在所述变分学习迭代过程中,每次迭代中基于前次迭代参数
α

β
、m、w
和v更新所述初始高斯混合分布模型的相关参数,具体更新公式为:
[0105]
[0106][0107]
αk=
α0 nk[0108][0109][0110][0111][0112][0113]
其中符号rtk
表示所述旋转设备
t
时刻的转速是否属于k工况;
nk表示所述旋转设备在一段时间内的转速属于k工况的数量;表示所述旋转设备在一段时间内属于k工况的转速均值;
sk表示所述旋转设备在一段时间内属于k工况的转速方差;
const
为常数;
(
·
)
t
为矩阵转置操作;符号表示求数学期望操作;符号表示双伽马函数;
[0114]
在所述变分学习迭代过程中,所述初始高斯混合分布模型的相关参数更新后,基于所述高斯混合分布模型的相关参数更新当次迭代参数
α

β
、m、w
和v,具体为:
[0115][0116][0117][0118][0119]
其中符号
inv(
·
)
为求逆矩阵操作;
[0120]
在所述迭代过程中,所述预设的迭代停止的条件为:
[0121]
[0122]
其中,
ε
为预设迭代收敛性阈值,设置为
0.05
%以下

[0123]
本发明实施例在所述变分学习迭代的过程中,通过交替更新高斯混合分布模型和变分贝叶斯模型中的参数,达到无监督学习的效果,使模型自动迭代学习,节省了人力成本

[0124]
所述变分学习迭代停止后,获得所述高斯混合分布模型,通过观察所述高斯分布权重
πk的值,所述
πk的值不为零的数量为最终识别的工况数量,使用符号j表示最终识别的工况数量,使用符号
j∈{1,2,

,j}
表示所述最终识别的工况的标号;根据所述最终识别的工况数量以及标号将所述参数rtk
更新为rtj
,所述参数rtj
的取值范围为1或0;根据所述参数rtj
的值判断所述旋转设备
t
时刻产生的振动是否属于j工况,若所述rtj
的值为1,则判断为是,若所述rtj
的值为0,则判断为否;所述高斯混合分布模型获取所述第一振动信号并将所述第一振动信号转换为所述旋转设备的第一瞬时转速,遍历每个所述rtj
的值,识别出所述旋转设备当前的第一工况

[0125]
本发明实施例,在模型训练完成之后,根据所述高斯分布权重
πk的值,判断所述旋转设备的工况数量;在实际应用过程中,通过观察高斯混合分布模型中的rtj
参数即可得知某时刻设备的工况情况,实现对设备工况的实时判断

[0126]
图5为本发明实施例中所述变分学习迭代过程中的变分下限随迭代次数增加的变化情况,其中,横坐标表示模型的迭代次数,纵坐标表示相应的变分下限

从图中可以看出,随着迭代次数的增加,变分下限先快速上升,然后逐渐趋于稳定,在第
58
次迭代后,变分下限处于一个稳定的状态

图6为发明实施例中所述变分学习迭代过程中的收敛性阈值
ε
随迭代次数增加的变化情况,其中,横坐标表示迭代次数,纵坐标表示相应的收敛性系数

可以发现,在第
58
次迭代之前,收敛性系数处于一个上下波动的情况,在第
58
次迭代之后,收敛性系数处于一个稳定的状态

综合图
5、
图6可以得出结论,本发明实施例中的模型收敛速度较快并且稳定性很好,经过
58
次迭代后模型已经收敛,收敛性阈值
ε
可取
0.02


[0127]
图7为所述高斯混合分布模型训练完成后,对训练数据,即所述历史振动信号的工况分类结果,其中,横坐标表示时间,纵坐标表示设备相应的振动加速度有效值,图中的圆圈

方块和三角形表示设备某时刻的工况类型,可以发现经过对后验分布rtk
的更新后,高斯混合分布模型将设备分为了三种工况

[0128]
图8为本发明实施例中根据所述旋转设备在不同工况下的历史振动信号构建初始高斯混合分布模型,使用变分贝叶斯模型以变分学习迭代的方式对所述初始高斯混合分布模型进行训练并识别所述旋转设备的工况数量的具体流程图

[0129]
在优选的实施例中,当所述第一振动信号大于所述第一工况对应的预设报警门限,向用户发出所述第一工况对应的报警信息,具体为:所述预设报警门限是根据所述旋转设备的工况类型和属于所述工况类型的历史振动信号确定的,具体为:所述预设的高斯混合分布模型对所述旋转设备的历史振动信号进行分类,分别统计每类工况数据的均值及方差,将所述每类工况数据的均值加
/
减三倍方差的值设定为该类工况的报警门限

[0130]
本发明实施例,使用所述高斯混合分布模型收集大量历史数据,对历史数据进行工况分类,同时利用统计学中的知识对分类后的历史数据设定独立的报警门限,实现对设
备工况的分类报警

此外,模型在后续应用过程中还可以持续收集设备数据,在使用该模型一段时间后,技术人员可以结合新收集的数据调整报警门限,使报警门限的设定更灵活

更合理

[0131]
实施例二:
[0132]
相应的,如图9所示,本发明实施例还提供了一种旋转设备振动信号的分类报警系统,包括:获取模块
10、
训练模块
20、
识别模块
30
和报警模块
40。
[0133]
其中,获取模块
10
用于获取旋转设备当前运行的第一振动信号;
[0134]
训练模块
20
用于根据所述旋转设备在不同工况下的历史振动信号和预设的工况数量建立初始高斯混合分布模型,使用变分贝叶斯模型以变分学习迭代的方式对所述初始高斯混合分布模型进行训练,获得高斯混合分布模型;
[0135]
识别模块
30
用于将所述第一振动信号输入至所述高斯混合分布模型,以使所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况;
[0136]
报警模块
40
用于当所述第一振动信号大于所述第一工况对应的预设报警门限,向用户发出所述第一工况对应的报警信息

[0137]
本发明实施例根据旋转设备的历史振动信号建立初始的高斯混合分布模型并使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型进行训练

训练完成后的高斯混合分布模型可以确定所述旋转设备的工况数量并对所述旋转设备运行过程中产生的振动信号以工况类型进行分类,从而识别出所述旋转设备当前的工况类型,并根据预先设置的对应各个工况的报警门限判断是否报警,实现对设备信号的分类报警,提高对设备监测报警的准确性

[0138]
进一步的,所述训练模块
20
包括:获取单元
201、
转换单元
202、
建模单元
203
和迭代单元
204

[0139]
其中,所述获取单元
201
用于获取所述历史振动信号;
[0140]
所述转换单元
202
用于将所述历史振动信号转换为所述旋转设备的瞬时转速;
[0141]
所述建模单元
203
用于根据所述旋转设备的历史瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型;
[0142]
所述迭代单元
204
用于使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,获得所述高斯混合分布模型

[0143]
由于工况对瞬时转速数据更为敏感,所以在本发明实施例的训练模块
20
使用转换单元
202
将设备的振动数据转化为设备的瞬时转速数据,使得模型的建立与训练过程更为直观,有利于提高模型分类的准确性;在建模单元
203
的建模过程中,本领域的技术人员根据经验人为地预设工况数,可以有效减少模型在训练过程中的迭代次数,有利于提高模型的训练效率

在迭代单元
204
的迭代训练过程中,通过预设的停止迭代的条件可以控制模型的训练时长,减少无效迭代

模型过拟合等情况的发生,同样有利于提高模型的训练效率

[0144]
在优选的实施例中,所述转换单元
202
用于将所述历史振动信号转换为所述旋转设备的瞬时转速,具体为:
[0145]
针对所述旋转设备的预设转动频率范围,对所述振动信号依次进行滤波处理

降采样处理以及短时傅里叶变换后,提取预设转动频率范围内的所述旋转设备的瞬时转速;
所述旋转设备的预设转动频率范围是根据旋转设备型号所估算的转动频率范围

[0146]
本发明实施例,在振动信号转换为瞬时转速过程中,先对所述振动信号进行滤波处理

降采样处理和短时傅里叶变换,可以有效去除噪声,提高信号转换的效率和准确性

根据旋转设备型号所估算的转动频率范围提取瞬时转速数据,即在模型训练之前先对输入数据进行了一次筛选,减少无效转速数据,提高后续模型训练的效率

[0147]
在优选的实施例中,所述建模单元
203
根据所述旋转设备的历史瞬时转速和预设工况数建立用于工况识别的初始高斯混合分布模型,具体为:
[0148]
计算不同时刻

不同预设工况下的所述旋转设备的瞬时转速的高斯分布,并根据获得的多个高斯分布,建立初始高斯混合分布模型,并使用所述初始高斯混合分布模型中的状态变量对不同的高斯分布进行约束,同时建立所述状态变量的联合概率密度函数

[0149]
本发明实施例通过联合多个高斯分布建立初始高斯混合分布模型,并使用所述初始高斯混合分布模型中的状态变量对所述不同的高斯分布进行约束,同时建立所述状态变量的联合概率密度函数

通过所述状态变量可以使模型快速判断输入数据的工况类别,在后续模型训练过程中可以主要针对所述状态变量进行优化

[0150]
进一步的,所述建模单元
203
建立所述初始高斯混合分布模型的具体公式为:
[0151][0152]
其中符号
p(
·
)
代表所述初始高斯混合分布模型;代表高斯分布;k为所述预设工况数,
μk为第k个工况对应高斯分布的均值,为协方差矩阵;ztk
为所述高斯混合分布模型的状态变量,取值范围为0或1;
x

[x1,x2,

x
t
]
为所述旋转设备瞬时转速,
t
是转速信息的长度;
[0153]
建立所述状态变量的联合概率密度函数的具体公式为:
[0154][0155]
其中,
πk为第k个工况对应高斯分布的权重

[0156]
在优选的实施例中,所述迭代单元
204
使用变分贝叶斯模型以变分学习迭代方式对所述初始高斯混合分布模型中的高斯分布的均值

协方差矩阵

状态变量参数进行迭代更新,直到满足预设的停止迭代的条件,具体为:
[0157]
将所述待优化的参数
k、
πk代入变分贝叶斯模型;初始化所述变分贝叶斯模型中的迭代参数
αi、
β(i)、m(i)、w(i)和
v(i),其中,所述符号i表示在迭代过程中所处于的迭代轮次,初始化状态时,所述符号i取值为0,所述参数
α
为狄利克雷先验分布系数,所述参数
β
、m、w
和v为正态-威沙特先验分布相关系数;
[0158]
在所述变分学习迭代过程中,每次迭代中基于前次迭代参数
α

β
、m、w
和v更新所述初始高斯混合分布模型的相关参数,具体更新公式为:
[0159]
[0160][0161]
αk=
α0 nk[0162][0163][0164][0165][0166][0167]
其中符号rtk
表示所述旋转设备
t
时刻的转速是否属于k工况;
nk表示所述旋转设备在一段时间内的转速属于k工况的数量;表示所述旋转设备在一段时间内属于k工况的转速均值;
sk表示所述旋转设备在一段时间内属于k工况的转速方差;
const
为常数;
(
·
)
t
为矩阵转置操作;符号表示求数学期望操作;符号表示双伽马函数;
[0168]
在所述变分学习迭代过程中,所述初始高斯混合分布模型的相关参数更新后,基于所述高斯混合分布模型的相关参数更新当次迭代参数
α

β
、m、w
和v,具体为:
[0169][0170][0171][0172][0173]
其中符号
inv(
·
)
为求逆矩阵操作;
[0174]
在所述迭代过程中,所述预设的迭代停止的条件为:
[0175]
[0176]
其中,
ε
为预设迭代收敛性阈值,设置为
0.05
%以下

[0177]
本发明实施例在所述变分学习迭代的过程中,通过交替更新高斯混合分布模型和变分贝叶斯模型中的参数,达到无监督学习的效果,使模型自动迭代学习,节省了人力成本

[0178]
在优选的实施例中,所述识别模块
30
使用所述高斯混合分布模型根据所述第一振动信号,识别出所述旋转设备当前的第一工况,具体为:
[0179]
所述变分学习迭代停止后,获得所述高斯混合分布模型,通过观察所述高斯分布权重
πk的值,所述
πk的值不为零的数量为最终识别的工况数量,使用符号j表示最终识别的工况数量,使用符号
j∈{1,2,

,j}
表示所述最终识别的工况的标号;根据所述最终识别的工况数量以及标号将所述参数rtk
更新为rtj
,所述参数rtj
的取值范围为1或0;根据所述参数rtj
的值判断所述旋转设备
t
时刻产生的振动是否属于j工况,若所述rtj
的值为1,则判断为是,若所述rtj
的值为0,则判断为否;所述高斯混合分布模型获取所述第一振动信号并将所述第一振动信号转换为所述旋转设备的第一瞬时转速,遍历每个所述rtj
的值,识别出所述旋转设备当前的第一工况

[0180]
本发明实施例,在模型训练完成之后,根据所述高斯分布权重
πk的值,判断所述旋转设备的工况数量;在实际应用过程中,通过观察高斯混合分布模型中的rtj
参数即可得知某时刻设备的工况情况,实现对设备工况的实时判断

[0181]
在优选的实施例中,所述预设报警门限是根据所述旋转设备的工况类型和属于所述工况类型的历史振动信号确定的,具体为:所述预设的高斯混合分布模型对所述旋转设备的历史振动信号进行分类,分别统计每类工况数据的均值及方差,将所述每类工况数据的均值加
/
减三倍方差的值设定为该类工况的报警门限

[0182]
本发明实施例,使用所述高斯混合分布模型收集大量历史数据,对历史数据进行工况分类,同时利用统计学中的知识对分类后的历史数据设定独立的报警门限,实现对设备工况的分类报警

此外,模型在后续应用过程中还可以持续收集设备数据,在使用该模型一段时间后,技术人员可以结合新收集的数据调整报警门限,使报警门限的设定更灵活

更合理

[0183]
需说明的是,以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上

可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的

另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线

本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施

[0184]
以上所述的具体实施例,对本发明的目的

技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围

特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改

等同替换

改进等,均应包含在本发明的保护范围之内

当前第1页1  
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
网站地图