专利摘要
本发明公开了一种面向旋转机械的振动信号特征提取方法、监测方法及装置。其中，振动信号特征提取方法包括步骤(1)构建码本：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本；步骤(2)分割周期：对实时监测的振动信号进行周期划分；步骤(3)计算相关图；步骤(4)计算熵值：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。其将相关图应用到特征提取过程中，在依靠振动信号的幅值进行特征提取的过程中，还考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
权利要求
1.一种面向旋转机械的振动信号特征提取方法，其特征在于，包括：
步骤(1)构建码本：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本；
步骤(2)分割周期：对实时监测的振动信号进行周期划分；
步骤(3)计算相关图，其具体包括：
步骤(3.1)：由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
步骤(3.2)：任意选取码本中两组编码字；
步骤(3.3)：利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
步骤(3.4)：对连续监测得到的每个周期的振动信号，重复步骤(3.2)～步骤(3.3)，得到个数与周期数相同的相关图序列；
步骤(4)计算熵值：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。
2.如权利要求1所述的一种面向旋转机械的振动信号特征提取方法，其特征在于，在所述步骤(1)构建码本中，利用K-means算法对训练样本进行聚类。
3.如权利要求1所述的一种面向旋转机械的振动信号特征提取方法，其特征在于，在所述步骤(2)分割周期中，利用时间序列分析对实时监测的振动信号进行周期划分，其具体过程，包括：
步骤(2.1)：基于新监测到的振动信号，确定一组候选振动信号片段A；
步骤(2.2)：任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
步骤(2.3)：以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
步骤(2.4)：按照最佳周期对振动信号进行周期划分。
4.一种面向旋转机械的振动信号特征提取装置，其特征在于，包括振动信号特征提取处理器，所述振动信号特征提取处理器，包括：
构建码本模块，其被配置为：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本；
分割周期模块，其被配置为：对实时监测的振动信号进行周期划分；
计算相关图模块，其被配置为：
由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
任意选取码本中两组编码字；
利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
得到个数与振动信号周期数目相同的相关图序列；
计算熵值模块，其被配置为：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。
5.如权利要求4所述的一种面向旋转机械的振动信号特征提取装置，其特征在于，在所述构建码本模块中，利用K-means算法对训练样本进行聚类。
6.如权利要求4所述的一种面向旋转机械的振动信号特征提取装置，其特征在于，在所述分割周期模块中，利用时间序列分析对实时监测的振动信号进行周期划分，所述分割周期模块还被配置为：
基于新监测到的振动信号，确定一组候选振动信号片段A；
任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
按照最佳周期对振动信号进行周期划分。
7.一种旋转机械的运行状态监测方法，其特征在于，包括：
提取特征步骤：采用如权利要求1-3中任一项所述的面向旋转机械的振动信号特征提取方法来获取反应机械状态运行趋势的特征；
计算异常度步骤：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量；
决策分析步骤：采用假设检验对得到的异常度进行决策。
8.如权利要求7所述的一种旋转机械的运行状态监测方法，其特征在于，在所述决策分析步骤中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
9.一种旋转机械的运行状态监测装置，其特征在于，包括：
如权利要求4-6中任一项所述的面向旋转机械的振动信号特征提取装置；
所述振动信号特征提取装置还与状态监测处理器相连，所述状态监测处理器包括：
计算异常度模块，其被配置为：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量；
决策分析模块，其被配置为：采用假设检验对得到的异常度进行决策。
10.如权利要求9所述的旋转机械的运行状态监测装置，其特征在于，在所述决策分析模块中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
说明书
技术领域
本发明属于旋转机械领域，尤其涉及一种面向旋转机械的振动信号特征提取方法、监测方法及装置。
背景技术
近年来，旋转机械向着复杂化，大型化方向发展，应用也越来越广泛，而任何一个小问题的出现都有可能导致严重的后果，因此对旋转机械的运行状态进行监测是十分必要的。其中，对旋转机械的转速进行监测是一个重要问题，通过对旋转机械的转速进行监测，能够实现旋转机械运行状态的监测，其在机械加工、数字控制等领域中都有着广泛应用。
面向旋转机械转速监测存在以下问题：
(1)在实际应用中，由于受到旋转机械尺寸，安装位置以及环境的限制，直接利用速度计对旋转机械的转速进行监测是很困难的。
(2)通过对转速变化产生的振动信号进行分析能够实现旋转机械转速监测，目前常用的振动信号分析方法有频域分析和时域分析两种。
(2.1)虽然基于傅里叶变换的频域分析方法得到了广泛的应用，但是当采集到的数据幅值较小，或者采集到的数据量较小时，频域分析是不适用的。
(2.2)时域分析一般包括两部分：特征提取和决策。其中特征提取在检测算法的设计中起着十分重要的作用，并对最终的检测结果有着重要的影响。目前已有的时域特征提取方法有均方根值，方差，峭度，偏度，峰值等，这些特征提取方法都是仅依靠振动信号的幅值进行特征提取，忽视了振动信号的时序信息。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种面向旋转机械的振动信号特征提取方法，其考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
本发明的一种面向旋转机械的振动信号特征提取方法，包括：
步骤(1)构建码本：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本；
步骤(2)分割周期：对实时监测的振动信号进行周期划分；
步骤(3)计算相关图，其具体包括：
步骤(3.1)：由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
步骤(3.2)：任意选取码本中两组编码字；
步骤(3.3)：利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
步骤(3.4)：对连续监测得到的每个周期的振动信号，重复步骤(3.2)～步骤(3.3)，得到个数与周期数目相同的相关图序列；
步骤(4)计算熵值：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。
进一步的，在所述步骤(1)构建码本中，利用K-means算法对训练样本进行聚类。
K-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。K-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
需要说明的是，除了利用K-means算法对训练样本进行聚类之外，还可以采用K-MEDOIDS算法或CLARANS算法对训练样本进行聚类。
进一步的，在所述步骤(2)分割周期中，利用时间序列分析对实时监测的振动信号进行周期划分，其具体过程，包括：
步骤(2.1)：基于新监测到的振动信号，确定一组候选振动信号片段A；
步骤(2.2)：任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
步骤(2.3)：以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
步骤(2.4)：按照最佳周期对振动信号进行周期划分。
本发明利用最佳周期对振动信号进行周期划分，能够准确快速地对振动信号进行特征提取。
需要说明的是，也可以采用预设周期对实时监测的振动信号进行周期划分。
本发明的第二目的是提供一种面向旋转机械的振动信号特征提取装置，其考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
本发明的一种面向旋转机械的振动信号特征提取装置，包括振动信号特征提取处理器，所述振动信号特征提取处理器，包括：
构建码本模块，其被配置为：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本；
分割周期模块，其被配置为：对实时监测的振动信号进行周期划分；
计算相关图模块，其被配置为：
由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
任意选取码本中两组编码字；
利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
得到个数与振动信号周期数目相同的相关图序列。
计算熵值模块，其被配置为：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。
进一步的，在所述构建码本模块中，利用K-means算法对训练样本进行聚类。
K-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。K-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
需要说明的是，除了利用K-means算法对训练样本进行聚类之外，还可以采用K-MEDOIDS算法或CLARANS算法对训练样本进行聚类。
进一步的，在所述分割周期模块中，利用时间序列分析对实时监测的振动信号进行周期划分，所述分割周期模块还被配置为：
基于新监测到的振动信号，确定一组候选振动信号片段A；
任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
按照最佳周期对振动信号进行周期划分。
本发明利用最佳周期对振动信号进行周期划分，能够准确快速地对振动信号进行特征提取。
需要说明的是，也可以采用预设周期对实时监测的振动信号进行周期划分。
本发明的第三目的是提供一种旋转机械的运行状态监测方法，其使用时域分析的方法对旋转机械的振动信号进行分析，获取的反应机械状态运行趋势的特征，再利用欧式距离对特征进行异常度度量，最后采用假设检验对得到的异常度进行决策，能够快速准确地监测旋转机械的运行状态。
本发明的一种旋转机械的运行状态监测方法，包括：
提取特征步骤：采用上述所述的面向旋转机械的振动信号特征提取方法来获取反应机械状态运行趋势的特征；
计算异常度步骤：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量；
决策分析步骤：采用假设检验对得到的异常度进行决策。
进一步的，在所述决策分析步骤中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
其中，假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法。具体作法是：根据问题的需要对所研究的总体作某种假设，记作H0；选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知；由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。
假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量，依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显著差异，是否应当接受原假设选择的一种检验方法。
本发明的第四目的是提供一种旋转机械的运行状态监测装置，其使用时域分析的方法对旋转机械的振动信号进行分析，获取的反应机械状态运行趋势的特征，再利用欧式距离对特征进行异常度度量，最后采用假设检验对得到的异常度进行决策，能够快速准确地监测旋转机械的运行状态。
本发明的一种旋转机械的运行状态监测装置，包括：
上述所述的面向旋转机械的振动信号特征提取装置；
所述振动信号特征提取装置还与状态监测处理器相连，所述状态监测处理器包括：
计算异常度模块，其被配置为：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量；
决策分析模块，其被配置为：采用假设检验对得到的异常度进行决策。
进一步的，在所述决策分析模块中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
其中，假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法。具体作法是：根据问题的需要对所研究的总体作某种假设，记作H0；选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知；由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。
假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量，依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显著差异，是否应当接受原假设选择的一种检验方法。
与现有技术相比，本发明的有益效果是：
(1)本发明中，将相关图应用到特征提取过程中，在依靠振动信号的幅值进行特征提取的过程中，还考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
(2)在本发明中，使用时域分析的方法对旋转机械的振动信号进行分析，获取的反应机械状态运行趋势的特征，再利用欧式距离对特征进行异常度度量，最后采用假设检验对得到的异常度进行决策，能够快速准确地监测旋转机械的运行状态。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一种面向旋转机械的振动信号特征提取方法流程图。
图2是本发明实际应用于旋转机械转速监测中的采集信号示意图。
图3是本发明实际应用于旋转机械转速监测中的特征提取示意图。
图4是本发明的振动信号特征提取处理器结构示意图。
图5是本发明的一种旋转机械的运行状态监测方法的流程图。
图6是本发明实际应用于旋转机械转速监测中的异常度示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种面向旋转机械的振动信号特征提取方法流程图。
如图1所示，本发明的一种面向旋转机械的振动信号特征提取方法，包括步骤(1)～步骤(4)。具体地：
步骤(1)构建码本：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本。
在所述步骤(1)构建码本中，利用K-means算法对训练样本进行聚类。
K-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。K-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
需要说明的是，除了利用K-means算法对训练样本进行聚类之外，还可以采用K-MEDOIDS算法或CLARANS算法对训练样本进行聚类。
具体地，步骤(1)构建码本包括：
步骤(1.1)：将在旋转机械上已采集到的振动信号xi(i＝1，2….，m)作为训练样本集D＝{x1,x2,…,xm}；其中，m为正整数；
步骤(1.2)：设聚类数目为k，从训练样本集D中随机选择k个样本作为初始的k个质心：{μ1,μ2,…,μk}，每一个质心对应一类，则一共有k类，记为{Q1,Q2,…,Qk}；
步骤(1.3)：对于i＝1,2,…,m,计算样本xi和各个质心μj,(j＝1,2,…,k)的距离di,j：
di,j＝||xi-μj||22
将xi划分到最小的di,j对应的类别Qj中，并更新Qj＝Qj∪{xi}；
步骤(1.4)：对Qj中所有样本点重新计算质心：
步骤(1.5)：迭代步骤(1.3)步骤(1.4)这两个步骤，直至新的质心和原质心相等或小于制定阈值，计算每一类Cj中所有样本的方差：
经过上述计算能够得到每一类的质心和方差，每一类的质心和方差构成了一组编码字，一共有k类，则一共有k组编码字，这k组编码字构成了码本。
步骤(2)分割周期：对实时监测的振动信号进行周期划分。
具体地，在所述步骤(2)分割周期中，利用时间序列分析对实时监测的振动信号进行周期划分，其具体过程，包括：
步骤(2.1)：基于新监测到的振动信号X＝{x1,x2,…,xZ}，确定一组候选振动信号片段A＝Y＝{y1,…,yl}；其中Z为正整数；l∈[la,lb]。其中la和lb根据经验估计得出且均为正整数。
步骤(2.2)：任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
对于一个候选片段B＝Y＝{y1,…,ylv}，lv∈[la,lb]，v∈[a,b]，利用动态时间规整(DTW)，计算其与新监测到的振动信号X＝{x1,x2,…,xZ}的匹配损耗，匹配损耗的公式为：
Dv(Y,X)＝d(yi,xj)
其中：
d(y1,x1)＝|y1-x1|；
d(y1,x2)＝|y1-x2|；
d(y2,x1)＝|y2-x1|；
其中|yi,xj|为yi与xj的差值。
对v＝a,…,b，每一个候选片段B＝Y＝{y1,…,ylv}重复计算匹配损耗，得到{Dv}，v＝a,…,b，找到最小的Dv对应的l，即为最佳周期T。
步骤(2.3)：以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
步骤(2.4)：按照最佳周期对振动信号进行周期划分。
本发明利用最佳周期对振动信号进行周期划分，能够准确快速地对振动信号进行特征提取。
需要说明的是，也可以采用预设周期对实时监测的振动信号进行周期划分。
步骤(3)计算相关图，其具体包括：
步骤(3.1)：由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
步骤(3.2)：任意选取码本中两组编码字；
步骤(3.3)：利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
步骤(3.4)：对连续监测得到的每个周期的振动信号，重复步骤(3.2)～步骤(3.3)，得到个数与周期数相同的相图序列；
例如：对于分割好的一个周期内时间间隔为Δt的数xt和xt+Δt，利用高斯核函数，分别计算其到第i组编码字(μi,σi2)和第j组编码字(μj,σj2)的映射，得到Wi,t和Wj,t+Δt，高斯核函数计算公式如下：
并计算Wi,t和Wj,t+Δt的乘积；
对长度为T的第n个周期内每一对时间间隔为Δt的数xt和xt+Δt，t∈(1,2,…,T-Δt)，进行高斯核函数计算，得到T-Δt个Wi,t和Wj,t+Δt的乘积，将这些乘积累加，得到相关图Cn(i,j；Δt)，Cn(i,j；Δt)的计算公式如下：
假设有k组编码字，即i＝1,2,…,k,j＝1,2,…,k，则Cn是一个k×k的矩阵；
将k×k的相关图Cn中的每一个元素按行首尾相接，写成一个具有k2行的列向量C'n；
假设有N个周期，对每一个周期重复上述步骤，得到N个相关图，将这N个相关图依照周期顺序，按列排列，得到k2行N列的相关图表示，{C'1,C'2,…,C'n,…C'N}。
步骤(4)计算熵值：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征，其具体过程包括：
步骤(4.1)：对于计算得到的k2行N列的相关图中的第n列C'n，计算其熵值，公式如下
其中
其中N为相关图列数，也就是周期个数；n＝1,2,…,N，代表相关图的某一列，即某一个周期，m＝1,2,…,k2，代表相关图的某一行；q是一个常数，pmn表示第n个周期中的第m个数的相关图值cmn在第n个周期中的所占的比重；
步骤(4.2)：对于每一个周期，重复步骤(4.1)，得到{e1,…,en,…eN}，即为提取到的特征。
下面展示了一个发动机变速箱转速变化的振动信号特征提取实例，实验结果如图3所示。下面对实例进行简单介绍：
原始信号为变速箱振动信号，发动机初始转速为300rpm，然后转速变为400rpm，变速箱实时采集到的振动信号如图2所示，将采集到的振动信号按照上述步骤进行特征提取，提取到的特征如图3所示。
本发明中，将相关图应用到特征提取过程中，在依靠振动信号的幅值进行特征提取的过程中，还考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
本发明还提供了一种面向旋转机械的振动信号特征提取装置，其考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
本发明的一种面向旋转机械的振动信号特征提取装置，包括振动信号特征提取处理器。如图4所示，所述振动信号特征提取处理器，包括：
(1)构建码本模块，其被配置为：将采集到的振动信号作为训练样本，对训练样本进行聚类，由每一类的聚类质心和聚类方差构成一组编码字，进而构建出码本。
具体地，在所述构建码本模块中，利用K-means算法对训练样本进行聚类。
K-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。K-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
需要说明的是，除了利用K-means算法对训练样本进行聚类之外，还可以采用K-MEDOIDS算法或CLARANS算法对训练样本进行聚类。
(2)分割周期模块，其被配置为：对实时监测的振动信号进行周期划分。
具体地，在所述分割周期模块中，利用时间序列分析对实时监测的振动信号进行周期划分，所述分割周期模块还被配置为：
基于新监测到的振动信号，确定一组候选振动信号片段A；
任意选取以与所述选振动信号片段的起始点相同，结束点在所述选振动信号片段内的一个候选片段B，利用动态时间规整方法计算候选片段B与新监测到的振动信号的匹配损耗；
以匹配损耗最小所对应的候选片段B的时间段，即为最佳周期；
按照最佳周期对振动信号进行周期划分。
本发明利用最佳周期对振动信号进行周期划分，能够准确快速地对振动信号进行特征提取。
需要说明的是，也可以采用预设周期对实时监测的振动信号进行周期划分。
(3)计算相关图模块，其被配置为：
由一个周期内预设时间间隔的两个振动数据组成一组振动数据；
任意选取码本中两组编码字；
利用高斯核函数计算每组振动数据中的一个振动数据到选取的一组编码字的映射值，以及另一个振动数据到选取的另一组编码字的映射值，将这两个映射值相乘，最后再累加所有组振动数据的映射值乘积结果，得到振动信号的当前周期的相关图；
得到个数与振动信号周期数目相同的相关图序列。
(4)计算熵值模块，其被配置为：利用熵值对得到的相关图序列进行降维处理，得到反应机械状态运行趋势的特征。
本发明中，将相关图应用到特征提取过程中，在依靠振动信号的幅值进行特征提取的过程中，还考虑到了原始振动信号的时序信息，使提取到的特征包含更多的有效信息。
图5是本发明的一种旋转机械的运行状态监测方法的流程图。
如图5所示，本发明的一种旋转机械的运行状态监测方法，包括：
(1)提取特征步骤：采用如图1所示的面向旋转机械的振动信号特征提取方法来获取反应机械状态运行趋势的特征。
(2)计算异常度步骤：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量。
基于如图1所示的方法提取到的特征{e1,…,en,…eN}，计算en-1和en之间差的绝对值作为异常度，即
sn＝|en-en-1|
依次对{e1,…,en,…eN}中相邻两个数进行如上计算，得到异常度{s2,…,sn,…sN}。
(3)决策分析步骤：采用假设检验对得到的异常度进行决策。
在所述决策分析步骤中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
对于得到的异常度值{s2,…,sn,…sN}，采用假设检验中的3σ原则检验是否有变化发生，假设检验如下
H0：|sn-μ'j|＜3σ'j，没有改变出现；
H1：|sn-μ'j|≥3σ'j'，改变出现。
其中，μ'j和σ'j分别为数据{sj},j＝2,3,…,n-1的平均值与标准差；H0表示在第n个周期没有异常，H1表示在第n个周期有变化发生。
其中，假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法。具体作法是：根据问题的需要对所研究的总体作某种假设，记作H0；选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知；由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。
假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量，依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显著差异，是否应当接受原假设选择的一种检验方法。
下面展示了一个发动机变速箱转速变化的振动信号特征提取实例：
原始信号为变速箱振动信号，发动机初始转速为300rpm，然后转速变为400rpm，变速箱实时采集到的振动信号如图2所示，将采集到的振动信号按照上述步骤进行特征提取和统计分析决策，提取到的特征如图3所示，图6为提取到的特征的异常度值，在图6中的标记为该方法检测出的转速变化点的位置。
如图5所示，该方法包括特征提取和统计分析决策两部分。其中，特征提取又分为学习阶段和测试阶段。学习阶段是利用(K-means)对已采集到的旋转机械振动信号进行聚类，得到码本的过程；测试阶段是利用动态时间规整对新采集到的振动信号进行周期分割；利用高斯核对周期分割好的振动信号进行相关图计算，并用熵值对得到的相关图进行降维处理，得到能反映机械状态趋势的特征的过程。最终，对于得到的特征进行统计分析和决策，实现对旋转机械运行状态的监测。
在本发明中，使用时域分析的方法对旋转机械的振动信号进行分析，获取的反应机械状态运行趋势的特征，再利用欧式距离对特征进行异常度度量，最后采用假设检验对得到的异常度进行决策，能够快速准确地监测旋转机械的运行状态。
本发明还提供了一种旋转机械的运行状态监测装置。
本发明的一种旋转机械的运行状态监测装置，包括：
面向旋转机械的振动信号特征提取装置；
所述振动信号特征提取装置还与状态监测处理器相连，所述状态监测处理器包括：
计算异常度模块，其被配置为：基于获取的反应机械状态运行趋势的特征，利用欧式距离对其进行异常度度量；
决策分析模块，其被配置为：采用假设检验对得到的异常度进行决策。
具体地，在所述决策分析模块中，采用假设检验中的3σ原则来检验旋转机械的运行状态是否有变化发生。
其中，假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法。具体作法是：根据问题的需要对所研究的总体作某种假设，记作H0；选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知；由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。
假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量，依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显著差异，是否应当接受原假设选择的一种检验方法。
在本发明中，使用时域分析的方法对旋转机械的振动信号进行分析，获取的反应机械状态运行趋势的特征，再利用欧式距离对特征进行异常度度量，最后采用假设检验对得到的异常度进行决策，能够快速准确地监测旋转机械的运行状态。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
面向旋转机械的振动信号特征提取方法、监测方法及装置专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0