CN103995229B - 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 - Google Patents

Abstract

一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，首先对电机的振动，电流和转速信号进行数据采集，然后对这些信号进行特征计算构建特征空间，运用特征选取方法选取出用于马氏距离计算的特征向量；然后计算正常工作状态电机的马氏距离，并构建出一个表示电机正常工作状态的马氏空间；将未知健康情况的测试电机信号参考正常工作状态电机的统计参数计算马氏距离，通过与马氏空间的对比，来判断测试电机的健康情况。本发明在对正常工作状态下的电机信号用于训练并构建成马氏空间后，可有效实现对未知工作状态的电机进行健康监测和异常诊断。

Description

一种基于特征选取和马氏距离的电机健康监测和异常诊断方法

技术领域

本发明属于电机故障诊断技术领域，具体涉及一种电机的健康监测和异常诊断方法。

背景技术

电机广泛被用于能源化工、交通运输、医疗器械、办公设备等领域。电机的工作状态直接或间接的关系着这些领域设备运行的可靠性。因此对其实施健康监测和异常诊断就显得十分的迫切。电机的故障大概可分为机械类的故障，如轴承故障、转子故障和定子故障等；和电磁类的故障，如电路、磁路***的故障和绝缘***的故障等。目前已有的电机故障诊断技术包含了电流分析，振动分析，声发射信号分析和温度分析等。存在的缺陷是：在对电机故障模式没有详细了解的情况下，较难实现对未知工作状态下电机的健康监测和异常诊断。

发明内容

为了克服在未对电机故障模式详细了解的情况下，已有故障诊断技术较难实现对未知工作状态下电机的健康监测和异常诊断的不足，本发明提供一种仅需采集正常工作状态下的电机信号用于训练并构建成马氏空间后，可有效实现对未知工作状态的电机进行健康监测和异常诊断的基于特征选取和马氏距离的电机故障诊断方法。

本发明解决其技术问题所采用的技术方案是：

一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，所述方法包括以下步骤：

步骤一、采集正常工作状态下的电机信号，包括振动、电流和转速信号；

步骤二、对所述电机信号进行特征计算得到特征空间，分别是对振动信号进行时域特征的计算，包括有效值、最大峰值、峰峰值、峭度、平均值、方差、标准方差、偏斜度、波峰系数和功率；同时计算电流的有效值和电机转速，并将所述计算的特征构建一个特征空间；

步骤三、对步骤二得到的特征空间中的特征，运用最小冗余最大相关的特征选取技术选取出用于马氏距离计算的特征向量；

步骤四、对步骤三得到的特征向量，进行特征向量的统计参数：平均值和标准方差的计算，用于特征向量的标准化；对标准化后的特征向量，计算其相关矩阵及其逆矩阵，和计算马氏距离，并构建出表示电机正常工作状态下的马氏空间；

步骤五、对未知健康状态的测试电机经过步骤一的信号采集和步骤二和步骤三选取的特征向量计算，运用正常工作状态下的电机特征向量的统计参数，对测试电机的特征向量进行标准化，并运用正常工作状态下的相关矩阵的逆矩阵，进行测试电机的马氏距离计算；

步骤六、将步骤五计算得到的测试电机的马氏距离与步骤四得到的马氏空间做比较，若测试电机所对应的马氏距离在马氏空间内，表示测试电机工作正常，反之则表示电机工作异常。

进一步，所述步骤三中，特征f_i与特性f_j之间的相关信息用I(f_i,f_j)表示，特征f_i与不同电机c之间的相关信息用I(c,f_i)表示，最小冗余的标准是指特征之间的相关性要减少到最小，用表示，其中E表示在特征空间S中选取的子特性空间E特征的数目，最大相关的标准是指特征与电机之间相关性要保持最大，即所选的特征最能代表电机的健康情况，用表示，最终可用比例形式 $\underset{E\⋐S}{\max }\{\underset{i\∈E}{\mathrm{\Σ}}I(c,f_i)/\frac{1}{\left|E\right|}\underset{i,j\∈E}{\mathrm{\Σ}}I(f_i,f_j)\}$ 或差分方式 $\underset{E\⋐S}{\max }\{\underset{i\∈E}{\mathrm{\Σ}}I(c,f_i)-\frac{1}{\left|E\right|}\underset{i,j\∈E}{\mathrm{\Σ}}I(f_i,f_j)\},$ 对每个特征进行评分，选取得分大于零的特征构建成特征向量。

更进一步，所述步骤四中，对正常工作状态下的电机信号基于步骤三选取的特征向量构成训练数据用P表示，p_ij是指对第j个特征第i次测量得到数据，j＝1,2,...,n，i＝1,2,...,m，n为特征向量中特征的数目，m为对正常工作状态下电机信号采集的次数；

计算正常工作状态下，第j个特征的平均值和标准方差

$S_j=\sqrt{\frac{{{\mathrm{\Σ}}_{i=1}^m(p_{\mathrm{ij}}-\stackrel{\‾}{P_j})}^2}{m-1}};$

然后运用这两个统计参数对训练数据标准化计算，如下：

$z_{\mathrm{ij}}=\frac{p_{\mathrm{ij}}-\stackrel{\‾}{P_j}}{S_j}$

对标准化后的训练数据z，计算相关矩阵其中z_i＝[z_i1,z_i2,...z_in]

之后计算训练数据的马氏距离：

${\mathrm{MD}}_i=\frac{1}{n}{z}_i{C}^{-1}{z}_i^T$

依据计算出来的表示正常工作状态下的马氏距离值，设定健康的阀值，构成马氏空间。

本发明的有益效果主要表现在：在对正常工作状态下的电机信号用于训练并构建成马氏空间后，可有效实现对未知工作状态的测试电机进行健康监测和异常诊断。

附图说明

图1是本发明的电机健康监测和异常诊断方法的流程图。

图2是电机正常工作状态下的马氏距离示意图。

图3是测试电机的马氏距离示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，包括以下步骤：

步骤一、对正常工作状态下的电机和测试电机采集振动、电流和转速信号。

步骤二、对采集到的正常工作状态下的电机信号进行特性计算得到特征空间，具体是：首先，对振动信号进行时域特征的计算，包括有效值、最大峰值、峰峰值、峭度、平均值、方差、标准方差、偏斜度、波峰系数和功率。然后，计算电流的有效值，和电机转速一起构建成特征空间S；

所述的特征空间包括振动信号的有效值、最大峰值、峰峰值、峭度、平均值、方差、标准方差、偏斜度、波峰系数和功率，电流的有效值以及电机转速；

步骤三、对步骤二得到的特征空间中的特征，运用最小冗余最大相关的特征选取技术选取出用于马氏距离计算的特征向量，其中特征选取技术中运用到了特征f_i与特性f_j之间的相关信息用I(f_i,f_j)表示，和特征f_i与不同电机c之间的相关信息用I(c,f_i)表示。最小冗余的标准是指特征与特征之间的相关性要减少到最小，可用表示，其中|E|表示在特征空间S中选取的子特性空间E特征的数目，最大相关的标准是指特征与电机之间相关性要保持最大，即所选的特征最能代表电机的健康情况，用表示，最终可用比例形式 $\underset{E\⋐S}{\max }\{\underset{i\∈E}{\mathrm{\Σ}}I(c,f_i)/\frac{1}{\left|E\right|}\underset{i,j\∈E}{\mathrm{\Σ}}I(f_i,f_j)\}$ 或差分方式 $\underset{E\⋐S}{\max }\{\underset{i\∈E}{\mathrm{\Σ}}I(c,f_i)-\frac{1}{\left|E\right|}\underset{i,j\∈E}{\mathrm{\Σ}}I(f_i,f_j)\},$ 对每个特征进行评分，选取得分大于零的特征构建成特征向量。

运用最小冗余最大相关的特征选取技术对特征空间S的每个特征的得分计算如表1所示，选取得分为大于零的5个特征：功率、波峰系数、最大峰值、峰峰值和电机转速，作为用于计算马氏距离的特征向量p。

特征	分数
		功率Po	1.59
波峰系数CF	0.23
		最大峰值Max	0.18
峰峰值PP	0.04
		电机转速R	0.03
其他特征	0

表1基于最小冗余最大相关的特征选取技术计算的每个特征的得分

步骤四、对正常工作状态下的电机信号基于步骤三选取的特征向量构成训练数据用P表示，如表2所示。表2所示为选取的特征向量10个原始数据。p_ij是指对第j个特征第i次测量得到数据，j＝1,2,...，n，n＝5，i＝1,2,...,m，n为特征向量中特征的数目，m为对正常工作状态下电机信号采集的次数。

表2特征向量实例

计算正常工作状态下，第j个特征的平均值和标准方差

$S_j=\sqrt{\frac{{{\mathrm{\Σ}}_{i=1}^m(p_{\mathrm{ij}}-\stackrel{\‾}{P_j})}^2}{m-1}}.$

然后运用这两个统计参数对训练数据标准化计算，如下：

$z_{\mathrm{ij}}=\frac{p_{\mathrm{ij}}-\stackrel{\‾}{P_j}}{S_j}$

对标准化后的训练数据z，计算相关矩阵其中z_i＝[z_i1,z_i2,...z_in]

之后计算训练数据的马氏距离

${\mathrm{MD}}_i=\frac{1}{n}{z}_i{C}^{-1}{z}_i^T$

对正常工作状态下的电机，计算出来的马氏距离值都在1的附近，如图2所示。依据计算出来的表示正常工作状态下的马氏距离值，把健康的阀值定为2，便构成了马氏空间，也就是马氏距离从0到2之间的范围。

步骤五、对测试电机经过步骤一的信号采集，步骤二和步骤三的特征向量计算，运用正常工作状态下的电机特征向量的统计参数，对测试电机的特征向量进行标准化计算，并运用正常工作状态下的相关矩阵的逆矩阵，进行测试电机的马氏距离计算，如图3所示。

步骤六、将步骤五计算得到的测试电机的马氏距离与步骤四得到的马氏空间做比较，若测试电机所对应的马氏距离在马氏空间内，表示测试电机工作正常，反之则表示测试电机工作异常，从而实现对电机的健康监测和异常诊断。

Claims (3)

1.一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，其特征在于：所述方法包括以下步骤：

步骤一、采集正常工作状态下的电机信号，包括振动、电流和转速信号；

步骤二、对所述电机信号进行特性计算得到特征空间，分别是对振动信号进行时域特征的计算，包括有效值、最大峰值、峰峰值、峭度、平均值、方差、标准方差、偏斜度、波峰系数和功率；同时计算电流的有效值和电机转速，并将所述计算的特征构建一个特征空间；

步骤三、对步骤二得到的特征空间中的特征，运用最小冗余最大相关的特征选取技术选取出用于马氏距离计算的特征向量；

步骤四、对步骤三得到的特征向量，进行特征向量的统计参数：平均值和标准方差的计算，用于特征向量的标准化；对标准化后的特征向量，计算其相关矩阵及其逆矩阵，和计算马氏距离，并构建出表示电机正常工作状态下的马氏空间；

步骤五、对未知健康状态的测试电机经过步骤一的信号采集和步骤二和步骤三选取的特征向量计算，运用正常工作状态下的电机特征向量的统计参数，对测试电机的特征向量进行标准化，并运用正常工作状态下的相关矩阵的逆矩阵，进行测试电机的马氏距离计算；

步骤六、将步骤五计算得到的测试电机的马氏距离与步骤四得到的马氏空间做比较，若测试电机所对应的马氏距离在马氏空间内，表示测试电机工作正常，反之则表示电机工作异常。

2.如权利要求1所述的一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，其特征在于：所述步骤三中，特征f_i与特性f_j之间的相关信息用I(f_i,f_j)表示，特征f_i与不同电机c之间的相关信息用I(c,f_i)表示，最小冗余的标准是指特征与特征之间的相关性要减少到最小，用表示，其中|E|表示在特征空间S中选取的子特性空间E特征的数目，最大相关的标准是指特征与电机之间相关性要保持最大，即所选的特征最能代表电机的健康情况，用表示，最终可用比例形式或差分方式对每个特征进行评分，选取得分大于零的特征构建成特征向量。

3.如权利要求1或2所述的一种基于特征选取和马氏距离的电机健康监测和异常诊断方法，其特征在于：所述步骤四中，对正常工作状态下的电机信号基于步骤三选取的特征向量构成训练数据用P表示，p_ij是指对第j个特征第i次测量得到数据，j＝1,2,...,n，i＝1,2,...,m，n为特征向量中特征的数目，m为对正常工作状态下电机信号采集的次数；

计算正常工作状态下，第j个特征的平均值和标准方差

$S_j=\sqrt{\frac{{{\mathrm{\Σ}}_{i=1}^m(p_{\mathrm{ij}}-\stackrel{\‾}{P_j})}^2}{m-1}};$

然后运用这两个统计参数对训练数据标准化计算，如下：

$z_{\mathrm{ij}}=\frac{p_{\mathrm{ij}}-\stackrel{\‾}{P_j}}{S_j}$

对标准化后的训练数据z，计算相关矩阵其中z_i＝[z_i1,z_i2,...z_in]

之后计算训练数据的马氏距离：

${\mathrm{MD}}_i=\frac{1}{n}{z}_i{C}^{-1}{z}_i^T$

依据计算出来的表示正常工作状态下的马氏距离值，设定健康的阀值，构成马氏空间。