CN117331921A - 一种轴承监测多源数据处理方法 - Google Patents
一种轴承监测多源数据处理方法 Download PDFInfo
- Publication number
- CN117331921A CN117331921A CN202311266526.XA CN202311266526A CN117331921A CN 117331921 A CN117331921 A CN 117331921A CN 202311266526 A CN202311266526 A CN 202311266526A CN 117331921 A CN117331921 A CN 117331921A
- Authority
- CN
- China
- Prior art keywords
- data
- time domain
- channel
- processing
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及机械设备关键旋转部件轴承的监测诊断领域，具体公开了一种轴承监测多源数据处理方法，包括步骤一，所述步骤一为提取各通道多源数据，并添加时间戳；步骤二，所述步骤二为采用循环方法对各通道数据进行时域校准处理；步骤三，所述步骤三为采用基于动态自适应局部离群值检测DALOF的方法，对各通道数据进行标准化处理；步骤四，所述步骤四为将完成数据时域校准与标准化处理的数据存入数据库。本发明通过循环方法处理多源通道数据，实现了多源数据之间的时域校准，并采用DALOF的方法在标准化过程考虑数据异常的问题，实现了自适应性异常值剔除，解决了诊断结果受数据时域延时或异常导致错误诊断的问题。
Description
技术领域
本发明涉及机械设备关键旋转部件轴承的监测诊断领域，具体涉及一种轴承监测多源数据处理方法。
背景技术
机械设备中的轴承部件起到支撑、旋转、传动的作用，是机械设备的关键部件，轴承的健康状态会直接影响到机械设备的安全运行，通过监测并诊断轴承在运转时的健康状态具有重要意义。
随着模式识别、深度学习等一系列智能诊断算法的发展，开始对轴承进行多种物理量的多源监测，包括：振动加速度、声音、温度、应变等物理量，通过分析利用多源数据实现对轴承健康状态进行更精准的诊断。轴承多源数据的采集***如图2所示。轴承的多源数据采集***组成包括传感器、数据采集卡、原始数据记录存储及数据处理共四部分。振动加速度、温度、应变等传感器一般采用接触式安装待测轴承的轴承座表面，声音传感器可采用非接触式布置在待测轴承附近位置。
采集到的多源信号由于一般采用不同的采集卡及设备进行采集，会导致采集到的数据在时间上会出现不同延时，在分析利用数据之前需要对其进行时域校准；同时由于工况、采集设备等原因，采集的数据也会出现异常点等现象，需要对采集的数据进行标准化预处理，以便后续进行数据的分析使用。
多源信号时域校准目前遇到的技术问题是，不同采集设备由于采样时钟难以同步，从而导致所采集的多源数据的时间戳之间存在彼此延时，而且彼此之间的采样率也存在差异，这为时域校准工作带来了难度。同时，数据采集过程本身采集到的异常信号会极大影响诊断结果，而这种数据异常在传统的诊断中往往被忽视，且其本身也较难以辨识，故需要在标准化处理过程中考虑异常信号剔除。
所以发明一种轴承监测多源数据处理方法尤为重要。
发明内容
本发明要解决的技术问题是提供一种轴承监测多源数据处理方法，旨在解决多源信号在数据采集中的诊断结果受数据异常导致错误诊断的问题。
为解决上述技术问题，本发明所采用的技术方案如下：
一种轴承监测多源数据处理方法，其关键技术在于：
步骤1，所述步骤1为提取各通道多源数据，并添加时间戳；
步骤2，所述步骤2为对各通道数据进行时域校准处理；
步骤3，所述步骤3为采用基于动态自适应局部离群值检测DALOF的方法，对各通道数据进行标准化处理，所述步骤3包括提取长度为N的数据；使用长度为w的滑动矩形窗口将数据划分为若干段；根据融合特征分量计算DALOF值；迭代更新动态邻域范围k与滑动矩形窗口长度w并计算值误差和散度；计算阈值并标记异常状态；输出异常数据序列并进行剔除；
步骤4，所述步骤4为将完成数据时域校准与标准化处理的数据存入数据库。
优选地，所述步骤2采用循环方法对各通道数据进行时域校准处理，所述循环方法包括提取同一时间段的各多源数据；利用线性插值方法上采样至最高采样率；确定两个异源通道数据的延迟时间；修正两个异源通道数据的时间戳。
优选地，所述确定两个异源通道数据的延迟时间采用基于动态时域规整DTW原理的方法。
优选地，所述基于动态时域规整DTW原理的方法包括构建累积距离矩阵；寻找最短路径；计算返回延迟时间；修正时间戳。
本发明与现有技术相比，所取得的技术进步在于：
(1)本发明通过在数据标准化处理过程中考虑数据异常的问题，在DALOF算法中，使用了动态长度w的滑动矩形窗口和动态邻域范围k，通过在迭代中更新这两个参数，以达到最优化该参数，实现动态匹配输入数据，最终提高识别准确度，然后通过计算阈值并标记异常状态，输出异常数据序列并进行剔除，实现了自适应性异常值剔除，解决了诊断结果受数据异常导致错误诊断的问题。
(2)本发明通过循环方法处理多源通道数据，所述循环方法包括提取同一时间段的各多源数据；利用线性插值方法上采样至最高采样率；确定两个异源通道数据的延迟时间；修正两个异源通道数据的时间戳；所述确定两个异源通道数据的延迟时间采用基于动态时域规整DTW原理的方法，可以直接依据采集到多源信号之间的关联性，匹配出两信号之间的时间延迟距离，实现自适应地多源数据之间的时域校准。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例中多源数据时域校准与标准化处理方法的流程图；
图2为本发明实施例中多源数据采集***的示意图；
图3为本发明实施例中多源数据时域校准的效果图；
图4为本发明实施例中异常采集数据识别的效果图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例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的一部分实施例，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。
如图1所示，一种轴承监测多源数据处理方法，包括：
步骤1，所述步骤1为提取各通道多源数据，并添加时间戳。按照给定的通道数，读入轴承监测试验中指定通道的数据，同时为每个数据点添加其原始的时间戳；如果原采样数据无时间戳，可通过该采集设备记录的采样开始时间和采样频率计算后添加。
步骤2，所述步骤2为采用循环方法对各通道数据进行时域校准处理。所述循环方法包括：
步骤2.1，提取同一时间段的各多源数据。按照原始采集数据记录的时间戳，对各个多源通道的数据提取同一时间段的数据。
步骤2.2，利用线性插值方法上采样至最高采样频率。通过步骤1获取的各通道采样频率确定最高采样频率Fsmax，通过线性插值方法对各低于最高采样频率Fsmax的通道数据进行上采样至Fsmax的频率。线性插值公式如下：
式中，v代表插值数据点的值，t代表插值数据点的采样时刻，v0、v1和t0、t1分别代表插值数据点左右临近的原采样数据点的值和采样时刻。
步骤2.3，确定两个异源通道数据的延迟时间。所述确定两个异源通道数据的延迟时间采用基于动态时域规整DTW原理的方法，包括：
步骤2.3.1，构建累积距离矩阵。取两个异源通道的时间序列分别表示为X和Y，将其归一化[-1，1]区间，将它们的每个元素分别表示为x(i)和y(j)。然后计算欧几里得距离d(i,j)，其每个元素代表X序列的第i个元素与Y序列的笫j个元素之间的欧几里得距离，计算公式如下：
通过如下公式计算累积距离矩阵Di，j：
步骤2.3.2，寻找最短路径。从累积距离矩阵的右上角开始，寻找左下角三个点中距离最小的点，以此类推，通过回溯的方式找到最短路径，得到最短路径距离。
步骤2.3.3，返回延迟时间。通过步骤2.3.2中最短路径，计算该最短路径每个点对应的X、Y序列的脚标i、j之差，对该差值求和后取平均后，即计算出两通道延迟点数，将得到的延迟点数除以Fsmax后得到延迟时间。
步骤2.4，修正两个异源通道数据的时间戳。对Y序列的时间戳加上该延迟时间，即可修正对应通道的时间戳。
传统实现不同通道间信号的时域校准主要通过物理上设置同步时钟的方法，但是该方法需要在设计之初就从软硬件上实现该设计。而多源信号具有多种物理量，不同物理量往往通过多种采集设备实现数据采集，不同设备间难以在后期设置同步时钟。因此，如何对已经采集到的多源信号进行时域校准是一个难题，且针对该问题的解决方法较少。本发明提出的基于动态时域规整DTW原理的时域校准方法，可以直接依据采集到多源信号之间的关联性，匹配出两信号之间的时间延迟距离，实现自适应地时域校准，如图3为多源数据时域校准的效果图。
步骤3，所述步骤3为采用基于动态自适应局部离群值检测DALOF的方法，对各通道数据进行标准化处理，包括：
步骤3.1，提取长度为N的数据x。
步骤3.2，使用一个长度为w的滑动矩形窗口，将x划分为若干段。初始窗长为w1，最大窗长为wmax，更新步长为wd，满足：
其中，w代表滑动矩形窗口长度，k代表计算动态自适应局部离群值DALOF过程中的邻域范围，以下k简称动态邻域范围，k∈[kmin，kmax]。
步骤3.3，计算不同窗长分割的每个子样本的m个特征，归一化后根据PCA得到融合特征分量。归一化公式满足：
式中，b代表归一化后的特征值，zij表示第i个子样本的笫j个特征值，表示笫j个特征的平均值。
步骤3.4，根据融合特征分量每个子样本的DALOF值可以描述为：
式中，Sθ代表数据样本点，ζθ表示在Sθ，θ∈[1，n]的k距离邻域内的对象，Nk代表k临近搜索k-NNs临近的点集，lrd表示局部可达密度函数。DALOF(Sθ)代表了数据段的异常程度。
步骤3.5，在循环迭代中更新k与w，并计算值误差ε和散度δ。其中w的更新步长为wd。
其中，ε代表循环迭代值；σ代表样本的DALOF值的标准差；和β分别代表控制变量和迭代次数；δ代表散度值；l代表DALOF的序号。当条件满足δ＜ε时，迭代跳出循环。
在LOF算法中，数据长度和邻域范围是预设的，会造成与实际数据的不匹配，影响识别准确度。在DALOF算法中，使用了动态长度w的滑动矩形窗口和动态邻域范围k，通过在迭代中更新这两个参数，以达到最优化该参数，实现动态匹配输入数据，最终提高识别准确度。
步骤3.6，当DALOF值超过阈值T时，判断其为异常状态，即区分异常样本和正常样本，并进行标记，如图4为异常采集数据识别的效果图。T的计算公式如下：
T＝μ+ρσ
式中，T为DALOF值的阈值；μ为DALOF值的均值；ρ方差的系数，根据3σ准则，p设置为3。
步骤3.7，根据异常数据标记剔除异常数据序列。
步骤4，所述步骤4为将完成数据时域校准与标准化处理的数据存入数据库。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。
Claims (4)
1.一种轴承监测多源数据处理方法，其特征在于包括：
步骤1，所述步骤1为提取各通道多源数据，并添加时间戳；
步骤2，所述步骤2为对各通道数据进行时域校准处理；
步骤3，所述步骤3为采用基于动态自适应局部离群值检测DALOF的方法，对各通道数据进行标准化处理，所述步骤3包括提取长度N为的数据；使用长度为w的滑动矩形窗口将数据划分为若干段；根据融合特征分量计算DALOF值；迭代更新与并计算值误差和散度；计算阈值并标记异常状态；输出异常数据序列并进行剔除；
步骤4，所述步骤4为将完成数据时域校准与标准化处理的数据存入数据库。
2.根据权利要求1所述的一种轴承监测多源数据处理方法，其特征在于：所述步骤2采用循环方法对各通道数据进行时域校准处理，所述循环方法包括提取同一时间段的各多源数据；利用线性插值方法上采样至最高采样率；确定两个异源通道数据的延迟时间；修正两个异源通道数据的时间戳。
3.根据权利要求2所述的一种轴承监测多源数据处理方法，其特征在于：所述确定两个异源通道数据的延迟时间采用基于动态时域规整DTW原理的方法。
4.根据权利要求3所述的一种轴承监测多源数据处理方法，其特征在于：所述基于动态时域规整DTW原理的方法包括构建累积距离矩阵；寻找最短路径；计算返回延迟时间；修正时间戳。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266526.XA CN117331921A (zh) | 2023-09-28 | 2023-09-28 | 一种轴承监测多源数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266526.XA CN117331921A (zh) | 2023-09-28 | 2023-09-28 | 一种轴承监测多源数据处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117331921A true CN117331921A (zh) | 2024-01-02 |
Family
ID=89294519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311266526.XA Pending CN117331921A (zh) | 2023-09-28 | 2023-09-28 | 一种轴承监测多源数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117331921A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143438A (zh) * | 2019-12-30 | 2020-05-12 | 江苏安控鼎睿智能科技有限公司 | 一种基于流处理的车间现场数据实时监测与异常检测方法 |
| CN113157674A (zh) * | 2021-02-27 | 2021-07-23 | 北京工业大学 | 一种基于动态插值的城市污水处理过程数据清洗方法 |
| CN113222013A (zh) * | 2021-05-11 | 2021-08-06 | 山西晟视汇智科技有限公司 | 一种多***差异数据巡检方法、***和存储介质 |
| CN113537525A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种电池储能***故障状态自适应预警方法 |
| CN114169379A (zh) * | 2022-02-07 | 2022-03-11 | 石家庄铁道大学 | 一种轴承状态监测振动异常数据检测方法 |
| CN115935286A (zh) * | 2022-11-29 | 2023-04-07 | 石家庄铁道大学 | 铁路轴承状态监测数据的异常点检测方法、装置及终端 |
| CN116698414A (zh) * | 2023-06-02 | 2023-09-05 | 西南石油大学 | 一种基于多源数据融合的泥浆泵轴承故障监测方法 |
-
2023
- 2023-09-28 CN CN202311266526.XA patent/CN117331921A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143438A (zh) * | 2019-12-30 | 2020-05-12 | 江苏安控鼎睿智能科技有限公司 | 一种基于流处理的车间现场数据实时监测与异常检测方法 |
| CN113157674A (zh) * | 2021-02-27 | 2021-07-23 | 北京工业大学 | 一种基于动态插值的城市污水处理过程数据清洗方法 |
| CN113222013A (zh) * | 2021-05-11 | 2021-08-06 | 山西晟视汇智科技有限公司 | 一种多***差异数据巡检方法、***和存储介质 |
| CN113537525A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种电池储能***故障状态自适应预警方法 |
| CN114169379A (zh) * | 2022-02-07 | 2022-03-11 | 石家庄铁道大学 | 一种轴承状态监测振动异常数据检测方法 |
| CN115935286A (zh) * | 2022-11-29 | 2023-04-07 | 石家庄铁道大学 | 铁路轴承状态监测数据的异常点检测方法、装置及终端 |
| CN116698414A (zh) * | 2023-06-02 | 2023-09-05 | 西南石油大学 | 一种基于多源数据融合的泥浆泵轴承故障监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
| US10743819B2 (en) | System and method for determining information and outliers from sensor data | |
| CN104915568B (zh) | 基于dtw的卫星遥测数据异常检测方法 | |
| CN111241744B (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
| US20210065023A1 (en) | Abnormality determination device, learning device, and abnormality determination method | |
| KR102564629B1 (ko) | 공간 왜곡 유사도를 사용하는 툴 오류 분석 | |
| KR101906859B1 (ko) | 이상 서브시퀀스 검출 장치 및 방법 | |
| CN111967509A (zh) | 一种对工业设备采集的数据进行处理和检测的方法及装置 | |
| US11568167B2 (en) | Systems and methods for detecting drift between data used to train a machine learning model and data used to execute the machine learning model | |
| CN115493622A (zh) | 一种基于模糊控制和高斯过程的半球谐振陀螺温补方法 | |
| CN111832880A (zh) | 对正在进行的生产批运行的质量指示符的计算机实现的确定 | |
| CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
| CN117331921A (zh) | 一种轴承监测多源数据处理方法 | |
| Leng et al. | Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0 | |
| CN116401535B (zh) | 基于差分法的时序数据粗差识别方法及*** | |
| Ko et al. | A multivariate parameter trace analysis for online fault detection in a semiconductor etch tool | |
| CN116975770A (zh) | 铸钢的缺陷检测方法及*** | |
| CN116821697A (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
| Tian et al. | Statistical process control for multistage processes with non-repeating cyclic profiles | |
| CN114970630A (zh) | 一种时序数据多尺度分段的模型训练方法 | |
| CN113347014B (zh) | 基于时间序列的工业控制***态势组合预测方法 | |
| Zhang et al. | Online monitoring and fault diagnosis for uneven length batch process based on multi‐way orthogonal enhanced neighborhood preserving embedding | |
| Zang et al. | Unaligned profile monitoring using penalized methods | |
| CN112541162A (zh) | 一种面向多遥测参数联合分析的时间轴自规整方法 | |
| CN117433591B (zh) | 基于多传感器数据的自动化设备监测*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |