基于长程相关性的设备运行稳定性在线监测方法及系统与流程

本发明涉及机械运行稳定性监测技术领域，尤其涉及一种基于长程相关性的设备运行稳定性在线监测方法及系统。

背景技术：

现代机械设备向着高速化、大型化、自动化和智能化的方向发展，功能完善的同时也使得设备更加复杂。同时，现实中的工业系统几乎总是在随时间变化的不稳定条件下运行。因此，现代工业正越来越多地设法自动监测机器的动态运行状态，并在早期阶段识别出其状态变化点(例如异常、故障点)。机械设备运行稳定性在线监测可以在机械运行状态变化时发出警报从而及时采取措施，规避稳定性的进一步劣化，这不仅可以提高安全性，而且还可以提高设备和产品的可靠性、安全性、质量以及生产率等。

面向旋转机械稳定性监测存在的主要问题是由于设备的载荷波动、设备润滑程度、现场环境干扰等不可避免因素的存在导致机械设备的运行处于非平稳状态，这种时变工况对旋转机械运行稳定性的监测带来很大的困难，建立一个能够描述机器运行状态的动态模型是实现机械设备运行稳定性监测的关键步骤。然而，考虑到实际的工程场景，通过传感器收集到的状态信号通常是复杂和非平稳的。因此，设备运行中早期的变化信息很容易被强环境噪声所干扰和淹没，导致机器动态状态监测问题变得困难和复杂。

技术实现要素：

针对现有技术存在的不足，本发明的目的是提供一种基于长程相关性的设备运行稳定性在线监测方法及系统，将长程相关性引入机械设备监测领域，利用信号的长程相关性来检测机器的运行状态，解决了强环境噪声带来的机械设备在线监测设备运行稳定性的困难。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明的实施例提供了一种基于长程相关性的设备运行稳定性在线监测方法，包括：

获取监测数据，并对数据进行预处理；

建立lrd时间序列模型，得到具有长程相关性的序列；

将具有长程相关性的序列转换为具有短程相关性的序列，并确定arma模型的参数；

利用已确定参数的arma模型预测数据；

对预测数据进行异常决策。

作为进一步的实现方式，计算长程相关的h参数，并计算用作长期依赖强度指标的参数d，其中，d表示微分阶。

作为进一步的实现方式，得到参数d后，利用分数阶差分算子对具有长程相关性的序列{yt}序进行滤波，以得到具有短程相关性的序列{zt}。

作为进一步的实现方式，用最小相似信息准则确定arma模型的参数。

作为进一步的实现方式，通过arma模型预测未来的多步时间序列实际的预测数据可以通过分数阶积分滤波得到。

作为进一步的实现方式，异常决策时，对预测数据与实际观测数据yk进行残差分析；并在残差分析的基础上进行假设检验。

作为进一步的实现方式，使用3σ原则进行假设检验；采用高斯分布，以检测在当前时间点k处是否发生变化。

第二方面，本发明实施例还提供了一种基于长程相关性的设备运行稳定性在线监测系统，包括：

数据预处理模块，用于获取监测数据，并对数据进行预处理；

lrd时间序列模型建立模块，用于建立lrd时间序列模型，得到具有长程相关性的序列；

arma模型参数确定模块，用于将具有长程相关性的序列转换为具有短程相关性的序列，并确定arma模型的参数；

数据预测模块，用于利用已确定参数的arma模型预测数据；

异常决策模块，用于对预测数据进行异常决策。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于长程相关性的设备运行稳定性在线监测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于长程相关性的设备运行稳定性在线监测方法。

上述本发明的实施例的有益效果如下：

本发明的一个或多个实施方式将长程相关性引入机械设备监测领域，利用信号中的lrd现象来监测机器的运行状态，然后利用分数阶自回归积分滑动平均(farima)模型定义lrd，有效解决了时变工况所带来的稳定性在线监测存在的困难，在实际工程应用中具有很好的潜力。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明根据一个或多个实施方式的长程相关性(lrd)预测过程示意图；

图2是本发明根据一个或多个实施方式使用farima模型预测的数据与实际数据比较示例图；

图3是本发明根据一个或多个实施方式从50rpm到150rpm的速度变化检测示例。

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。

实施例一：

本发明的实施例提供了一种基于长程相关性的设备运行稳定性在线监测方法，包括：

获取监测数据，并对数据进行预处理；

建立lrd时间序列模型，得到具有长程相关性的序列；

将具有长程相关性的序列转换为具有短程相关性的序列，并确定arma模型的参数；

利用已确定参数的arma模型预测数据；

对预测数据进行异常决策。

具体的，如图1所示，包括以下步骤：

步骤1：通过安装在机械设备上的传感器如声传感器、振动传感器等，进行数据采集，采集的数据隐含了机器的运行状态信息，同时已证实所采集的信号，如声信号，具有长程相关性的特性。对采集到的数据流进行预处理，将给定的时间序列x(i)，(i＝1，2，…，n)用长度为m的非重叠窗口划分为若干个子序列，然后每个子序列的平均值计算如下：

子序列x^(m)(k)的样本方差可由下式得到：

计算出的方差是对尺度为m的聚合序列的方差varx^(m)的最佳估计。

步骤2：计算长程相关的h参数。对于lrd，例如fgn(分数高斯模型)和farima过程，方差还可以用(3)式表示:

其中σ是比例参数。在描述样本方差与标度m关系曲线的对数图中，样本方差与m^2h-2为线性关系，所得点可构成一条直线。该线的斜率β＝2h-2，β＝(-1，0),由此可得到h。

步骤3：farima(p，d，q)过程广泛应用于lrd时间序列的建模，其中p是自回归阶，d是微分阶，q是移动平均阶。p和q都是非负的中间值，而d是非整数值(d∈(-0.5，0.5)).一个farima过程xt：t＝…，-1，0，1，…定义为：

φ(b)(1-b)^dxt＝θ(b)εt(4)

其中{∈t}为白噪声序列，b为后移运算符，定义为bxt＝xt-1，

φ(b)＝1-φ1b-φ2b²-…-φpb^q(5)

φ(b)＝1+θ1b+θ2b²+…+θpb^q(6)

其中为差分运算符，为分数微分算子，计算如下：

其中：

γ表示gamma函数，由定义。显然，如果d＝0，则farima(p，d，q)模型变为本实施例所用的arma(p，q)模型。farima(0，d，0)过程是farima模型的最简单、最基本的形式。farima(0，d，0)过程的性质可以描述长期依赖性，其中参数d是长期依赖强度的指标，就像fgn过程中的h参数一样，h＝d+0.5。

步骤4：在得到参数d后，利用分数阶差分算子对{yt}序列进行滤波，表达式如下:

其中：

根据公式的递归关系，可以获得以下公式：

对于d＜0.5，上式为均方收敛的，因此算子是完整的。通过这种方式，具有长程相关性的序列{yt}将转换为符合arma模型的具有短程相关性的序列{zt}。

步骤5：用最小相似信息准则(aic)确定arma模型的参数，akaike信息准则(aic)可以用来确定arma模型的最优参数(p，q)。在用时间序列数据拟合arma模型时，高斯似然可以看作是实似然函数，aic可以写为：

其中和是{φ1，…，φq}和{θ1，…，θq}的最大似然估计。

步骤6：利用已确定参数的arma模型预测未来数据：使用arma模型来预测未来的多步时间序列实际的预测值可以通过分数阶积分滤波得到，其中分数差分算子为

步骤7：使用farima模型预测的数据与实际数据对比如图2所示，对预测数据与实际观测数据yk进行残差分析，得到残差sk,计算如下：

以50rpm到150rpm的速度变化检测为例，原始数据、预测数据与残差变化如图3所示，变化点已在图中标示，其从上到下分别给出了原始信号数据、预测值和基于残差的检测结果。从原始信号数据可以看出，由于farima模型的长相关性现象，预测值能够准确反映原始信号的变化趋势。同时，残差具有较高的预测精度，并且在变化时刻出现了显著的增长，从而成功的检测到了变化。

步骤8：在残差分析的基础上，使用3σ原则进行假设检验，该控方法采用高斯分布，以检测在当前时间点k处是否发生变化：

其中，h0表示在时间点k上未发生变化，而h1表示发生变化。此处，和σ′分别是高斯分布的平均值和标准差，并通过以下公式计算：

为了减少随机噪声的干扰，采用一种自适应检测方法，将待检测的r+1连续残差值检测为异常点，即实际变化点.决策过程如下：

1)当第一次检测到变化点时，设置r＝0和变化点k为c0。

2)设r＝r+1，当连续r+1残差值{sk+m}m＝0：r满足时，求出变化点k，将变化点k设为cr。

3)让r从1增加到r直至满足c0＝cr，并输出cr作为实际变化点。随着r的增大，检测到的cr变得更加稳定，这意味着随机噪声引起的状态变化得到了很好的抑制。

长程相关技术是从数据的角度对机械设备状态进行监测，并将机械设备数据中因机械转动与设备退化过程中监测数据得长相关性进行挖掘，建立相应得数据模型。相较于本实施例引用得长程相关性以及对应分析方法，研究较多得lstm(长短期记忆网络)需要使用量得历史数据对模型进行训练与优化，同时对内部参数设置合理得收敛域，这需要花费大量得计算时间与内存，以致于在实现机械设备动态监测过程中会有较大得延时。而本实施例在保证精度得要求下，具有较快的计算速度和较小的计算负担。

本实施例将长程相关性引入机械设备监测领域，利用信号中的lrd现象来监测机器的运行状态，然后利用分数阶自回归积分滑动平均(farima)模型定义lrd，有效解决了时变工况所带来的稳定性在线监测存在的困难，在实际工程应用中具有很好的潜力。

实施例二：

本实施例提供了一种基于长程相关性的设备运行稳定性在线监测系统，包括：

数据预处理模块，用于获取监测数据，并对数据进行预处理；

lrd时间序列模型建立模块，用于建立lrd时间序列模型，得到具有长程相关性的序列；

arma模型参数确定模块，用于将具有长程相关性的序列转换为具有短程相关性的序列，并确定arma模型的参数；

数据预测模块，用于利用已确定参数的arma模型预测数据；

异常决策模块，用于对预测数据进行异常决策。

实施例三：

本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一所述的基于长程相关性的设备运行稳定性在线监测方法。

实施例四：

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述的基于长程相关性的设备运行稳定性在线监测方法。

以上实施例二-四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。