[发明专利]基于LDA主题模型的往复机械异常检测方法

权利要求书

1.基于LDA主题模型的往复机械异常检测方法，其特征在于包括如下步骤：

1)采集机组正常工况振动数据和实时运行振动数据：通过安装在往复机械上的加速度 传感器采集往复机械实时振动数据和正常工况振动数据；

2)提取数据特征集：当往复机械发生异常时，一般振动数据也会同时发生变化，因此可 应用振动数据对往复机械进行异常检测；将振动数据带入特征值计算公式，求解特征集；

3)特征集预处理：特征集预处理主要包括对特征值进行归一化和离散化处理，得到离 散化后的特征集；

4)设定主题模型个数T：主题模型为6-10；

5)构造数据集：选择8组以上离散化后的特征集作为一个数据集；

6)训练主题模型，计算主题分布：将每个数据集离散化后的特征集输入主题模型程序， 建立正常工况数据主题模型，并计算主题模型的主题分布

7)预测实时运行数据主题分布：用步骤6)中计算得到的主题预测运行数据的主题分布

8)计算实时运行数据和正常数据主题分布的JS距离：将主题分布和主题分布代入 JS距离计算公式，计算实时运行数据和正常数据主题分布的JS距离，并设定报警线。

2.根据权利要求1所述方法，其特征在于：所述步骤2)中，计算特征集，包括如下特征 值：波形的均值、峰值、方根幅值、均方值、有效峰值、标准差、歪度指标、峭度指标、峰值指 标、裕度指标、波形指标、脉冲指标、小波包分解后各个频带的能量值、峰值和峰峰值之一或 几种。

3.根据权利要求1所述方法，其特征在于：所述步骤3)中，特征集预处理：特征集预处理 主要包括对特征值进行归一化和离散化处理；数据离散化是将正常工况数据归一化后，计 算每种特征值的均值μ和方差σ，设定每种特征值的报警值A和危险值D，A＝μ+2*σ，D＝μ+4* σ，依据报警值A和危险值D将每种特征划分为词库中的3个词1，2，3，特征对应的特征值小于 等于报警值A时，定义该特征为1；大于报警线A，小于等于危险线D时，定义该特征为2；大于 危险线D时，定义该特征为3；将每个特征离散化的结果进行联合，得到一个离散化后的特征 集W。

4.根据权利要求1所述方法，其特征在于：所述步骤6)中，训练主题模型，计算主题分 布：采用Gibbs采样方法计算主题模型参数，α、β是主题模型语料库级模型参数，需要提前设 置；α初始值为50/T，β初始值为0.01，T为主题模型数；

将每个数据集离散化后的特征集W输入主题模型程序，得到正常工况数据主题模型，并 计算主题模型的主题分布主题模型由一个或多个主题组成，每个主题为词库中多个词 的联合概率分布一个或多个主题出现的联合概率分布为

5.根据权利要求1所述方法，其特征在于：所述步骤7)中，预测实时运行数据主题分布 将步骤6中计算得到的主题模型参数，包括每个主题出现的词汇和词汇的联合概率分 布，输入至主题分布预测程序，得到实时运行数据的主题分布

6.根据权利要求1所述方法，其特征在于：所述步骤8)中，计算运行数据和正常数据主 题分布的JS距离,并将正常数据JS距离最大值设为报警线；JS距离计算公式如下：

DKL(θ→2,θ→1)=Σj=1Tθ2jlnθ2jθ1j]]>

将上述公式带入下式，得到JS距离；

Djs(θ→2,θ→1)=12[DKL(θ→2,θ→2+θ→12)+DKL(θ→1,θ→2+θ→12)]]]>

其中θ_1j和θ_2j分别为机组正常工况数据的主题分布值和运行采集的实时数据的主题 分布值中j个主题出现的概率值，即θ→1=(θ11,θ12,θ13......θ1T),θ→2=(θ21,θ22,θ23......θ2T);]]>T为 设定的主题数。