[发明专利]基于LDA主题模型的往复机械异常检测方法

说明书

技术领域

本发明属于设备故障检测领域，涉及针对往复机械的异常检测方法，具体是一种 基于LDA主题模型的往复机械异常检测方法。

背景技术

往复机械是流程工业重要设备之一，应用广泛，尤其在炼油、化工、输气管道行业 中起着至关重要的作用。由于结构复杂，振动激励源多，故障检测准确率低，重大事故频发。 一旦发生故障，轻则影响生产，重则机毁人亡，因此如何对往复机械进行实时智能状态监 测，及时发现异常，成为当前研究的热点。

目前国内往复机械的故障检测主要集中在气阀故障，对往复机械其他重大故障异 常检测方法的研究相对较少，且异常检测方法主要包括支持向量机，神经网络等，这些方法 虽然在往复机械异常检测方面取得了一些成果，但是还存在很多不足，比如，这些方法没有 很好的从故障机理出发，使检测准确率较低；检测过程需要较大的数据量，而很多故障数据 样本缺乏等，因此往复机械异常检测一直是故障检测领域的难点。

近年来，随着机器学习的发展，LDA主题模型受到越来越多的关注，该方法目前主 要用于文本分类和检索，且取得了很好的效果。因此，将LDA主题模型与往复机械异常检测 相结合，研发了一种基于主题模型的往复机械异常检测方法，该方法适用于往复机械多种 故障的异常检测，包括活塞杆断裂，拉缸，撞缸，大头瓦磨损等重大故障。

发明内容

本发明的目的是克服现有技术缺点，将主题模型与状态监测技术相结合，提供一 套全新的，智能的，实时的，准确的往复机械异常检测方法。该方法首次将主题模型用于往 复机械异常检测，能够在不停车的情况下应用实时监测数据，监测往复机械运行状态，准确 率高，适用于往复机械异常检测。

本发明公开了一种基于主题模型的往复机械异常检测方法，具体步骤为：

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；

步骤2提取数据特征集：当往复机械组发生异常时，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 特征值。主要提取了如下特征值：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。

步骤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。 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。

步骤4设定主题模型个数T：确定最优T的简单方法就是用不同的T重复实验，当分 类正确率最优时，即正常数据集的JS距离在报警线以下的比例，和故障数据集JS距离在报 警线以上的比例值最大，认为此时的T是模型数的最佳选择。通过试验确定主题模型为6-10 时效果较好。

步骤5构造数据集：选择8组以上(含8组)离散化后的特征集作为一个数据集。

步骤6训练主题模型，计算主题分布：将机组正常数据数据集输入主题模型程序，建立正常工况主题模型，并计算主题模型的主题分布采用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

步骤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