[发明专利]基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法

说明书

本发明公开了基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法。本发明方法可以从多个时间尺度对时间序列进行复杂度的刻画，同时该方法相对于现有的多尺度熵(Mutiscale Entropy)方法、复合多尺度熵(Composite Multiscale Entropy)方法、多尺度模糊样本熵(FME)在计算的稳定性和准确性上都有显著的提高。本发明可以用于工业系统故障类型的判别、检测以及时间序列复杂度的分析。

技术领域

本发明涉及系统复杂度的研究领域，涉及的是工业系统信号时间序列复杂度的刻画方法，具体是一种基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法。

背景技术

轴承振动信号时间序列是一种重要的高维数据类型，它是由客观对象的某个物理量在不同时间点的采样值按时间先后次序而组成的序列。而量化分析一个信号时间序列的复杂度对于理解一个系统的运行规律来说是一项既复杂又重要的工作。为了分析时间序列特征并区分系统正常和混乱行为，在许多年前专家和学者们提出了很多种方法来衡量一个系统信号的复杂度。

多尺度熵(Multiscale Entropy,MSE)作为轴承振动信号时间序列复杂度的一种刻画工具，首次将熵理论和多尺度思想相结合，自从提出后在各个方面得到了广泛的应用。多尺度熵最初是基于Richman等提出的样本熵(Sample Entropy)而提出的。样本熵只能针对单一的时间尺度进行分析，不能很好的反映出长相关时间序列的内在变化。多尺度熵的提出可以对同一时间序列在不同的时间尺度上进行样本熵的计算，通过不同的时间尺度来揭示时间序列的复杂性。

多尺度熵虽然取得了广泛的应用，但是多尺度熵在时间尺度较大时，由于数据序列变短，熵值的方差明显增大,从而在针对不同尺度因子的时间序列进行计算时，多尺度熵的稳定性明显开始下降，对于不同时间序列的区分度开始降低。后来提出的复合多尺度熵(Composite Multiscale Entropy,CMSE)，复合多尺度模糊熵(Fuzzy MultiscaleEntropy,FME)虽然在一定程度上解决了上述存在的问题，但是这些方法仍然基于Richman提出的传统样本熵，在计算向量距离时仅依据两个向量各对应分量最大绝对差值，这种度量方式在度量多维向量距离时会出现偏差。，多尺度熵、复合多尺度熵方法在计算特定时间序列向量相似度时采用非零即一的累加方法，这种非零即一的刻画方法无法精确地刻画时间序列中两个向量的相似度。针对多个相似的时间序列进行计算时，上述方法的区分度会明显下降。因此需要寻找和研究新的方法来刻画工业系统信号时间序列特征，提高工业系统故障检测水平。

发明内容

本发明的目的是针对上述传统的工业系统信号时间序列复杂度刻画方法存在的不足，提出了一种基于欧氏距离多尺度模糊样本熵(EuclideanDistance basedMultiscale Fuzzy Entropy，EDM-Fuzzy)的工业系统故障检测技术。在传统多尺度熵计算中，对于不同嵌入维数m在计算时间序列的相似度时采用了两个向量对应分量差值最大值的方法，如果两个向量的绝对距离在允许的相似容差范围内则累加1，否则累加0。这样简单的限制使得在计算时间序列的相似度时划分粒度太粗，不能很好的区分相似的时间序列。本发明采用了欧氏距离来代替两个向量对应分量最大绝对差值的方法，并且用模糊函数代替0-1阶跃函数，解决了0-1跳跃问题，提高了模板间匹配度计算的准确度，进而提升了对不同时间序列的区分度，同时增强了在大时间尺度下计算的稳定性。

本发明具体包括以下步骤：

步骤1、通过信号采集设备采集工业系统正常工作状态以及不同类型故障状态下的信号数据；

步骤2、对每种状态类型下原始信号对应一个时间序列{x(i)|i＝1,2,...,N}，其中i序列对于某一时刻的数值，N表示时间序列的长度；对时间序列{x(i)|i＝1,2,...,N}进行尺度因子τ粗粒度变换(τ为正整数)，形成若干粗粒向量