[发明专利]一种基于区间标准差结合频谱分析的振动数据清洗方法

说明书

本发明提供一种基于区间标准差结合频谱分析的振动数据清洗方法，计算原始振动信号样本X的标准差划分区间组成数组，计算数组均值和标准差，依据3σ准则判断原始振动信号样本X是否为异常样本，若为异常样本则进行清洗，若为正常样本则将原始振动信号样本X分为两组，分别转换为频谱；将频谱进行平滑消除噪声影响；对频谱进行相关分析得到相关系数，如果相关系数小于阈值，则原始振动信号样本X为异常样本，清洗；如果相关系数大于或等于阈值，则原始振动信号样本X为正常样本，保留。本发明通过计算比较原始振动信号每个子区域样本标准差，结合相邻两个区间快速傅里叶变换频谱相关性分析对异常信号在线识别，降低异常信号对后续故障诊断的干扰。

技术领域

本发明涉及测量测试技术领域，具体涉及一种基于区间标准差结合频谱分析的振动数据清洗方法。

背景技术

在设备预测性维护中，基于振动信号分析是应用最广泛的故障监测方法之一。目前该领域研究重点主要集中在数据的采集、挖掘和分析等方面，而忽略了数据质量带来的隐患。由于外在工况多变、采集装置故障等复杂因素，采集得到的振动数据往往有数据缺失、信息冗余和数据错误等质量问题，这将直接影响到后续数据分析的结果，极大地降低了数据的可用性。数据异常点去除（数据清洗）作为一种数据预处理手，能够判别采集的振动数据中的错误数据，尽最大可能地保证数据使用前的正确性，避免其对真实故障信号的干扰，以此来提高故障诊断效果。随着对异常数据挖掘研究的深入，在故障诊断领域出现了许多异常数据挖掘算法：基于监督的异常数据挖掘、基于半监督的异常数据挖掘、基于无监督的异常数据挖掘、基于小波变换的信号异常点检测的方法等，这些方法主要从机器学习和信号处理角度对异常样本进行在线监测和识别。

基于监督的异常数据挖掘实质上是一种分类方法，它需要事先用含有标签的数据进行训练建立区分正常或异常的模型，然后根据模型在检测阶段对测试集数据来区分是正常还是异常。

基于半监督的异常数据挖掘通常情况下异常数据在数据集中占用的比例很少，用监督的方法建立分类模型往往在实际应用中是很不现实的，基于半监督的异常数据挖掘方法就是在这种情况下提出来的，它通常是用大量的正常标签数据进行建模，建立正常数据对象的分类模型，后在检测阶段将分类边界的数据标记为异常数据。

基于无监督的异常数据挖掘通常建立在一个假设上，即数据集中正常数据的样本数远远大于异常数据的样本数，该方法无需任何先验知识也无需事先对标记数据进行处理，当某种数据与大多数样本数据差异性较大时，则这个数据是异常数据的可能性极大。

基于小波变换的信号异常点检测的方法，该方法根据信号变化的速度快慢选取合适的小波函数和分解尺度，利用小波分析“数学显微镜”的特点，对信号进行多尺度分析。在奇异点处，小波变换后的系数具有模极大值，因而可以通过对模极大值的监测来确定是否为异常样本。

基于监督的异常数据挖掘通常适用于离线分析：面向静态数据集或数据行为变化很小的动态数据集，如果数据变化很大，原先建立的分类模型就不能反应数据集的数据正常或异常的行为特性，因此往往要重新选择训练集来建立分类模型，这样代价是很大的。

基于小波变换的信号异常点检测的方法。但是该方法涉及的参数过多（小波类型、分解尺度等），小波变换虽然可以同时从时域和频域上对行为信号进行解析，但小波基的选择往往会因生物个体的差异而不具备自适应性，对于实时精确时频分析比较困难；经验模态分解(EMD)方法能够得到本征模态函数分量，但振动信号被分解后各个分量不具有可解释性。

通常异常振动数据包含冲击信号，该冲击信号产生的幅值会远大于正常工况信号，可以直接利用峰峰值（最大值和最小值的差）作为阈值来判断是否为异常样本，但是有些故障如不平衡（1倍频）、不对中（2倍频）等也会产生较大的幅值，所以直接利用峰峰值来判断是否为异常样本容易将常见故障信号也排除，所以该方法实际应用中存在很多问题。

发明内容