[发明专利]一种基于声学信号分析的机械系统运行状态实时监控方法

摘要

本发明公开了一种基于声学信号分析的机械系统运行状态实时监控方法，对步骤一采集机械系统运行时产生的声学信号，该声学信号为时序周期性信号，确定声学时序周期性信号中存在的最小周期；步骤二对步骤一中的声学信号进行预处理，对预处理后的信号利用估计的回归模型及步骤一中的最小周期进行异常度分析；步骤三根据步骤二异常度分析得到的异常度，采用RPM统计检验，构建martingale，检测出变化点并发出警报。本发明通过分析处理机械系统运行过程中产生的声学信号，实现机械系统运行状态的实时监控，具有良好的稳定性和鲁棒性。

主权项

一种基于声学信号分析的机械系统运行状态实时监控方法，其特征是，包括以下步骤：步骤一：采集机械系统运行时产生的声学信号，该声学信号为时序周期性信号，确定声学时序周期性信号中存在的最小周期；步骤二：对步骤一中的声学信号进行预处理，对预处理后的信号利用估计的回归模型及步骤一中的最小周期进行异常度分析；步骤三：根据步骤二异常度分析得到的异常度，采用随机加权鞅统计检验，构建鞅检测出变化点并发出警报；所述步骤二中估计的回归模型为：xnT+v＝μv+β(nT+v)+εnT+v，(1≤nT+v≤m)   (1)式中，xnT+v是在时序周期数据{xt},t＝1,2,3…m中第n个周期的第v相数据，误差ε的均值为零，在实际采集的时序周期性数据中，均值μ通常有μnT+v＝μv，变化趋势β的值为一稳定常数；所述步骤二中异常度分析用于检测数据的异常度，其具体方法为：(2‑1)建立的回归模型中(μv1，β1)在时间点c变为(μv2，β2)，该模型被描述为分段回归模型，公式如下：xnT+v=f(x)={μv1+β1(nT+v)+ϵnT+v,1≤nT+v<cμv2+β2(nT+v)+ϵnT+v,c≤nT+v≤m---(2)]]>分段回归模型允许均值和趋势的变化，出现的情况如下：情况1：μv1＝μv2和β1＝β2情况2：和/或β1≠β2   (3)；(2‑2)计算预测值在该时间点的检测误差为qnT+v，计算公式如下：qnT+v=|xnT+v-x^nT+v|r---(4)]]>式中，当nT+v<c时，qnT+v是一个非常小的值，近似等于0，即qnT+v→0+σ，其中σ为一极小值；当nT+v＝c时，即满足公式(3)的情况2，qnT+v＝|Δμv+Δβ(nT+v)|r+εnT+v，其中和Δβ＝(β1‑β2)很大，代表出现了数据异常；(2‑3)用来近似表示计算公式为：式中，由已观测到的n‑1个周期的数据计算得出，βΔt是一个值恒定的常数，在计算中可等效消去公式(5)中βΔt的影响，得到(2‑4)在一窗函数τ内计算qnT+v，计算公式为：(2‑5)将{qnT+v}标准化成{znT+v}，转换公式为：式中，为{qnT+v}的平均值，而σ为{qnT+v}的标准差；(2‑6)在步骤(2‑5)标准化得到的{zt}，t＝1,2…m的基础上，通过已观测的数据{z1，z2…zt‑1}来得到zt的异常度st，计算公式为：st＝s({z1，z2，…，zt‑1}，zt)＝|zt‑Ht|r   (8)式中，