[發明專利]一種新異類檢測方法與裝置

在審

• 申請號: 201710021030.4
• 申請日: 2017-01-11
• 公開（公告）號: CN106778908A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 羅頌榮;程軍圣
• 申請（專利權）人: 湖南文理學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京風雅頌專利代理有限公司11403
• 代理人: 馬驍

技術領域

本發明涉及機械測試領域，特別地，涉及一種新異類檢測方法與裝置。

背景技術

由于旋轉機械設計時考慮了很高的安全系數，一般情況下只能采集到大量的正常狀態樣本數據。另外，考慮到故障所造成的損失，一般不開展典型故障植入實驗，因此，在旋轉機械的故障診斷應用中，很難獲取典型故障樣本和完備的故障模式特征。因此，如何通過學習正常狀態樣本數據來識別不正常的狀態(故障狀態)，成為旋轉機械故障診斷領域的難題。

新異類檢測技術能較好地解決這個難題。近年來，學者們研究了許多的方法。它們大致概括為三類：統計方法、神經網絡方法和支持向量數據描述(Support Vector Data Description，SVDD)方法。

常用的統計方法有參數法和非參數法。參數法通過估計訓練樣本的概率密度函數來判斷新的樣本數據是否屬于已知類別，如高斯混合模型。參數法建模時需要對訓練數據的分布作出正態分布假設，然后計算分布模型的參數。這種方法計算量少，容易實現，適合在線診斷。然而實際的測量數據往往不是正態分布的，所以，參數估計法實用性受到了限制。非參數法不需要事先估計數據的分布，因此受到廣泛的應用。如K-近鄰(K-Nearest Neighbor，KNN)方法，Parzen法等都是典型的參數法，但這些方法的檢測效果不但對參數選擇敏感，而且抗噪性能差。

基于神經網絡的新異類檢測方法有多層感知神經網絡(Multi-Layer Perception，MLP)，RBF神經網絡、學習矢量量化網絡(Learning Vector Quantization，LVQ)和自組織映射(Self Organizing Map，SOM)神經網絡。相對于統計方法，神經網絡不需要先驗的概率分布知識，能降低訓練計算強度，提高了新異類檢測推廣能力。但是，神經網絡方法不但容易陷入局部極小值，而且存在過學習和欠學習，容易出現“死神經元”等問題。

SVDD方法采用核函數將輸入樣本映射到高維特征空間，然后在特征空間中構造一個涵蓋了最可能多的正常樣本的超球面，以此超球面作為決策邊界。SVDD是SVM方法的推廣，能較好解決小樣本、非線性學習問題，在機械故障診斷領域得到了廣泛的應用。然而，正如SVM方法一樣，SVDD方法識別效果同樣受參數影響，需要嚴格的參數調整和優化。Tax and Duin提出通過留一法驗證來調整參數，可是留一法計算量巨大。多SVDD模型融合的SVDD方法可以減少參數對分類結果的影響，但是，如何確定模型以及模型的數量又成為了難題。

針對現有技術中各處理方法參數選擇敏感、抗噪性能差、存在過學習和欠學習、計算量巨大、計算效率低等問題，目前尚無有效的解決方案。

發明內容

有鑒于此，本發明的目的在于提出一種新異類檢測方法與裝置，能夠高魯棒性與高效率的解決只有大量的正常樣本沒有故障樣本的機械故障診斷問題。

基于上述目的，本發明提供的技術方案如下：

本發明實施例提供了一種新異類檢測方法，包括：

收集正常狀態下的樣本作為訓練樣本與驗證樣本；

從訓練樣本中提取特征值，并根據訓練樣本特征值訓練狀態模型；

從驗證樣本中提取特征值，同時使用狀態模型處理驗證樣本獲得預測特征值，根據每一組特征值與預測特征值確定一個對應的預測誤差平方和，并根據所有預測誤差平方和計算預測誤差平方和閾值；

根據測試樣本的預測誤差平方和與預測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

在一些實施方式中，所述特征值的提取步驟包括：

對樣本進行局部特征尺度分解(Local characteristic scale decomposition，LCD)，獲得內稟尺度分量(Intrinsic scale component，ISC)集合；

用相關系數法從內稟尺度分量集合中剔除與噪聲和分解過程有關的內稟尺度分量，獲得主導內稟尺度分量集合；

重構主導內稟尺度分量集合獲得降噪后的振動加速度信號；

從降噪后的振動加速度信號中提取高相關性的時域統計特征量作為特征值。

在一些實施方式中，所述收集正常狀態下的樣本為采集正常狀態下的原始振動信號。

在一些實施方式中，所述特征值包括：峭度、峰值因子、裕度、脈沖因子、波形因子。

在一些實施方式中，所述狀態模型為以下之一：線性模型、線性交互模型、純二次模型或二次交互模型。