[發明專利]基于時變參數預測模型的機械運行狀態監測方法及裝置

有效

• 申請號: 201810480122.3
• 申請日: 2018-05-18
• 公開（公告）號: CN108710757B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 盧國梁;文新;閆鵬
• 申請（專利權）人: 山東大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/13;G06F17/18;G10L15/26;G10L15/10
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張勇

1.一種基于時變參數預測模型的機械運行狀態監測方法，其特征在于，包括：

步驟1：估計機械系統處于正常運行狀態時的時序信號的最佳周期；通過動態時序規整法對相應進行分析處理，確定出相應時序信號的最佳周期；

步驟2：依據最佳周期，將實時采集的時序信號分割為獨立的周期信號；

步驟3：將已觀測的包含至少四個連續周期的時序信號中相同相位的數據代入已構建的微分方程預測模型，來預測下一個周期的時序信號中相同相位的數據；其中，微分方程預測模型的參數是根據已觀測時序信號的每個相位的不同而實時變化；在所述步驟3中，根據不同周期相同相位點的數據建立一個時間序列集，假定該時間序列集中的數據值是滿足微分方程在一系列時間節點上的數值，進而構建出微分方程預測模型；

步驟4：將預測的時序信號與當前時刻實際觀測的時序信號進行殘差分析，然后根據估計的最佳周期將數據殘差累加后處理，得到監測數據的周期異常度；將預測得到的數據值與實際監測得到的值進行殘差分析，即預測得到的數值與實際狀態得到的數值的差的絕對值定義為殘差；將一個周期內的所有殘差相加，得到周期殘差序列；基于所得到的周期殘差序列，通過標準化將周期殘差序列變為異常度分數序列。

2.如權利要求1所述的一種基于時變參數預測模型的機械運行狀態監測方法，其特征在于，該方法還包括：采用高斯分布的假設檢驗方法來檢測周期異常度，檢測出變化點。

3.如權利要求1所述的一種基于時變參數預測模型的機械運行狀態監測方法，其特征在于，在所述步驟3中，采用滑動窗的形式，預測以后周期的數據。

4.一種基于時變參數預測模型的機械運行狀態監測裝置，包括信號采集部和信號處理部，其特征在于，所述信號處理部，包括：

最佳周期估計模塊，其被配置為估計機械系統處于正常運行狀態時的時序信號的最佳周期；通過動態時序規整法對相應進行分析處理，確定出相應時序信號的最佳周期；

信號分割模塊，其被配置為依據最佳周期，將實時采集的時序信號分割為獨立的周期信號；

信號預測模塊，其被配置為將已觀測的包含至少四個連續周期的時序信號中相同相位的數據代入已構建的微分方程預測模型，來預測下一個周期的時序信號中相同相位的數據；其中，微分方程預測模型的參數是根據已觀測時序信號的每個相位的不同而實時變化；根據不同周期相同相位點的數據建立一個時間序列集，假定該時間序列集中的數據值是滿足微分方程在一系列時間節點上的數值，進而構建出微分方程預測模型；

周期異常度檢測模塊，其被配置為將預測的時序信號與當前時刻實際觀測的時序信號進行殘差分析，然后根據估計的最佳周期將數據殘差累加后處理，得到監測數據的周期異常度；將預測得到的數據值與實際監測得到的值進行殘差分析，即預測得到的數值與實際狀態得到的數值的差的絕對值定義為殘差；將一個周期內的所有殘差相加，得到周期殘差序列；基于所得到的周期殘差序列，通過標準化將周期殘差序列變為異常度分數序列。

5.如權利要求4所述的一種基于時變參數預測模型的機械運行狀態監測裝置，其特征在于，所述信號處理部還包括：變化點檢測模塊，其被配置為采用高斯分布的假設檢驗方法來檢測周期異常度，檢測出變化點。

6.如權利要求4所述的一種基于時變參數預測模型的機械運行狀態監測裝置，其特征在于，在所述信號預測模塊中，采用滑動窗的形式，預測以后周期的數據。