[發明專利]一種基于SES-LOF的旋轉機械監測數據噪點檢測方法

有效

• 申請號: 201811144833.X
• 申請日: 2018-09-29
• 公開（公告）號: CN109190598B
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 雷亞國;李則達;許學方;周昕;李乃鵬
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F17/14
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賀建斌

一種基于SES?LOF的旋轉機械監測數據噪點檢測方法，先獲取一段旋轉機械監測信號作為原始信號，根據幅值計算每個信號點的局部異常因子值；將局部異常因子值大于1的所有信號點標記為可疑噪點，并得到可疑噪點的一個集合；然后從該集合中選取可疑噪點，將該可疑噪點從原始信號中剔除，得到新的信號；再對新的信號先后作希爾伯特變換與傅里葉變換，并計算新的信號的Shannon熵；之后根據3σ準則判斷該可疑噪點是否為真實噪點；遍歷完集合中的所有可疑噪點后，最終完成真實噪點的檢索；本發明方法提高了基于傳統LOF算法對旋轉機械監測數據進行噪點檢測的能力，對于旋轉機械監測數據噪點檢測工作具有理想的效果。

技術領域

本發明屬旋轉機械監測數據質量改善技術領域，具體涉及一種基于SES-LOF的旋轉機械監測數據噪點檢測方法。

背景技術

旋轉機械被廣泛應用于電力、石化、冶金和交通運輸等領域，是工業生產中的重要設備。為了保證旋轉機械設備安全可靠地運行，需要對其進行健康狀態監測，并實時獲取大量設備運行監測數據，通過對監測數據進行分析處理，可及時甚至提前發現設備故障。而旋轉機械裝備的工作環境常常十分惡劣，導致監測大數據中混雜大量漂移、失真、殘缺的臟數據，這些臟數據與設備自身健康狀態無關，它們的存在嚴重降低數據質量。基于低質量數據建立的相關健康監測與智能診斷模型，可能會對旋轉機械健康狀態進行誤判，制定出錯誤運維策略。此外，低質量數據的存儲占據大量存儲空間、加劇數據分析計算負荷、降低分析效率。因此，數據質量的優劣事關大數據分析成敗，是保障旋轉機械設備安全運行的關鍵。

在旋轉機械健康監測領域，異常點定義為該點的產生與機械自身健康狀態無關的點，將旋轉機械監測數據中的噪點定義為不具有周期性的異常點，噪點數據作為臟數據的一種，在分析設備運行監測數據時需要先對其進行檢測，然后將其剔除。LOF(LocalOutlier Factor)是進行異常點檢測的一種常用算法，傳統LOF方法直接應用于旋轉機械監測數據噪點檢測時，往往會誤將旋轉機械監測信號中的沖擊成分識別為噪點，若對其進行噪點剔除，將破壞原始數據中的典型故障信息，導致監測數據質量不升反降。

發明內容

為了克服上述現有技術的缺點。本發明的目的在于提供了一種基于SES(Squaredenvelop spectrum)-LOF的旋轉機械監測數據噪點檢測方法，能準確檢測旋轉機械監測數據的噪點并保留沖擊成分。

為了達到上述目的，本發明采取的技術方案為：

一種基于SES-LOF的旋轉機械監測數據噪點檢測方法，包括以下步驟：

1)獲得一段旋轉機械監測信號作為原始信號x(t)，其中t＝1,…,N，N為該段信號采樣點個數；根據幅值大小，依次計算原始信號x(t)數據段中每個點的局部異常因子值；具體為，當t＝j時，點x(j)的局部異常因子值計算表達式如下：

其中，k為LOF算法的參數，其值取為5；

N_k(x(j))是點x(j)的鄰域，即x(j)的第k距離以內的所有點，包括第k距離上的點；

lrd_k(o)與lrd_k(x(j))分別為點o與點x(j)的局部可達密度，根據式(2)、式(3)分別計算：

其中，o'為o的鄰域，k_distance(o')表示點o'的第k距離，k_distance(o)表示點o的第k距離，d(o,o')表示點o與o'的歐氏距離，d(x(j),o)表示點x(j)與點o的歐氏距離，N_k(o)是點o的鄰域，max{·}表示取所有值中的最大值；

2)將局部異常因子值大于1的所有點標記為可疑噪點，設有M個可疑噪點，則得到可疑噪點集合C_p；