本發(fā)明屬于機械異常檢測領(lǐng)域，涉及針對轉(zhuǎn)動機械運行狀態(tài)的異常檢測方法，具體是一種基于狄利克雷混合模型的轉(zhuǎn)動機械運行狀態(tài)異常檢測方法。

背景技術(shù)：

化工機械遍布在化工生產(chǎn)的方方面面，對化工生產(chǎn)起著至關(guān)重要的作用。一旦發(fā)生故障，輕則影響生產(chǎn)，重則機毀人亡。因此如何有效實現(xiàn)轉(zhuǎn)動機械實時智能狀態(tài)監(jiān)測，及時發(fā)現(xiàn)機組異常，成為當(dāng)前研究的熱點。

目前，國內(nèi)對轉(zhuǎn)動機械運行狀態(tài)異常檢測進行了大量的研究，異常檢測方法主要分為兩種：一、單特征值預(yù)警；二、提取多特征值，運用降維方法將多特征降維成一個或少數(shù)幾個特征，根據(jù)特征值在空間分布上的變化判斷機組是否發(fā)生異常。這些方法雖然在異常檢測方面取得了一些成果，但還存在很多不足。轉(zhuǎn)動機械信號具有非平穩(wěn)性，機組發(fā)生異常后，波形幅值可能不會升高。因此，單特征值很難較全面的描述波形特征實現(xiàn)預(yù)警；高維特征降維獲取一個或少數(shù)幾個特征的方法，在降維過程中，做了很多理想的假設(shè)，忽視了特征之間實際的相互聯(lián)系，弱化了降維方法的性能，使異常檢測的準確率低。因此如何利用高維特征實現(xiàn)異常檢測，成為當(dāng)前研究的難點。

針對上述問題，提出了基于統(tǒng)計模型的異常檢測方法。傳統(tǒng)的基于統(tǒng)計模型的異常檢測方法存在諸多的局限性，比如，實際生產(chǎn)中的狀態(tài)監(jiān)測數(shù)據(jù)很復(fù)雜，難以確定其分布形式，為了簡化計算，大多假設(shè)數(shù)據(jù)呈高斯分布，這種假設(shè)具有較大的主觀性，對于復(fù)雜的數(shù)據(jù)分布問題，會使分析結(jié)果和實際偏離較大；訓(xùn)練過程中，模型參數(shù)直接由樣本數(shù)據(jù)計算得到，忽視了先驗知識對異常檢測的作用；模型個數(shù)依據(jù)經(jīng)驗設(shè)定等。這些都大大降低了異常檢測的準確率。

近年來，隨著機器學(xué)習(xí)的發(fā)展，狄利克雷混合模型受到越來越多的關(guān)注，該方法目前較成熟的運用于多個領(lǐng)域，且取得了很好的效果。因此，將狄利克雷混合模型與機械異常檢測相結(jié)合，提出了一種基于狄利克雷混合模型的機械異常檢測方法，該方法無需假設(shè)數(shù)據(jù)分布形式，運用先驗知識建立統(tǒng)計分布模型，可依據(jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)出最優(yōu)的模型參數(shù)和模型個數(shù)。該方法提高了異常檢測準確率，提前了報警時間點，適用于轉(zhuǎn)動機械多種故障的異常檢測。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)缺點，將狄利克雷混合模型與機械異常檢測相結(jié)合，提供一套全新的，智能的，實時的，準確率高的轉(zhuǎn)動機械異常檢測方法。該方法將狄利克雷混合模型用于轉(zhuǎn)動機械異常檢測，能夠在不停車的情況下應(yīng)用實時監(jiān)測數(shù)據(jù)，監(jiān)測轉(zhuǎn)動機械運行狀態(tài)，準確率高，能夠?qū)崿F(xiàn)機械異常檢測和預(yù)警。

本發(fā)明公開了一種基于狄利克雷混合模型的轉(zhuǎn)動機械異常檢測方法，具體步驟為：

步驟1分別采集機組正常工況運行數(shù)據(jù)和實時工況運行數(shù)據(jù)：通過安裝在機械上的傳感器采集可以表征機組運行狀態(tài)的數(shù)據(jù)，數(shù)據(jù)包括正常工況數(shù)據(jù)和實時工況數(shù)據(jù)，每種工況數(shù)據(jù)推薦樣本數(shù)為50-150組。

步驟2提取數(shù)據(jù)特征，構(gòu)造特征相空間：提取能反映機組狀態(tài)監(jiān)測數(shù)據(jù)變化的多種特征，包括時域特征，頻域特征。運用這些特征構(gòu)造相空間，結(jié)果如下：

其中：x_(i,j)(i＝1,2,…,n；j＝1,2,…,m)代表樣本特征，X_i(i＝1,2,…,n)代表每組樣本m個特征構(gòu)造的相空間，A_j(j＝1,2,…,m)為n組樣本的同一類特征構(gòu)成的特征子集。

步驟3設(shè)定狄利克雷混合模型初始聚集參數(shù)α。

步驟4運用正常數(shù)據(jù)特征相空間訓(xùn)練得到基于狄利克雷混合模型的統(tǒng)計分布模型，模型數(shù)自學(xué)習(xí)結(jié)果為T，并將該模型設(shè)定為基準模型：

狄利克雷混合模型形式定義如下式：

X_i|θ_i～F(θ_i)；

θ_i|G～G；

G|α,G₀～DP(α,G₀)；

其中：

X_i服從參數(shù)為θ_i的某種分布F(θ_i)；

θ_i代表觀測數(shù)據(jù)服從的混合分布中某個分布分量，可能被重復(fù)抽樣，分量個數(shù)可以從相空間自動推斷，無需人工設(shè)定，根據(jù)推斷結(jié)果，可自學(xué)習(xí)出狄利克雷混合模型個數(shù)T。該分量先驗分布服從某種未知隨機測度G，G可以通過狄利克雷過程構(gòu)造。

G₀為基礎(chǔ)分布，α為聚集參數(shù)或者質(zhì)量參數(shù)，基礎(chǔ)分部G₀可以理解為狄利克雷過程均值，即E(G(A))＝G₀(A)，聚集參數(shù)α可以理解為狄利克雷過程逆方差,即V(G(A))＝G₀(A)(1-G₀(A))/(α+1)。

基于上述方法，運用正常數(shù)據(jù)特征相空間X_norm，構(gòu)造基于狄利克雷混合模型的轉(zhuǎn)動機械運行狀態(tài)相空間的統(tǒng)計分布模型：

(1)根據(jù)正常數(shù)據(jù)特征相空間X_norm，構(gòu)造狄利克雷分布模型DP(α,G₀(A))；

(2)依據(jù)DP(α,G₀(A))構(gòu)造出θ_i的先驗分布，并計算θ_i的后驗分布；

(3)根據(jù)θ_i的后驗分布，推導(dǎo)出特征相空間X的分布，得出正常數(shù)據(jù)特征相空間X_norm基于狄利克雷混合模型的相空間統(tǒng)計分布模型：

其中：α_i為模型權(quán)重，θ為模型參數(shù)集。

步驟5計算正常數(shù)據(jù)特征相空間模型間距離，自學(xué)習(xí)報警門限。

步驟6將模型數(shù)設(shè)定為T，訓(xùn)練實時數(shù)據(jù)統(tǒng)計分布模型：

假設(shè)當(dāng)前數(shù)據(jù)特征相空間為X_current，則依據(jù)步驟4的方法，得到模型為：

其中：β_j為模型權(quán)重，θ為模型參數(shù)集。

步驟7計算正常數(shù)據(jù)和實時運行數(shù)據(jù)特征相空間模型間的距離D：

D＝|f(X_current)-f(X_norm)|

步驟8判斷距離是否超過設(shè)定的報警門限，超過報警門限則報警，反之，繼續(xù)采集數(shù)據(jù):

式中：th為報警門限。若距離D超過報警門限，則認為正常數(shù)據(jù)相空間模型和當(dāng)前運行數(shù)據(jù)相空間模型差異度較大，機組存在異常，發(fā)生報警；若未超過報警門限，則繼續(xù)采集運行數(shù)據(jù)。

本發(fā)明提出基于狄利克雷混合模型的轉(zhuǎn)動機械運行狀態(tài)異常檢測方法，該方法在轉(zhuǎn)動機械運行狀態(tài)下即可進行異常檢測，具有實時性強，準確率高等優(yōu)點。

本發(fā)明的第一方面，公開了用特征值構(gòu)造相空間的方法；

本發(fā)明的第二方面，公開了基于狄利克雷混合模型的轉(zhuǎn)動機械運行狀態(tài)異常檢測方法流程。

附圖說明

圖1：轉(zhuǎn)動機械異常檢測流程圖

圖2：機組波形數(shù)據(jù)

圖3：特征值

圖4：A₁特征

圖5：均值向量

圖6：協(xié)方差矩陣

圖7：模型距離及報警線

具體實施方式

下面將結(jié)合附圖對本發(fā)明的具體的異常檢測流程做進一步說明。

如圖1所示，本發(fā)明具體的流程如下所示：

1、分別采集機組正常工況運行數(shù)據(jù)和實時工況運行數(shù)據(jù)：通過安裝在機械上的傳感器采集可以表征機組運行狀態(tài)的數(shù)據(jù)，數(shù)據(jù)包括正常工況數(shù)據(jù)和實時工況數(shù)據(jù)，每種工況數(shù)據(jù)推薦樣本數(shù)為50-150組；

2、提取數(shù)據(jù)特征，構(gòu)造特征相空間：提取能反映機組狀態(tài)監(jiān)測數(shù)據(jù)變化的多種特征，包括時域特征，頻域特征。運用這些特征構(gòu)造相空間，結(jié)果如下：

其中：x_(i,j)(i＝1,2,…,n；j＝1,2,…,m)代表樣本特征，X_i(i＝1,2,…,n)代表每組樣本m個特征構(gòu)造的相空間，A_j(j＝1,2,…,m)為n組樣本的同一類特征構(gòu)成的特征子集。

3、設(shè)定初始參數(shù)：設(shè)定狄利克雷混合模型初始參數(shù)α。

4、運用正常數(shù)據(jù)特征相空間訓(xùn)練得到基于狄利克雷混合模型的統(tǒng)計分布模型，模型數(shù)自學(xué)習(xí)結(jié)果為T，并將該模型設(shè)定為基準模型：

狄利克雷混合模型形式定義如下式：

X_i|θ_i～F(θ_i)；

θ_i|G～G；

G|α,G₀～DP(α,G₀)；

其中：

X_i服從參數(shù)為θ_i的某種分布F(θ_i)；

θ_i代表觀測數(shù)據(jù)服從的混合分布中某個分布分量，可能被重復(fù)抽樣，分量個數(shù)可以從相空間自動推斷，無需人工設(shè)定，根據(jù)推斷結(jié)果，可自學(xué)習(xí)出狄利克雷混合模型個數(shù)T。該分量先驗分布服從某種未知隨機測度G，G可以通過狄利克雷過程構(gòu)造。

G₀為基礎(chǔ)分布，α為聚集參數(shù)或者質(zhì)量參數(shù)，基礎(chǔ)分部G₀可以理解為狄利克雷過程均值，即E(G(A))＝G₀(A)，聚集參數(shù)α可以理解為狄利克雷過程逆方差,即V(G(A))＝G₀(A)(1-G₀(A))/(α+1)。

基于上述方法，運用正常數(shù)據(jù)特征相空間X_norm，構(gòu)造基于狄利克雷混合模型的轉(zhuǎn)動機械運行狀態(tài)相空間的統(tǒng)計分布模型：

(1)根據(jù)正常數(shù)據(jù)特征相空間X_norm，構(gòu)造狄利克雷分布模型DP(α,G₀(A))；

(2)依據(jù)DP(α,G₀(A))構(gòu)造出θ_i的先驗分布，并計算θ_i的后驗分布；

(3)根據(jù)θ_i的后驗分布，推導(dǎo)出特征相空間X的分布，得出正常數(shù)據(jù)特征相空間X_norm基于狄利克雷混合模型的相空間統(tǒng)計分布模型：

其中：α_i為模型權(quán)重，θ為模型參數(shù)集。

5、計算正常數(shù)據(jù)模型間距離，自學(xué)習(xí)報警門限。

6、將模型數(shù)設(shè)定為T，訓(xùn)練實時數(shù)據(jù)統(tǒng)計分布模型：

假設(shè)當(dāng)前數(shù)據(jù)特征相空間為X_current，則依據(jù)步驟4的方法，得到模型為：

其中：β_j為模型權(quán)重，θ為模型參數(shù)集。

7、計算正常數(shù)據(jù)和實時運行數(shù)據(jù)特征相空間模型間的距離D：

D＝|f(X_current)-f(X_norm)|

8、判斷距離是否超過設(shè)定的報警門限，超過報警門限則報警，反之，繼續(xù)采集數(shù)據(jù):

式中：th為報警門限。若距離D超過報警門限，則認為正常數(shù)據(jù)特征相空間模型和當(dāng)前運行數(shù)據(jù)特征相空間模型差異度較大，機組存在異常，發(fā)生報警；若未超過報警門限，則繼續(xù)采集運行數(shù)據(jù)。

這里以某石化2缸往復(fù)機組拉缸故障數(shù)據(jù)為例進行說明。

1、分別采集50組正常工況數(shù)據(jù)和50組異常數(shù)據(jù)。其中一組振動波形數(shù)據(jù)如圖2；

2、將波形數(shù)據(jù)帶入特征值計算公式，提取特征值，本案例波形數(shù)為n＝50，提取特征數(shù)為m＝22，特征種類包括時域波形峰值、有效值、峭度、形狀因子、脈沖因子；小波包分解后，各層的峰值、有效值。一組波形的特征X₁見圖3，特征包括波形的時域特征和頻域特征。A₁至A₂₂為分別代表所有波形的22類特征中的一類，A₁特征見圖4。50組波形22類特征構(gòu)成了相空間X。

3、參考相關(guān)文獻，可將狄利克雷模型參數(shù)α值設(shè)定為0.01。

4、將X輸入至算法，自學(xué)習(xí)出模型數(shù)T＝3和模型f(X_norm)。生成的模型參數(shù)θ包括均值μ和協(xié)方差Σ，每一個模型對應(yīng)一個均值和一個協(xié)方差矩陣，分別為22×1的向量和22×22的矩陣，第一個模型的均值和協(xié)方差矩陣學(xué)習(xí)結(jié)果見圖5和圖6(圖6(a)為協(xié)方差矩陣1-22行1-12列，圖6(b)為協(xié)方差矩陣1-22行13-22列)。模型權(quán)重

5、計算正常工況數(shù)據(jù)相空間模型間距離，距離計算方法見7中說明。將正常數(shù)據(jù)模型距離最大值設(shè)定為報警門限，本案例前20組為正常工況距離值，報警門限為圖7中的紅線。

6、根據(jù)4中的學(xué)習(xí)結(jié)果，將模型數(shù)設(shè)定為3，用同樣的方法學(xué)習(xí)出當(dāng)前工況數(shù)據(jù)特征相空間模型f(X_current)。

7、計算正常數(shù)據(jù)和實時運行數(shù)據(jù)特征相空間模型間的距離D：

D＝|f(X_current)-f(X_norm)|

多組當(dāng)前工況數(shù)據(jù)(含故障數(shù)據(jù))模型距離計算結(jié)果見圖7。

傳統(tǒng)的單值報警時間點在第60個點處，本方法報警時間點在第48個點，報警時間提前了4小時(點與點之間的時間差為20分鐘)，提高了異常檢測準確率。