基于高维振动信号的综合传动状态异常智能检测方法

技术领域

本发明属于装甲车辆传动装置异常检测技术领域，具体涉及一种基于高维振动信号的综合传动状态异常智能检测方法。

背景技术

作为装甲车辆传递动力、保证机动性的“核心部件”，传动装置使用性直接决定车辆在战场上的生存能力、战斗力。综合传动装置是一种集机、电、液于一体的高度集成的复杂系统，因其结构紧凑、有较高的传动效率及良好的操纵方便性，成为当前装甲车辆的最佳传动型式而广泛应用。装甲车辆复杂多变的服役环境和极端工况、装备本身的复杂性、设计制造水平、操作及其它非计划事件等，导致传动系统故障极难避免。

振动信号是产品运行状态的载体，与产品的设计、制造、装配及使用情况实时相关。传动系统内部所有的齿轮、轴、轴承、结构件等的任何变化及异常，都会表现为振动信号的特征变化，可经由振动信号的处理和分解，直接获得各层级零部件的工作状态信息。但是，现有基于振动信号的复杂传动系统状态监测技术大多都局限于，其它零部件在理想状态下工作时某一构件出现故障的场景应用。然而，事实上，由于制造加工水平、历史使用工况的巨大差异，装甲车辆综合传动装置产品在出厂阶段、实际使用阶段，虽然没有发生或发现明显故障或问题，但事实上其内部的元件状态已经偏离了设计制造或相应阶段该有的平均水平，如果未被提前发现且继续使用，将会造成严重故障。因此，基于批量高维振动信号，构造综合传动装置在不同寿命阶段的平均水平基线，以该基线为标准筛选异常进一步分析检查问题对监测诊断效率、效果等具有重要意义，对基于振动信号的状态监测与诊断技术解决实际生产和使用问题具有重要意义。

尽管如此，由于综合传动装置具有上千个零件且结构高度复杂，进一步，振动信号会随不同挡位、转速、负载工况、风扇状态、油泵状态、转向状态等变化而变化。不同对象、不同工况、不同因素相乘形成上万种不同的振动数据考量维度，具体反映为振动传感器测试到的不同信号特征以及在此基础上计算得到的不同时域及频域特征及指标差异，并间接导致传动装置在不同工况下的健康阈值存在差异。如此高维的数据根本无法通过传统的逐一处理、对比检查和筛选得到真实的结果，甚至，某一维度组合和另一维度组合结果还可能相悖。因此，迫切需要一种科学的方法解决复杂综合传动装置基于高维振动数据的异常检测判定问题。基于高维振动信号数据构建传动装置的健康阈值体系，对综合传动装置健康状态进行判定，本质上是高维数据的单分类问题。至今为止，尚未发现有基于装甲车辆综合传动装置高维振动信号的状态异常智能检测相关方法。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何为装甲车辆的传动装置整体提供一种异常检测方法，能够实现传动装置整体正异常判断，并具备高异常检测精度。

(二)技术方案

为解决上述技术问题，本发明提供一种基于高维振动信号的综合传动状态异常智能检测方法，如图1所示，所述方法包括以下步骤：

步骤1：通过传感器采集传动装置的振动信号，得到样本数据si；

步骤2：将采集到的训练数据和测试数据进行数据处理，分别提取振动信号的时域特征和频域指标；

步骤3：利用支持向量数据描述方法对训练数据进行训练，得到训练后的最小超球体模型的球心C和半径R；

步骤4：将待测样本的时域特征和频域指标输入最小超球体模型，计算其到球心的距离d，通过d与R的比较判断当前样机的工作状态正常与否。

其中，所述步骤1中，在指定转速下进行采样，使用计算机系统采集和记录车载CAN总线和振动传感器的数据。

其中，所述步骤2计算传动装置振动信号的时域特征与频域特征；

其中，所述时域特征包括：均方根值Z

其中，所述步骤2计算传动装置振动信号的时域特征与频域特征；

其中，所述频域特征包括：针对各轴的转频及其高次谐波能量的算术均值X

其中，所述步骤3包括：

步骤31，通过非线性变换函数将数据从原始空间映射到特征空间，然后在特征空间中构造体积最小的超球体模型，将基于正常样本的异常检测问题转化为最优化问题，从而构建最小超球体模型来描述正常数据；

步骤32，使用拉格朗日乘子法求解原始约束问题的对偶问题，得到最小超球体模型的球心C和半径R；

步骤33，对于可以融入异常样本的情况，融入异常样本，重新计算最小超球体模型的球心C和半径R。

其中，所述步骤4中，对待测样机采集的数据进行检测，将得到的测试样本x

其中，所述步骤4中，超球体的半径R即为给定工况下的健康阈值。

其中，d超过半径r时则判断装置处于异常状态。

其中，所述步骤4中，若d≤R，则属于正常情况。

其中，所述方法其基于支持向量数据描述的思想，构建单分类方法，解决只有超高维振动数据的问题。通过最小超球体描述和构建表征样机整体的健康状态，使用时域指标表征传动装置整体信息，使用频域指标表征轴和齿轮信息，融合表征传动装置的整体信息，很好地解决了只有正常样本情况下，传动装置的异常检测问题。

(三)有益效果

与现有技术相比较，本发明提供了一种基于装甲车辆综合传动装置高维振动信号的状态异常检测方法，其基于支持向量数据描述的思想，构建单分类方法，解决只有超高维振动数据的问题。通过最小超球体描述和构建表征样机整体的健康状态，使用时域指标表征传动装置整体信息，使用频域指标表征轴和齿轮信息，融合表征传动装置的整体信息，很好地解决了只有正常样本情况下，传动装置的异常检测问题。

附图说明

图1为传动装置异常检测流程图。

图2为传动装置异常检测效果图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

为解决上述技术问题，本发明提供一种基于高维振动信号的综合传动状态异常智能检测方法，如图1所示，所述方法包括以下步骤：

步骤1：通过传感器采集传动装置的振动信号，得到样本数据si；

步骤2：将采集到的训练数据和测试数据进行数据处理，分别提取振动信号的时域特征和频域指标；

步骤3：利用支持向量数据描述方法对训练数据进行训练，得到训练后的最小超球体模型的球心C和半径R；

步骤4：将待测样本的时域特征和频域指标输入最小超球体模型，计算其到球心的距离d，通过d与R的比较判断当前样机的工作状态正常与否。

其中，所述步骤1中，在指定转速下进行采样，使用计算机系统采集和记录车载CAN总线和振动传感器的数据。

其中，所述步骤2计算传动装置振动信号的时域特征与频域特征；

其中，所述时域特征包括：均方根值Z

其中，所述步骤2计算传动装置振动信号的时域特征与频域特征；

其中，所述频域特征包括：针对各轴的转频及其高次谐波能量的算术均值X

其中，所述步骤3包括：

步骤31，通过非线性变换函数将数据从原始空间映射到特征空间，然后在特征空间中构造体积最小的超球体模型，将基于正常样本的异常检测问题转化为最优化问题，从而构建最小超球体模型来描述正常数据；

步骤32，使用拉格朗日乘子法求解原始约束问题的对偶问题，得到最小超球体模型的球心C和半径R；

步骤33，对于可以融入异常样本的情况，融入异常样本，重新计算最小超球体模型的球心C和半径R。

其中，所述步骤4中，对待测样机采集的数据进行检测，将得到的测试样本x

其中，所述步骤4中，超球体的半径R即为给定工况下的健康阈值。

其中，d超过半径R时则判断装置处于异常状态。

其中，所述步骤4中，若d≤R，则属于正常情况。

其中，所述方法其基于支持向量数据描述的思想，构建单分类方法，解决只有超高维振动数据的问题。通过最小超球体描述和构建表征样机整体的健康状态，使用时域指标表征传动装置整体信息，使用频域指标表征轴和齿轮信息，融合表征传动装置的整体信息，很好地解决了只有正常样本情况下，传动装置的异常检测问题。

实施例1

本实施例提供了一种基于装甲车辆综合传动装置高维振动信号的状态异常检测方法，对于装甲车辆传动装置的出厂质量一致性监测、产品服役状态监测具有很大的实际借鉴意义。有多种智能的异常检测方法，但实际情况中，异常样本难以采集，用于训练健康阈值体系的数据集是非平衡的，健康数据的样本量远远大于异常数据的样本量，健康阈值的构建方法需具备无监督特性。支持向量数据描述方法出色地解决了只有正常样本带来的问题，利用高维映射的思想，将正常数据的特征空间映射到高维空间，通过涵盖所有样本的最小超球体，表征全部的正常数据。

下面结合说明书附图，应用基于支持向量数据描述的方法对本发明作进一步详细说明，如图1所示，所述方法的具体过程如下:

步骤1，获取样本数据。在传动装置综合试验台上，将振动传感器按照优选后的位置进行布置，将车载CAN总线和振动传感器与信号采集装置和计算机相连，计算机系统采集和记录车载CAN总线和振动传感器回传的数据。使综合传动装置运行在发动机转速为1200RPM、1700RPM和2300RPM时，应用三向加速度传感器每10秒采集振动信号，采集10段。经过去均值、去趋势项预处理，得到离散振动信号序列s＝[s

步骤2，训练样本和测试样本预处理。

步骤21，对训练样本和测试样本进行归一化处理，数据作降噪处理。

步骤22，计算信号的时域特征，均方根值

步骤23，计算信号的频域指标，针对各轴，构造转频及转频的高次谐波能量的算术均值

考虑到实际发动机必定存在的转速波动导致的频率分散，取重采样后实际阶次1％范围内的窄带能量作为频率能量计算上述频域指标。

步骤3，最小超球体模型训练。

步骤31，训练数据

s.t.||Φ(x

式中，R为超球体半径，C为超球体球心，ξ

步骤32，使用拉格朗日乘子法，求解上述问题的对偶问题

式中，a

式中，K

步骤33，融入已知的异常样本后，可以通过加入异常样本对原健康阈值即超球体半径R进行完善，防止过拟合现象发生。定义训练集中正常样本和异常样本的标签分别为y

超球体的球心、半径以及测试样本x

步骤4，异常检测。

对需要测试的传动装置，进行上述信号采集和数据预处理方法，得到测试样本x

若d≤R，则说明测试样本在超球体上或超球体内部，属于正常样本，反之，则属于异常样本。超球体的半径R即为给定工况下的健康阈值。

当训练数据中有异常样本时，测试样本x

同样的，若d＞R，则说明测试样本在超球体外部，属于异常样本。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。