本發(fā)明涉及機(jī)械測(cè)試領(lǐng)域，特別地，涉及一種新異類(lèi)檢測(cè)方法與裝置。

背景技術(shù)：

由于旋轉(zhuǎn)機(jī)械設(shè)計(jì)時(shí)考慮了很高的安全系數(shù)，一般情況下只能采集到大量的正常狀態(tài)樣本數(shù)據(jù)。另外，考慮到故障所造成的損失，一般不開(kāi)展典型故障植入實(shí)驗(yàn)，因此，在旋轉(zhuǎn)機(jī)械的故障診斷應(yīng)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(guò)學(xué)習(xí)正常狀態(tài)樣本數(shù)據(jù)來(lái)識(shí)別不正常的狀態(tài)(故障狀態(tài))，成為旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的難題。

新異類(lèi)檢測(cè)技術(shù)能較好地解決這個(gè)難題。近年來(lái)，學(xué)者們研究了許多的方法。它們大致概括為三類(lèi)：統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)方法和支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)方法。

常用的統(tǒng)計(jì)方法有參數(shù)法和非參數(shù)法。參數(shù)法通過(guò)估計(jì)訓(xùn)練樣本的概率密度函數(shù)來(lái)判斷新的樣本數(shù)據(jù)是否屬于已知類(lèi)別，如高斯混合模型。參數(shù)法建模時(shí)需要對(duì)訓(xùn)練數(shù)據(jù)的分布作出正態(tài)分布假設(shè)，然后計(jì)算分布模型的參數(shù)。這種方法計(jì)算量少，容易實(shí)現(xiàn)，適合在線診斷。然而實(shí)際的測(cè)量數(shù)據(jù)往往不是正態(tài)分布的，所以，參數(shù)估計(jì)法實(shí)用性受到了限制。非參數(shù)法不需要事先估計(jì)數(shù)據(jù)的分布，因此受到廣泛的應(yīng)用。如K-近鄰(K-Nearest Neighbor，KNN)方法，Parzen法等都是典型的參數(shù)法，但這些方法的檢測(cè)效果不但對(duì)參數(shù)選擇敏感，而且抗噪性能差。

基于神經(jīng)網(wǎng)絡(luò)的新異類(lèi)檢測(cè)方法有多層感知神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perception，MLP)，RBF神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化網(wǎng)絡(luò)(Learning Vector Quantization，LVQ)和自組織映射(Self Organizing Map，SOM)神經(jīng)網(wǎng)絡(luò)。相對(duì)于統(tǒng)計(jì)方法，神經(jīng)網(wǎng)絡(luò)不需要先驗(yàn)的概率分布知識(shí)，能降低訓(xùn)練計(jì)算強(qiáng)度，提高了新異類(lèi)檢測(cè)推廣能力。但是，神經(jīng)網(wǎng)絡(luò)方法不但容易陷入局部極小值，而且存在過(guò)學(xué)習(xí)和欠學(xué)習(xí)，容易出現(xiàn)“死神經(jīng)元”等問(wèn)題。

SVDD方法采用核函數(shù)將輸入樣本映射到高維特征空間，然后在特征空間中構(gòu)造一個(gè)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(xué)習(xí)問(wèn)題，在機(jī)械故障診斷領(lǐng)域得到了廣泛的應(yīng)用。然而，正如SVM方法一樣，SVDD方法識(shí)別效果同樣受參數(shù)影響，需要嚴(yán)格的參數(shù)調(diào)整和優(yōu)化。Tax and Duin提出通過(guò)留一法驗(yàn)證來(lái)調(diào)整參數(shù)，可是留一法計(jì)算量巨大。多SVDD模型融合的SVDD方法可以減少參數(shù)對(duì)分類(lèi)結(jié)果的影響，但是，如何確定模型以及模型的數(shù)量又成為了難題。

針對(duì)現(xiàn)有技術(shù)中各處理方法參數(shù)選擇敏感、抗噪性能差、存在過(guò)學(xué)習(xí)和欠學(xué)習(xí)、計(jì)算量巨大、計(jì)算效率低等問(wèn)題，目前尚無(wú)有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提出一種新異類(lèi)檢測(cè)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(méi)有故障樣本的機(jī)械故障診斷問(wèn)題。

基于上述目的，本發(fā)明提供的技術(shù)方案如下：

本發(fā)明實(shí)施例提供了一種新異類(lèi)檢測(cè)方法，包括：

收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗(yàn)證樣本；

從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；

從驗(yàn)證樣本中提取特征值，同時(shí)使用狀態(tài)模型處理驗(yàn)證樣本獲得預(yù)測(cè)特征值，根據(jù)每一組特征值與預(yù)測(cè)特征值確定一個(gè)對(duì)應(yīng)的預(yù)測(cè)誤差平方和，并根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值；

根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)。

在一些實(shí)施方式中，所述特征值的提取步驟包括：

對(duì)樣本進(jìn)行局部特征尺度分解(Local characteristic scale decomposition，LCD)，獲得內(nèi)稟尺度分量(Intrinsic scale component，ISC)集合；

用相關(guān)系數(shù)法從內(nèi)稟尺度分量集合中剔除與噪聲和分解過(guò)程有關(guān)的內(nèi)稟尺度分量，獲得主導(dǎo)內(nèi)稟尺度分量集合；

重構(gòu)主導(dǎo)內(nèi)稟尺度分量集合獲得降噪后的振動(dòng)加速度信號(hào)；

從降噪后的振動(dòng)加速度信號(hào)中提取高相關(guān)性的時(shí)域統(tǒng)計(jì)特征量作為特征值。

在一些實(shí)施方式中，所述收集正常狀態(tài)下的樣本為采集正常狀態(tài)下的原始振動(dòng)信號(hào)。

在一些實(shí)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(shí)施方式中，所述狀態(tài)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。

在一些實(shí)施方式中，所述根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值包括：

計(jì)算所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和的均值作為期望值；

計(jì)算所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和的方差作為標(biāo)準(zhǔn)差；

根據(jù)所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和期望值、標(biāo)準(zhǔn)差與誤檢率計(jì)算預(yù)測(cè)誤差平方和閾值。

在一些實(shí)施方式中，所述根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)包括：

將一測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值進(jìn)行大小比較；

當(dāng)預(yù)測(cè)誤差平方和大于預(yù)測(cè)誤差平方和閾值時(shí)，判定該測(cè)試樣本為新異類(lèi)樣本；

當(dāng)預(yù)測(cè)誤差平方和小于預(yù)測(cè)誤差平方和閾值時(shí)，判定該測(cè)試樣本為正常樣本。

本發(fā)明實(shí)施例還提供了一種電子設(shè)備，包括至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行上述方法。

本發(fā)明實(shí)施例還提供了一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行上述方法。

本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括存儲(chǔ)在非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上的計(jì)算程序，所述計(jì)算機(jī)程序包括程序指令，當(dāng)所述程序指令被計(jì)算機(jī)執(zhí)行時(shí)，使所述計(jì)算機(jī)執(zhí)行上述方法。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗(yàn)證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗(yàn)證樣本中提取特征值，同時(shí)使用狀態(tài)模型處理驗(yàn)證樣本獲得預(yù)測(cè)特征值，根據(jù)每一組特征值與預(yù)測(cè)特征值確定一個(gè)對(duì)應(yīng)的預(yù)測(cè)誤差平方和，并根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值；最后根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)。

本發(fā)明能夠高魯棒性與高效率的解決機(jī)械故障診斷中的新異類(lèi)檢測(cè)問(wèn)題。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為根據(jù)本發(fā)明實(shí)施例的一種新異類(lèi)檢測(cè)方法的流程圖；

圖2為根據(jù)本發(fā)明實(shí)施例的一種新異類(lèi)檢測(cè)中，從樣本中提取特征值的流程圖；

圖3為根據(jù)本發(fā)明實(shí)施例的一種新異類(lèi)檢測(cè)方法的一個(gè)實(shí)施例的詳細(xì)流程圖；

圖4為本發(fā)明實(shí)施例提供的執(zhí)行所述一種新異類(lèi)檢測(cè)方法的電子設(shè)備的一個(gè)實(shí)施例的硬件結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)一步進(jìn)行清楚、完整、詳細(xì)地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

基于上述目的，本發(fā)明實(shí)施例的第一個(gè)方面，提出了一種新異類(lèi)檢測(cè)方法的一個(gè)實(shí)施例。

如圖1所示，根據(jù)本發(fā)明實(shí)施例提供的新異類(lèi)檢測(cè)方法包括：

步驟S101，收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗(yàn)證樣本；

步驟S103，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；

步驟S105，從驗(yàn)證樣本中提取特征值，同時(shí)使用狀態(tài)模型處理驗(yàn)證樣本獲得預(yù)測(cè)特征值，根據(jù)每一組特征值與預(yù)測(cè)特征值確定一個(gè)對(duì)應(yīng)的預(yù)測(cè)誤差平方和，并根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值；

步驟S107，根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)。

如圖2所示，在一些實(shí)施方式中，所述特征值的提取步驟包括：

步驟S201，對(duì)樣本進(jìn)行局部特征尺度分解，獲得內(nèi)稟尺度分量集合；

步驟S203，用相關(guān)系數(shù)法從內(nèi)稟尺度分量集合中剔除與噪聲和分解過(guò)程有關(guān)的內(nèi)稟尺度分量，獲得主導(dǎo)內(nèi)稟尺度分量集合；

步驟S205，重構(gòu)主導(dǎo)內(nèi)稟尺度分量集合獲得降噪后的振動(dòng)加速度信號(hào)；

步驟S207，從降噪后的振動(dòng)加速度信號(hào)中提取高相關(guān)性的時(shí)域統(tǒng)計(jì)特征量作為特征值。

在一些實(shí)施方式中，所述收集正常狀態(tài)下的樣本為采集正常狀態(tài)下的原始振動(dòng)信號(hào)。

在一些實(shí)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(shí)施方式中，所述狀態(tài)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。

在一些實(shí)施方式中，所述根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值包括：

計(jì)算所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和的均值作為期望值；

計(jì)算所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和的方差作為標(biāo)準(zhǔn)差；

根據(jù)所有驗(yàn)證樣本的預(yù)測(cè)誤差平方和期望值、標(biāo)準(zhǔn)差與誤檢率計(jì)算預(yù)測(cè)誤差平方和閾值。

在一些實(shí)施方式中，所述根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)包括：

將一測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值進(jìn)行大小比較；

當(dāng)預(yù)測(cè)誤差平方和大于預(yù)測(cè)誤差平方和閾值時(shí)，判定該測(cè)試樣本為新異類(lèi)樣本；

當(dāng)預(yù)測(cè)誤差平方和小于預(yù)測(cè)誤差平方和閾值時(shí)，判定該測(cè)試樣本為正常樣本。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗(yàn)證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗(yàn)證樣本中提取特征值，同時(shí)使用狀態(tài)模型處理驗(yàn)證樣本獲得預(yù)測(cè)特征值，根據(jù)每一組特征值與預(yù)測(cè)特征值確定一個(gè)對(duì)應(yīng)的預(yù)測(cè)誤差平方和，并根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值；最后根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)。

本發(fā)明能夠高魯棒性與高效率的解決只有大量的正常樣本沒(méi)有故障樣本的機(jī)械故障診斷問(wèn)題。

基于上述目的，本發(fā)明實(shí)施例的第二個(gè)方面，提出了一種新異類(lèi)檢測(cè)方法的一個(gè)實(shí)施例。

基于變量預(yù)測(cè)模型的分類(lèi)識(shí)別方法(Variable predictive model-based class discriminate，VPMCD)是一種新的模式識(shí)別方法。該方法分成模型訓(xùn)練和分類(lèi)識(shí)別兩個(gè)過(guò)程。在模型訓(xùn)練過(guò)程，VPMCD方法采用選擇線性模型、線性交互模型、純二次模型和二次交互四種模型之一，采用回歸分析方法，以誤差最小為判別函數(shù)來(lái)獲取系統(tǒng)特征變量之間的相互內(nèi)在關(guān)系，從而建立反映系統(tǒng)本質(zhì)特征的變量預(yù)測(cè)模型(VPM)。在分類(lèi)識(shí)別階段，VPMCD方法利用VPM來(lái)預(yù)測(cè)未知樣本的特征值，然后以預(yù)測(cè)誤差平方和最小為依據(jù)來(lái)實(shí)現(xiàn)判斷未知樣本的類(lèi)別，實(shí)現(xiàn)分類(lèi)識(shí)別。

本發(fā)明實(shí)施例基于VPMCD方法，提出了一種的新異類(lèi)檢測(cè)方法(ND-VPMCD)方法。首先，采用正常樣本數(shù)據(jù)建立預(yù)測(cè)模型并設(shè)定預(yù)測(cè)誤差平方和閾值，然后針對(duì)某一測(cè)試樣本，采用訓(xùn)練好的預(yù)測(cè)模型對(duì)測(cè)試樣本的特征值進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)誤差平方和，最后以預(yù)測(cè)誤差平方和是否小于閾值為判別函數(shù)，判斷測(cè)試樣本是否為新異類(lèi)。該方法的具體步驟如下：

首先，進(jìn)行ND-VPMCD模型訓(xùn)練。

共收集N個(gè)正常狀態(tài)下的樣本，將樣本隨機(jī)分成兩組，一組N_train個(gè)樣本，用來(lái)訓(xùn)練模型，剩下的N-N_train個(gè)樣本為另一組，用來(lái)驗(yàn)證模型并設(shè)定閾值(樣本數(shù)目少時(shí)也可以不分組)。然后，對(duì)N_train個(gè)正常樣本提取特征值，組成特征向量X＝[X₁,X₂,…,X_p]，并訓(xùn)練狀態(tài)模型VPM_normal。

然后，統(tǒng)計(jì)方法確定預(yù)測(cè)誤差平方和閾值。

用VPM_normal模型對(duì)正常狀態(tài)的N-N_train個(gè)樣本的各個(gè)特征變量進(jìn)行預(yù)測(cè)，并求取預(yù)測(cè)誤差平方和向量SSE_normal。正常情況SSE_normal應(yīng)該在其在閾值區(qū)間內(nèi)。如果在采樣周期內(nèi)，SSE_normal超過(guò)了閾值，則需要重新訓(xùn)練模型。根據(jù)切比雪夫不等式，對(duì)于任意實(shí)數(shù)ε.＞0，有

P{|SSE_normal-u|≥ε}≤σ²/ε² (1)

令ε＝nσ，n＞0，則上述不等式可以變換為：

P{|SSE_normal-u|≥nσ}≤1/n² (2)

其中u為數(shù)學(xué)期望，σ為標(biāo)準(zhǔn)差。對(duì)于給定檢率α＝1/n²，則可以得到SSE_normal的正常區(qū)域?yàn)椋篊:[0,μ±nσ]。

假設(shè)SSE_normal屬于正態(tài)分布，考慮到總是為正值，則SSE_normal的雙側(cè)閾值區(qū)域改為單側(cè)。例如，給定誤檢率α＝0.1、0.05、0.025，分別對(duì)應(yīng)的閾值區(qū)間C₁:[0,μ+3σ]、C₂:[0,μ+4.5σ]、C₃:[0,μ+6σ]，實(shí)際應(yīng)用中可以采用SSE_normal的均值代替數(shù)學(xué)期望u，用方差代替標(biāo)準(zhǔn)差σ。因此，在不同的誤檢率要求下，可以得到相應(yīng)的最大誤差平方和MSSE_normal＝u+nσ作為閾值來(lái)判別測(cè)試樣本是否屬于新異類(lèi)。

最后，進(jìn)行ND-VPMCD分類(lèi)。

采集測(cè)試樣本z，并提取其特征值，組成特征向量X＝[X₁,X₂,…,X_p]。

對(duì)于測(cè)試樣本z，采用VPM_normal對(duì)其進(jìn)行預(yù)測(cè)，分別得到所有特征的預(yù)測(cè)值向量

計(jì)算測(cè)試樣本z預(yù)測(cè)值的誤差平方和SSE_z。對(duì)于測(cè)試樣本z，判斷它是否屬于新異類(lèi)，要看SSE_z是否大于MSSE_normal。即如果

SSE_z＞MSSE_normal (3)

成立，則測(cè)試樣本z屬于新異類(lèi)，否則，屬于正常類(lèi)。

以下選擇UCI數(shù)據(jù)庫(kù)iris數(shù)據(jù)集來(lái)進(jìn)行仿真分析，驗(yàn)證ND-VPMCD新異類(lèi)檢測(cè)方法的有效性。iris數(shù)據(jù)集包含3類(lèi)樣本，分別為Setosa(ST)，Versicolor(VS)和Virginica(VR)，每類(lèi)樣本各50組數(shù)據(jù)，共有150組數(shù)據(jù)，每組數(shù)據(jù)4個(gè)屬性值，即特征值向量為X＝[X₁,X₂,X₃,X₄]。本次實(shí)驗(yàn)將ST類(lèi)視為正常類(lèi)，一共50組ST類(lèi)數(shù)據(jù)，類(lèi)標(biāo)簽定義為+1；將VS和VR視為新異類(lèi)(非目標(biāo)類(lèi))，一共100組新異類(lèi)數(shù)據(jù)，類(lèi)標(biāo)簽定義為－1。從50組ST類(lèi)數(shù)據(jù)集中隨機(jī)抽取20組數(shù)據(jù)作為訓(xùn)練樣本，用r＝2的LI模型作為ST類(lèi)的變量預(yù)測(cè)模型，見(jiàn)下表。

同時(shí)，計(jì)算出ST類(lèi)樣本的誤差平方和SSE_normal，且得到MSSE_normal＝0.5195。然后，用ST類(lèi)的變量預(yù)測(cè)模型對(duì)30組ST類(lèi)數(shù)據(jù)和100組非ST類(lèi)的測(cè)試樣本進(jìn)行預(yù)測(cè)，并計(jì)算每一個(gè)測(cè)試樣本的預(yù)測(cè)誤差平方和SSE_z。最后，根據(jù)式(3)的判別函數(shù)來(lái)判斷樣本分別屬于哪一類(lèi)別。

新異類(lèi)檢測(cè)器的性能指標(biāo)有：檢測(cè)率r_t(Rate of True Alarm)和虛警率r_f(Rate of False Alarm)。檢測(cè)率為異類(lèi)樣本被判為異常類(lèi)的比率，則漏警率1-r_t。虛警率為正常樣本被判為異常類(lèi)的比率。性能高的檢測(cè)器應(yīng)該既有較高的檢測(cè)率又有較低的虛警率。ND-VPMCD方法對(duì)iris數(shù)據(jù)的仿真實(shí)驗(yàn)分析結(jié)果見(jiàn)下表，ND-VPMCD方法對(duì)iris數(shù)據(jù)的新異類(lèi)檢測(cè)率為100％，虛警率為0，即能有效地檢測(cè)出新異類(lèi)。

為了驗(yàn)證本發(fā)明實(shí)施例提出的機(jī)械故障診斷方法的有效性和實(shí)用性，選用軸承作為實(shí)驗(yàn)對(duì)象，在軸承故障實(shí)驗(yàn)臺(tái)上，對(duì)滾動(dòng)軸承6307進(jìn)行實(shí)驗(yàn)。通過(guò)激光切割分別在滾動(dòng)軸承6307的內(nèi)圈和外圈加工寬0.15mm，深0.13mm的切槽來(lái)設(shè)置內(nèi)圈故障和外圈故障。實(shí)驗(yàn)中采集正常狀態(tài)的振動(dòng)加速度信號(hào)200個(gè)樣本,并將它們平均分成兩組，每組100個(gè)樣本。采集內(nèi)圈故障和外圈故障狀態(tài)的振動(dòng)加速度各18個(gè)樣本作為分析數(shù)據(jù)，采樣頻率為4096Hz，軸轉(zhuǎn)速為680rpm，采樣數(shù)據(jù)長(zhǎng)度為1024點(diǎn)。實(shí)驗(yàn)中將正常狀態(tài)定義為目標(biāo)類(lèi)，類(lèi)標(biāo)簽為+1，將內(nèi)圈故障和外圈故障狀態(tài)定義為非目標(biāo)類(lèi)，即異常類(lèi)，類(lèi)標(biāo)簽為－1。

由于傳感器獲取的信號(hào)含有較強(qiáng)的背景噪音，采用LCD方法降噪后再提取特征向量。首先對(duì)原始振動(dòng)加速度信號(hào)進(jìn)行LCD分解，得到若干ISC分量。然后采用相關(guān)系數(shù)法剔除與噪聲和分解過(guò)程有關(guān)的偽ISC分量，得到主導(dǎo)ISC分量，接著將這些主導(dǎo)ISC分量重構(gòu)，得到降噪后的振動(dòng)加速度信號(hào)。最后對(duì)這些降噪后的信號(hào)提取具有較好的相關(guān)性的時(shí)域統(tǒng)計(jì)特征量：峭度、峰值因子、裕度、脈沖因子、波形因子。

圖3示出的是基于ND-VPMCD的新異類(lèi)檢測(cè)方法的流程圖。首先，從第一組正常樣本中隨機(jī)抽取N_train個(gè)樣本作為訓(xùn)練樣本，用前述5個(gè)時(shí)域統(tǒng)計(jì)特征量組成特征向量作為ND-VPMCD的輸入向量訓(xùn)練預(yù)測(cè)變量模型VPM_training，然后利用VPM_training對(duì)剩余的100-N_train個(gè)正常樣本進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)誤差平方和，計(jì)算預(yù)測(cè)誤差平方和均值和標(biāo)準(zhǔn)差，從而得到閾值MSSE_normal。實(shí)驗(yàn)中，考慮QI和LI包括L模型和Q模型，且實(shí)驗(yàn)中的正常狀態(tài)樣本數(shù)目較多，故采用r＝3的LI模型和r＝4的QI模型，分別選取N_train為20、30、40和50來(lái)訓(xùn)練建立VPM_training。最后，將第二組100個(gè)正常樣本和36個(gè)故障樣本作為測(cè)試樣本，利用訓(xùn)練好的預(yù)測(cè)變量模型VPM_training預(yù)測(cè)測(cè)試樣本的各特征變量，并得到預(yù)測(cè)值和每個(gè)樣本的預(yù)測(cè)誤差平方和，以預(yù)測(cè)誤差平方和是否小于閾值為判別函數(shù)，實(shí)現(xiàn)新異類(lèi)檢測(cè)。

不同的訓(xùn)練樣本數(shù)目下兩種模型的檢測(cè)結(jié)果見(jiàn)下表，實(shí)驗(yàn)中的平均檢測(cè)時(shí)間為0.28s。

可見(jiàn)檢測(cè)率均為100％，從而驗(yàn)證了ND-VPMCD方法的可靠性。另外可知，ND-VPMCD檢測(cè)器的性能受模型類(lèi)型和訓(xùn)練樣本數(shù)的影響較小。同時(shí)注意到，當(dāng)訓(xùn)練樣本數(shù)為30，驗(yàn)證樣本數(shù)為70時(shí)，虛警率最低，即驗(yàn)證樣本數(shù)約為訓(xùn)練樣本數(shù)的2～3倍時(shí)，檢測(cè)精度較高而虛警率較低。

為了進(jìn)行對(duì)比分析，采用廣泛使用的SVDD方法和ND-VPMCD方法來(lái)進(jìn)行滾動(dòng)軸承故障新異類(lèi)檢測(cè)。為了比較的公平性，同樣從第一組中隨機(jī)選取30個(gè)樣本作訓(xùn)練樣本，并將第二組100個(gè)正常樣本和36個(gè)故障樣本做測(cè)試樣本。

SVDD方法需要確定兩個(gè)參數(shù)：訓(xùn)練誤差率的上界ν和核參數(shù)σ。下表顯示了不同的參數(shù)設(shè)定情況下的SVDD檢測(cè)結(jié)果，從表可見(jiàn)，設(shè)置不同的參數(shù)，SVDD分類(lèi)效果存在較大的差異。為此，本發(fā)明實(shí)施例采用網(wǎng)絡(luò)搜索法，以虛警率最小為目標(biāo)函數(shù)來(lái)尋找最優(yōu)參數(shù)，從而得到最佳參數(shù)為：ν＝0.2,σ＝2.0，此時(shí)，SVDD方法分類(lèi)結(jié)果為：檢測(cè)率r_t＝100％，虛警率r_f＝10.64％。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗(yàn)證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗(yàn)證樣本中提取特征值，同時(shí)使用狀態(tài)模型處理驗(yàn)證樣本獲得預(yù)測(cè)特征值，根據(jù)每一組特征值與預(yù)測(cè)特征值確定一個(gè)對(duì)應(yīng)的預(yù)測(cè)誤差平方和，并根據(jù)所有預(yù)測(cè)誤差平方和計(jì)算預(yù)測(cè)誤差平方和閾值；最后根據(jù)測(cè)試樣本的預(yù)測(cè)誤差平方和與預(yù)測(cè)誤差平方和閾值的比較判斷測(cè)試樣本是否屬于新異類(lèi)。

本發(fā)明能夠高魯棒性與高效率的解決只有大量的正常樣本沒(méi)有故障樣本的機(jī)械故障診斷問(wèn)題。

基于上述目的，本發(fā)明實(shí)施例的第三個(gè)方面，提出了一種執(zhí)行所述新異類(lèi)檢測(cè)方法的電子設(shè)備的一個(gè)實(shí)施例。

所述執(zhí)行所述新異類(lèi)檢測(cè)方法的電子設(shè)備包括：

至少一個(gè)處理器；以及，

與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如上所述任意一種方法。

圖4示出的是本發(fā)明提供的執(zhí)行所述新異類(lèi)檢測(cè)方法的電子設(shè)備的一個(gè)實(shí)施例的硬件結(jié)構(gòu)示意圖。

以如圖4所示的電子設(shè)備為例，在該電子設(shè)備中包括一個(gè)處理器401以及一個(gè)存儲(chǔ)器402，并還可以包括：輸入裝置403和輸出裝置404。

處理器401、存儲(chǔ)器402、輸入裝置403和輸出裝置404可以通過(guò)總線或者其他方式連接，圖4中以通過(guò)總線連接為例。

存儲(chǔ)器402作為一種非易失性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，可用于存儲(chǔ)非易失性軟件程序、非易失性計(jì)算機(jī)可執(zhí)行程序以及模塊，如本申請(qǐng)實(shí)施例中的所述新異類(lèi)檢測(cè)方法對(duì)應(yīng)的程序指令/模塊。處理器401通過(guò)運(yùn)行存儲(chǔ)在存儲(chǔ)器402中的非易失性軟件程序、指令以及模塊，從而執(zhí)行服務(wù)器的各種功能應(yīng)用以及數(shù)據(jù)處理，即實(shí)現(xiàn)上述方法實(shí)施例的新異類(lèi)檢測(cè)方法。

存儲(chǔ)器402可以包括存儲(chǔ)程序區(qū)和存儲(chǔ)數(shù)據(jù)區(qū)，其中，存儲(chǔ)程序區(qū)可存儲(chǔ)操作系統(tǒng)、至少一個(gè)功能所需要的應(yīng)用程序；存儲(chǔ)數(shù)據(jù)區(qū)可存儲(chǔ)根據(jù)新異類(lèi)檢測(cè)裝置的使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲(chǔ)器402可以包括高速隨機(jī)存取存儲(chǔ)器，還可以包括非易失性存儲(chǔ)器，例如至少一個(gè)磁盤(pán)存儲(chǔ)器件、閃存器件、或其他非易失性固態(tài)存儲(chǔ)器件。在一些實(shí)施例中，存儲(chǔ)器402可選包括相對(duì)于處理器401遠(yuǎn)程設(shè)置的存儲(chǔ)器。上述網(wǎng)絡(luò)的實(shí)例包括但不限于互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)、局域網(wǎng)、移動(dòng)通信網(wǎng)及其組合。

輸入裝置403可接收輸入的數(shù)字或字符信息，以及產(chǎn)生與新異類(lèi)檢測(cè)裝置的用戶(hù)設(shè)置以及功能控制有關(guān)的鍵信號(hào)輸入。輸出裝置404可包括顯示屏等顯示設(shè)備。

所述一個(gè)或者多個(gè)模塊存儲(chǔ)在所述存儲(chǔ)器402中，當(dāng)被所述處理器401執(zhí)行時(shí)，執(zhí)行上述任意方法實(shí)施例中的新異類(lèi)檢測(cè)方法。

所述執(zhí)行所述新異類(lèi)檢測(cè)方法的電子設(shè)備的任何一個(gè)實(shí)施例，可以達(dá)到與之對(duì)應(yīng)的前述任意方法實(shí)施例相同或者相類(lèi)似的效果。

本申請(qǐng)實(shí)施例提供了一種非暫態(tài)計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令可執(zhí)行上述任意方法實(shí)施例中的新異類(lèi)檢測(cè)方法。所述非暫態(tài)計(jì)算機(jī)存儲(chǔ)介質(zhì)的實(shí)施例，可以達(dá)到與之對(duì)應(yīng)的前述任意方法實(shí)施例相同或者相類(lèi)似的效果。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤(pán)、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random Access Memory，RAM)等。所述計(jì)算機(jī)程序的實(shí)施例，可以達(dá)到與之對(duì)應(yīng)的前述任意方法實(shí)施例相同或者相類(lèi)似的效果。

此外，典型地，本公開(kāi)所述的裝置、設(shè)備等可為各種電子終端設(shè)備，例如手機(jī)、個(gè)人數(shù)字助理(PDA)、平板電腦(PAD)、智能電視等，也可以是大型終端設(shè)備，如服務(wù)器等，因此本公開(kāi)的保護(hù)范圍不應(yīng)限定為某種特定類(lèi)型的裝置、設(shè)備。本公開(kāi)所述的客戶(hù)端可以是以電子硬件、計(jì)算機(jī)軟件或兩者的組合形式應(yīng)用于上述任意一種電子終端設(shè)備中。

此外，根據(jù)本公開(kāi)的方法還可以被實(shí)現(xiàn)為由CPU執(zhí)行的計(jì)算機(jī)程序，該計(jì)算機(jī)程序可以存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中。在該計(jì)算機(jī)程序被CPU執(zhí)行時(shí)，執(zhí)行本公開(kāi)的方法中限定的上述功能。

此外，上述方法步驟以及系統(tǒng)單元也可以利用控制器以及用于存儲(chǔ)使得控制器實(shí)現(xiàn)上述步驟或單元功能的計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)實(shí)現(xiàn)。

此外，應(yīng)該明白的是，本文所述的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)(例如，存儲(chǔ)器)可以是易失性存儲(chǔ)器或非易失性存儲(chǔ)器，或者可以包括易失性存儲(chǔ)器和非易失性存儲(chǔ)器兩者。作為例子而非限制性的，非易失性存儲(chǔ)器可以包括只讀存儲(chǔ)器(ROM)、可編程ROM(PROM)、電可編程ROM(EPROM)、電可擦寫(xiě)可編程ROM(EEPROM)或快閃存儲(chǔ)器。易失性存儲(chǔ)器可以包括隨機(jī)存取存儲(chǔ)器(RAM)，該RAM可以充當(dāng)外部高速緩存存儲(chǔ)器。作為例子而非限制性的，RAM可以以多種形式獲得，比如同步RAM(DRAM)、動(dòng)態(tài)RAM(DRAM)、同步DRAM(SDRAM)、雙數(shù)據(jù)速率SDRAM(DDR SDRAM)、增強(qiáng)SDRAM(ESDRAM)、同步鏈路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公開(kāi)的方面的存儲(chǔ)設(shè)備意在包括但不限于這些和其它合適類(lèi)型的存儲(chǔ)器。

本領(lǐng)域技術(shù)人員還將明白的是，結(jié)合這里的公開(kāi)所描述的各種示例性邏輯塊、模塊、電路和算法步驟可以被實(shí)現(xiàn)為電子硬件、計(jì)算機(jī)軟件或兩者的組合。為了清楚地說(shuō)明硬件和軟件的這種可互換性，已經(jīng)就各種示意性組件、方塊、模塊、電路和步驟的功能對(duì)其進(jìn)行了一般性的描述。這種功能是被實(shí)現(xiàn)為軟件還是被實(shí)現(xiàn)為硬件取決于具體應(yīng)用以及施加給整個(gè)系統(tǒng)的設(shè)計(jì)約束。本領(lǐng)域技術(shù)人員可以針對(duì)每種具體應(yīng)用以各種方式來(lái)實(shí)現(xiàn)所述的功能，但是這種實(shí)現(xiàn)決定不應(yīng)被解釋為導(dǎo)致脫離本公開(kāi)的范圍。

結(jié)合這里的公開(kāi)所描述的各種示例性邏輯塊、模塊和電路可以利用被設(shè)計(jì)成用于執(zhí)行這里所述功能的下列部件來(lái)實(shí)現(xiàn)或執(zhí)行：通用處理器、數(shù)字信號(hào)處理器(DSP)、專(zhuān)用集成電路(ASIC)、現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)或其它可編程邏輯器件、分立門(mén)或晶體管邏輯、分立的硬件組件或者這些部件的任何組合。通用處理器可以是微處理器，但是可替換地，處理器可以是任何傳統(tǒng)處理器、控制器、微控制器或狀態(tài)機(jī)。處理器也可以被實(shí)現(xiàn)為計(jì)算設(shè)備的組合，例如，DSP和微處理器的組合、多個(gè)微處理器、一個(gè)或多個(gè)微處理器結(jié)合DSP核、或任何其它這種配置。

結(jié)合這里的公開(kāi)所描述的方法或算法的步驟可以直接包含在硬件中、由處理器執(zhí)行的軟件模塊中或這兩者的組合中。軟件模塊可以駐留在RAM存儲(chǔ)器、快閃存儲(chǔ)器、ROM存儲(chǔ)器、EPROM存儲(chǔ)器、EEPROM存儲(chǔ)器、寄存器、硬盤(pán)、可移動(dòng)盤(pán)、CD-ROM、或本領(lǐng)域已知的任何其它形式的存儲(chǔ)介質(zhì)中。示例性的存儲(chǔ)介質(zhì)被耦合到處理器，使得處理器能夠從該存儲(chǔ)介質(zhì)中讀取信息或向該存儲(chǔ)介質(zhì)寫(xiě)入信息。在一個(gè)替換方案中，所述存儲(chǔ)介質(zhì)可以與處理器集成在一起。處理器和存儲(chǔ)介質(zhì)可以駐留在ASIC中。ASIC可以駐留在用戶(hù)終端中。在一個(gè)替換方案中，處理器和存儲(chǔ)介質(zhì)可以作為分立組件駐留在用戶(hù)終端中。

在一個(gè)或多個(gè)示例性設(shè)計(jì)中，所述功能可以在硬件、軟件、固件或其任意組合中實(shí)現(xiàn)。如果在軟件中實(shí)現(xiàn)，則可以將所述功能作為一個(gè)或多個(gè)指令或代碼存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì)上或通過(guò)計(jì)算機(jī)可讀介質(zhì)來(lái)傳送。計(jì)算機(jī)可讀介質(zhì)包括計(jì)算機(jī)存儲(chǔ)介質(zhì)和通信介質(zhì)，該通信介質(zhì)包括有助于將計(jì)算機(jī)程序從一個(gè)位置傳送到另一個(gè)位置的任何介質(zhì)。存儲(chǔ)介質(zhì)可以是能夠被通用或?qū)Ｓ糜?jì)算機(jī)訪問(wèn)的任何可用介質(zhì)。作為例子而非限制性的，該計(jì)算機(jī)可讀介質(zhì)可以包括RAM、ROM、EEPROM、CD-ROM或其它光盤(pán)存儲(chǔ)設(shè)備、磁盤(pán)存儲(chǔ)設(shè)備或其它磁性存儲(chǔ)設(shè)備，或者是可以用于攜帶或存儲(chǔ)形式為指令或數(shù)據(jù)結(jié)構(gòu)的所需程序代碼并且能夠被通用或?qū)Ｓ糜?jì)算機(jī)或者通用或?qū)Ｓ锰幚砥髟L問(wèn)的任何其它介質(zhì)。此外，任何連接都可以適當(dāng)?shù)胤Q(chēng)為計(jì)算機(jī)可讀介質(zhì)。例如，如果使用同軸線纜、光纖線纜、雙絞線、數(shù)字用戶(hù)線路(DSL)或諸如紅外線、無(wú)線電和微波的無(wú)線技術(shù)來(lái)從網(wǎng)站、服務(wù)器或其它遠(yuǎn)程源發(fā)送軟件，則上述同軸線纜、光纖線纜、雙絞線、DSL或諸如紅外先、無(wú)線電和微波的無(wú)線技術(shù)均包括在介質(zhì)的定義。如這里所使用的，磁盤(pán)和光盤(pán)包括壓縮盤(pán)(CD)、激光盤(pán)、光盤(pán)、數(shù)字多功能盤(pán)(DVD)、軟盤(pán)、藍(lán)光盤(pán)，其中磁盤(pán)通常磁性地再現(xiàn)數(shù)據(jù)，而光盤(pán)利用激光光學(xué)地再現(xiàn)數(shù)據(jù)。上述內(nèi)容的組合也應(yīng)當(dāng)包括在計(jì)算機(jī)可讀介質(zhì)的范圍內(nèi)。

以上是本發(fā)明公開(kāi)的示例性實(shí)施例，但是應(yīng)當(dāng)注意，在不背離權(quán)利要求限定的本公開(kāi)的范圍的前提下，可以進(jìn)行多種改變和修改。根據(jù)這里描述的公開(kāi)實(shí)施例的方法權(quán)利要求的功能、步驟和/或動(dòng)作不需以任何特定順序執(zhí)行。此外，盡管本公開(kāi)的元素可以以個(gè)體形式描述或要求，但是也可以設(shè)想多個(gè)，除非明確限制為單數(shù)。

應(yīng)當(dāng)理解的是，在本文中使用的，除非上下文清楚地支持例外情況，單數(shù)形式“一個(gè)”(“a”、“an”、“the”)旨在也包括復(fù)數(shù)形式。還應(yīng)當(dāng)理解的是，在本文中使用的“和/或”是指包括一個(gè)或者一個(gè)以上相關(guān)聯(lián)地列出的項(xiàng)目的任意和所有可能組合。

上述本公開(kāi)實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例的全部或部分步驟可以通過(guò)硬件來(lái)完成，也可以通過(guò)程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤(pán)或光盤(pán)等。

所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上任何實(shí)施例的討論僅為示例性的，并非旨在暗示本公開(kāi)的范圍(包括權(quán)利要求)被限于這些例子；在本發(fā)明實(shí)施例的思路下，以上實(shí)施例或者不同實(shí)施例中的技術(shù)特征之間也可以進(jìn)行組合，并存在如上所述的本發(fā)明實(shí)施例的不同方面的許多其它變化，為了簡(jiǎn)明它們沒(méi)有在細(xì)節(jié)中提供。因此，凡在本發(fā)明實(shí)施例的精神和原則之內(nèi)，所做的任何省略、修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明實(shí)施例的保護(hù)范圍之內(nèi)。