一種對機器的狀態進行監控的方法

2023-08-02 23:03:06 3

專利名稱：一種對機器的狀態進行監控的方法
技術領域：
本發明涉及數控(CNC，Computer Numerical Control)技術領域，特別涉及一種對機器的狀態進行監控的方法。

背景技術：
狀態監控在保證重要生產設備的生產效率和可靠運行時間方面起著越來越重要的作用。有效的狀態監控的最有用的功能在於在早期發現機器中一些異常的狀態偏離，從而及時地採取應對措施以將生產力損失或大的災難防患於未然。
為了實施狀態監控，可以對機器進行常規重複測量從而採集到信號，並從所採集到的信號中提取反映被監控狀態的特徵量(CQ，CharacteristicQuantities)，這些特徵量對於被監控狀態的變化比較靈敏。可以採用多種分析方法通過分析信號實現特徵量的提取，分析方法包括在時域進行統計分析、在頻域進行頻譜分析等。
根據所提取的特徵量，某機器在時隙ti(i為數據序列的索引號)的狀態可表示為n維空間中的一個點Pi(v11，v12，…，vin)，其中vik表示狀態點Pi的第k個特徵量的取值。空間被一組特徵量擴展，例如CQ1，CQ2，…，CQn。狀態點Pi在該空間中隨時間變化，從而形成一個時間序列。狀態監控的重要任務在於識別出異常的狀態偏離、觸發對應的告警並預計狀態的發展趨勢。然而，上述任務尚未滿足工業對於效力的要求，這是因為 1)特徵量無法有效地反應機器狀態的異常偏離，因為它們的效力通常取決於對應的預設門限值，但是，該門限值較難確定。
機器狀態監控領域的專家開發了許多特徵量，包括統計特徵量(例如平均值、標準偏差)、各種解析模型、時域特徵量(例如速度、電機電流)、頻域特徵量(例如頻率幅度和相位)等。這些特徵量分別反應機器狀態的不同方面。然而，需要為不同的特徵量分別設置不同的門限值，而合理地確定門限值比較困難。此外，一個特徵量的門限值通常取決於其它特徵量的狀態。舉一個粗略的例子假設在工具機的一個線性軸來回移動的過程中，監控電機電流的標準偏差。如果該線性軸上的加工件(相當於一個特徵量)比之前的重，那麼當電機電流的標準偏差值(相當於要監控的特徵量)明顯增加但仍然低於預設門限值時，該機器可能正常。然而，如果該加工件比之前的輕，該線性軸可能出現異常，例如可能線性軸存在汙垢或潤滑劑不夠潤滑等。
2)將各種不同的特徵量組合在一起以提供更加有效的異常信息較為困難，因為各特徵量之間的複雜關係需要進行大量的建模才能確定。
將反應被監控機器的各個方面的特徵量組合在一起確實能夠為該機器的狀態提供更加有效和高級的信息。為實施對狀態偏離的有效評估，可以採取各種理論和實驗的方法來將各特徵量組合到一個指示器中，用該指示器表徵Pi，並識別異常偏離。然而，實現特徵量之間的組合需要對機器設備本身有足夠的了解，並且，隨著機器設備本身複雜性的提高，組合特徵量的困難越大，因此，由於機器設備本身的複雜性，導致各特徵量之間的理論關係不容易發現。
綜上，現有技術要麼要求技術人員對各機器設備擁有紮實的前期理論基礎，要麼需要為各特徵量分別設置適當的門限值，可見，現有用於監控機器狀態的方法的通用性不夠，並且監控效果不理想。


發明內容
有鑑於此，本發明的主要目的在於提供一種對機器的狀態進行監控的方法，以對機器的異常狀態偏離進行自動檢測，並進一步對機器狀態的發展趨勢進行預測。
為達到上述目的，本發明的技術方案具體是這樣實現的 一種對機器的狀態進行監控的方法，該方法預先設置密度變化門限值，並包括以下步驟A、計算所採集到的狀態點的密度，根據所述預先設置的密度變化門限值，採用基於密度的聚類方法對所述狀態點進行聚類；B、確定各個類之間的關係；C、根據所述各個類之間的關係、以及當前狀態點所屬的類，確定當前狀態點的狀態。
較佳地，所述類之間的關係包括獨立關係和嵌套關係； 所述步驟B包括若兩個類之間不存在共同的狀態點，則所述兩個類之間為獨立關係；若一個類中的狀態點均屬於另一個類，則所述一個類與所述另一個類之間為嵌套關係，所述一個類為子類，所述另一個類為父類；若一個類為父類、且不為子類，則所述類為根類。
較佳地，所述當前狀態點的狀態包括穩定狀態、細微波動狀態、非穩定狀態和突發變異狀態；所述步驟C包括C1、設置時間窗寬度W2；C2、將當前狀態點以及處於當前狀態點之前的(W2-1)個狀態點作為所述寬度為W2的時間窗中的狀態點，執行如下操作若所述寬度為W2的時間窗中的所有狀態點均屬於同一子類，則判定當前狀態點處於穩定狀態；若所述寬度為W2的時間窗中的狀態點分別屬於不同子類、但屬於同一父類，則判定當前狀態點處於微小波動狀態；若所述寬度為W2的時間窗中的狀態點分別屬於不同的父類，則判定當前狀態點處於非穩定狀態；若當前狀態點不屬於已有類中的任意一個類，則判定當前狀態點處於突發變異狀態。
較佳地，所述各個狀態的穩定性從高到低依次為穩定狀態、細微波動狀態、非穩定狀態和突發變異狀態；所述穩定狀態表示機器狀態不發生明顯的偏離；所述細微波動狀態表示機器狀態已被意外因素所影響；所述非穩定狀態表示機器狀態已被較大影響因素所影響；所述突發變異狀態表示機器狀態已被新的影響因素所影響。
較佳地，所述步驟C1包括依次將採集到的所有狀態點作為當前狀態點，確定各狀態點所處的狀態，將使狀態點的狀態發生改變的第一個時間窗寬度確定為所述W2的取值。
進一步地，所述步驟C在步驟C2之後可以包括C3、根據所述確定的當前狀態點所處的狀態，按照如下方式識別出機器的異常狀態偏離若當前狀態點處於穩定狀態或微小波動狀態、且當前狀態點所屬的類與參照狀態點不同，則判定機器持續受到主流因素的影響；若當前狀態點處於微小波動狀態、且W2大於預先設置的門限值，則判定機器持續受到細微因素的影響；若當前狀態點處於非穩定狀態，則判定機器間歇性遭遇主流因素的影響；若當前狀態點處於突發變異狀態，則判定機器將發生異常偏離。
進一步地，在所述步驟A之後可以包括a、根據所述聚類的結果，確定當前狀態點的轉移模式；在所述步驟C之後可以包括c、根據當前狀態點的狀態、以及當前狀態點的轉移模式，對機器狀態的發展趨勢進行預測。
較佳地，所述當前狀態點的轉移模式可以包括聚合模式和偏離模式；所述步驟a為設置時間窗，根據所述時間窗內各狀態點的密度、以及所述時間窗內各狀態點所屬的類確定當前狀態點的轉移模式。
較佳地，所述聚合模式的穩定性高於所述偏離模式；所述聚合模式表示機器狀態趨於穩定於機器當前所處的狀態；所述偏離模式表示機器狀態趨於偏離機器當前所處的狀態。
較佳地，所述設置時間窗，根據所述時間窗內各狀態點的密度、以及所述時間窗內各狀態點所屬的類確定當前狀態點的轉移模式包括a1、對於每一個狀態點，比較該狀態點與該狀態點之前的一個狀態點的密度的大小，若該狀態點的密度大於該狀態點之前的一個狀態點的密度，則將該狀態點確定為聚合點，否則，將該狀態點確定為偏離點；a2、設置時間窗寬度W1，將當前狀態點以及處於當前狀態點之前的(W1-1)個狀態點作為所述寬度為W1的時間窗中的狀態點；a3、計算所述寬度為W1的時間窗中聚合點總數與偏離點總數之差，將所述差記為ψa(W1)；a4、計算所述寬度為W1的時間窗中從一個類轉移到另一個類的狀態點的總數與未發生類轉移的狀態點的總數之差，將所述差記為ψb(W1)；a5、按照如下方式確定當前狀態點的轉移模式若ψb(W1+1)-ψb(W1)＞0、ψb(W1)-ψb(W1-1)＞0、且ψα(W1)≥0，則當前狀態點的轉移模式為聚合模式；若ψb(W1+1)-ψb(W1)＞0、ψb(W1)-ψb(W1-1)＞0、且ψα(W1)＜0，則當前狀態點的轉移模式為偏離模式；若ψb(W1+1)-ψb(W1)＜0、ψb(W1)-ψb(W1-1)＜0、且ψα(W1)≥0，則當前狀態點的轉移模式為聚合模式；若ψb(W1+1)-ψb(W1)＜0、ψb(W1)-ψb(W1-1)＜0、且ψα(W1)＜0，則當前狀態點的轉移模式為偏離模式；若ψb(W1+1)-ψb(W1)＞0且ψb(W1)-ψb(W1-1)＜0，則當前狀態點的轉移模式為聚合模式；若ψb(W1+1)-ψb(W1)＜0且ψb(W1)-ψb(W1-1)＞0，則當前狀態點的轉移模式為偏離模式。
較佳地，步驟a2中所述設置時間窗寬度W1的方式可以包括根據條件[ψb(W1+1)-ψb(W1)]·[ψb(W1)-ψb(W1-1)]＜0設置時間窗寬度W1。
較佳地，所述機器狀態的發展趨勢包括保持穩定狀態、保持非穩定狀態、向非穩定狀態偏離和向穩定狀態聚合； 所述步驟c包括根據當前狀態點的狀態、以及當前狀態點的轉移模式，按照如下方式對機器狀態的發展趨勢進行預測若當前狀態點處於穩定狀態或細微波動狀態、且當前狀態點的轉移模式為聚合模式，則預測機器將保持穩定狀態；若當前狀態點處於穩定狀態或細微波動狀態、且當前狀態點的轉移模式為偏離模式，則預測機器將向非穩定狀態偏離；若當前狀態點處於非穩定狀態、且當前狀態點的轉移模式為聚合模式，則預測機器將向穩定狀態聚合；若當前狀態點處於非穩定狀態、且當前狀態點的轉移模式為偏離模式，則預測機器將保持非穩定狀態；若當前狀態點處於突發變異狀態，則機器的發展趨勢不確定。
步驟A中計算所採集到的狀態點的密度的方式包括對於每一個狀態點，將該狀態點與最接近該狀態點的一個狀態點之間的距離作為該狀態點的密度。
進一步地，該方法可以包括預先根據各特徵量的重要性，為狀態點的各特徵量設置權重因子；步驟A中在計算該狀態點與最接近該狀態點的一個狀態點之間的距離時，進一步將對應的距離乘以各特徵量對應的權重因子。
由上述技術方案可見，本發明提供的方法採用歷史狀態點的分布模式以及它們隨時間轉移的模式，實現了機器狀態的自動檢測，以及對機器異常狀態偏離的預測。採用本方法，無需了解機器設備本身的理論知識，即可實現特徵量之間的組合，並採用組合的特徵量有效地檢測機器狀態的異常偏離。由於本發明方法不依賴於特殊的機械結構和特殊的配置，因此，本發明方法是一種通用的方法。



下面將通過參照附圖詳細描述本發明的示例性實施例，使本領域的普通技術人員更清楚本發明的上述及其他特徵和優點，附圖中 圖1為採用本發明方法進行機器狀態監控的總體流程示意圖； 圖2為本發明機器狀態監控方法的流程示意圖； 圖3(a)為本發明一實施例中11個狀態點的分布示意圖； 圖3(b)為採用OPTICS方法確定的圖3(a)所示11個狀態點的密度； 圖3(c)為δ＝1.1時對圖3(a)所示11個狀態點進行分類的結果； 圖3(d)為δ＝1.2時對圖3(a)所示11個狀態點進行分類的結果； 圖4(a)為本發明一實施例中16個狀態點的分布示意圖； 圖4(b)為δ＝1.1時對圖4(a)所示16個狀態點進行分類的結果； 圖5(a)為本發明一實施例中實際採集到的22個狀態點的分布示意圖； 圖5(b)為δ＝1.1時對圖5(a)所示22個狀態點進行分類的結果； 圖5(c)為將圖5(a)所示點22作為當前點得到的當前狀態和預測結果顯示； 圖6(a)為本發明一實施例中實際採集到的39個狀態點的分布示意圖； 圖6(b)為δ＝1.1時對圖6(a)所示39個狀態點進行分類的結果； 圖6(c)為將圖6(a)所示點39作為當前點得到的當前狀態和預測結果顯示； 圖7(a)為本發明一實施例中實際採集到的45個狀態點的分布示意圖； 圖7(b)為δ＝1.1時對圖7(a)所示45個狀態點進行分類的結果； 圖7(c)為將圖7(a)所示點45作為當前點得到的當前狀態和預測結果顯示。

具體實施例方式 為使本發明的目的、技術方案及優點更加清楚明白，以下參照附圖並舉實施例，對本發明進一步詳細說明。
本發明的主要思想是利用歷史狀態點的分布模式及它們隨時間轉移的模式來有效地檢測機器的狀態偏離，並對機器狀態偏離的發展趨勢進行預測。
圖1為採用本發明方法進行機器狀態監控的總體流程示意圖。在本例中，將工具機的一個線性進給軸作為被監控對象。圖1所示總體流程中包括以下步驟 步驟101對機器進行周期性測量，從感應器獲取必要的信號，例如該進給軸的實際位置信號、電機電流等。
步驟102從所獲取的信號中計算反應機器狀態各個方面的特徵量。例如進給軸的進給速度的標準偏差，該特徵量反應著滾珠絲槓的潤滑狀態或磨損狀態等。
上述步驟101和步驟102可以採用現有技術提供的常規方法實現，在此不再贅述。
步驟103採用本發明提供的方法分析各特徵量以識別機器狀態的異常偏離，並對發展趨勢進行預測。圖2示出了本發明所提供的機器狀態監控方法的流程，本說明書的後續部分將對本發明方法進行詳細介紹。
步驟104顯示機器狀態的異常偏離及該偏離的發展趨勢。可以採用文本的方式顯示，即如果狀態偏離異常，則顯示其對應的告警消息。
可以每天、每兩天或每星期進行一次一系列常規重複測量。在所述測量的過程中，記錄必要的信號，並在每次測量後計算各特徵量。由一次測量所得到的各特徵量構成一系列狀態點Pi，採用本發明方法分析這些狀態點Pi以確定狀態偏離，並找出狀態偏離的發展趨勢。
以下是本發明的詳細介紹。本發明基於如下兩個假定 H1、用於分析的各特徵量分別對某一特定的機器狀態敏感。通常選擇的特徵量是能夠反應機器狀態的特徵量。
H2、當機器僅受隨機因素的影響時，狀態點在空間中呈現高斯分布。也就是說，如果沒有特定的機器狀態發生異常，多數狀態點應當落入一個相對狹窄的區域。這種現象已被大多數工程應用所證實。
下面參見圖2，對本發明方法進行詳細說明。
步驟201計算所採集到的狀態點的密度確定密度變化門限值δ，並採用基於密度的聚類方法對狀態點進行聚類。
密度的直觀定義就是一個特定區域內的點的數量。在該區域內，例如一個圓內，點數越多，密度越大。密度變化門限值δ是密度變化的門限值。如果某區域的密度δ倍於其周圍區域的密度，則該區域內的點被當作一個組(例如一個類)。此處使用的聚類方法可以是任意一個基於密度的聚類方法，只要能夠獲取坐標系中的密度即可，此處的坐標系是指所述各狀態點所處的坐標系。以下，將第i個狀態點記為Pi，狀態點Pi的密度以ρ(i)表示，在不同的基於密度的聚類方法中，狀態點Pi的密度可以採用不同的方式計算和表示。例如在一種名為對點排序以確定分類結構(OPTICS，OrderingPoints ToIdentify the Clustering Structure)的基於密度的聚類方法中，密度以某一點與其最接近的一點之間的距離表示。如果以D(i)表示點Pi與其最接近的一點之間的距離，vih表示Pi的第h個特徵量的值，那麼在一個由N點構成的類中，Pi的密度可以按照(1)式確定 (1)式中，D(i)符合(2)式所表示的條件 (2)式中，k的取值範圍為1，…，N。用於進行聚類的特徵量可以是任何可用的、對機器狀態敏感的特徵量。為了減少所使用的特徵量的數量，可以採用主要成分分析(PCAPrincipal Component Analysis)方法。在一些應用中，不同特徵量的相同的取值變化可能存在著不同的重要性。可以在d(i，j)中使用取值範圍在
的權重因子，以將特徵量的不同重要性體現到計算過程中，如(3)式所示。
(3)式中，wh表示第h個特徵量的權重因子。
本發明根據預設的密度變化門限值δ對狀態點進行聚類當ρ(i+1)/ρ(i)≥δ時，各狀態點被劃分到不同的類中。以下結合附圖，以OPTICS方法為例進行說明。
圖3(a)為本發明一實施例中11個狀態點的分布示意圖。所述11個狀態點中每一個點的坐標由該點的特徵量1(記為CQ1)的取值和特徵量(記為CQ2)的取值唯一確定，其中，圖3(a)所示坐標系中的橫軸為歸一化的CQ1，縱軸為歸一化的CQ2。
圖3(b)示出了採用OPTICS方法確定的11個狀態點的密度。圖3(b)所示坐標系中的橫軸表示各狀態點的編號，縱軸表示各狀態點的密度取值。根據圖3(b)，狀態點6、8和10比處於其左側的各點的密度都大，且符合條件ρ(i+1)p(i)≥δ，因此，狀態點6、8和10被歸為一類，如圖3(a)所示。狀態點11遠離其它狀態點，並且該點的密度幾乎為0。關於OPTICS聚類方法的更詳細的信息可以參見由M.Ankerst撰寫的刊登在Proc.ACM SIGMOD』99Int.Conf.on Management of Data.Philadelphia PA，1999上的名為「OPTICSOrdering Points To Identify the Clustering Structure」的論文。
δ可以根據實驗或迭代的方法進行確定。通常，若δ取1.1表示大於之前密度的10％就得到一個類，符合工程界的公知常識。迭代方法採用一定範圍內的各個值對狀態點進行分類，分類數最大的δ的取值可被選作δ。
根據OPTICS聚類方法，參見圖3(c)，當δ＝1.1時，所述11個狀態點被分為3類C1、C2和C3，其中，C1＝{P1，P2，P3，P4}，C2＝{P6，P8，P10}，C3＝{P1，P2，P3，P4，P5，P6，P7，P8，P9，P10}。參見圖3(d)，當δ＝1.2時，只得到兩個類C1和C2，其中，C1＝{P1，P2，P3，P4}，C2＝{P6，P8，P10}，狀態點5、7、9和11被當作獨立的點。
步驟202確定各個類之間的關係。
根據本步驟可以確定歷史狀態點在各個類中的分布情況，歷史狀態點即包括當前狀態點在內的所有被採集到的狀態點的集合。歷史狀態點分布在一個空間中，它們的在各個類中的分布情況揭露了近期狀態與歷史狀態之間的關係。例如，如果一個狀態點落入一個高密度的區域，按照如前所述的第2個假定H2，該狀態點應當被作為穩定狀態的表現。定義如下兩種類之間的關係 1)獨立關係，記為D1 若兩個類之間不存在共同的狀態點，則所述兩個類之間為獨立關係。以公式表示為如果Cm∩Cn＝φ，則稱類Cm與類Cn之間相互獨立。也就是說如果對於任意取值的i，m，n，當存在關係Pi∈Cm∪Cn時，必有

則Cm與Cn獨立。
2)嵌套關係，記為D2 若一個類中的狀態點均屬於另一個類，則所述一個類與所述另一個類之間為嵌套關係。以公式表示為如果

則稱類Cm嵌套於類Cn。也就是說如果對於任意取值的i，m，n，均存在關係Pi∈Cm，則Pi∈Cn，那麼，Cm稱為子類，表示為Cm∈SLC，Cn稱為父類，表示為Cn∈SPC。一個父類可以包含多個子類。如果類Cn為父類，且不是子類，則Cn被稱為根類，記為Cn∈SRC。
參見圖3(c)，其中，C1和C2嵌套於C3。參見圖3(d)，C1和C2相互獨立。
步驟203確定當前狀態點的轉移模式。
為了實現對機器狀態發展趨勢的預測，採用本步驟確定當前狀態點的轉移模式。轉移模式是狀態點隨時間連續從一個類轉移到另一個類的表現，它表示著狀態隨時間的變化，因此，可以在進行機器狀態發展趨勢預測時用作判斷依據。本發明定義兩種轉移模式聚合模式和偏離模式。
為了確定當前狀態點的轉移模式，首先需要按照如下方法確定兩種類型的狀態點 1)聚合點(APAggregating Point)對於狀態點Pi及該狀態點之前的狀態點Pi-1如果它們的密度符合條件ρ(i)＞ρ(i-1)，那麼Pi確定為聚合自Pi-1，Pi稱為聚合點，記為Pi∈SAP。圖3(b)中，聚合點類為SAP＝{P6，P8，P10}。
2)偏離點(DPDeviaing Point)對於狀態點Pi及該狀態點之前的狀態點Pi-1如果它們的密度符合條件ρ(i)＜ρ(i-1)，那麼Pi確定為偏離Pi-1，Pi稱為偏離點，記為Pi∈SDP。圖3(b)中，偏離點類為SDP＝{P3，P5，P7，P9}。
當ρ(i)＝ρ(i-1)時，當前狀態點既非聚合點也非偏離點，可以忽略不考慮該狀態點的轉移模式。當然，在實際應用中，也可以針對這一特殊情況採取其它處理方式，例如當ρ(i)＝ρ(i-1)時，判定當前狀態點為聚合點，或者，也可以判定當前狀態點為偏離點。
對於處於一個長度為W1的時間窗內的一系列狀態點來說，該窗內的狀態點記為SP(W1)＝{Pi-W1+1，Pi-W1+2，…，Pi-1，Pi}，其中i-W1+1＞0，窗SP(W1)內的狀態點總數記為W1＝|SP(W1)|＝|{Pi-W1+1，Pi-W1+2，...，Pi-1，Pi}|。
在長度為W1的時間窗內，SP(W1)中包含的聚合點越多，狀態點越趨於穩定，反之亦然。該效果以值ψa表示 ψα(W1)＝|SAP(W1)|-|SDP(W1)|(4) (2)式中，存在關係SAP(W1)，
當時間窗中的狀態點從一個類轉移到另一個類時，機器狀態趨於漂移狀態。一段時間內，狀態點Pi從一個類轉移到另一個類的頻率越頻繁，機器狀態從之前的狀態發生漂移的可能性越大。也就是說聚合模式的穩定性高於偏離模式，聚合模式表示機器狀態趨於穩定於機器當前所處的狀態，偏離模式表示機器狀態趨於偏離機器當前所處的狀態。可以按照如下所示式(5)計算時間窗W1中從一個類轉移到另一個類的狀態點的數量ψb (5)式中，確定Nv(W1)和

的取值的方式如下 Nv(W1)＝|{(Pk-1，Pk) |Pk-1∈Cm，Pk∈Cn，Cm，Cn∈SLC}|， 因此，狀態點Pi在時間窗W1內的轉移模式可以按照如表1所示規則進行確定
表1 根據表1，不同的時間窗寬度W1可能導致不同的結果，因此，需要選取合適的W1值。在本發明方法中，W1按照式(6)進行選取 [ψb(W1+1)-ψb(W1)]·[ψb(W1)-ψb(W1-1)]＜0(6) 以圖3(c)為例，δ＝1.1時，存在以下類別 C1＝{P1，P2，P3，P4}，C2＝{P6，P8，P10}，C3＝{P1，P2，P3，P4，P5，P7，P9} 因此，

且SLC＝{C1，C2}，SPC＝{C3} 假設圖3中P10為當前狀態點，對於W1的不同取值，可以得到如表2所示的結果 表2 根據表2，符合式(6)所述條件的W1的取值為6，在此條件下，P10為聚合模式。
步驟204根據各個類之間的關係、以及當前狀態點所屬的類確定機器所處的狀態。
根據各個類之間的關係、以及當前狀態點所屬的類，本發明將可能的機器狀態分為如下四類M1～M4 M1穩定狀態 當狀態點處於穩定狀態時，機器狀態不發生明顯的偏離，或者機器狀態趨於更加穩定，就像機械在磨合期後逐漸進入穩定運行期一樣。如果當前狀態點停留在作為參照點的那個狀態點的同一個類中，那麼機器必然處於正常狀態。如果當前狀態點屬於另一個根類，必然發生了大的偏離，此時推薦採取一定的檢測措施。
M2存在微小波動的穩定狀態(也可稱為微小波動狀態) 當狀態點處於微小波動狀態時，表明機器已被一些意外的因素影響。由於狀態點仍然停留在作為參照點的那個狀態點的同一根類中，機器仍然處於正常狀態。然而，如果該狀態持續發展下去，機器將趨於非正常狀態。這種情況下，需要對機器多加以關注。
M3非穩定狀態(也可稱為波動狀態) 當狀態點處於非穩定狀態時，表明機器已被一些比較大的影響因素所影響。例如它可能表明機器尚處於磨合期的早期階段，狀態變化較大。
M4突發變異狀態 突發變異狀態表明狀態點已從歷史狀態點中偏離出來，無法歸類到任何一個已有類中。該狀態意味著機器狀態已被一些新的影響因素所侵襲，如果這些因素繼續侵襲機器，機器將趨於上述三種狀態M1～M3中的任意一種。如果該因素僅對機器產生一小段時間的影響，可被認為是一個臨時出格狀態，可以忽略。
表3示出了本發明確定機器所處狀態的規則
表3 與上述在確定狀態點Pi在時間窗W1內的轉移模式的情況類似，在確定歷史狀態點在時間窗W2內的分布模式時，不同的時間窗寬度W2也可能導致不同的結果，因此，在確定歷史狀態點在時間窗W2內的分布模式時，也需要選取合適的W2值。在本發明方法中，選取使機器狀態發生改變的第一個時間窗寬度作為W2的取值。例如如果機器狀態在W2＝5時被確定為處於M1狀態，當W2＝6時機器變為M2狀態，那麼，就將5選取為W2的取值。
根據機器當前所處的狀態，可以識別出異常的狀態偏離。異常狀態偏離可由如表4所示的3種現象及對應於所述3種現象的指示確定 表4 表4中，參照狀態點可以是某個被確定應當表徵機器處於正常狀態的狀態點。以圖3為例，假設P10為當前狀態點，δ＝1.1，當時間窗的寬度W2＝10時，由於處於P10之前的一系列狀態點均保持在同一種狀態，該狀態直到P10才改變，因此，P10處於微小波動狀態。如果將P11作為當前狀態點，則P11處於突發變異狀態。參見圖4(a)和圖4(b)，若將P16作為當前狀態點，則P16處於穩定狀態。
步驟205根據轉移模式預測機器狀態的發展趨勢。
採用狀態點的轉移模式可以對機器狀態的發展趨勢進行預測。只要影響機器狀態的主流因素未發生大的變化，這種預測就是可信的。這裡所說的大的變化包括機器的機械配置發生變化或機器損毀。如果機器發生了這種大的變化，預測結果則不太可能準確，並且隨後將出現突發變異狀態。本發明將可能的狀態偏離趨勢分為如下四類T1～T4 T1保持穩定狀態 如果預測當前狀態點將保持穩定狀態，這表明當前狀態點的下一個狀態點絕大可能將處於穩定狀態。
T2保持非穩定狀態 如果預測當前狀態點將保持非穩定狀態，這表明當前狀態點的下一個狀態點絕大可能將處於非穩定狀態。
T3向非穩定狀態偏離 如果預測當前狀態點將向非穩定狀態偏離，那麼，當前狀態點的下一個狀態點絕大可能將處於微小波動狀態、突發變異狀態，或者更加嚴重的，將處於非穩定狀態。
T4向穩定狀態聚合 如果預測當前狀態點將向穩定狀態聚合，那麼，當前狀態點的下一個狀態點絕大可能將處於微小波動狀態，或者，如果情況好一些，將處於穩定狀態。
表5示出了本發明用於對機器的未來狀態進行預測的規則表。

表5 舉例而言，參見圖3，假設P10為當前狀態點，δ＝1.1，當時間窗的寬度W2＝6時，P10處於細微波動狀態，根據表5，其發展趨勢是向非穩定狀態偏離。參見圖4，假設P16為當前狀態點，δ＝1.1，當時間窗的寬度W2＝5時，P10處於穩定狀態，根據表5，其發展趨勢是保持穩定狀態。
為了示範本發明方法的應用，本申請的發明人對如圖2所示場景下的經驗數據進行了分析，以示本發明方法的有效性。參見圖2，在圖2所示線性進給軸上未承載任何加工件的情況下，令該線性進給軸以3000mm/min的輸送速度進行輸送，在輸送的過程中，記錄該線性進給軸的實際位置信號和電機電流。在為期26天的時間裡，每天進行一次或兩次上述軸輸送運動，並採集相應的信號，如此，共得到45個狀態點。表6示出了所述機器的狀態點的採集情況 表6 下面進行具體說明，首先，從所記錄的信號中提取對應於每一次軸輸送運動的特徵量。所提取的特徵量包括電機電流的平均值、電機電流的標準偏差、最大斜坡值、剛度、摩擦力、以及轉動慣量。然後對所述提取的特徵量進行歸一化處理，並採用如前所述的PCA方法對歸一化之後的特徵量進行分析。所有特徵量的權重的預設值均設為1.0。接著，採用本發明方法分析PCA結果的第一個和第二個成分。本例中，採用步驟201所述方法計算各狀態點的密度，並將密度變化門限設置為δ＝1.1。下面參見圖5～圖7對採用本發明方法分析PCA結果的第一個和第二個成分的具體過程及結果進行詳細說明 首先，採用本發明方法對狀態點1～22進行分析。將P11作為當前狀態點，圖5(a)示出了狀態點1～22的密度計算結果，圖5(b)示出了δ＝1.1時對狀態點1～22進行分類的結果。根據本發明方法進行判斷，可知P22處於細微波動狀態；並且，根據本發明方法進行預測，由於在W2＝9之前狀態點不停地從一類轉移到另一類，預計在P21之後將趨於向非穩定狀態偏離的狀態，如圖5(b)所示。可以按照圖5(c)所示顯示方式顯示上述結果。
下一步，採用本發明方法對狀態點23～39進行分析。在實際應用中，P21處於切斷潤滑劑的供應之前所採集得到的39個點的中央。從圖6(a)可以看出，自P22開始往後，機器開始越來越不穩定，因為根據圖6(a)，各狀態點的密度逐漸變小，這證實了在P22所作的預測結果的正確性。根據圖6(a)與圖5(a)的對比可以看到圖6(a)中點20～22的密度大於圖5(a)中點20～22的密度，這是因為在圖6(a)中，新近的點23～39中有一部分落入了點20～22所處的區域，使得該區域的密度增大了。
然後，採用本發明方法對狀態點1～39進行分析。將P39作為當前狀態點，圖6(b)示出了δ＝1.1時對狀態點1～39進行分類的結果。根據本發明方法進行判斷，可知P39處於突發變異狀態；並且根據本發明方法，當機器狀態突然發生改變時，無法對其未來狀態進行預測。對於所述結果，可以按照圖6(c)所示顯示方式進行顯示。由於P39不屬於當前已有類中的任意一類，因此，在圖6(b)的分類結果中沒有體現P39歸屬於某一類標誌。根據表4，此處可能是異常偏離狀態的前兆。在實際實驗過程中，P39是嚴重的滾珠絲槓磨損的開始。
最後，採用本發明方法對狀態點1～45進行分析。將P45作為當前狀態點，圖7(a)示出了狀態點1～45的密度計算結果，圖7(b)示出了δ＝1.1時對狀態點1～45進行分類的結果。根據本發明方法進行判斷，可知P11處於細微波動狀態；並且，根據本發明方法進行預測雖然機器當前比較穩定，但是，機器狀態從原來的類C12轉變成了一個新的類C13，根據表4，這意味著相對於之前的狀態來說，機器發生了一些主要的偏離。在實際實驗過程中，此時，圖2所示被監控的線性進給軸的滾珠絲槓軸發生了衝擊，這導致了一個明顯的狀態偏離。這種情況下，需要對機器狀態予以特別的關注或對機器進行一些相應的檢查。由於P40到P45之間的點均屬於同一類，沒有發生類的轉換，並且，從P40到P45密度有所增加，因此，預測此後的發展趨勢是保持穩定狀態，這意味著如果沒有採取適當的措施，機器將維持在滾珠絲槓軸發生衝擊狀態。
由上述可見，本發明提供的方法採用歷史狀態點的分布模式以及它們隨時間轉移的模式，實現了機器狀態的自動檢測，以及對機器異常狀態偏離的預測。採用本方法，無需了解機器設備本身的理論知識，即可實現特徵量之間的組合，並採用組合的特徵量有效地檢測機器狀態的異常偏離。由於本發明方法不依賴於特殊的機械結構和特殊的配置，因此，本發明方法是一種通用的方法。本發明還包括以下優點 1)採用本發明僅需設置一個密度變化門限值δ，無需單獨為每個特徵量設置門限值，從而極大降低了現有技術單獨為每個特徵量設置門限值的難度。
2)本發明提出了一種行之有效、且普遍適用的識別機器異常狀態偏離的方法，而無需技術人員了解機器設備本身的理論知識。這使得本發明能夠普遍適用於各種機器設備，尤其是建模複雜的設備。並且，事先對各特徵量和機器本身沒有任何了解的人同樣可以很好地理解本發明的狀態監控結果和預測結果。
3)採用本發明能夠提供關於機器狀態異常趨勢的有效的預測，這使得潛在的異常狀態能夠在早期即被注意到。
4)本發明將各特徵量有機地結合在一起，從而能夠提供更多的關於機器狀態的信息。並且，通過為各特徵量增加相應的權重因子，滿足了強調特殊特徵量的重要性的要求。
以上所述僅為本發明的較佳實施例而已，並非用於限定本發明的保護範圍。凡在本發明的精神和原則之內所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。
權利要求
1.一種對機器的狀態進行監控的方法，其特徵在於，該方法預先設置密度變化門限值，並包括以下步驟
A、計算所採集到的狀態點的密度，根據所述預先設置的密度變化門限值，採用基於密度的聚類方法對所述狀態點進行聚類；
B、確定各個類之間的關係；
C、根據所述各個類之間的關係、以及當前狀態點所屬的類，確定當前狀態點的狀態。
2.根據權利要求1所述的方法，其特徵在於
所述類之間的關係包括獨立關係和嵌套關係；
所述步驟B包括若兩個類之間不存在共同的狀態點，則所述兩個類之間為獨立關係；若一個類中的狀態點均屬於另一個類，則所述一個類與所述另一個類之間為嵌套關係，所述一個類為子類，所述另一個類為父類；若一個類為父類、且不為子類，則所述類為根類。
3.根據權利要求2所述的方法，其特徵在於
所述當前狀態點的狀態包括穩定狀態、細微波動狀態、非穩定狀態和突發變異狀態；
所述步驟C包括
C1、設置時間窗寬度W2；
C2、將當前狀態點以及處於當前狀態點之前的(W2-1)個狀態點作為所述寬度為W2的時間窗中的狀態點，執行如下操作
若所述寬度為W2的時間窗中的所有狀態點均屬於同一子類，則判定當前狀態點處於穩定狀態；
若所述寬度為W2的時間窗中的狀態點分別屬於不同子類、但屬於同一父類，則判定當前狀態點處於微小波動狀態；
若所述寬度為W2的時間窗中的狀態點分別屬於不同的父類，則判定當前狀態點處於非穩定狀態；
若當前狀態點不屬於已有類中的任意一個類，則判定當前狀態點處於突發變異狀態。
4.根據權利要求3所述的方法，其特徵在於，所述各個狀態的穩定性從高到低依次為穩定狀態、細微波動狀態、非穩定狀態和突發變異狀態；
所述穩定狀態表示機器狀態不發生明顯的偏離；
所述細微波動狀態表示機器狀態已被意外因素所影響；
所述非穩定狀態表示機器狀態已被較大影響因素所影響；
所述突發變異狀態表示機器狀態已被新的影響因素所影響。
5.根據權利要求3所述的方法，其特徵在於，所述步驟C1包括
依次將採集到的所有狀態點作為當前狀態點，確定各狀態點所處的狀態，將使狀態點的狀態發生改變的第一個時間窗寬度確定為所述W2的取值。
6.根據權利要求3所述的方法，其特徵在於，所述步驟C在步驟C2之後進一步包括
C3、根據所述確定的當前狀態點所處的狀態，按照如下方式識別出機器的異常狀態偏離
若當前狀態點處於穩定狀態或微小波動狀態、且當前狀態點所屬的類與參照狀態點不同，則判定機器持續受到主流因素的影響；
若當前狀態點處於微小波動狀態、且W2大於預先設置的門限值，則判定機器持續受到細微因素的影響；
若當前狀態點處於非穩定狀態，則判定機器間歇性遭遇主流因素的影響；
若當前狀態點處於突發變異狀態，則判定機器將發生異常偏離。
7.根據權利要求3至6任一項所述的方法，其特徵在於
在所述步驟A之後，進一步包括a、根據所述聚類的結果，確定當前狀態點的轉移模式；
在所述步驟C之後，進一步包括c、根據當前狀態點的狀態、以及當前狀態點的轉移模式，對機器狀態的發展趨勢進行預測。
8.根據權利要求7所述的方法，其特徵在於
所述當前狀態點的轉移模式包括聚合模式和偏離模式；
所述步驟a為設置時間窗，根據所述時間窗內各狀態點的密度、以及所述時間窗內各狀態點所屬的類確定當前狀態點的轉移模式。
9.根據權利要求8所述的方法，其特徵在於
所述聚合模式的穩定性高於所述偏離模式；
所述聚合模式表示機器狀態趨於穩定於機器當前所處的狀態；
所述偏離模式表示機器狀態趨於偏離機器當前所處的狀態。
10.根據權利要求8所述的方法，其特徵在於，所述設置時間窗，根據所述時間窗內各狀態點的密度、以及所述時間窗內各狀態點所屬的類確定當前狀態點的轉移模式包括
a1、對於每一個狀態點，比較該狀態點與該狀態點之前的一個狀態點的密度的大小，若該狀態點的密度大於該狀態點之前的一個狀態點的密度，則將該狀態點確定為聚合點，否則，將該狀態點確定為偏離點；
a2、設置時間窗寬度W1，將當前狀態點以及處於當前狀態點之前的(W1-1)個狀態點作為所述寬度為W1的時間窗中的狀態點；
a3、計算所述寬度為W1的時間窗中聚合點總數與偏離點總數之差，將所述差記為Ψa(W1)；
a4、計算所述寬度為W1的時間窗中從一個類轉移到另一個類的狀態點的總數與未發生類轉移的狀態點的總數之差，將所述差記為Ψb(W1)；
a5、按照如下方式確定當前狀態點的轉移模式
若Ψb(W1+1)-Ψb(W1)＞0、Ψb(W1)-Ψb(W1-1)＞0、且Ψa(W1)≥0，則當前狀態點的轉移模式為聚合模式；
若Ψb(W1+1)-Ψb(W1)＞0、Ψb(W1)-Ψb(W1-1)＞0、且Ψa(W1)＜0，則當前狀態點的轉移模式為偏離模式；
若Ψb(W1+1)-Ψb(W1)＜0、Ψb(W1)-Ψb(W1-1)＜0、且Ψa(W1)≥0，則當前狀態點的轉移模式為聚合模式；
若Ψb(W1+1)-Ψb(W1)＜0、Ψb(W1)-Ψb(W1-1)＜0、且Ψa(W1)＜0，則當前狀態點的轉移模式為偏離模式；
若Ψb(W1+1)-Ψb(W1)＞0且Ψb(W1)-Ψb(W1-1)＜0，則當前狀態點的轉移模式為聚合模式；
若Ψb(W1+1)-Ψb(W1)＜0且Ψb(W1)-Ψb(W1-1)＞0，則當前狀態點的轉移模式為偏離模式。
11.根據權利要求8所述的方法，其特徵在於，步驟a2中所述設置時間窗寬度W1的方式包括
根據條件[Ψb(W1+1)-Ψb(W1)]·[Ψb(W1)-Ψb(W1-1)]＜0設置時間窗寬度W1。
12.根據權利要求8所述的方法，其特徵在於
所述機器狀態的發展趨勢包括保持穩定狀態、保持非穩定狀態、向非穩定狀態偏離和向穩定狀態聚合；
所述步驟c包括根據當前狀態點的狀態、以及當前狀態點的轉移模式，按照如下方式對機器狀態的發展趨勢進行預測
若當前狀態點處於穩定狀態或細微波動狀態、且當前狀態點的轉移模式為聚合模式，則預測機器將保持穩定狀態；
若當前狀態點處於穩定狀態或細微波動狀態、且當前狀態點的轉移模式為偏離模式，則預測機器將向非穩定狀態偏離；
若當前狀態點處於非穩定狀態、且當前狀態點的轉移模式為聚合模式，則預測機器將向穩定狀態聚合；
若當前狀態點處於非穩定狀態、且當前狀態點的轉移模式為偏離模式，則預測機器將保持非穩定狀態；
若當前狀態點處於突發變異狀態，則機器的發展趨勢不確定。
13.根據權利要求7所述的方法，其特徵在於，步驟A中計算所採集到的狀態點的密度的方式包括
對於每一個狀態點，將該狀態點與最接近該狀態點的一個狀態點之間的距離作為該狀態點的密度。
14.根據權利要求13所述的方法，其特徵在於，該方法進一步包括預先根據各特徵量的重要性，為狀態點的各特徵量設置權重因子；
步驟A中在計算該狀態點與最接近該狀態點的一個狀態點之間的距離時，進一步將對應的距離乘以各特徵量對應的權重因子。
全文摘要
本發明公開了一種對機器的狀態進行監控的方法，該方法預先設置密度變化門限值，然後計算所採集到的狀態點的密度，並根據所述預先設置的密度變化門限值，採用基於密度的聚類方法對所述狀態點進行聚類；再確定各個類之間的關係；最後，根據所述各個類之間的關係、以及當前狀態點所屬的類，確定當前狀態點的狀態。應用本發明能夠對機器的異常狀態偏離進行自動檢測。
文檔編號G05B19/4065GK101788806SQ20091000529
公開日2010年7月28日 申請日期2009年1月24日 優先權日2009年1月24日
發明者邢建輝, 胡喜, 時文剛, 王青崗, 馬維民, 邵曉寅 申請人:西門子公司