前言：

设备健康监测系统在工业领域中扮演着至关重要的角色，它能够帮助企业及时发现设备异常，预防故障，提高设备使用寿命和生产效率。而异常诊断技术则是设备健康监测系统中的核心部分，能够实现对设备异常情况的准确判断。根据设备状态数据判断设备是否出现异常情况的方法。在设备健康监测系统中，异常诊断技术的作用主要体现在及时发现设备异常、提高设备使用寿命、提高生产效率等方面。

传统机理方法在设备健康监测中通常采集设备的振动或旋转历程数据，这些数据中蕴含着设备的工作状态信息。通过数字信号处理技术，我们可以对这些数据进行深入分析，从而识别出可能存在的故障信息。这种技术主要基于振动力学和小波理论，结合数字信号处理中的滤波、频谱分析等技术，对设备的运行状态进行深入的剖析。西安交通大学在这个领域有着深厚的积淀，他们在设备健康监测领域的研究成果被广泛应用到工业实践中。

然而，在工业领域除了振动和旋转类设备外还有许多其他类型的设备，如核电系统、卫星系统等。这些设备或部件往往难以使用数字信号直接表达，从而使得传统的异常诊断技术无法有效识别其异常状态。因此，对于这类设备或部件，我们需要探索新的异常识别方法。例如对于核电系统等复杂的大型设备，异常诊断需要结合多方面的数据来进行综合分析。例如，设备的运行温度、压力、液位等参数，以及设备的运行白癜风等，都可以被用来进行异常诊断。又比如对于大量机械系统中的非旋转和振动的部件，我们可以采用声学监测技术来进行异常诊断。通过收集设备的声波信号，我们可以分析设备的运行状态和故障模式，从而实现对设备异常的准确识别。这种技术具有非侵入性和远程监测的优点，适用于各种类型的设备。

下面，我们简要介绍一般工业设备运行中所感知到的数据的特点，以及如何利用这些数据来进行异常诊断。

首先，我们介绍一般工业设备运行中所感知到的数据的特点。与振动类或旋转类型的设备中所采集的数据相比，这种数据具有以下特点：

数据类型多样：振动信号通常以连续的实值表示，而一般设备上的感知数据除包含此类数据外通常还有表示开关状态得布尔量和表示不同挡位或级别得数值量。这意味着我们需要对不同类型的数据进行分类处理和分析。下图给出了不同数据类型在可视化上的差异。

数据维度高：振动信号可以通过一个或两个通道的信号数据实现故障识别。而一般工业设备的故障识别往往需要基于大量传感器进行。这使得识别模型的输入维数变得非常高，可能从数十个到数百个不等。因此，在处理这些数据时，我们需要采用降维技术，如主成分分析、线性判别分析等，以降低数据的维度，提高计算效率和准确性。

数据分布特殊：一般的振动信号通常具有周期性、平稳性特征。一般工业设备往往不具备这个特征。例如排气管上的压力传感器可能表现为随机脉冲信号，又如某挡位指示器可能长期输出某些状态值，而在偶然情形下输出另一些状态值。因此，我们需要根据不同设备的特性，采用适合的数据处理方法和模型来处理这些特殊分布的数据。

数据间相关关系复杂：在一般工业设备上，传感器通常被设计布局为感知多种状态参数，这些状态之间存在的相关性就体现在采集数据的相关关系上。当这种相关关系耦合了设备的不同运行工况及设备故障后，采集数据就会呈现出复杂的相关关系。因此，在处理这些数据时，我们需要考虑数据间的相关性，采用适合的相关性分析方法和模型来挖掘数据间的关系。

总之，一般工业设备的感知数据具有多样性、高维度性、特殊分布性和复杂相关性等特点，这给异常诊断带来了挑战。为了实现准确的异常诊断，我们需要采用适合的数据处理方法和模型来处理这些数据，并结合传统的信号处理和数学方法来提高异常诊断的准确性和可靠性。

除数据特点外，我们也需要了解一般工业系统的设备故障特性以及工况对异常诊断技术的影响。

首先，一般工业系统的设备故障类型多种多样，故障可能产生的部位也十分分散。在振动或旋转类设备的故障诊断中，通常聚焦于应力失效或摩擦面损伤。然而，在一般工业系统中，故障可能涉及的范围更加广泛，包括但不限于失稳、过热、失压、随机碰撞、运动锁死、控制错误等等。这种多样性的故障类型使得我们在构建健康监测系统时，第一步往往是对系统运行状态进行异常识别，并确定异常的发生位置。由于故障类型的多样性，我们无法直接给出明确的故障判定，而是需要通过深入分析来确定具体的故障原因。

其次，一般工业系统的设备工况与设备故障之间存在一定的耦合性。在振动或旋转类设备中，工作状态与设备故障之间的耦合性较小。例如，通过将时域信号结合角速度信息转换为角域信号，研究人员可以在设备的任何转速下获得几乎相同的故障特征数据。然而，在一般工业系统中，特定的故障通常发生在某些特定工况下。比如散热循环管路连接不良导致的泄露可能只发生在设备启用散热功能且水流压力达到某阈值的情形下才发生。因此，在建立一般工业系统的故障诊断系统时，我们必须按照不同工况状态分别处理。下图给出了区分工况对异常识别有影响的一个概念性的示例。可以看到当我们将所有数据归为一类时，异常数据会嵌入到正常数据中难以区分。而在有明确工况区分的情形下异常数据比较容易被识别。当然，对于已经具有标签的数据，这种分隔是容易的，但对于故障率很小的工业数据而言，进行工况区分就非常有必要了。

基于一般工业系统的数据特征与故障特征实际，可以看出通过某一类专用数据特征是难以实现异常识别的。在这种情况下，通常选择基于统计的方法实现这一任务。

思考基于数字信号处理方法的异常识别原理，我们可以看到这种方法通常分为三个阶段：

第一阶段是提升所

转载请注明:http://www.aideyishus.com/lkyy/5843.html