基于高维候选特征库与分段置信输出的电机缺陷检测方法与流程

摘要: 本发明涉及电机检测,特别涉及基于高维候选特征库与分段置信输出的电机缺陷检测方法。背景技术:1、电机出厂检测中,异音、刮擦、共振、冲击等缺陷通常通过人工听音、频谱...
基于高维候选特征库与分段置信输出的电机缺陷检测方法与流程

本发明涉及电机检测,特别涉及基于高维候选特征库与分段置信输出的电机缺陷检测方法。

背景技术:

1、电机出厂检测中,异音、刮擦、共振、冲击等缺陷通常通过人工听音、频谱观察、单指标阈值或深度学习模型进行判断。人工听音依赖经验,主观性强;单指标阈值方法实现简单,但只能覆盖少数明显异常;深度学习方法通常需要较多标注样本,并要求异常特征在时频图或波形中具有相对清晰的可学习模式。

2、在小型电机实际检测中,缺陷信号常表现为幅值弱、持续时间短、频带分散、正反转表现不完全一致。客户提供的ok/ng标签也可能存在边界样本、争议样本或错误标注。此时,如果只依赖单一阈值或端到端深度模型,容易出现漏检、过杀、难解释、难复核的问题。

3、已有的传统机器学习方案通常采用“人工特征+分类器”的路线,即从振动信号中提取rms、峰值、峭度、频带能量等少量特征,再使用svm、随机森林、knn或逻辑回归等模型分类。该类方案具有可解释、训练速度快、小样本适应性较好的优点,但现有方案通常存在候选特征覆盖不足、正反转未绑定建模、仅输出ok/ng二分类结果、不能辅助标签复核等不足。

4、现有电机缺陷检测方法存在以下问题:

5、(1)单一阈值难以稳定区分ok/ng。电机缺陷可能出现在不同频段和不同统计特征上,例如950-1000hz、1500-2500hz、2000-4000hz、9000hz以上高频区域,或2-5khz带通包络冲击特征。单个频段或单个统计量无法覆盖全部异常模式。

6、(2)少量经验特征容易漏掉有效信息。如果仅提取rms、峭度、少数频带能量等传统指标,可能遗漏对某些缺陷更敏感的时频动态、包络调制、自相关或频带比值特征。

7、(3)深度模型对样本和标注依赖较强。小型电机缺陷样本通常数量有限,且ok/ng标签可能存在噪声。端到端模型容易过拟合,也难以向现场说明判定依据。

8、(4)正转和反转未作为电机级整体建模。现场检测通常需要同时关注同一电机的正转和反转表现。如果将两段数据分别判断,容易丢失方向间关联,也不利于以“电机”为单位输出检测结果。

9、(5)普通二分类不适合产线复检策略。产线不仅需要ok/ng,还需要区分高置信ok、弱倾向ok、弱倾向ng、高置信ng等风险等级,以决定放行、抽检、复检或拦截。

10、(6)不能有效发现疑似错标样本。当人工标签与模型预测冲突时,现有方案通常只统计错误,不能基于分数距离和特征相似性生成待复核清单,难以用于数据集清洗。

技术实现思路

1、本发明提供一种基于高维候选特征库与分段置信输出的电机缺陷检测方法,旨在解决现有电机缺陷检测方法存在的问题。

2、本发明提供一种基于高维候选特征库与分段置信输出的电机缺陷检测方法,包括以下步骤:

3、s1.采集同一电机在正转和反转工况下的至少一个振动信号;根据样本编号、文件名、采集顺序或元数据,将同一电机的正转振动信号和反转振动信号绑定为一个电机级样本;

4、s2.从采集数据中读取基础振动信号的正转段和反转段;若同时采集到声音、电流、电压或其他振动信号,则按正转和反转工况分别读取,并与对应的基础振动信号关联,形成正转段数据和反转段数据;

5、s3.对基础振动信号的正转段和反转段分别提取高维候选特征,形成各自的基础振动特征向量;若还采集到声音、电流、电压或其他振动信号的各类信号,分别提取候选特征,则对各信号的正转段和反转段分别提取候选特征,形成各自的特征向量;

6、s4.将s3得到的同一电机各信号在正转和反转工况下的特征向量进行拼接或融合,或者在维度相同且物理含义对应的特征之间计算差值、比值、最大值、最小值或加权融合值,形成扩展电机级特征向量;

7、s5.根据训练样本ok/ng标签进行特征选择,得到核心特征子集,使用核心特征子集训练支持向量机分类模型;

8、s6.使用训练后的支持向量机分类模型对待测电机的电机级特征向量进行综合判定,并输出svm决策分数;

9、s7.根据决策分数输出分段置信结果;

10、s8.输出检测结果、关键特征、分数、置信等级和复核建议;并根据预测冲突、分数与二分类阈值的距离、特征相似性生成待复核样本。

11、作为本发明的进一步改进,所述s1具体包括:

12、在反映电机缺陷传递路径的位置布置振动传感器,通过振动传感器采集电机的振动信号,根据样本编号文件名的“正转/反转”标识自动识别振动信号的正反方向;如果文件名不包含方向信息,则按信号采集顺序或元数据确定振动信号的正反方向;最后将同一电机的正转数据和反转数据绑定为一个完整样本。

13、作为本发明的进一步改进,所述s3的提取高维候选特征中,候选指标包括时域、频域、时频、包络、自相关和频带比值的类型;

14、所述时域和包络类特征包括均值、标准差、rms、峰值、峰峰值、偏度、峭度、峰值因子、脉冲因子、裕度因子、波形因子、绝对值分位数、短时帧统计、差分统计、包络统计、带通时域统计和带通包络统计;

15、所述频域类特征包括fft整体频谱统计、welch功率谱统计、频谱重心、频谱带宽、频谱熵、频谱平坦度、rolloff、总功率、峰值频率、top-k峰值幅值、频带均值、频带中位数、频带rms、频带p90、频带p95、频带峰值、频带能量、峰值/中位数比值;

16、所述时频类特征基于stft计算各频段能量随时间变化的统计量,包括mean、std、cv、median、p90、p95、max、max_div_median、temporal_entropy;

17、所述自相关特征在延迟范围内提取peak、peak_lag_ms、mean、std;

18、所述频带比值特征用于描述局部异常峰相对于背景频带的突出程度。

19、作为本发明的进一步改进,所述s5中,根据训练样本ok/ng标签进行特征选择时,从高维候选特征库的候选指标中筛选出核心特征,具体过程包括:

20、a1.计算每个候选特征的ok/ng区分度;

21、a2.计算单指标auc并排序;

22、a3.删除高度相关的冗余特征,保留区分度更高的特征;

23、a4.将支持向量机与特征数量联合搜索得到多组候选方案,对多组候选方案按照设定评价指标进行评价,得到评价分数,选取评价分数最高的候选方案作为最终的入选结果;

24、a5.对入选结果中的特征绘制箱线图、散点图或频谱图。

25、作为本发明的进一步改进,所述步骤a2具体包括:

26、对每个基础振动特征分别计算正转auc和反转auc,再取两者平均值作为成对平均auc;auc可由mann-whitney u统计量换算:

27、p = roc曲线下的面积,auc = max(p, 1-p),

28、其中,p为随机抽取一台ng电机和一台ok电机时,ng电机指标值auc大于ok电机的指标值auc的概率;ng电机的指标值auc和ok电机的指标值auc相等时按0.5计入;

29、所述步骤a3具体包括:

30、保留区分度更高的指标,保留auc数值更大的指标,并利用pearson相关性去冗余进行筛选,删除与已选指标重复度过高的候选;pearson相关系数计算式为协方差除以两个变量标准差的乘积:

31、,

32、其中,表示变量的样本均值;表示变量的样本均值;表示两组需要进行相关性分析的观测变量,为公式对应的两组统计样本数据;表示第组成对观测样本值,为样本序号(),代表每一组对应的独立观测数据;分子为两变量离均差乘积之和,反映变量间的线性同向变动趋势;分母为两变量离均差平方和乘积的平方根,用于归一化相关系数,将结果限定在[-1,1]区间;

33、rxy接近1时,两个指标随样本变化时几乎同向变化,呈正相关性;

34、rxy接近-1时,两个指标几乎反向变化,呈负相关性;

35、rxy接近0时,没有明显线性关系。

36、作为本发明的进一步改进,所述步骤a4具体包括:

37、a41.选择一个指标数量、选择一个相关系数上限、选择一种svm核函数及其参数、选择一个ng类别权重、选择一个二分类阈值,得到一个完整候选方案;

38、a42.计算候选方案的交叉验证、训练集和测试集表现,建立选模公式:

39、s=a×cv平衡准确率+b×测试集平衡准确率+ c×测试集ng召回率,

40、其中s为评价分数,a为cv平衡准确率的权重,b为测试集平衡准确率的权重,c为测试集ng召回率的权重;

41、a43.多个候选方案之间比较选出最终入选结果:选取评价分数最高的候选方案;需保留多组时,选取高于设定评价分数阈值的候选方案。

42、作为本发明的进一步改进,所述s5中,使用核心特征子集训练支持向量机分类模型,具体过程包括:

43、筛选得到核心特征后,按s4确定的组合方式,将每台电机表示为用于训练的电机级特征向量;以fforward表示正转核心特征,freverse表示反转核心特征,则电机级特征向量可表示为:

44、x=[fforward,freverse];

45、或x=[fforward,freverse,|fforward-freverse|,fforward/freverse];

46、以电机级ok/ng标签作为监督信号训练支持向量机,其中,支持向量机采用包括线性核、rbf核、多项式核的函数,并设置类别权重或调整判定边界,支持向量机的c、gamma、核函数、类别权重、特征数量和二分类阈值通过交叉验证或自动搜索确定。

47、作为本发明的进一步改进,所述s6中,支持向量机采用包括线性、径向基核、多项式核的核函数;当采用线性核函数时,svm决策分数的计算过程包括:

48、score=w1×x1+w2×x2+w3×x3+...+wn×xn+b,

49、其中,x1,x2,...,xn为当前电机的输入特征向量,w1,w2,...,wn为svm训练出来的每个特征权重,b为svm训练出来的偏置,score为svm决策分数。

50、作为本发明的进一步改进,所述s7中,根据决策分数输出分段置信结果,包括:

51、svm对待测电机样本特征输出连续决策分数score,设定决策分数的决策边界数值,当决策分数大于决策边界数值时输出ng的置信结果,ng置信结果由分数从大到小分为高置信ng结果、倾向ng结果、弱倾向ng结果,分数越大表示越接近ng结果;当决策分数小于或等于决策边界数值时输出ok的置信结果,ok置信结果由分数从小到大分为高置信ok结果、倾向ok结果、弱倾向ok结果,且分数越小表示越接近ok结果。

52、作为本发明的进一步改进,高维候选特征库与分段置信输出的电机缺陷检测方法还包括:

53、在s8输出前,读取同一电机的正转文件和反转文件,自动识别方向,读取基础振动信号,提取与训练阶段一致的核心特征,在s6中输入经s5训练好的svm模型得到score,再在s7中得到置信结果;若存在其他可选信号,则按训练阶段确定的方式提取、组合并选取特征后输入模型;

54、输出内容包括:样本编号、正转文件和反转文件、预测标签、六段分类、svm分数、与ok/ng分界的距离、关键异常特征、是否建议复检;

55、当人工标签与模型预测冲突,或样本处于弱倾向ok/弱倾向ng灰区时,系统将样本加入待复核清单;和/或检索特征相似的历史样本,用于发现疑似错标、边界样本或采集异常样本。

56、本发明的有益效果是:通过高维候选特征库覆盖多种缺陷表现,降低少量经验特征导致的漏检风险;通过自动特征选择压缩高维特征,降低过拟合,提高小样本稳定性;通过正转/反转绑定建模,使输出结果直接对应一台电机;通过svm连续分数进行综合判定,避免单指标阈值不可分的问题;通过六段置信输出支持放行、抽检、复检和拦截;通过关键特征和箱线图提高模型可解释性;通过待复核样本清单辅助标签清洗和数据集迭代;相比端到端深度模型,本方法在小样本和标签噪声场景下更容易落地。