本發(fā)明涉及一種用于監(jiān)視具有活動部分的裝置的設(shè)備，所述具有活動部分的裝置尤其是旋轉(zhuǎn)裝置。此外，本發(fā)明涉及一種用于監(jiān)視具有活動部分的裝置的方法，所述具有活動部分的裝置尤其是旋轉(zhuǎn)裝置。最后，本發(fā)明涉及一種計算機程序產(chǎn)品。

背景技術(shù)：

振動分析是用于對具有活動部分的裝置（諸如馬達、發(fā)動機、其它可旋轉(zhuǎn)裝置等）進行狀況監(jiān)視（conditionmonitoring）的廣泛使用的技術(shù)。振動分析被用來確定裝置的錯誤狀態(tài)以便獲得關(guān)于裝置對于其所確定的操作的可用性的信息。

用于旋轉(zhuǎn)機械系統(tǒng)或裝置的故障預(yù)防所最常使用的技術(shù)相應(yīng)地基于溫度監(jiān)視、油碎屑（oildebris）監(jiān)視或振動監(jiān)視。振動分析相應(yīng)地提供了故障預(yù)防技術(shù)或監(jiān)視的廣泛可能性，其允許在故障發(fā)展的早期階段檢測故障。在一些情況下，其允許識別特定問題或根本原因。

然而，如果裝置的變化是由于在其機械條件方面提供了修改而出現(xiàn)的，則這影響裝置的振動特征（vibrationsignature）。因此，將要提供改變以便允許進一步監(jiān)視該裝置。

當裝置被用于尤其重要的基礎(chǔ)設(shè)施系統(tǒng)（諸如在石油生產(chǎn)、自來水供應(yīng)系統(tǒng)、廢水清理（wastedwaterremoval）等）中時，對裝置進行監(jiān)視是尤其重要的。此類裝置常常在嚴酷條件下和/或24小時體制（24-hour-regime）中使用。因此，此類裝置通常形成昂貴且體積大的部件，尤其是當它們是城市、地區(qū)等的基礎(chǔ)設(shè)施的一部分時。此類裝置的故障通常是重要的并且是成本密集型（cost-intensive）的事故。此類裝置的故障可能突然發(fā)生或者伴隨裝置特性隨時間的劣化而緩慢地發(fā)生。

技術(shù)實現(xiàn)要素：

因此，本發(fā)明的目的是改善裝置的錯誤檢測。

由根據(jù)權(quán)利要求1所述的設(shè)備以及根據(jù)另一獨立權(quán)利要求9所述的方法以及根據(jù)另一獨立權(quán)利要求10所述的計算機程序產(chǎn)品來實現(xiàn)該目的。

在相應(yīng)的從屬權(quán)利要求中闡述了本發(fā)明的方面的至少一些示例性實施例的另外的方面。

根據(jù)第一設(shè)備相關(guān)的方面，尤其提出的是，所述設(shè)備包括控制模塊，控制模塊被配置成：接收裝置的經(jīng)測量的振動信號，經(jīng)測量的振動信號由與裝置相連接的傳感器提供；提供經(jīng)測量的振動信號的譜線；對譜線進行預(yù)處理，以便確定基頻（basefrequency）和邊頻（sidefrequency），其中，基頻是峰值功率對應(yīng)于裝置的本征頻率（eigenfrequency）或故障頻率的頻率，并且其中，邊頻對應(yīng)于其他頻率；通過對基頻和邊頻分開應(yīng)用單值分類（one-classclassification）來處理基頻和邊頻；將單值分類的結(jié)果組合，由此獲得表示置信水平的分類信號；以及基于分類信號來輸出決策支持信號，該決策支持信號指示被監(jiān)視的裝置的錯誤狀態(tài)。

根據(jù)第二方法相關(guān)的方面，尤其是提出的是，所述方法包括如下步驟：接收裝置的經(jīng)測量的振動信號，經(jīng)測量的振動信號由與裝置相連接的傳感器提供；提供經(jīng)測量的振動信號的譜線，對譜線進行預(yù)處理，以便確定基頻和邊頻，其中，基頻是峰值功率對應(yīng)于裝置的本征頻率或故障頻率的頻率，并且其中，邊頻對應(yīng)于另外的頻率；通過對基頻和邊頻分開應(yīng)用單值分類來處理基頻和邊頻；將單值分類的結(jié)果組合，由此獲得表示置信水平的分類信號；以及基于分類信號來輸出決策支持信號，該決策支持信號指示被監(jiān)視的裝置的錯誤狀態(tài)。

根據(jù)本發(fā)明的第三方面，提供了一個或多個計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括用于處理裝置的程序，所述計算機程序產(chǎn)品包括程序的軟件代碼部分以便當程序在處理裝置上運行時執(zhí)行根據(jù)本發(fā)明的方法的步驟。計算機程序產(chǎn)品還包括計算機可執(zhí)行部件，計算機可執(zhí)行部件當程序在計算機上運行時被配置成執(zhí)行如上文提到的相應(yīng)方法。上面的一個計算機程序產(chǎn)品/多個計算機程序產(chǎn)品可以具體體現(xiàn)為計算機可讀存儲介質(zhì)。

考慮診斷的方法，可確定時域方法、頻域方法以及時-頻域方法。可以將不同的方法組合以便增強振動分析。

所述設(shè)備是如下裝置，所述裝置優(yōu)選地包括殼體，其中，殼體包括電子硬件部件以便提供設(shè)備的所意圖的操作。然而，還可以由在其上運行某一程序的處理裝置（尤其是計算機）來提供所述設(shè)備，以便提供設(shè)備的所意圖的操作。然而，設(shè)備可以是處理裝置和硬件部件的組合。此外，設(shè)備還可以是硅片（siliconchip），硅片具有集成在其上的硬件部件和/或處理裝置。

控制模塊優(yōu)選地是設(shè)備的一部分，其自身包括電子硬件電路和/或處理裝置。優(yōu)選地，控制模塊與設(shè)備相集成。然而，其還可以是設(shè)備的單獨部件。尤其是，控制模塊可以是硅片，最優(yōu)選地，其可以是提供設(shè)備的硅片的一部分。

控制模塊被配置成接收經(jīng)測量的振動信號，經(jīng)測量的振動信號由相應(yīng)的傳感器供應(yīng)，尤其是振動傳感器，傳感器與裝置相連接。因此，傳感器可以相應(yīng)地與控制模塊和/或設(shè)備通信。出于此目的，所述通信可以是有線通信線路、無線通信線路或其組合。

控制模塊被配置成提供如從傳感器接收的經(jīng)測量的振動信號的譜線。該譜線可通過在數(shù)字信號處理的情況下提供相應(yīng)計算來獲得。然而，其還可通過使用適合的電路而基于模擬信號處理。優(yōu)選地，通過執(zhí)行傅立葉變換而得到譜線。然而，還可以應(yīng)用其它適合的變換，例如拉普拉斯變換、z變換等。優(yōu)選地，所述變換適于將要檢測的故障、裝置、振動信號等。

控制模塊還被配置成對譜線進行預(yù)處理，以便確定基頻和邊頻。出于該目的，譜線經(jīng)受一些操作，使得可確定峰值功率對應(yīng)于裝置的本征頻率或故障頻率的頻率。這些頻率被分配給基頻。其它頻率被分配給邊頻。

接下來，控制模塊被配置成通過對基頻和邊頻分開應(yīng)用單值分類來處理基頻和邊頻。因此，基頻和邊頻被控制模塊分開操作。單值分類可基于合適的算法，諸如支持向量機（supportvectormachine）等。

然后，前面所提到的單值分類的結(jié)果被控制模塊組合，使得獲得表示置信度水平的分類信號?；谠摲诸愋盘?，控制模塊被配置成輸出決策支持信號，該決策支持信號指示被監(jiān)視的裝置的錯誤狀態(tài)。因此，根據(jù)本發(fā)明的設(shè)備允許對裝置是否有故障作出恰當決策。此外，優(yōu)選地，本發(fā)明允許預(yù)測裝置的故障，使得可規(guī)劃對裝置的維護，以便避免裝置的完全關(guān)機。這對于在基礎(chǔ)設(shè)施系統(tǒng)中操作的裝置而言會是重要的。

在一定程度上，可以用純波形分析來分析從傳感器供應(yīng)的經(jīng)測量的振動信號。這絕不是完成分析的最容易方式，然而其可以在大體上完成。

此外，譜分析可基于在使用總體水平測量結(jié)果（measurement）之前的信號調(diào)節(jié)。在該情況下，僅考慮具有某一頻帶的測量信號中的分量。在該情況下，可在某些分量及它們的諧波的振幅和相位之間的關(guān)系中找到診斷信息。

另外地，可提供包絡(luò)分析以便相應(yīng)地對針對機械或裝置的調(diào)查進行診斷，其中，故障對機械的特征頻率具有振幅調(diào)制（modulating）效果。示例包括齒輪箱、渦輪機、感應(yīng)馬達（inductionmotor）等中的故障。包絡(luò)分析是用于診斷局部故障的工具，所述局部故障諸如滾動元件軸承（rollingelementbearing）中的開裂和剝落。包絡(luò)檢波（envelopedetection）或振幅解調(diào)是從調(diào)幅信號提取調(diào)制信號的技術(shù)。結(jié)果是隨時間推移的調(diào)制信號。當該信號在時域中或者可以使其經(jīng)受后續(xù)頻率分析時，可以相應(yīng)地研究或解讀該信號。優(yōu)選地，包絡(luò)分析基于調(diào)制信號的快速傅立葉變換頻率譜線。

并且，可提供倒譜分析（cepstrumanalysis）。來自旋轉(zhuǎn)機器的譜線可能是相當復(fù)雜的，包括來自旋轉(zhuǎn)部分的諧波的若干集合，并且可以是來自各種調(diào)制的邊帶（sideband）的若干集合。倒譜是用于檢測頻率譜線中的周期性的工具。倒譜分析將譜線轉(zhuǎn)換回到時域特征（signature），其相對于該譜線中公共的頻率間隔的周期而言具有峰值。這些峰值可以被用于在原始譜線中找到軸承磨損峰值。倒譜中的顯著峰值對應(yīng)于可能的基本軸承頻率。

使用倒譜分析來檢測圍繞著一個或許多載波頻率以相等間距間隔的邊帶。此類邊帶的存在在齒輪箱振動信號的分析中是令人感興趣的，因為許多故障或錯誤相應(yīng)趨向于導(dǎo)致由齒嚙合引起的對振動模式的調(diào)制（modulation），并且該調(diào)制（振幅或頻率調(diào)制）產(chǎn)生頻率譜線中的邊帶。例如，邊帶聚集在齒嚙合頻率及其諧波周圍，在調(diào)制頻率的倍數(shù)處間隔，并且這些調(diào)制頻率的確定可相應(yīng)在故障或錯誤的診斷中是非常有用的。

此外，在旋轉(zhuǎn)機械或裝置的速度變化的情況下可相應(yīng)優(yōu)選地應(yīng)用階次分析（orderanalysis）。傅立葉變換過程（尤其是快速傅立葉變換過程）將時域數(shù)據(jù)變換到頻域，從而創(chuàng)建譜線。在時域中相應(yīng)是周期性或重復(fù)性的信號在頻域中表現(xiàn)為峰值。在階次分析中，傅立葉變換過程將轉(zhuǎn)數(shù)域（revolutiondomain）數(shù)據(jù)變換成階次譜線（orderspectrum）。在轉(zhuǎn)數(shù)域中是周期性的信號在階次域中表現(xiàn)為峰值。例如，如果振動峰值在同一軸位置處每轉(zhuǎn)發(fā)生兩次，則在階次譜線中的第二階次處發(fā)生出現(xiàn)峰值。

此外，可提供模式識別方法。該方法旨在相應(yīng)基于先驗知識或從模式提取的統(tǒng)計信息的分類或模式。將要分類的模式通常是測量結(jié)果或觀察結(jié)果的群組，在適當?shù)亩嗑S空間中定義了點。

優(yōu)選地，完整模式識別系統(tǒng)包括收集將要被分類或描述的觀察結(jié)果的傳感器、從觀察結(jié)果來計算數(shù)值或符號信息的特征提取機構(gòu)以及依賴于所提取的特征而進行分類或描述觀察結(jié)果的實際工作的分類或描述方案（scheme）。分類或描述方案通常基于已被分類或描述的一組模式的可用性。這組模式被稱為訓(xùn)練集（trainingset），并且得到的學(xué)習(xí)策略被表征為監(jiān)督式學(xué)習(xí)（supervisedlearning）。

根據(jù)先驗知識的可用性，可以考慮兩個基本方法。第一，考慮如下情況：當不存在相應(yīng)關(guān)于特定故障或錯誤的知識且相關(guān)模式不可用且只有對應(yīng)于正常行為的數(shù)據(jù)是可用的。第二，當故障相關(guān)模式是已知的時候，因此可以相對于那些已知故障將系統(tǒng)的狀況分類。在使用第一方法來識別故障的存在并在后來執(zhí)行故障類型的診斷/分類的情況下，可將兩個前面所提到的方法視為一個系統(tǒng)的一部分。

此外，根據(jù)本發(fā)明提供單側(cè)分類（one-sideclassification）。單側(cè)分類的一個思想在于：在狀況監(jiān)視和故障分析的領(lǐng)域中，可收集的真實工業(yè)數(shù)據(jù)通常對應(yīng)于裝置的操作的正常狀況，而壞數(shù)據(jù)收集是昂貴的，并且故障建模并不始終是可用的。以作為“好”數(shù)據(jù)的真實工業(yè)數(shù)據(jù)來訓(xùn)練分類器，使得分類器可學(xué)習(xí)系統(tǒng)的行為，并且然后當檢測到與此正常狀態(tài)的偏差時產(chǎn)生警報。

另外地，可將門限（threshold）設(shè)置使用于異常行為檢測。然而，門限設(shè)置同樣地要求關(guān)于裝置和過程性質(zhì)的專家的一定知識和經(jīng)驗以便使得能夠正確地設(shè)定門限。門限設(shè)置可通過定義用于經(jīng)測量的信號或用于那些信號的特征的下限和/或上限來被應(yīng)用在時域中。例如，總體振動水平不應(yīng)高于門限值，這是為什么系統(tǒng)如果超過門限值則產(chǎn)生警報的原因。

此外，可使用神經(jīng)云概念。將該技術(shù)應(yīng)用于振動分析領(lǐng)域。神經(jīng)模糊方法的應(yīng)用是使得專家狀況監(jiān)視系統(tǒng)更加智能的嘗試并且在保持監(jiān)視成本合理的情況下能夠面對復(fù)雜的現(xiàn)實世界問題。在下面提出的概念導(dǎo)致用于單側(cè)分類的高效數(shù)據(jù)封裝（dataencapsulating）方法。

主要思想在于：一些特定缺陷產(chǎn)生可以從例如作為裝置的軸承或齒輪箱參數(shù)來計算的頻率上的振幅的顯著增加。通過監(jiān)視圍繞這些頻率提供的頻帶內(nèi)的振幅，專家可以決策這種情況是相應(yīng)對應(yīng)于裝置的正常狀態(tài)還是對應(yīng)于故障狀態(tài)或錯誤狀態(tài)。開發(fā)了一種評估方法，其旨在在沒有關(guān)于裝置的內(nèi)部結(jié)構(gòu)及其系統(tǒng)環(huán)境的先驗知識的情況下來相應(yīng)執(zhí)行對裝置或旋轉(zhuǎn)機械的診斷。這種評估方法能夠解讀例如振動數(shù)據(jù)以便將被用于它們的訓(xùn)練的正常情況與分配給錯誤狀態(tài)的臨界和異常情況區(qū)別開。神經(jīng)模糊建模的應(yīng)用能夠檢測從標準行為的改變。針對該特定應(yīng)用，將許多譜線（尤其是針對處于正常狀態(tài)的系統(tǒng)而測量的傅立葉譜線）用于封裝表面（nc）創(chuàng)建。在已結(jié)束訓(xùn)練階段之后，通過計算其置信度值來將前面所提到的方法用于狀態(tài)的分類。

譜線的峰值可以產(chǎn)生取決于對應(yīng)置信度水平的不同水平的警報。如果在譜線中存在重大變化，則置信度水平從100%減小至0%。借助于相應(yīng)設(shè)定適當?shù)木瘓笏交蜷T限值，可估計情況是對應(yīng)于不嚴重（良好）、嚴重（提醒）以及極其嚴重（警報狀態(tài)）。其表示在估計系統(tǒng)剩余壽命并防止停機的任務(wù)中優(yōu)選地相應(yīng)支持人類操作員或?qū)＜业哪Ｐ?。此外，如果nc被安裝為以分鐘級的頻率執(zhí)行周期性測量的在線監(jiān)視系統(tǒng)，則可在幾周或幾個月期間跟隨置信度值的演進。這代表了對于實時診斷系統(tǒng)的概念而言的重要一步，因為開發(fā)的評估方法使得能夠檢測系統(tǒng)效果，并且還能夠相應(yīng)高效地診斷系統(tǒng)健康或裝置健康。

聚類是支持模式識別任務(wù)的補充性工具。在特定實施例中，可將測量空間關(guān)于系統(tǒng)狀態(tài)進行聚類，并且稍后通過檢查新的測量點是否屬于某些聚類，使得可估計系統(tǒng)的未知狀態(tài)。

k-近鄰（k-nearestneighbours）的算法（k-nn）是聚類方法。該方法允許在特征空間中基于最靠近的訓(xùn)練示例將對象分類。k-nn是一種類型的即時學(xué)習(xí)（instant-basedlearning）或懶惰學(xué)習(xí)（lazylearning），其中，僅僅在本地對函數(shù)進行近似，并且直到分類所有計算是不同的。

訓(xùn)練示例是多維特征空間中的向量，每個具有類別標簽。算法的訓(xùn)練面僅由訓(xùn)練樣本的類別標簽和特征向量的存儲組成。

在分類面中，k是用戶定義常數(shù)，并且通過分配在最接近于查詢點的k個訓(xùn)練樣本之間最頻繁的標簽來將無標簽分類。而且，可通過分配標簽來將查詢或測試點分類。根據(jù)一實施例，使用歐幾里德距離（euclideandistance）作為測度（metric）距離。然而，如果是諸如文本（text）分類，則相應(yīng)使用諸如重疊測度或漢明距離（hammingdistance）的測度。在模糊聚類中，每個點在一定程度上屬于聚類（如在模糊邏輯中）而不是完全屬于僅一個典型聚類。因此，聚類的邊緣上的點與在該聚類中心上的點相比可以以較低的程度屬于一個聚類。針對每個點x，系數(shù)給定作為k-th聚類uk(x)的一部分的程度。優(yōu)選地，用于任何給定x的那些系數(shù)的和優(yōu)選地被定義成是1。

使用聚類方法來通過基于所選過程參數(shù)（例如由rpm值）或負載特性的聚類化將裝置操作的體制（regimes）分離。針對每個所選聚類、體制或參考狀態(tài)的集合，訓(xùn)練單側(cè)分類實例以在給定體制或操作模式下相應(yīng)識別裝備或裝置的異常行為的出現(xiàn)。因此，可以以高度的準確性來實現(xiàn)異常行為檢測。

在相應(yīng)觀察了機器或裝置的異常行為之后，可執(zhí)行對故障根本原因的更詳細的分析。這可通過使用專家系統(tǒng)來完成，該專家系統(tǒng)是允許使用有效地形式化的專家知識的一組方法?；谝?guī)則的專家系統(tǒng)是用以檢測裝置（尤其是旋轉(zhuǎn)裝置）的故障并將其分類的方法。

通過將頻域中的門限設(shè)置方法和與特定故障模式有關(guān)的專家知識進行組合，這可被用于旋轉(zhuǎn)裝置故障分析。

因此，本發(fā)明提供了通過使用裝置的振動來對裝置（尤其是旋轉(zhuǎn)裝置）進行容易的監(jiān)視。

本發(fā)明方法是基于分析由安裝在裝置上的傳感器提供的譜線。該譜線優(yōu)選地是完整變換譜線。在正常體制中，空間頻率與邊頻之間的依賴關(guān)系是穩(wěn)定的，而在異常體制中，該依賴關(guān)系將會被打破。被打破的依賴關(guān)系可例如由本征振動的較高功率或者由邊頻的較高功率（其可以對應(yīng)于故障行為）而導(dǎo)致。優(yōu)選地，用神經(jīng)單值分類器（尤其是神經(jīng)云（nc））來近似該依賴關(guān)系。

然而，將預(yù)先學(xué)習(xí)單值分類器?？扇缦聢?zhí)行神經(jīng)云的應(yīng)用：

-關(guān)于正常數(shù)據(jù)訓(xùn)練單值分類器

-測試單值分類器。

根據(jù)本發(fā)明概念，該方法允許改善與裝置的錯誤狀態(tài)有關(guān)的決策。

根據(jù)示例性實施例，控制模塊被配置成在預(yù)處理期間降低振動變換（vibrationtransform）的噪聲水平。這增強了確定基頻和邊頻時的準確度。

此外，根據(jù)另一示例性實施例，控制模塊被配置成在預(yù)處理期間對振動變換應(yīng)用門限值。這種方法進一步改善確定基頻和邊頻的準確度。

用以改善根據(jù)另一示例性實施例的本發(fā)明的一個方法是將控制模塊配置成分開確定基頻和邊頻的各自的功率的和。這對于準備處理并提供與分類相聯(lián)系的神經(jīng)模糊方法的后續(xù)步驟是有用的。

根據(jù)又一示例性實施例，控制模塊被配置成在處理期間考慮基頻與邊頻之間的依賴關(guān)系。這允許增強關(guān)于分類的處理步驟的質(zhì)量。

優(yōu)選地，控制模塊還包括神經(jīng)云以便提供單值分類。因此，進行處理可基于已存在的手段，從而可容易地實現(xiàn)本發(fā)明。

根據(jù)另一示例性實施例，控制模塊被配置成基于在無錯誤操作期間從振動信號接收的數(shù)據(jù)來訓(xùn)練單值分類。這允許容易地訓(xùn)練單值分類以識別裝置的正常操作狀態(tài)。

根據(jù)又一實施例，控制模塊被配置成使用支持向量機以便提供單值分類。支持向量機是算法，其可被容易地應(yīng)用以實現(xiàn)本發(fā)明。

附圖說明

通過結(jié)合附圖來考慮至少一個示例性實施例的下面的詳細描述，可容易地理解本發(fā)明的教導(dǎo)并且將會明白至少一些附加特定細節(jié)，所述附圖示意性地示出了應(yīng)用于監(jiān)視具有活動部分的裝置的本發(fā)明。

在附圖中：

圖1示意性地示出了一示圖，該示圖繪出了在其軸承處具有內(nèi)圈損壞的旋轉(zhuǎn)機器的振動信號；

圖2示意性地在左側(cè)示圖中示出了基于根據(jù)圖1的信號的fft的譜分析，而在右側(cè)示圖中應(yīng)用了包絡(luò)分析；

圖3示意性地示出了三個示圖，其中，上方示圖示出了振動信號的譜線，中間示圖示出了根據(jù)上方示圖的包絡(luò)譜線，而下方示圖示出了在軸承沒有故障的情況下的包絡(luò)譜線；

圖4示意性地示出了兩個示圖，其中，上方示圖示出了振動信號的譜線，并且其中，下方示圖示出了上方示圖的相應(yīng)譜線；

圖5示意性地示出了表示軸承的時間系列（timeseries）的示圖；

圖6示意性地示出了一示圖，該示圖示出了根據(jù)圖5的時間系列的階次譜線；

圖7示意性地示出了一示圖，該示圖繪出了譜線的用于提供警報和提醒的門限設(shè)置；

圖8示意性地示出了兩個示圖，其中，左側(cè)示圖示出了譜數(shù)據(jù)密度等高線，而右側(cè)示圖示出了對應(yīng)的3維表面；

圖9示意性地示出了根據(jù)本發(fā)明的操作；

圖10示意性地示出了磨機（mill）的譜線的基頻和邊頻功率的示圖；

圖11示出了一示圖，該示圖示出了基于正常行為的置信度（confidence）值的根據(jù)本發(fā)明的處理的操作；以及

圖12示意性地示出了一框圖，該框圖繪出了徑向基函數(shù)（rbf）網(wǎng)絡(luò)方法。

具體實施方式

圖1示例性地示出了表示波形的示圖，該波形圖示出表現(xiàn)軸承內(nèi)圈（race）損壞的振動信號12，振動信號12以軸頻來調(diào)制。軸承20是在附圖中未進一步繪出的將要被監(jiān)視的旋轉(zhuǎn)裝置的一部分。檢測旋轉(zhuǎn)裝備存在損壞所使用的信號測度和統(tǒng)計參數(shù)如下：

峰值水平被簡單地定義為最大和最小振動水平之間的差的一半：

信號的均方根（rms）值是信號的標準化（normalized）二階統(tǒng)計矩（statisticalmoment）。對于離散信號，其被定義為：

信號的rms通常被用于描述時變信號的穩(wěn)態(tài)（steady-state）。測量寬頻帶上的總體振動水平是最基本的振動監(jiān)視技術(shù)。經(jīng)測量的振動水平隨時間被趨勢化以相應(yīng)地作為機器狀況或裝置狀況的指標。通常，考慮總體振動水平峰值或rms值，不過，在考慮總體振動水平峰值或rms值時，rms值在一些情況下是更優(yōu)選的，以便避免例如統(tǒng)計上不顯著的噪聲（insignificantnoise）的影響。應(yīng)提到的是，總體振動水平的分析對于相對簡單的機器而言可以指示故障，但是總體振動水平的分析將不會提供任何診斷信息。此外，將只有在故障引起總體振動水平的顯著增加之后才會檢測到該故障，并且因此對于復(fù)雜的機器故障而言可能檢測不到?？紤]特定故障類型，可看到的是，信號的形狀可以是比總體振動水平更好的損壞指標。例如，產(chǎn)生短期脈沖的故障（諸如軸承故障或局部齒輪齒（geartooth）故障）或許將不會顯著地影響總體振動水平，但是可導(dǎo)致信號的形狀的顯著變化。波峰因數(shù)（crestfactor）和峰度（kurtosis）常常被用作信號波形的形狀的無量綱度量（measure）。

波峰因數(shù)被定義為信號的峰值和rms值的比：

使用波峰因數(shù)作為信號的脈沖（impulsiveness）性質(zhì)的度量。其在存在未頻繁到足以影響rms水平的離散脈沖的情況下將會增加。偏斜度（skewness）和峰度分別是信號的3階和4階統(tǒng)計矩

其中，μ3是關(guān)于均值的三階矩，δ是標準差（standarddeviation），x是樣本均值。

1

，其中，μ4是關(guān)于均值的四階矩，δ是標準差。

那些度量被用于有效地檢測信號統(tǒng)計分布的變化。應(yīng)提到的是，獨立于振動水平的實際量值的參數(shù)提供已發(fā)生顯著變化的早期指示，該顯著變化通常在缺陷發(fā)展的初始階段出現(xiàn)。

通過使用測量數(shù)據(jù)的在先濾波，可顯著地改善使用上面所提到的參數(shù)中的一些的頻帶分析。借助于數(shù)據(jù)濾波，可將振動信號12劃分成若干頻帶。這種方法背后的思想在于：在一些情況下，故障可能不導(dǎo)致總體振動信號12的顯著變化，例如由具有較高能量的非故障相關(guān)的振動占主導(dǎo)，但是其可以在未受到那些非故障振動如此多的影響的頻帶內(nèi)變得能夠識別。

在疲勞分析中可采用循環(huán)計數(shù)法。循環(huán)計數(shù)可以被用于通過提供各種大小的循環(huán)發(fā)生的次數(shù)來概括無規(guī)律的負載相對于時間的歷史。循環(huán)的定義隨循環(huán)計數(shù)的方法而改變。這些實踐覆蓋用于通過各種方法獲得循環(huán)計數(shù)的過程，包括穿級計數(shù)（level-crossingcounting）、峰值計數(shù)（peakcounting）、簡單-范圍計數(shù)（simple-rangecounting）、程對計數(shù)（range-paircounting）以及雨流計數(shù)（rainflowcounting）。可針對力、應(yīng)力、應(yīng)變、轉(zhuǎn)矩、加速度、撓度或感興趣的其它負載參數(shù)的時間歷史進行循環(huán)計數(shù)。

時域分析方法的優(yōu)點在于使用和實施的簡單性。它們可用作用于監(jiān)視相對簡單的機器部件的有成本效益的方法，所述相對簡單的機器部件是相對廉價且能夠容易地替換的，諸如小型泵或發(fā)電機?？墒褂脮r域信號度量來檢測這些部件的即使故障（imminentfailure），從而允許在部件或完整機器發(fā)生總體損壞之前執(zhí)行所需要的維護過程。然而，對于更加昂貴或更復(fù)雜的機器而言，在早期階段檢測損壞并更精確地識別故障的根本原因是更加重要的。

圖2示出了基于在先信號調(diào)節(jié)的譜分析。在該情況下，僅考慮在某一頻帶內(nèi)的測量信號12中的分量。這里，可在某些分量及它們的諧波的振幅與面（face）之間的關(guān)系中找到診斷信息。

離散傅立葉變換（dft）將值的序列分解成不同頻率的分量。

并且快速傅立葉變換（fft）是用以計算dft及其逆的高效算法。fft允許計算信號譜線并將譜線的形狀與例如針對新機器在先記錄的形狀或已知缺陷相關(guān)的形狀相比較。頻率分析技術(shù)可被用在機器的狀況監(jiān)視和診斷兩者中并且也可被用于停機保護。

圖3示出了關(guān)于包絡(luò)分析的示圖。其可被用于進行振幅解調(diào)，也就是說，進行對調(diào)制信號的譜和時間表達的檢波，并可被用于識別旋轉(zhuǎn)機械20中的脈沖事件的發(fā)生。

這種方法的優(yōu)點在于如下事實：感興趣的信號的特征優(yōu)選地只有在缺陷或錯誤相應(yīng)出現(xiàn)的情況下才出現(xiàn)，因此不需要系統(tǒng)適于通過作出且比較若干周期性測量來檢測可能的缺陷。通過不是絕對值而是相對值的單個振動測量來檢測感興趣的信號特征，因此本方法對測量精度的敏感性小。其允許覆蓋例如對于滾動元件軸承的安裝和操作的約10個不同缺陷類型、軸頸軸承（journalbearing）、齒輪、泵葉輪以及具有摩擦元件的許多其它單元的許多類型的缺陷的檢測和識別，并且可對它們中的每個提供長期狀況預(yù)測。

圖4示意性地示出了關(guān)于倒譜分析（cepstrumanalysis）的兩個示圖。例如，邊帶（sideband）聚集在齒輪箱的齒嚙合頻率及其諧波周圍，在調(diào)制頻率的倍數(shù)處間隔，并且這些調(diào)制頻率的確定可在故障的診斷中是非常有用的。

從數(shù)學(xué)觀點來看，倒譜通常被定義為功率譜線（powerspectrum）的對數(shù)的功率譜線。因為絕對標定是次要的（假如一致性得以維持）且因為通常將會用db來表示對數(shù)功率譜線，所以在本文中將倒譜的振幅的單位取為（db）2。然而，有時，還可以將術(shù)語倒譜應(yīng)用于振幅譜線（amplitudespectrum），例如功率譜線的平方根，并且這將通過具有單位db來進行區(qū)別。

圖5示意性地示出了關(guān)于進一步提供階次分析的時間系列。階次分析被用于解決旋轉(zhuǎn)機器的速度變化的問題。fft過程將時域數(shù)據(jù)變換到頻域，從而創(chuàng)建譜線。在時域中是周期性或重復(fù)性的信號相應(yīng)在頻域中表現(xiàn)為峰值。在階次分析中，fft將轉(zhuǎn)數(shù)域數(shù)據(jù)變換成階次譜線。在轉(zhuǎn)數(shù)域中是周期性的信號在階次域（orderdomain）中表現(xiàn)為峰值。例如，如果振動峰值在相同軸位置處每轉(zhuǎn)發(fā)生兩次，則在階次譜線中的第二階次處出現(xiàn)峰值。

例如，存在由齒輪箱中的霧齒（misttooth）導(dǎo)致的沖擊。這導(dǎo)致根據(jù)圖6的示圖。齒輪箱輸出軸上的齒的數(shù)目是27。第27、第54和第81階次具有高振幅（參見圖6）。它們對應(yīng)于嚙合頻率及其二階和三階諧波。為了計算對于在以可變速度旋轉(zhuǎn)的機器處收集的測量時間系列的階次譜線，優(yōu)選地要求轉(zhuǎn)速器（tacho）或鍵相位（keyphasor）信號。在原始信號的再采樣（其目標是對于每轉(zhuǎn)獲得相等數(shù)目的數(shù)據(jù)樣本）之后，可計算階次譜線。對于恒定的旋轉(zhuǎn)速度，階次譜線將會類似于具有對應(yīng)于旋轉(zhuǎn)頻率的第1階次的頻率譜線。

圖7示意性地示出了一示圖，其中，繪出了基于譜線14的用于警報32和提醒34的門限設(shè)置。門限設(shè)置32、34通過定義用于經(jīng)測量的信號的或用于那些信號的特征的下限和/或上限而應(yīng)用在時域中。例如總體振動水平不能高于給定門限值，并且系統(tǒng)如果檢測到此類情況則產(chǎn)生警報。這種方法還可通過定義在圖7中所示的用于預(yù)定義頻帶的門限的集合而被用于頻域分析。

圖8示意性地在左側(cè)示圖中示出了數(shù)據(jù)密度等高線36并在右側(cè)示圖中示出了對應(yīng)的3維表面38。譜線14的峰值產(chǎn)生不同水平的警報，其取決于對應(yīng)的置信度水平。如果在譜線14中存在重大變化，則置信度水平從100%減小至0%。借助于設(shè)置適當?shù)木瘓笏?，系統(tǒng)可以估計情況是對應(yīng)于不嚴重（良好）、嚴重（提醒）還是極其嚴重（警報）。其表示用以在估計系統(tǒng)的剩余壽命和預(yù)防停機的任務(wù)中支持人類專家的模型。此外，如果nc被安裝為以分鐘級的頻率執(zhí)行周期性測量的在線監(jiān)視系統(tǒng)，則可在幾周或幾個月期間跟隨置信度值的演進。這代表了對于真實壽命診斷系統(tǒng)的概念而言的重要一步，因為所開發(fā)的評估方法使得能夠檢測系統(tǒng)缺陷并還能夠高效地診斷系統(tǒng)健康。

圖9-11示出了本發(fā)明的設(shè)備的操作。將如圖3中繪出的滾動元件軸承20視為示例。在軸承20中的局部故障之上相應(yīng)滾動的滾子或滾珠產(chǎn)生一系列力沖擊。如果圈的旋轉(zhuǎn)速度是恒定的，則沖擊的重復(fù)率僅僅由軸承20的幾何結(jié)構(gòu)確定。將重復(fù)率表示為軸承頻率并且它們?nèi)缦拢?/p>

-bpfo，外圈故障頻率（ballpassingfrequencyouterrace），局部故障在外圈上

-bpfi，內(nèi)圈故障頻率（ballpassingfrequencyinnerrace），局部故障在內(nèi)圈上

-bff，滾珠故障頻率（ballfaultfrequency）=2*bsf，滾珠自轉(zhuǎn)頻率（ballspinfrequency），局部故障在滾動元件上

-ftf，保持器缺陷頻率（fundamentaltrainfrequency），故障在保持架（cage）上或機械松動；

在包括故障軸承20的機器上測量的振動12的譜線14包括軸承頻率中的一個或多個?？墒褂蒙厦嫠岬降姆椒▉硖崛￡P(guān)于這些頻率處的峰值的信息。并且該信息將會是用于專家系統(tǒng)的輸入。專家系統(tǒng)的規(guī)則庫包括對于特定軸承所計算的頻率與對應(yīng)的故障42之間的聯(lián)系。例如，規(guī)則可以看起來像“如果在bpfo處存在峰值，則故障42是外圈的磨損”。對于特定裝備，關(guān)鍵頻率可基于該裝備的部分的幾何結(jié)構(gòu)而預(yù)先計算。

圖9示出了由本發(fā)明的設(shè)備提供的任務(wù)。所述設(shè)備（尤其是控制模塊10）接收滾動元件軸承20的經(jīng)測量的振動信號12，振動信號12由與軸承20相連接的相應(yīng)的傳感器來提供。振動信號12源自于磨機（未示出）。所述設(shè)備的控制模塊10通過應(yīng)用振動信號12的快速傅立葉變換將振動信號12變換成譜線14。然后，所接收的譜線14被預(yù)處理以便確定基頻16和邊頻18?；l16是峰值功率對應(yīng)于裝置20的本征頻率（eigenfrequency）或故障頻率的頻率。邊頻18對應(yīng)于另外的頻率。

在本實施例中，控制模塊10提供降噪并應(yīng)用門限，其中，超過門限的頻率相關(guān)值被識別為基頻16。所有另外的頻率被確定為邊頻18。接下來，將單值分類（one-classclassification）22的結(jié)果組合由此獲得表示置信度水平的分類信號24。這是通過使用神經(jīng)模糊方法（neutal-fuzzyapproach）實現(xiàn)的。如在圖9中可看到的，在這點上，3維高斯鐘（gaussianbell）40，其中，定位在鐘40內(nèi)的分類信號24表示無錯誤狀態(tài)，其中，在鐘40外的分類信號24表示裝置20的錯誤狀態(tài)（圖9）?？刂颇K10然后基于分類信號24而輸出決策支持信號，該信號指示所監(jiān)視的裝置20的錯誤狀態(tài)。決策支持在圖9的右側(cè)部分中，具有0與1之間的置信度值。

圖10示出了從遭受fft的磨機的振動信號12接收的譜線14的基頻16和邊頻18的功率。圖11示意性地示出了正常行為的置信度值的示圖。在左側(cè)部分中，指示有訓(xùn)練階段44，其中，中間和右側(cè)部分指的是測試階段46。如可從圖11看到的，識別出兩個警報情況48、50，其中，第三部分52尚未被決策，因為需要更多信息。

關(guān)于圖12進一步詳述了單值分類22的操作。目前，使用神經(jīng)云30分類算法作為支持向量機（supportvectormachine）。隸屬函數(shù)的估計優(yōu)選地由兩個步驟組成：第一，由高級k均值（akm）聚類算法（clusteringalgorithm）進行聚類，并且第二，由徑向基函數(shù)（rbf）網(wǎng)絡(luò)方法對聚類進行近似（參見圖12）。akm是對k均值算法的修改，akm具有對于給定最大數(shù)目的聚類（質(zhì)心（centroid））的聚類最優(yōu)數(shù)目的適應(yīng)性計算。

akm本身優(yōu)選地由以下步驟組成：

?設(shè)定k質(zhì)心的初始數(shù)目以及最大限和最小限

?調(diào)用k均值算法以對k質(zhì)心進行定位

?根據(jù)下面的前提插入或擦除質(zhì)心：

?如果數(shù)據(jù)的距離超過與最近質(zhì)心的某一距離，則生成新的質(zhì)心

?如果任何聚類由小于某一數(shù)目的數(shù)據(jù)組成，則去除對應(yīng)的質(zhì)心

?如果一些質(zhì)心之間的距離小于某一值，則將那些聚類組合成一個

?循環(huán)至步驟2，除非達到了計數(shù)（epoch）的某一的數(shù)目，或者質(zhì)心數(shù)目及它們的坐標已變得穩(wěn)定。

akm算法的輸出是聚類的中心，聚類的中心表示與正常行為有關(guān)的歷史數(shù)據(jù)。這被用作訓(xùn)練集合（trainingset）。最終，已經(jīng)從輸入數(shù)據(jù)提取出聚類的中心，使用超曲面（隸屬函數(shù)）來封裝數(shù)據(jù)。出于此目的，使用高斯分布（高斯鐘）56

其中，m是高斯鐘56的中心，σ是高斯鐘56的寬度，x是輸入數(shù)據(jù)。

中心akm聚類被分配給對應(yīng)高斯鐘56的中心，如從圖12關(guān)于li可看到的。計算所有高斯鐘56的和以便獲得隸屬函數(shù)。在這些鐘56重疊的情況下，高斯鐘56的和優(yōu)選地應(yīng)為一個單位（unit）。接下來，應(yīng)用標準化54以使得由神經(jīng)云30計算的置信度值p^c在0至1之間的界限中（參見圖12）。

神經(jīng)云30封裝用于給定訓(xùn)練時段的所選參數(shù)的所有先前歷史。在訓(xùn)練之后，神經(jīng)云30計算用于軸承20的每個新狀態(tài)的置信度值，從而描述正常行為的置信度值。

根據(jù)本發(fā)明，一維神經(jīng)云30構(gòu)造用于熱機械疲勞（tf）模擬的模型誤差的隸屬函數(shù)，并且提供在0與1之間的置信度值的模糊輸出。

如果期望的話，本文中所討論的不同功能和實施例可以按照不同或偏離的順序和/或當前相互以各種方式來執(zhí)行。此外，如果期望的話，上面所描述的功能和/或?qū)嵤├械囊粋€或多個可以是可選的或者可以被組合，優(yōu)選地以任意方式。

雖然在獨立權(quán)利要求中闡述了本發(fā)明的各種方面，但本發(fā)明的其它方面包括來自所描述的實施例和/或從屬權(quán)利要求的特征與獨立權(quán)利要求的特征的其它組合，而不僅僅包括在權(quán)利要求中明確地闡述的組合。

在本文中還注意到的是，雖然上面描述了本發(fā)明的示例性實施例，但不應(yīng)將此描述視為對范圍進行限制。相反地，在不偏離如在所附權(quán)利要求中定義的本發(fā)明的范圍的情況下可以作出若干改變和修改。