19、基于时间序列统计特征的广义异常检测算法

基于时间序列统计特征的广义异常检测算法

在工业领域，非结构化数据给传统机器学习带来了挑战。企业数据分析借助机器学习，依靠概率学习来理解复杂问题。本文提出了一种从旋转机械（如数控和车床）的故障机械部件中提取高维特征的新技术。该技术利用故障轴承和齿轮箱的振动信号，在不同转子速度下对故障和正常状态进行分类。

1. 引言

制造业目前面临的一个问题是，大多数符合数控机床性能要求的性能评估工作手动操作强度大，且任务往往依赖于操作员。虽然存在灵敏度更高的性能技术，但这些技术需要在传感器安装和数据收集方面进行大量投资，其间接成本和运营成本超过了收益，因此在实际应用中不具有财务可行性。

本文旨在解决数控机器主轴不平衡和未对准导致短时间加工中轴承故障模式时，机械旋转部件的异常检测问题。安装在主轴外侧结构上的加速度计传感器会捕捉振动水平并输出信号，通过处理该信号来确定部件内是否存在异常。在正常情况下（无不平衡和未对准），输出是具有恒定振幅水平范围的噪声振动信号；而当出现异常时，输出信号的振幅范围会增大。振幅水平会根据机器的速度、负载条件以及传感器与振动源的距离而变化，传感器位置的选择是为了均匀覆盖主轴的表面积。

模型学习过程专注于从所有工作条件的正常状态中提取有用特征，异常决策基于一组测量值属于正常类别的概率。极低的概率表示存在异常。机器学习通过以下六个步骤从正常历史条件数据中定制模型学习过程并检测健康状态：
1. 批量处理时间序列数据
2. 特征提取
3. 特征缩放
4. 选择最有用的特征
5. 多变量统计模型学习
6. 定义健康状态阈值模型

从不同速度条件下的所有正常数据集数据中学习无监督概率多变量