本发明涉及设备健康监测，尤其涉及基于时频域特征和聚类分析的设备健康监测方法及系统。
背景技术：
1、在现代搬送车间中，搬运机器人扮演着至关重要的角色。作为自动化物流系统的核心设备之一，机器人的健康状态直接关系到车间作业的效率和安全性。由于机器人操作频繁，其结构复杂且关键部件如驱动轮和传感器容易磨损，设备可能会发生故障。而设备的非正常运行和维护，严重影响了搬送车间的稳定运行。
2、上述对机器人的健康监测流程仍然处于人工阶段，操作人员按期对机器人进行点检，或者在机器人已经发生故障时，对故障进行检修。依赖人工的点检耗时且效率低、定期点检可能无法及时发现潜在的问题，人工记录设备状态和故障信息可能不够精确或全面，这会影响长期的数据分析、趋势预测以及维护决策的准确性。只有当问题已经发展成故障时才能被发现，导致预防性维护措施不足。
3、cn115774652a公开了一种基于聚类算法的群控设备健康监测方法、设备及介质，采集设备的特征参数，采用聚类算法进行分析得到簇内的样本点，生成正常设备和异常设备数据的健康曲线，根据健康度变化曲线进行健康监测。由于正常设备和异常设备的判断需要原始数据标签，而故障数据的收集通常是比较困难的，该方法不利于工程应用。并且，对簇取均值生成健康曲线监测设备健康状况，在对数据进行分簇并计算均值的过程中，可能会丢失一些关键的数据特征和细节。每个设备的工作条件和性能都是独特的，简化成簇的均值可能会掩盖个体设备的实际健康状况。
4、cn117848704a提供了一种基于信号时频特征假设检验的故障检测方法，提取的特征数据利用聚类算法进行聚类，对不同的簇利用高斯分布拟合、基于不同组数据分布是否一致进行假设检验，进行信号故障判断。由于在实际应用中，数据可能不完全遵循高斯分布，特别是在存在异常值或数据分布有偏的情况下，这可能导致模型拟合不准确，在实时监测信号故障的场景中，gmm(高斯混合模型)可能需要较多的计算时间，这可能影响到故障检测的时效性。与k-means等简单的聚类算法相比，gmm在参数估计和模型训练上通常更复杂，计算量也更大。并且在进行假设检验时，通常会有一些前提条件，如独立性、正态性等。如果这些条件不满足，检验结果可能不可靠。
技术实现思路
1、基于背景技术存在的技术问题，本发明提出了基于时频域特征和聚类分析的设备健康监测方法及系统，提高了监测的准确性和鲁棒性。
2、本发明提出的基于时频域特征和聚类分析的设备健康监测方法，包括如下步骤：
3、步骤一、数据采集：采集设备的扭矩数据并清洗得到数据集dataset；
4、步骤二、数据标记：对数据集dataset线性去趋势化处理，使用多个移动窗口遍历去趋势化后的数据集dataset0，并记录每个移动窗口中样本的局部最大值；通过比较各个移动窗口下样本的和，将样本和最小的移动窗口长度作为最佳移动窗口，以最佳移动窗口遍历去趋势化后的数据集dataset0，若一个样本点在不同移动窗口扫描时都被确认为局部最大值，则将该样本点标记为波峰，得到波峰的位置索引；
5、步骤三、数据标记和去噪：将数据集dataset0中的样本均去负值，重复步骤二，得到波谷的位置索引，将波峰的位置索引和波谷的位置索引合并按序排布，得到一个完整波形数据的波峰位置索引和波谷位置索引，保留波峰波谷距离大于设定值的波形数据，以去除噪声数据，得到数据集dataset1；
6、步骤四、数据转化和聚类：提取数据集dataset1的时频域特征，将设备单一的特征数据转化为多维特征数据，得到数据集dataset2，对数据集dataset2进行归一化，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，当设备的特征数据大于报警阈值时，生成报警信息进行报警。
7、进一步地，在步骤二中，多个移动窗口的数量为s/2个，多个移动窗口的长度分别为5n,n＝1,2,...s/2，s为数据集dataset的长度，n为参数。
8、进一步地，在步骤三中，保留波峰波谷距离大于5的波形数据，以去除噪声数据。
9、进一步地，在步骤四，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，具体为：
10、设定类的个数为2以及迭代次数，对归一化后的数据进行kmeans聚类，得到两类数据；
11、根据类的样本数划分为大类dataset20和小类dataset21，大类样本数n1大于小类样本数n2；
12、根据聚类后形成的大类和小类，计算离群点和报警阈值。
13、进一步地，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
14、(a1)若参数m＝n1/n2,m≥4，则计算小类dataset21中样本到大类dataset20中样本的中心距离di，得到中心距离集合d，计算中心距离集合d的均值和方差δ；
15、(a2)若则小类中第j个样本是离群点，筛选出第一小类离群点；
16、(a3)计算第一小类离群点中各个离群点距离大类dataset20的类中心u的距离并取平均以得到平均值将平均值作为报警阈值ζ1。
17、进一步地，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
18、若参数m＝n1/n2,m<4，则计算大类dataset20各样本到dataset20的类中心距离的上四分位数q1和下四分位数q3，确定四分位距iqr＝q3-q1；
19、将大类dataset20各样本到dataset20的类中心距离中小于(q1-1.5×iqr)或大于(q3+1.5×iqr)的点判定为大类离群点；
20、基于步骤(a1)至(a2)计算小类dataset21中的离群点，得到第二小类离群点；
21、将大类离群点和第二小类离群点聚合，并计算聚合后离群点中的各个离群点距离大类dataset20的类中心u的距离并取平均以得到平均值，将平均值作为报警阈值ζ2。
22、基于时频域特征和聚类分析的设备健康监测系统，包括数据采集模块、数据标记模块、数据标记和去噪模块以及数据转化和聚类模块；
23、数据采集模块用于采集设备的扭矩数据并清洗得到数据集dataset；
24、数据标记模块用于对数据集dataset线性去趋势化处理，使用多个移动窗口遍历去趋势化后的数据集dataset0，并记录每个移动窗口中样本的局部最大值；通过比较各个移动窗口下样本的和，将样本和最小的移动窗口长度作为最佳移动窗口，以最佳移动窗口遍历去趋势化后的数据集dataset，若一个样本点在不同移动窗口扫描时都被确认为局部最大值，则将该样本点标记为波峰，得到波峰的位置索引；
25、数据标记和去噪模块用于将数据集dataset中的样本均去负值，重复步骤二，得到波谷的位置索引，将波峰的位置索引和波谷的位置索引合并按序排布，得到一个完整波形数据的波峰位置索引和波谷位置索引，保留波峰波谷距离大于设定值的波形数据，以去除噪声数据，得到数据集dataset1；
26、数据转化和聚类模块用于提取数据集dataset1的频域特征，将设备单一的特征数据转化为多维特征数据，得到数据集dataset2，对数据集dataset2进行归一化，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，当设备的特征数据大于报警阈值时，生成报警信息进行报警。
27、进一步地，在数据转化和聚类模块中，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，具体为：
28、设定类的个数为2以及迭代次数，对归一化后的数据进行kmeans聚类，得到两类数据；
29、根据类的样本数划分为大类dataset20和小类dataset21，大类样本数n1大于小类样本数n2；
30、根据聚类后形成的大类和小类，计算离群点和报警阈值。
31、进一步地，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
32、(a1)若参数m＝n1/n2,m≥4，则计算小类dataset21中样本到大类dataset20中样本的中心距离di，得到中心距离集合d，计算中心距离集合d的均值和方差δ；
33、(a2)若则小类中第j个样本是离群点，筛选出第一小类离群点；
34、(a3)计算第一小类离群点中各个离群点距离大类dataset20的类中心u的距离并取平均以得到平均值将平均值作为报警阈值ζ1；
35、(a4)若参数m＝n1/n2,m<4，则计算大类dataset20各样本到dataset20的类中心距离的上四分位数q1和下四分位数q3，确定四分位距iqr＝q3-q1；
36、(a5)将大类dataset20各样本到dataset20的类中心距离小于(q1-1.5×iqr)或大于(q3+1.5×iqr)的点判定为大类离群点；
37、(a6)基于步骤(a1)至(a2)计算小类dataset21中的离群点，得到第二小类离群点；
38、(a7)将大类离群点和第二小类离群点聚合，并计算聚合后离群点中的各个离群点距离大类dataset20的类中心u的距离并取平均以得到平均值将平均值作为报警阈值ζ2。
39、本发明提供的基于时频域特征和聚类分析的设备健康监测方法及系统的优点在于：本发明结构中提供的基于时频域特征和聚类分析的设备健康监测方法及系统，首先从设备电机获取设备的扭矩数据，对数据进行清洗，用ampd方法提取清洗后的有效数据，去除噪声数据；然后提取数据的时频域特征，将设备单一的扭矩转化为多维特征；最后采用kmeans聚类方法，将数据划分为2类：大类和小类，计算小类数据的异常得分，根据异常得分判定离群点，监测设备的健康状态。
1.基于时频域特征和聚类分析的设备健康监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于时频域特征和聚类分析的设备健康监测方法，其特征在于，在步骤二中，多个移动窗口的数量为s/2个，多个移动窗口的长度分别为5n,n＝1,2,...s/2，s为数据集dataset的长度，n为参数。
3.根据权利要求1所述的基于时频域特征和聚类分析的设备健康监测方法，其特征在于，在步骤三中，保留波峰波谷距离大于5的波形数据，以去除噪声数据。
4.根据权利要求1所述的基于时频域特征和聚类分析的设备健康监测方法，其特征在于，在步骤四，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，具体为：
5.根据权利要求4所述的基于时频域特征和聚类分析的设备健康监测方法，其特征在于，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
6.根据权利要求5所述的基于时频域特征和聚类分析的设备健康监测方法，其特征在于，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
7.基于时频域特征和聚类分析的设备健康监测系统，其特征在于，包括数据采集模块、数据标记模块、数据标记和去噪模块以及数据转化和聚类模块；
8.根据权利要求7所述的基于时频域特征和聚类分析的设备健康监测系统，其特征在于，在数据转化和聚类模块中，设定迭代次数和类的个数，对归一化后的数据聚类，根据聚类后形成的大类和小类，计算离群点和报警阈值，具体为：
9.根据权利要求8所述的基于时频域特征和聚类分析的设备健康监测系统，其特征在于，在根据聚类后形成的大类和小类，计算离群点和报警阈值中，具体为：
