本技術涉及數據處理領域，尤其涉及基于數據分析的電機性能檢測方法及系統。

背景技術：

1、電機作為工業、農業、民生電器等領域的核心動力部件，其性能直接影響設備的運行效率、可靠性和安全性。對電機性能進行檢測是保障產品質量、延長使用壽命及預防故障的關鍵環節。故障電機則可能導致能量浪費，甚至引發嚴重的安全事故。因此，定期對電機性能進行檢測和評估，可以及時發現潛在問題，避免因突發故障導致的停機損失。

2、現有技術可以通過多種手段對電機運行狀態進行監測和故障診斷，其中基于振動信號分析的方法是常用技術之一。通過在電機關鍵部位安裝加速度傳感器或位移傳感器，可以實時采集電機運行過程中的振動數據。這些數據能夠反映電機內部零部件（如軸承、轉子、定子等）的動態特性以及可能存在的異常情況。例如，當電機軸承出現磨損或缺陷時，會引發特定頻率的振動信號；而轉子不平衡或對中不良則會導致低頻段的周期性振動加劇。

3、但是在電機故障檢測中，采集的信號中可能存在干擾信號，干擾信號產生的原因主要是外部的電磁干擾、設備的啟動或停止等。在實際的電機運行環境中，干擾信號的存在是不可避免的。這些信號并不是由于電機本身的問題產生的，干擾信號對故障的檢測精準度造成了影響。

技術實現思路

1、為了解決上述干擾信號影響故障檢測精準度的問題，本技術提供基于數據分析的電機性能檢測方法及系統。

2、第一方面，本技術提供基于數據分析的電機性能檢測方法，采用如下的技術方案：

3、基于數據分析的電機性能檢測方法，包括步驟：根據設置的窗口對振動信號進行分段，篩選出存在異常信號的窗口得到多個段信號；對段信號進行聚類得到多個聚類簇，根據聚類簇區分干擾信號和故障信號；其中，聚類的方法為：計算任一段信號與其他段信號的相似程度，將相似程度大于預設閾值的其他段信號作為任一段信號的匹配信號，將匹配信號的個數與段信號的總數作為任一段信號的周期強度；獲取任一段信號的頻帶與標準頻帶的并集以及頻帶與標準頻帶的交集，將交集與并集的比值作為頻帶相似度；構建各段信號的特征向量，計算特征向量之間的距離，特征向量的維度包含周期強度及頻帶相似性，根據特征向量，使用聚類算法進行聚類得到多個聚類簇，聚類簇包含了干擾信號聚類簇和/或若干故障聚類簇，每個故障聚類簇表達了一種故障類型。

4、有益效果為：通過窗口對振動信號進行分段，并初步篩除出存在可能故障性的段信號，聚焦于可能包含故障或干擾的關鍵區域，減少冗余數據的影響。結合聚類算法對段信號進行分類，實現了對正常信號、干擾信號和故障信號的自動區分，提高了檢測效率。

5、綜合周期強度與頻帶綜合判定干擾信號與故障信號，干擾信號通常表現為高頻噪聲、隨機波動或周期性但無規律的信號且頻譜可能覆蓋較寬的頻率范圍，電機正常運行的特征頻率無關。故障信號具有特定的頻率特征。

6、通過將頻帶與標準頻帶的交集與并集的比值定義為頻帶相似度，將周期強度與頻帶相似度作為特征向量，進行聚類。可以有效解決頻帶范圍形式與周期強度數值形式不匹配的問題。通過構建特征向量并聚類，能夠區分不同類型的故障（如軸承故障、轉子故障等），為后續故障診斷提供依據。

7、可選的，相似程度的計算方法為：通過動態時間規整算法計算兩個窗口中段信號的時間序列距離，將時間序列距離進行正相關歸一化后作為相似程度。

8、有益效果為：動態時間規整算法能夠有效處理時間序列長度不一致或存在非線性伸縮的情況，適合電機振動信號中可能出現的時間偏移或周期性變化。基于信號形狀的相似性進行比較，能夠捕捉信號中的周期性或沖擊特征，提高相似程度計算的準確性，且對噪聲和小范圍擾動具有一定的容忍度，適用于復雜工況下的信號分析。

9、可選的，相似程度的計算方法為：構建任一段信號的數據點序列計算兩個窗口中段信號的皮爾遜相關系數，將皮爾遜相關系數進行正相關歸一化后作為相似程度。

10、有益效果為：皮爾遜相關系數的計算復雜度低，適合實時處理或大規模數據集的應用。

11、可選的，篩選存在異常信號的窗口得到多個段信號的方法為：計算段信號的峭度，響應于，表示超參數，該窗口內的段信號存在異常信號。

12、有益效果為：峭度能夠有效反映信號分布尾部的厚度，對沖擊信號或異常事件非常敏感，適合檢測電機運行中的突發性故障。通過調整超參數 ?，可以靈活控制異常信號的篩選標準，適應不同的工況需求。峭度的計算公式明確，易于實現，適合在線監測系統。

13、可選的，篩選存在異常信號的窗口得到多個段信號的方法為：計算段信號的峰值因子，當峰值因子超過預設閾值時，判定該窗口內的段信號存在異常信號。

14、有益效果為：提供了另外一種判斷信號是否存在異常沖擊的方法，峰值因子能夠有效反映信號中的尖峰成分，適合檢測電機運行中的沖擊性故障（如軸承故障、齒輪故障），無需復雜的特征提取或模型訓練，計算簡單且易于實現。

15、可選的，峰值因子為信號峰值與均方根或平均絕對值的比值。

16、有益效果為：均方根是對信號能量的一種度量，能夠反映信號的整體強度，當使用峰值與均方根的比值作為峰值因子時，該方法對信號的能量分布更加敏感，適合用于檢測高能量尖峰信號。

17、平均絕對值是對信號幅值絕對值的平均，能夠直接反映信號的幅值特性；使用峰值與平均絕對值的比值作為峰值因子時，也能檢測到尖峰信號，但該方法對信號幅值的變化更為敏感，適合用于檢測低幅值但尖銳的異常信號。

18、可選的，故障聚類簇包含軸承故障簇、轉子故障簇和/或齒輪故障簇。

19、有益效果為：細化故障類型，通過將故障信號進一步劃分為軸承故障、轉子故障和齒輪故障等類型，能夠更精確地定位故障來源。

20、可選的，特征向量之間的距離為歐式距離、余弦相似性或曼哈頓距離。

21、可選的，所述聚類算法可以為k-means聚類算法或dbscan聚類算法。

22、第二方面，本技術提供基于數據分析的電機性能檢測系統，采用如下的技術方案：

23、基于數據分析的電機性能檢測系統，處理器和存儲器，所述存儲器存儲有計算機程序指令，當所述計算機程序指令被所述處理器執行時實現根據上述的基于數據分析的電機性能檢測方法。

24、有益效果為：將上述的基于數據分析的電機性能檢測方法生成計算機程序，并存儲于存儲器中，以被處理器加載并執行，從而，根據存儲器及處理器制作系統，方便使用。

25、本技術具有以下技術效果：

26、過窗口對振動信號進行分段，并初步篩除出存在可能故障性的段信號，聚焦于可能包含故障或干擾的關鍵區域，減少冗余數據的影響。結合聚類算法對段信號進行分類，實現了對正常信號、干擾信號和故障信號的自動區分，提高了檢測效率。

27、綜合周期強度與頻帶綜合判定干擾信號與故障信號，干擾信號通常表現為高頻噪聲、隨機波動或周期性但無規律的信號且頻譜可能覆蓋較寬的頻率范圍，電機正常運行的特征頻率無關。故障信號具有特定的頻率特征。

28、通過將頻帶與標準頻帶的交集與并集的比值定義為頻帶相似度，將周期強度與頻帶相似度作為特征向量，進行聚類。可以有效解決頻帶范圍形式與周期強度數值形式不匹配的問題。通過構建特征向量并聚類，能夠區分不同類型的故障（如軸承故障、轉子故障等），為后續故障診斷提供依據。