CN102394658A - 一种面向机械振动信号的复合压缩方法 - Google Patents

Abstract

本发明公开了一种面向机械振动信号的复合压缩方法，利用离散小波变换的软阈值处理方法完成对采集机械振动信号的降噪预处理；通过特征分析技术来实现信号的有损压缩，利用小波包变换提取降噪机械振动信号的小波包系数特征，并通过主分量分析方法实现特征参数的优化处理；利用经验模态分解获取表征信号中不同振动模式的内在模态函数分量，并通过傅立叶变换方法实现各个分量的频域特征参数提取；进而采用基于字典模型的LZW算法对获得的有损压缩特征数据进行无损压缩，以最终生成机械振动信号的复合压缩数据结果。

Description

一种面向机械振动信号的复合压缩方法

技术领域

本发明属于机械振动信号监测系统的技术领域，特别是涉及一种结合机械振动信号特征优化的复合压缩方法。

背景技术

机械设备是工厂和工程等机械应用领域的关键设备，其工况状态不仅影响设备自身的运行，还关系到整个生产应用的顺利运转。如果不能及时发现和处理机械设备运行过程中故障问题，可能会造成重大的经济损失，甚至会导致机毁人亡的严重事故。机械振动信号监测是针对机械设备运行状态分析及故障诊断的一种重要手段，可应用于电机、风机、汽轮机、水泵等机械设备。它综合了传感器信号测量、信号分析与处理、自动控制、系统辨识和专家系统等多方面技术，通过对采集的机械振动信号进行分析，判断机械设备运行的异常情况、产生故障的原因以及对继续运行时的影响预测，从而给出必要的解决对策。

机械设备运行过程中，需要通过信号处理技术对检测到的振动信号进行变换分析，以获取能够表征设备运行状态的信号特征，并依据故障诊断特征实现设备状态监测与故障诊断分析。机械振动信号的特征提取方法涉及时域、频域和时频域分析方法，其中，时域分析方法主要提取振动信号的幅值与相关信息，频域分析方法是通过傅里叶变换获取振动信号的频率分布信息，时频域分析方法则是通过短时傅里叶变换、小波变换、希尔伯特—黄(Hilbert-Huang)变换等来描述振动信号在时间与频率域上的综合变化情况。目前，分布式、网络化与长时间持续监测等复杂环境需求是机械设备状态监测与故障诊断的一个重要发展方向，由此形成的振动信号数据是海量的，从而使得传统的传感器数据直接传输方式无法胜任，因此，需要对采集的传感器信号进行数据压缩，这对降低振动信号数据的存储容量和传输带宽有着重要的应用价值。

数据压缩方法分为两大类，即有损压缩和无损压缩。有损压缩是在保持原始数据基本特征的基础上通过以丢失部分信息为带代价来获得较高的压缩率，主要涉及预测编码、变换编码、多分辨率编码等。无损压缩则是通过消除数据中的重复和冗余值而不丢失任何信息，以确保解压缩数据与原始数据保持一致但压缩率较低，主要涉及以霍夫曼(Huffman)编码、算术编码的基于统计模型的压缩方法和以LZW(Lempel-Ziv-Welch)方法为代表的基于字典模型的压缩方法。

现有的机械振动信号压缩方法虽然取得了一些成果，但仍然存在一定的问题。采用无损压缩技术不能获得满意的压缩效果。有损压缩技术中，采用以时域或频域特征信息为基础的预测编码和变换编码主要针对的是平稳信号，对于以非平稳性为主的振动信号具有一定的局限性；而采用以小波分析技术为基础的多分辨率编码则存在小波母函数选择性的问题。

发明内容

基于现有技术，本发明目的旨在提供一种应用于机械振动信号的复合压缩方法，该方法综合运用有损压缩和无损压缩技术，能够解决有用信息量保留和数据压缩率间的匹配问题。

为了实现上述发明目的，本发明采用的技术方案是，一种面向机械振动信号的复合压缩方法采用模块化设计思想，其处理过程如图1所示。降噪预处理模块在接收到传感器信号后作离散小波变换并作软阈值处理，再进行离散小波重构以获得降噪振动信号。有损压缩模块分别利用小波包变换(WPT，waveletpackage transform)和经验模态分解(EMD，empirical mode decomposition)方法对降噪振动信号进行处理，再通过主分量分析(PCA，principal component analysis)方法实现小波包特征参数的优化压缩；并针对经验模态分解所获得的主要内在模态函数(IMF，intrinsic mode function)分量进行傅里叶变换(Fourier transform)，以提取相应的核心频率分量，从而从特征参数提取和优化方面完成对振动信号的有损压缩。无损压缩模块采用基于字典模型的LZW(Lempel-Ziv-WelchEncoding)算法，实现对所获得的小波包和核心频率特征参数的进一步压缩，以最终完成机械振动信号的高效压缩。

本发明的具体步骤如下：

第一步，降噪预处理。预处理模块根据设定的小波母函数类型以及分解层次对获取的传感器信号作离散小波变换，再利用各层小波系数的自动阈值设置规则进行软阈值处理，进而进行小波重构，以得到时域上的降噪机械振动信号。

第二步，小波包特征参数提取与优化。针对降噪机械振动信号，根据设定的小波母函数类型及分解层次c进行小波包分解，将在最后一层获得2^c组小波包系数，并对这些小波包系数进行特征参数提取以构成特征向量组，再采用PCA方法对该特征向量组进行进一步的分析，获取表征机械振动信号特征的主分量参数，以达到小波包系数特征优化与压缩的目的。

第三步，经验模态分解下的频域特征参数提取。通过EMD分析获取表征信号中不同振动模式的内在模态函数分量，进而对这些IMF分量进行傅里叶分析，获取关于IMF分量的频域参数，并以此参数作为EMD分析的特征参数。

第四步，将上两步有损压缩过程所得到的小波包优化特征参数和经验模态分解下的频域特征参数进行结合，采用基于字典模型的LZW算法进一步实现机械振动信号特征数据的无损压缩。

有损压缩采用小波包变换和经验模态分解两种分析方法实现机械振动信号的特征压缩。小波包变换过程中，通过对小波母函数和分解层次的预先设置处理来提高机械振动信号特征分析的灵活性；通过对小波包系数的多特征参数分析和基于PCA的优化计算，在保留机械振动信号多分辨率特征信息的基础上降低了信号的数据量。经验模态分解过程仅根据信号的局部特征进行分析，克服了小波分析的母函数选择问题，提高了机械振动信号特征分析的自适应性；通过对内在模态函数分量的傅里叶变换处理，获取各个IMF分量的频率特征分布情况并以此实现经验模态分解特征参数的数据压缩；另外，通过对频率参数的傅立叶反变换可逆推出各个IMF分量，进而利用经验模态分解的完备性特征重构出机械振动信号，增加了对机械振动信号的分析能力。

本发明所述面向机械振动信号的复合压缩方法，结合小波包变换的多分辨率特性和经验模态分解的自适应特性从特征分析角度实现机械振动信号的有损压缩，即通过PCA分析算法实现小波包变换系数特征的优化压缩，通过经验模态分解算法实现内在模态函数分量的傅立叶频率特征提取，再利用LZW算法实现信号特征参数的无损压缩，通过该两级数据压缩方式达到在保留机械振动信号有用信息的基础上提高信号压缩率的目的。本发明适用于复杂环境需求下的机械振动信号数据压缩。

附图说明

图1是面向机械振动信号的复合压缩方法示意图

图2是复合压缩分析过程示意图

图3是基于小波包变换的特征提取和优化处理示意图

具体实施方式

首先设置离散小波变换分析的小波母函数类型与分解层次，通过自动阈值处理方式对各层离散小波系数进行软阈值处理，进而通过小波重构实现机械振动信号的降噪预处理。软阈值处理及其自动阈值设置规则为

$\mathrm{CW}\_P_i=\left\{\begin{array}{cc}\mathrm{sign}\left({\mathrm{CW}}_i\right)\left(\right|{\mathrm{CW}}_i|-{\mathrm{th}}_i)& \left|{\mathrm{CW}}_i\right|\&GreaterEqual;{\mathrm{th}}_i\\ 0& \left|{\mathrm{CW}}_i\right|<{\mathrm{th}}_i\end{array}\right.,$ ${\mathrm{th}}_i=\mathrm{\&alpha;}\&times;\sqrt{2\log \left(N_i\right)\&times;{\mathrm{\&sigma;}}_i}$

其中，N_i、σ_i分别表示第i层小波系数的数据长度和噪声强度估计值，α为可调的比例因子，th_i为自动计算得到的关于第i层小波系数CW_i的判断阈值，函数sign()表示取数据符号操作，CW_P_i即为获得的进行软阈值后的第i层小波系数。

其次，对获得的降噪机械振动信号进行复合压缩，其处理过程如图2所示。有损压缩过程中，分别进行小波包特征参数提取优化和基于经验模态分解的频域特征参数提取。小波包特征参数提取和优化处理过程如图3所示，在设定小波母函数类型及分解层次c的基础上对信号进行小波包分解，第一层小波包系数表示为(A11，D11)，第二层小波包系数表示为(A21，D21，A22，D22)，以此类推，在小波包分解的最后一层(第c层)获得2^c组小波包系数并表示为(Ac1，Dc1，Ac2，Dc2，Ac2^c-1，…，Dc2^c-1)，再对这些系数进行特征参数计算，获取关于小波包系数的绝对均值、方差和自回归(AR，autoregressive)参数，即

①绝对均值： $A=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\left|r_i\right|$

②方差： $V=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{r}_i^2$

③AR参数： $r_i=\underset{k=1}{\overset{p}{\mathrm{\&Sigma;}}}{a}_k{r}_{i-k}+e_i$

其中，r_i表示一组小波包系数且N表示该系数的数据长度，a_k(k＝1，…，p)为AR参数，p表示AR参数的阶次，e_i表示计算过程中的随机噪声。针对2^c组小波包系数，将相应的系数绝对均值、方差和AR参数构成一特征向量组[A₁，V₁，a₁₁，a₁₂，…，a_1p；A_j，V_j，a_j，a_j1，…，a_jp](j＝1，…，2^c)。再采用PCA方法对该特征向量组进行处理，获取该特征向量组的主分量参数，从而实现小波包系数特征优化与压缩的目的。

在获取小波包系数优化特征的同时，利用经验模态分解方法将降噪机械振动信号中不同尺度的振动或趋势分量逐级进行分解，形成一系列包含机械振动信号中不同频率段成分的内在模态函数分量imf₁、imf₂、…、imf_m，其中，m为自适应分解过程所形成的IMF个数，且这些分量的频率成分依次降低。针对各个IMF分量作傅里叶变换，寻找出频率变化曲线的最大频率值Ft_max，进而设置相应的频域阈值TH，即TH＝Ft_max×40％，提取出频率曲线所包含的大于等于阈值TH的频率特征值，标记为imf₁_FT、imf₂_FT、…、imf_m_FT，并以此作为经验模态分解分析的特征参数。

最后，利用LZW算法将有损压缩处理获取的小波包系数优化特征参数和经验模态分解分析特征参数进行无损压缩，进而获得机械振动信号的复合压缩数据结果。

Claims (4)

1.一种面向机械振动信号的复合压缩方法，其特征在于，利用离散小波变换的软阈值处理方法对采集的机械振动信号进行降噪预处理；再通过特征分析技术来实现信号的有损压缩，利用小波包变换提取降噪机械振动信号的小波包系数特征，并通过主分量分析方法实现特征参数的优化处理；利用经验模态分解获取表征信号中不同振动模式的内在模态函数分量，并通过傅立叶变换方法实现各个分量的频域特征参数提取；最后采用基于字典模型的LZW算法对有损压缩处理获得的特征数据进行进一步的无损压缩，以最终生成机械振动信号的复合压缩数据结果。

2.根据权利要求所述的一种面向机械振动信号的复合压缩方法，其特征在于，利用有损压缩和无损压缩相结合的复合压缩方法来提高机械振动信号的压缩效果。

3.根据权利要求所述的一种面向机械振动信号的复合压缩方法，其特征在于，将机械振动信号小波包系数的绝对均值、方差和自回归参数构造成特征向量组，并对该特征向量组进行主分量分析处理，获取其主分量参数，实现小波包系数特征优化与压缩。

4.根据权利要求所述的一种面向机械振动信号的复合压缩方法，其特征在于，利用经验模态分解方法获取机械振动信号的内在模态函数分量，对各个内在模态函数分量进行傅立叶变换处理，获取关于内在模态函数分量的频域参数，并将该参数作为经验模态分解分析的特征参数。

Images