CN105258789B - 一种振动信号特征频率带的提取方法及装置 - Google Patents
一种振动信号特征频率带的提取方法及装置 Download PDFInfo
- Publication number
- CN105258789B CN105258789B CN201510710605.4A CN201510710605A CN105258789B CN 105258789 B CN105258789 B CN 105258789B CN 201510710605 A CN201510710605 A CN 201510710605A CN 105258789 B CN105258789 B CN 105258789B
- Authority
- CN
- China
- Prior art keywords
- frequency band
- vibration signal
- marginal spectrum
- window
- characteristic frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种振动信号特征频率带的提取方法及装置,其包括获取振动信号的边际谱;利用滑动窗口将所述边际谱划分成多个窗口边际谱,对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;根据所述聚类效果评价指标提取出故障敏感的特征频率带。本发明实施例的振动信号特征频率带的提取方法及装置具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
Description
技术领域
本发明涉及机构检测领域,特别是一种振动信号特征频率带的提取方法及装置。
背景技术
滚动轴承的状态监测对设备的安全运行具有重要意义,设备状态监测和故障诊断可以分为三个步骤:信号采集、特征提取、状态识别。分析设备振动信号是最常用的故障诊断手段,如何从非线性、非平稳特性的振动信号中提取出表征轴承故障状态的特征信息是实现轴承故障诊断的关键。时频分析方法是非线性、非平稳信号分析的有力工具,常用的分析方法有:小波变换、短时傅里叶换、魏格纳–维尔分布(Wigner-Ville Distribution,WVD),希尔伯特黄变换(Hilbert-Huang Transform,HHT)等。小波变换方法的特征提取效果很大程度上受到小波基函数选择的限制,而小波基函数的自适应性不强;短时傅立叶变换是线性变换,对于多分量信号其变换不存在交叉项,但其时频聚集性不好;WVD的时频聚集性非常好,但对于多分量信号会产生交叉项,HHT目前在机械故障振动信号分析方面应用最为广泛。
现有研究中多采用振动信号的时域、频域和时频域的统计特性来作为故障的特征信息,例如平均值、标准差、峰度、偏度、形状因数、能量熵等。Ali等提取振动信号每一个(Intrinsic Mode Function,IMF)分量的11种时域统计特征来训练人工神经网络,实现滚动轴承的故障诊断;Shen等从IMF分量中提取出16种时域统计特性和13种频域特性,并利用距离评价技术从中选取目标更加敏感的特征信息,来提高齿轮箱异常识别的准确率。Zhang等利用两种时域统计特性和两种频域统计特性来训练SVM,并提出一种新型混合参数优化算法来提高滚动轴承的故障识别率;Bafroui等提取出振动信号64个时间尺度下的小波系数,并利用能量熵从中选出更能够表征故障种类的24个尺度,利用24个尺度下的小波系数统计特性作为人工神经网络故障分类器的输入,来提高轴承故障分类器的识别率。上述研究中的故障诊断模型都是基于统计特征的,然而,统计特征中只能包含振动信号中部分故障相关的特征信息,无法对故障特征进行完整的描述,仅使用统计特征作为故障特征信息,可能故障识别准确率的下降。
尝试使用振动信号经过HHT得到的边际谱作为轴承故障分类器的输入信号,来实现轴承故障的分类,实验结果表明边际谱能够有效的表征轴承故障的种类。然而,由于噪声信号及EMD(Empirical Mode Decomposition,EMD)自身的问题,边际谱中不可避免地包含一些与故障类型相关性小或不相关的信息,这些信息不仅使故障类型的特征空间变得庞大,同时还会给故障的分类带来干扰,降低故障诊断的精度。
因此如何设计出一种故障识别率高和抗噪声能力质量好的振动信号特征频率带的提取方法是业界亟需解决的课题。
发明内容
为了解决上述现有的技术问题,本发明提供一种振动信号特征频率带的提取方法及装置以提取到的故障识别率高和抗噪声能力质量好的振动信号特征频率带。
本发明提供一种振动信号特征频率带的提取方法,包括:
获取振动信号的边际谱;
利用滑动窗口将所述边际谱划分成多个窗口边际谱,对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;
根据所述聚类效果评价指标提取出故障敏感的特征频率带。
优选地,所述获取振动信号的边际谱的步骤具体包括:
获取振动信号;
将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。
优选地,所述根据所述聚类效果评价指标提取出故障敏感的特征频率带的步骤包括:将所述聚类效果评价指标值从大到小进行排序,并按顺序将每个窗口对应的频率段进行叠加,当得到的频率点数大于预设阀值时,停止叠加以生成振动信号的特征频率带。
优选地,还包括步骤:
利用特征频率带下的边际谱信息完成对支持向量机分类器进行训练,生成特征频率带分类模型。
优选地,所述边际谱的计算公式为:
其中
h(w)为边际谱,且
优选地,所述支持向量机分类器计算依据公式:
本发明还提供一种振动信号特征频率带的提取装置,包括
获取模块,用于获取振动信号的边际谱;
评价指标计算模块,用于利用滑动窗口将所述边际谱划分成多个窗口边际谱,对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;以及
特征频率带提取模块,用于根据所述聚类效果评价指标提取出故障敏感的特征频率带。
优选地,所述获取模块具体包括:
信号获取单元,用于获取振动信号;
边际谱生成单元,用于将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。
优选地,所述特征频率带提取模块具体用于将所述聚类效果评价指标值从大到小进行排序,并按顺序将每个窗口对应的频率段进行叠加,当得到的频率点数大于预设阀值时,停止叠加以生成振动信号的特征频率带。
相较于现有技术,本发明优选实施例的振动信号特征频率带的提取方法,通过利用滑动窗口将所述边际谱划分成多个窗口边际谱,对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标,并根据所述聚类效果评价指标提取出故障敏感的特征频率带具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
本发明具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
附图说明
图1为本发明一优选实施例的振动信号特征频率带的提取方法的方框示意图;
图2为本发明的特征频率带分类模型工作过程示意图;
图3为WMSC方法中窗口边际谱集合RI值随窗口起始频率位置的变化曲线示意图;
图4为7种故障状态中各随机选取序列示意图;
图5为本发明优选实施例的振动信号特征频率带的提取装置的结构示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
请参阅图1,其为本发明一优选实施例的振动信号特征频率带的提取方法的方框示意图。
本发明实施例的振动信号特征频率带的提取方法包括:
S1:获取振动信号的边际谱;
本步骤中,首先获取振动信号,然后将获取到的振动信号进行希尔伯特黄(Hilbert-Huang Transform,HHT,即希尔伯特黄变换)变换以获取所述振动信号的边际谱。
具体而言,经验模式分解(Empirical Mode Decomposition,EMD)是基于信号不同时间尺度的局部特征进行的,EMD可以将信号分解为一套完备的、几乎正交的本征模函数(Intrinsic Mode Function,IMF)集合,每个IMF对应于信号在一种频率下的振动模式,在对非平稳信号进行平稳化处理时,每个IMF满足以下两个条件:
(1)整个数据序列中,极值点的数目和过零点的数目必须相等或最大相差一。
(2)对于序列中任意一点来说,由局部极小值和局部极大值确定的上、下包络线的均值为零。
对于信号x(t),其EMD分解步骤为:
(1)获取信号x(t)中所有局部极值点;
(2)根据局部极大值点和极小值点构造信号x(t)的上下包络线;
(3)求得上下包络线的平均值m1(t),计算x(t)和m1(t)的差值h1(t)=x(t)-m1(t);
(4)如果h1(t)是否满足成为IMF的条件,那么h1(t)就是x(t)的第一个IMF分量,即c1(t)=h1(t);如果不满足,则将h1(t)作为新的原始信号,步骤(1)-(3),得到h11(t)和m11(t),h11(t)=h1(t)-m11(t),循环k次,直到h1k(t)能够满足IMF的条件,则c1(t)=h1k(t)。然后用x(t)减去c1(t),得到一阶分解的剩余信号r1(t)=x(t)-c1(t),把r1(t)作为新的原始信号,即x(t)=r1(t);
(5)重复步骤上述(1)-(4),直到完成设定的n阶分量,或残余函数rn(t)小于设定阀值,或rn(t)成为单调函数,EMD过程结束,分解后的x(t)可以表示为公式:
每个IMF分量都反映了原始信号不同时间尺度的模态特征。
而Hilbert边际谱则可以由如下过程生成:
首先通过EMD可以得到代表信号不同时间尺度局部特征的本征模态函数ci(t),对ci(t)进行Hilbert变换,变换公式为:
构造信号ci(t)的解析信号zi(t)如公式:
解析信号zi(t)的幅值函数如公式:
解析信号zi(t)的相位函数公式:
进一步计算可以得到瞬时频率:
这样,可以得到:
这里省略了残差r(t),Re表示取实部。展开式(7),得到Hilbert谱:
如果将H(w,t)对时间积分,就得到Hilbert边际谱h(w):
边际谱h(w)的值是频率w在各个时刻的幅值之和,代表信号的幅值在整个频率段上随频率的变化的情况,能够真实反应某一频率在信号中是否存在。在机械设备处于正常状态下,振动信号边际谱的能量集中在低频段,当边际谱在高频段出现集中峰值时,表示设备通常处于不正常的工作状态。
S2:利用滑动窗口将所述边际谱划分成多个窗口边际谱,对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;
本步骤中,具体而言:
首先,设定由所述获取的振动信号组成的训练集合中有M种故障信号,每种故障信号有N组序列,构成了H=M*N组故障训练信号序列集,故障序列集经过HHT后得到的边际谱序列集合MSP可以表示为
其中边际谱SP=[sp1,sp2,…,spi],SPij.的频点数l,为利用滑动窗口对SPij.进行频带划分,滑动窗口大小为m个频点数,滑动步距为1个频率点,从边际谱第一个频率点开始,可以从SPij划分出l-m+1个窗口边际谱Wij=[Wij 1,Wij 2,...,Wij l-m+1],Wij k和SPij之间的关系可以表达为:
Wij k=[spk,spk+1,...,spk+m-1]
分别对每一个边际谱序列进行窗口划分,对于边际谱序列集合MSP,可以得到窗口集合WM,
然后,提取WM中每一个频带窗口集合,可以得到l-m+1个窗口边际谱集合,[MW1,MW2,…,MWl-m+1],MWk可以表示为
对MWk进行聚类分析,这里使用RI(RANDINDEX)作为聚类效果的评价指标,MWk中的每个窗口边际谱属于一种故障状态,将任意两个窗口进行组合,可以产生H*(H-1)/2个组合对,每个组合对有四种可能的聚类结果,(a)属于同一故障状态被分到同一簇,(b)属于不同故障状态被分到不同簇,(c)属于不同故障状态被分到同一簇,(d)属于同一故障状态被分到不同簇。聚类评价指标RI可以表达为
RI(k)=(tp+tn)/(tp+fp+tn+fn)
这里,tp为出现(a)结果的组合对数目,tn为出现(b)结果的组合对数码,fp为出现(c)结果的组合对数目,fn为出现(d)结果的组合对数目。
对每一个窗口边际谱集合聚类分析后,可以得所有窗口的边际谱的评价指标序列RI=[RI(1),RI(2),…,R(l-m+1)],RI(k)的值越大,表明该窗口子边际谱对应的频率段信息故障种类区分特性越好,可以被优先选择作为特征频率段。窗口的边际谱的评价指标序列亦称为聚类效果评价指标值。
S3:根据所述聚类效果评价指标值提取出故障敏感的特征频率带。
本步骤中,将所述聚类效果评价指标值RI进行从大到小的排序,按顺序将每个窗口对应的频率段进行叠加,叠加过程中重叠部分的频率点只记录一次,设置预设阈值Pmin,当得到的频率点数大于Pmin时,叠加过程停止,这样就得到了特征频率点集合S,亦完成振动信号的特征频率带的提取。
进一步的,利用特征频率带下的边际谱信息完成对支持向量机分类器进行训练,生成特征频率带分类模型。
具体地,利用特征频率点集合S对振动信号的边际谱SP进行截取,得到特征子边际谱序列SP′,亦即振动信号的特征频率带。SP′作为支持向量机SVM(Support VectorMachine,SVM)分类器的新的输入信息。支持向量机中对于非线性可分的情况,可使用一个非线性函数把数据映射到一个高维特征空间,在高维特征空间建立优化超平面,判决函数变为:
一般无法知道的具体表达,也难以知晓样本映射到高维空间后的维数、分布等情况,不能再高维空间求解超平面。由于SVM理论只考虑高维特征空间的点积运算而点积运算可由其对应的核函数直接给出,即用内积K(xi,xj)代替最优分类面中的点积,就相当于把原特征空间变换到了某一新的特征空间,得到新的优化函数:
Max:
Subject to 0≤αi≤C,αi≥0,i=1,2,…,l
求解上述问题后得到的最优分类函数是:
b是分类阀值,可以用任一个支持向量求得,或通过两类中任意一对支持向量取中值求得。其中核函数K(xi,x)可以有多种形式,常用的有:
(1)线性核,Linear:K(x,y)=<x·y>;线性分类时使用
(2)多项式核,Poly:K(xi,x)=(<xi,x>+1)d,d是自然数;
(3)径向基核,RadialBasisFuction(RBF)核
(4)sigmoid核:K(xi,xj)=tanh(kxTy-δ)d,其中k,δ均是常数
基于HHT、SVM及上述提出的振动信号特征频率带的提取方法建立轴承多故障状态识别模型,记为HHT-WMSC-SVM,首先对训练集(已知空间)振动信号进行HHT变换,得到训练信号的边际谱集合MSPt,利用窗口边际谱聚类WMSC(Window Marginal SpectrumClustering,WMSC)方法对训练集的边际谱集合进行分析,获取边际谱中故障状态敏感的特征频率点集合S。然后,用集合S对MSPt进行抽取,得到特征子边际谱集合MSPt’,利用MSPt’及已知的序列状态对SVM分类器进行训练。最后,对测试集(未知空间)振动信号进行HHT,得到测试信号际谱信息集合MSPp,用集合S对MSPp进行抽取,得到子边际谱集合MSPp’,MSPp’作为SVM分类器的输入,完成测试集序列的分类。SVM分类器的参数c和g会影响分类器的性能,新的分类模型中窗口边际谱聚类(Window Marginal Spectrum Clustering,WMSC)的窗口大小m和最小频率点数阈值Pmin同样会对分类效果产生影响。因此,这里将m、Pmin、c、g作为整个模型的四个参数,对训练数据集,利用交叉检验方法进行参数优化,以生成特征频率带分类模型,所述特征频率带分类模型工作过程如图2所示。
测试分析过程如下:
1、测试方法如:利用美国凯斯西储大学(Case Western Reserve University,CWRU)的开放轴承故障振动信号进行实验分析,由一个2HP的三相感应电动机轴和一个用于产生额定负载的测力计组成,感应电动机轴承型号为SKF-6205-2RS,二者通过扭矩传感器自动对准配合,加速度传感器安装在电机的驱动端和风扇端上侧。为了模拟轴承故障,分别在轴承的内圈外圈及滚动体上采用电火花加工的方式引入单点缺陷,数据库中给出了0、1、2、3hp四种负载下获取振动数据,采样频率为12kHz。
首先以电机的驱动端上侧的传感器数据为系统输入,分别对驱动端轴承故障状态样本数据进行实验,分别对如表1所示的两个故障状态信号集进行实验分析,取振动信号的2000个采样点为一组序列,每种类型的故障信号各取60组序列,其中20组作为训练集,40组作为测试集,信号集A共有序列240组(训练集80组,测试集160组),信号集B共有序列420组(训练集140组,测试集280组)。如表1所示:
表1
2.对比模型和结果分析
本发明提出的故障分类模型采用边际谱作为初步特征信息,利用WMSC对边际谱进行特征子频带提取,为了验证阶段特征提的有效性,分别采用基于统计信息的分类模型定义为ST-SVM、基于边际谱分类模型定义为HHT-SVM,以及本发明采用的振动信号特征频率带提取方法定义的HHT-WMSC-SVM分类模型,对表1中的4个数据集进行训练和测试。其中ST-SVM模型中利用统计特性对SVM分类器进行训练,HHT-SVM模型中直接利用边际谱对SVM分类器进行训练。
ST-SVM模型中,利用振动信号EMD后的前4阶IMF分量的时域和频域的统计特性作为SVM分类器的输入。对于每个IMF分量,选取如表2所示5个时域特征和5个频谱特征,共计40个统计特性数据作为SVM分类器的输入。输入的时域和频域统计特征参数如表2。
表2 时域和频域统计特征参数
包络谱sp(k)的能量可以表示为:
sp(k)的能量熵定义为:
其中,
sp(k)的能量熵能够反映IMF分量在频域上的能量分布不确定度,常作为衡量故障状态和故障程度的统计特性[3]。
HHT-SVM分类模型直接采用信号经过HHT得到的边际谱信息作为SVM分类器的输入,在HHT-WMSC-SVM分类模型中,首先通过WMSC方法获取特征频率点集S,然后以S下的特征子边际谱序列作为SVM分类器的输入。这里对于训练集数据,采用交叉检验和PSO方法对各模型SVM分类器中的c、g参数进行优化。对于HHT-WMSC-SVM模型在HHT-SVM的最优c、g参数下,采用网格搜索的方法对m和Pmin参数进行寻优,然后在最优m和Pmin参数下,采用PSO方法对c、g参数寻优。三种分类模型的分类结果及模型的最优参数如表3和表4所示。
通过分类结果可以发现,对于故障数据集A,三种分类模型都可以达到比较好的分类效果,ST-SVM模型准确度略低于另外两种模型,而对于数据集B,ST-SVM分类模型的准确度出现了较大的下降。这是由于相较于数据集A,数据集B故障种类更加精细,包含了不同故障位置不同程度的故障类型,ST-SVM模型中采用的时域和频谱统计特征不足以使SVM分类器有效的完成分类工作。而信号的边际谱中包含了更多的故障状态特征信息,HHT-SVM和HHT-WMSC-SVM模型依然可以达到较好分类效果。由于HHT-WMSC-SVM模型中能够对边际谱信息进行筛选,提取出目标更加敏感的特征边际谱子序列,所以模型可以达到更高的分类准确度。
表3
表4
对于数据集B中的训练集序列,WMSC方法中窗口边际谱集合RI值随窗口起始频率位置的变化曲线如图3所示,图3示出了对应8种不同的窗口大小,可以发现不同窗口大小下,RI值的分布呈现出了一定的规律性,都存在窗口起始位置为1200-1500HZ、3300-3700Hz两个RI值较大频率段,并且RI值变化趋势一致。随着窗口大小m的增大,RI序列的极值有所提高,但是RI值得抖动情况加剧,所以需要通过优化方法选择合适m和Pmin值完成信号特征子集的提取。
对于B数据集,根据优化后的HHT-WMSC-SVM模型参数m=180,Pmin=375,可以得到最终选择的频点集合S,7种故障状态中各随机选取一个序列,利用S对7个序列的边际谱进行截取,结果如图4所示,图4中的曲线为对应故障状态的边际谱序列,虚线中不为零频率带为特征频率带,利用S截取的子边际谱序列作为SVM分类器的输入信息,截取的频率范围为1293-1800HZ和3570-4110HZ,通过多组序列的对比(图4只是其中一组),可以发现截取的特征子边际谱具有更强的目标敏感性。
在故障数据集B的源信号中加入一定信噪比的高斯白噪声,用三种模型对加噪后的信号进行分类,分类结果如表5所示,当信噪比大于10时,对三种模型的分类结果产生的影响较小,当信噪比小于10时,随着信噪比的减小,ST-SVM和HHT-SVM模型的故障状态分类正确率有明显下降,特别是在SNR小于5时,两种方法的正确率下降较明显,而本文提出的HHT-WMSC-SVM方法的依然保持较高的分类能力,这说明HHT-WMSC-SVM模型中的WMSC方法能够提取出目标更加敏感的特征信息,可以提高分类模型的抗噪声能力。
表5
3、模型参数分析:
为了分析HHT-WMSC-SVM模型中m和Pmin参数对分类效果的影响,在c和g取定值的条件下,在不同m和Pmin参数条件下,利用HHT-WMSC-SVM模型对加入SNR为5的噪声的B信号集进行分类,可以建立x轴和y轴分别代表最小频点数Pmin和窗口大小m,z轴代表测试集信号故障状态识别率,相应的m取值范围是10~300,Pmin取值范围为m~1998,分类准确度的分布呈现出较强的规律性,在Pmin小于300时,分类准确度普遍较低,在Pmin小于500时,分类准确度上升较快,并在300-800范围内达到峰值;Pmin取300-1500这一区间时,分类模型保持着较高的准确度;当Pmin大于1500时,分类准确度开始下降,随着Pmin的增大一直下降到和HHT-SVM方法同一个水平。在m和Pmin都比较小的情况下(m<150,Pmin<300),分类准确度最低,这是由于提取特征信息少,无法进行有效的分类;在m比较小的情况下,当Pmin>1500时,随Pmin的增大,分类准确度下降的较快。分析结果表明边际谱信息中不同频段的信息故障状态敏感度不同,其中存在影响分类效果的分量,为了提高分类准确度,需要从中提取出目标敏感性较强的特征信息,而本发明提出的振动频率带特征带的提取方法是一种可行高效的方法。
相较于现有技术,本发明优选实施例的振动信号特征频率带的提取方法,通过利用滑动窗口将所述边际谱划分成多个窗口边际谱,对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标,并根据所述聚类效果评价指标提取出故障敏感的特征频率带具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
再请参阅图5,本发明还提供一种使用上述振动信号特征频率带的提取方法的装置,所述振动信号特征频率带的提取装置包括:获取模块100、评价指标计算模块200和特征频率带提取模块300。
获取模块100用于获取振动信号的边际谱。评价指标计算模块200用于利用滑动窗口将所述边际谱划分成多个窗口边际谱,对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标。特征频率带提取模块300用于根据所述聚类效果评价指标提取出故障敏感的特征频率带。
进一步的,所述获取模块100具体包括:
信号获取单元101,用于获取振动信号;
边际谱生成单元103,用于将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。
进一步的,所述特征频率带提取模块300具体用于将所述聚类效果评价指标值从大到小进行排序,并按顺序将每个窗口对应的频率段进行叠加,当得到的频率点数大于预设阀值时,停止叠加以生成振动信号的特征频率带。
本发明实施例的述振动信号特征频率带的提取装置同样具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种振动信号特征频率带的提取方法,其特征在于,包括:获取振动信号的边际谱;利用滑动窗口将所述边际谱划分成多个窗口边际谱,对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;根据所述聚类效果评价指标提取出故障敏感的特征频率带;所述根据所述聚类效果评价指标提取出故障敏感的特征频率带的步骤包括:将所述聚类效果评价指标值从大到小进行排序,并按顺序将每个窗口对应的频率段进行叠加,当得到的频率点数大于预设阀值时,停止叠加以生成振动信号的特征频率带。
2.根据权利要求1所述的振动信号特征频率带的提取方法,其特征在于,所述获取振动信号的边际谱的步骤具体包括:获取振动信号;将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。
3.根据权利要求2所述的振动信号特征频率带的提取方法,其特征在于,还包括步骤:利用特征频率带下的边际谱信息完成对支持向量机分类器进行训练,生成特征频率带分类模型。
4.根据权利要求3所述的振动信号特征频率带的提取方法,其特征在于,所述边际谱的计算公式为:
其中
h(w)为边际谱,且
5.根据权利要求3所述的振动信号特征频率带的提取方法,其特征在于,所述支持向量机分类器计算依据公式:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>S</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>.</mo>
</mrow>
6.一种振动信号特征频率带的提取装置,其特征在于,包括获取模块,用于获取振动信号的边际谱;评价指标计算模块,用于利用滑动窗口将所述边际谱划分成多个窗口边际谱,对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析,以计算生成每个频率带窗口边际谱集合的聚类效果评价指标;以及特征频率带提取模块,用于根据所述聚类效果评价指标提取出故障敏感的特征频率带;所述特征频率带提取模块具体用于将所述聚类效果评价指标值从大到小进行排序,并按顺序将每个窗口对应的频率段进行叠加,当得到的频率点数大于预设阀值时,停止叠加以生成振动信号的特征频率带。
7.根据权利要求6所述的振动信号特征频率带的提取装置,其特征在于,所述获取模块具体包括:信号获取单元,用于获取振动信号;边际谱生成单元,用于将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510710605.4A CN105258789B (zh) | 2015-10-28 | 2015-10-28 | 一种振动信号特征频率带的提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510710605.4A CN105258789B (zh) | 2015-10-28 | 2015-10-28 | 一种振动信号特征频率带的提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105258789A CN105258789A (zh) | 2016-01-20 |
CN105258789B true CN105258789B (zh) | 2018-05-11 |
Family
ID=55098568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510710605.4A Active CN105258789B (zh) | 2015-10-28 | 2015-10-28 | 一种振动信号特征频率带的提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105258789B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403139B (zh) * | 2017-07-01 | 2021-05-25 | 南京理工大学 | 一种城轨列车车轮扁疤故障检测方法 |
CN110646202B (zh) * | 2018-06-08 | 2021-09-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN110388996B (zh) * | 2019-09-03 | 2021-05-28 | 广东电网有限责任公司 | 一种巴克豪森信号特征获取方法、装置、终端及存储介质 |
CN110696051B (zh) * | 2019-10-12 | 2022-12-06 | 中科新松有限公司 | 一种基于多分量信号分解的机械臂关节振动识别方法 |
CN110796047B (zh) * | 2019-10-18 | 2022-08-09 | 哈尔滨工业大学 | 一种基于机器学习的自适应稀疏时频分析方法 |
CN111077386A (zh) * | 2019-11-22 | 2020-04-28 | 西安理工大学 | 一种电气设备早期故障信号降噪方法 |
CN113959555B (zh) * | 2020-07-20 | 2024-03-26 | 中国石油天然气股份有限公司 | 截取振动信号的方法及装置 |
CN112781711B (zh) * | 2020-12-18 | 2023-06-20 | 武汉理工大学 | 基于光纤振动传感的地铁上方钻孔设备入侵定位报警方法 |
CN113435281A (zh) * | 2021-06-18 | 2021-09-24 | 秦皇岛北方管业有限公司 | 基于改进hht变换的波纹补偿器故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1930879B1 (en) * | 2006-09-29 | 2009-07-29 | Honda Research Institute Europe GmbH | Joint estimation of formant trajectories via bayesian techniques and adaptive segmentation |
US10520397B2 (en) * | 2012-05-31 | 2019-12-31 | University Of Connecticut | Methods and apparatuses for defect diagnosis in a mechanical system |
-
2015
- 2015-10-28 CN CN201510710605.4A patent/CN105258789B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
Non-Patent Citations (4)
Title |
---|
"Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals";Jaouher Ben Ali 等;《Applied Acoustics》;20141220(第89期);第16-27页 * |
"The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis";Norden E. Huang 等;《The Royal Society》;19981231(第454期);第903-995页 * |
"基于稀疏编码的振动信号特征提取算法与实验研究";苗中华 等;《振动与冲击》;20141231;第33卷(第15期);第76-81页 * |
"希尔伯特-黄变换中边际谱的研究";钟佑明 等;《系统工程与电子技术》;20040930;第26卷(第9期);第1323-1326页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105258789A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105258789B (zh) | 一种振动信号特征频率带的提取方法及装置 | |
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Cui et al. | Application of pattern recognition in gear faults based on the matching pursuit of a characteristic waveform | |
CN110263649B (zh) | 一种基于EMD和Teager算子的变负荷活塞式发动机冲击特征提取方法 | |
CN108734192A (zh) | 一种基于投票机制的支持向量机机械故障诊断方法 | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
CN106771598B (zh) | 一种自适应谱峭度信号处理方法 | |
Kabla et al. | Bearing fault diagnosis using Hilbert-Huang transform (HHT) and support vector machine (SVM) | |
CN106908232A (zh) | 一种旋转机械的振动信号故障识别方法 | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
Li et al. | Gear multi-faults diagnosis of a rotating machinery based on independent component analysis and fuzzy k-nearest neighbor | |
CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
CN106595850A (zh) | 一种机械振动信号的故障分析方法 | |
Li et al. | An adaptive randomized orthogonal matching pursuit algorithm with sliding window for rolling bearing fault diagnosis | |
Garcia-Bracamonte et al. | Induction motors fault detection using independent component analysis on phase current signals | |
Qifeng et al. | Application of wavelet de-noising method in vibration signal analysis of elevator car | |
CN110688981B (zh) | 一种振动信号去噪的模态混叠消除方法 | |
Li et al. | Fault diagnosis of analog circuit using spectrogram and LVQ neural network | |
Brkovic et al. | Early fault detection and diagnosis in bearings based on logarithmic energy entropy and statistical pattern recognition | |
Hazra et al. | Gearbox fault detection using synchro-squeezing transform | |
Guo et al. | Compound fault diagnosis of rolling bearing based on tunable Q-factor wavelet transform and sparse representation classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |