CN105528583A - 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 - Google Patents
基于实数形式傅里叶变换的特征提取方法及故障诊断方法 Download PDFInfo
- Publication number
- CN105528583A CN105528583A CN201510957747.0A CN201510957747A CN105528583A CN 105528583 A CN105528583 A CN 105528583A CN 201510957747 A CN201510957747 A CN 201510957747A CN 105528583 A CN105528583 A CN 105528583A
- Authority
- CN
- China
- Prior art keywords
- signal
- proper vector
- fourier transform
- real number
- interval
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
一种基于实数形式傅里叶变换的特征提取方法及故障诊断方法,该特征提取方法包括:S100、从样本信号中随机截取M个长度为N的信号片段;S200、分别对M个信号片段做实数形式的傅里叶变换,获得M个长度为N的频谱;S300、分别对M个频谱进行处理,获得M个特征向量;对频谱的处理包括:将频谱等分为[N/L]个连续的区间;分别计算每个区间的信号累积强度;然后按照区间的顺序将区间的信号累积强度依次排列构成一个特征向量。该诊断方法包括:对被监测装置进行监测获取其样本信号;利用样本信号通过前述特征提取方法构造故障分类的特征向量;利用构造的特征向量进行决策,实现故障诊断。该方法同时具有良好的实时性和鲁棒性。
Description
技术领域
本发明涉及特征提取方法,更具体地说,涉及一种基于实数形式傅里叶变换的特征提取方法,并涉及其在自动化测试领域的应用。
背景技术
随着科学技术的发展,很多机械、化工、冶金等自动化工业过程都呈现出日益庞大、复杂的趋势,其中某些关键部件的运行状态直接决定着整个工业过程的性能。为了避免造成重大安全事故和经济损失,对这些部件进行状态监测和及时的故障诊断是很有必要的。与此同时,这些工业过程又时刻会产生大量反映自身运行机理和运行状态的数据,如何从这些海量数据中提取关键的故障信息并做出进一步的诊断决策,以此来提高系统的可靠性是目前亟待解决的问题。而其中最关键的技术无疑是设计一种快速有效的特征提取方法和分类过程。近些年来,各种信号处理技术,包括时域、频域和统计学的方法,被相继应用到样本信号的特征提取上,结合常见的分类算法,如支持向量机(SVM)、人工神经网络(ANN)等,出现了很多诊断效果非常不错的方法。
发明内容
本发明的目的是提供一种基于实数形式傅里叶变换(RDFT)的特征提取方法,该方法同时具有良好的实时性和鲁棒性。
本发明的具体技术方案如下:
一种基于实数形式傅里叶变换的特征提取方法,其包括以下步骤:
S100、从样本信号中随机截取M个长度为N的信号片段;
S200、分别对所述M个信号片段做实数形式的傅里叶变换,获得M个长度为N的频谱;以及
S300、分别对所述M个频谱进行处理,获得M个特征向量;所述对频谱的处理包括:将频谱等分为[N/L]个连续的区间,[N/L]表示N/L的整数;分别计算每个区间的信号累积强度,所述区间的信号累积强度为该区间内所有频率的信号强度之和;然后按照区间的顺序将区间的信号累积强度依次排列构成一个特征向量。
在上述的基于实数形式傅里叶变换的特征提取方法中,优选地,所述L为可变参数,其数值等于要提取的特征向量的维数;所述的特征提取方法在所述步骤S300之后,进一步还包括以下步骤:
S400、用其中的3M/4个特征向量训练分类器,用其余的M/4个特征向量进行测试,得到所训练的分类器的测试精度;以及
S500、调整所述参数L的值,转至所述步骤S300。
在上述的基于实数形式傅里叶变换的特征提取方法中,优选地,在所述步骤S100中,所述N的大小根据样本信号的长度以及信号的周期性来确定,保证一个信号片段中至少包含信号变化的一个周期。
本发明还提供了一种故障诊断方法,其包括:对被监测装置进行监测获取其样本信号;利用样本信号构造故障分类的特征向量;以及利用构造的特征向量进行决策,实现故障诊断,其中:采用上述任意一项所述的特征提取方法构造故障分类的特征向量。
本发明具有以下有益效果:
由于采用上述步骤S300构造特征向量,不但能够保证不同频带内信号强度的总体分布情况不变,而且大大降低了特征向量的维数,从而降低了分类过程的运算开销,保证了实时性;同时,与直接使用样本信号的频谱进行分类相比,减弱了噪声对诊断过程带来的干扰,从而提高了鲁棒性。
由于对每个信号片段做实数形式的傅里叶变换得到各个信号片段的频谱,与FFT相比,RFFT在输入序列是实数时,计算过程中完全不涉及复数的加法和乘法运算,这在一定程度上能够节省运算开销;另一方面,输出序列没有冗余数据(FFT变换由于输出的结果具有复共轭对称性,因此输出序列中有一半的数据是冗余的),因而有利于之后的基于频谱的特征提取。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的基于实数形式傅里叶变换的特征提取方法的流程图;
图2为本发明实施例中截取的信号片段的波形图;
图3为本发明实施例中信号片段经实数形式的傅里叶变换得到的频谱;
图4为本发明实施例中提取的特征向量示意图;
图5为在不同的特征向量维数下,测试准确率的变化折线图;
图6为不同的特征向量维数下,分类器训练时间和测试时间的变化折线图。
具体实施方式
下面详细描述本发明的具体实施例。本发明基于实数形式的傅里叶变换针对数据驱动的故障诊断问题设计了一种简单快速的信号特征提取方法。实验中使用的数据下载自美国凯斯西储大学(CaseWesternReserveUniversity)轴承数据中心网站,用到了无故障情况下的样本,以及采样频率为12kHz下的驱动端轴承的故障样本,轴承型号为6205-2RSJEMSKF。
如图1所示,该基于实数形式的傅里叶变换的特征提取方法包括以下步骤:
步骤S100、从样本信号中随机截取M个长度为N的信号片段。图2中示出了从信号中截取的某一段长度为1000的信号片段。所述N的大小最好根据样本信号的长度以及信号的周期性来确定,保证一个信号片段中至少包含信号变化的一个周期,从而能够在信号的频谱中体现出来。另一方面,为了保证有足够的样本量,信号片段的长度也不能太大。
步骤S102、分别对所述M个信号片段做实数形式的傅里叶变换,获得M个长度为N的频谱。具体而言,对采样点数为N的信号片段x,为了获得其信号强度在频域中的分布特征,先对x做(1)式定义的RDFT变换,获得信号片段的频谱X=(X1,…,XN)。
(1)式中的Y由(2)式定义:
图3示出了对图2中的信号片段做上述实数形式的傅里叶变换后得到的频谱。可以看出经过实数形式的傅里叶变换之后,信号的频谱的长度与原始信号的长度相等。
步骤S300、分别对所述M个频谱进行处理,获得M个特征向量。这里所说的对频谱的处理包括:将频谱X等分为[N/L]个连续的区间,[N/L]表示N/L的整数;分别计算每个区间的信号累积强度,所述区间的信号累积强度为该区间内所有频率的信号强度之和,也就是,分别计算X在第k(k=1,2,3,……,L)个区间内的分量之和,作为特征向量V的第k个分量VK,可以表示为式(3)
然后按照区间的顺序将区间的信号累积强度依次排列构成一个特征向量,即将L个分量V1,V2,V3,……,VL按照区间的顺序依次排列构成特征向量V。当L取20时,N/L=50。按上述方法对图3所示频谱处理后,得到如图4所示的长度为50的特征向量。可以看出样本信号的频谱在经过(3)式(即步骤S300)的简单运算之后,特征向量的维数大大减小,并且比较图3和图4可以看出,本发明实施例获得的信号的特征向量保留了信号频谱在各个频段的强度的分布特征,同时,相邻频段的信号强度求和能够在一定程度上减弱信号中某些特定频段的噪声带来的影响,使得算法具有不错的鲁棒性。
一些实施例中,将步骤S300中的L设定为可变参数,其数值等于要提取的特征向量的维数。相应地,所述的特征提取方法在步骤S300之后,进一步还包括以下步骤:步骤S400、用其中的3M/4个特征向量训练分类器,用其余的M/4个特征向量进行测试,得到所训练的分类器的测试精度。以及步骤S500、调整所述参数L的值,转至所述步骤S300。具体可以利用adaboost分类算法,用3M/4个特征向量训练分类器,用其余M/4个特征向量对得到的分类器进行测试,并且根据测试精度调整参数L,最终在多次实验的结果中找出具有最佳测试效果时的参数L,从而在保证算法精度的同时尽量减小特征向量的维度,最终降低诊断过程所需的时间。图5和图6对应示出了在不同的特征向量维数下,测试精度变化图,以及训练时间和测试时间的变化图。可见,通过设置可变参数L来表示要提取的特征向量的维数,可以观察不同的参数设置下所训练的分类器的测试精度,选出具有最佳分类效果的算法参数(特征向量的维数),进一步保证算法的分类精度,但是本发明并不限于此,可以理解地,在另外一些实施例中,也可以将步骤S300中的L设定为一个固定值,对应地也就不需要上述步骤S400和步骤S500。
上述基于实数形式的傅里叶变换的特征提取方法可以应用于故障诊断。一些实施例的故障诊断方法包括:对被监测装置进行监测获取其样本信号;利用样本信号构造故障分类的特征向量;以及利用构造的特征向量进行决策,实现故障诊断。其中,在利用样本信号构造故障分类的特征向量的步骤中,采用上述的特征提取方法构造故障分类的特征向量。
Claims (4)
1.一种基于实数形式傅里叶变换的特征提取方法,其特征在于,包括以下步骤:
S100、从样本信号中随机截取M个长度为N的信号片段;
S200、分别对所述M个信号片段做实数形式的傅里叶变换,获得M个长度为N的频谱;以及
S300、分别对所述M个频谱进行处理,获得M个特征向量;所述对频谱的处理包括:将频谱等分为[N/L]个连续的区间,[N/L]表示N/L的整数;分别计算每个区间的信号累积强度,所述区间的信号累积强度为该区间内所有频率的信号强度之和;然后按照区间的顺序将区间的信号累积强度依次排列构成一个特征向量。
2.如权利要求1所述的基于实数形式傅里叶变换的特征提取方法,其特征在于:
所述L为可变参数,其数值等于要提取的特征向量的维数;
所述的特征提取方法在所述步骤S300之后,进一步还包括以下步骤:
S400、用其中的3M/4个特征向量训练分类器,用其余的M/4个特征向量进行测试,得到所训练的分类器的测试精度;以及
S500、调整所述参数L的值,转至所述步骤S300。
3.如权利要求1所述的基于实数形式傅里叶变换的特征提取方法,其特征在于:在所述步骤S100中,所述N的大小根据样本信号的长度以及信号的周期性来确定,保证一个信号片段中至少包含信号变化的一个周期。
4.一种故障诊断方法,包括:对被监测装置进行监测获取其样本信号;利用样本信号构造故障分类的特征向量;以及利用构造的特征向量进行决策,实现故障诊断,其特征在于:采用权利要求1至3中任意一项所述的特征提取方法构造故障分类的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510957747.0A CN105528583A (zh) | 2015-12-17 | 2015-12-17 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510957747.0A CN105528583A (zh) | 2015-12-17 | 2015-12-17 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105528583A true CN105528583A (zh) | 2016-04-27 |
Family
ID=55770797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510957747.0A Pending CN105528583A (zh) | 2015-12-17 | 2015-12-17 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528583A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106090630A (zh) * | 2016-06-16 | 2016-11-09 | 厦门数析信息科技有限公司 | 基于集成分类器的液体管道检漏方法及其系统 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
CN111639621A (zh) * | 2020-06-08 | 2020-09-08 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080159615A1 (en) * | 2005-02-15 | 2008-07-03 | European Central Bank | Banknotes with a Printed Security Image That Can be Detected with One-Dimensional Signal Processing |
CN103438983A (zh) * | 2013-07-29 | 2013-12-11 | 中国矿业大学 | 一种信号随机平均谱的数据处理方法 |
CN103854661A (zh) * | 2014-03-20 | 2014-06-11 | 北京百度网讯科技有限公司 | 一种提取音乐特征的方法及装置 |
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
-
2015
- 2015-12-17 CN CN201510957747.0A patent/CN105528583A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080159615A1 (en) * | 2005-02-15 | 2008-07-03 | European Central Bank | Banknotes with a Printed Security Image That Can be Detected with One-Dimensional Signal Processing |
CN103438983A (zh) * | 2013-07-29 | 2013-12-11 | 中国矿业大学 | 一种信号随机平均谱的数据处理方法 |
CN103854661A (zh) * | 2014-03-20 | 2014-06-11 | 北京百度网讯科技有限公司 | 一种提取音乐特征的方法及装置 |
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
严晓光 等: ""电机起动过程信号的分析"", 《大电机技术》 * |
曾义芳: "《DSP基础知识及系列芯片》", 30 November 2006, 北京航空航天大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106090630A (zh) * | 2016-06-16 | 2016-11-09 | 厦门数析信息科技有限公司 | 基于集成分类器的液体管道检漏方法及其系统 |
CN106090630B (zh) * | 2016-06-16 | 2018-07-31 | 厦门数析信息科技有限公司 | 基于集成分类器的液体管道检漏方法及其系统 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
CN107631867B (zh) * | 2017-09-07 | 2019-10-15 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
CN111639621A (zh) * | 2020-06-08 | 2020-09-08 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
CN111639621B (zh) * | 2020-06-08 | 2023-11-17 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104655425B (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
CN103810374B (zh) | 一种基于mfcc特征提取的机器故障预测方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN105275833B (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 | |
CN105738109B (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN112084974A (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN106874957A (zh) | 一种滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN105203876A (zh) | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN105528583A (zh) | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 | |
Islam et al. | Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal | |
CN104863840A (zh) | 一种基于emd-pca的往复压缩机智能诊断方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN109460863A (zh) | 基于深度学习的设备状态预测方法 | |
CN115308538B (zh) | 基于yolov5的配电网故障定位方法、系统、终端及存储介质 | |
Zhang et al. | Multiple‐Fault Diagnosis Method Based on Multiscale Feature Extraction and MSVM_PPA | |
CN103400021A (zh) | 基于重尾分布的kdsne水电机组噪声源检测方法 | |
CN106289780A (zh) | 一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160427 |
|
RJ01 | Rejection of invention patent application after publication |