CN106599775A - 一种改进的正交匹配特征提取方法 - Google Patents
一种改进的正交匹配特征提取方法 Download PDFInfo
- Publication number
- CN106599775A CN106599775A CN201610935229.3A CN201610935229A CN106599775A CN 106599775 A CN106599775 A CN 106599775A CN 201610935229 A CN201610935229 A CN 201610935229A CN 106599775 A CN106599775 A CN 106599775A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature extraction
- extraction method
- orthogonal matching
- matching feature
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005096 rolling process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种改进的正交匹配特征提取方法,具体步骤如下:(1)首先任意选取简单函数作为模板信号,通过振动传感器获得振动信号,设置子滤波器之间频响不重叠的滤波器组。(2)自适应调整模板信号,利用非参数波形估计方法获得最优估计;(3)用该最优估计构建原子库,选取出最佳匹配原子并进行正交化处理;(4)将振动信号在处理过的原子组成的空间上进行投影,得到信号与信号余量,若余量小于设定阈值则结束,否则迭代更新模板信号重复(2)~(4)。本发明能够用于实现复杂信号的准确特征提取,适用于旋转机械动平衡装置。
Description
技术领域
本发明涉及机械振动信号处理方法领域,具体是一种改进的正交匹配特征提取方法。
背景技术
在机械设备状态监测与故障诊断中,如何对复杂振动信号准确进行特征提取是该领域的核心问题之一。在设备振动信号的采集过程中,噪声、信号调制等各种共生因素造成了信息的冗余,机械故障的特征成分往往在整体信号中呈现出稀疏性(或者在某个变换域内呈现出稀疏性)。因此,振动信号的特征提取实质也是一个信息冗余度压缩的过程。在此基础上,能够对信号内部不同成分结构和形态细节高度表征和提取的信号稀疏分解算法,成为振动信号特征提取方法中新兴的研究热点。
正交匹配追踪算法用不同特征波形的基函数,组成一个“原子库”,通过逐步迭代从中挑选出与振动信号波形匹配最佳的原子,对挑选出的原子正交化处理,并将信号在由处理过的原子构成的空间上投影,获得信号在已选原子上的分量和残存分量,确保了残存信号与选择的全部原子都正交,从而可以找到全局最优解。虽然该方法可以得到很好的匹配结果,但它需要预先知道振动信号的原始成分,难以应用到工程实践中。非参数波形估计方法只需要包含信号原始成分的模板信号就可以很好的进行特征提取,本发明方法把正交匹配和非参数波形估计结合起来,再通过模板信号的自适应调整就可以在不清楚信号原始成分的情况下准确的实现复杂信号的特征提取。
发明内容
本发明的目的是提供一种改进的正交匹配特征提取方法,用以提取出振动信号的特征,为旋转机械的设备状态监测提供数据依据。
为了达到上述目的,本发明所采用的技术方案为:
一种改进的正交匹配特征提取方法,其特征在于:包括以下步骤:
(1)、首先任意选取简单函数作为模板信号,设置信号余量初值:R0y=y,其中y为通过振动传感器获得的振动信号,设置子滤波器之间频响不重叠的滤波器组;
(2)、自适应调整模板信号,然后利用非参数波形估计方法求得最优估计
(3)、用步骤(2)求得的最优估计构建原子库,从中选取出最佳匹配原子gnk并进行Schmidt正交化处理;
(4)、将振动信号在处理过的原子组成的空间上进行投影,得到信号余量Rky,若余量小于设定阈值则结束,否则重复(2)~(4)。
所述的一种改进的正交匹配特征提取方法,其特征在于:滤波器组的选取要使各子滤波器之间的频响不相互重叠,因此,子滤波器频率响应Hi(f)需要满足下式:
所述的一种改进的正交匹配特征提取方法,其特征在于:自适应调整模板信号的方法如下式所示:
其中补偿因子β<1,xm-1(l)与xm(l)分别是正交匹配追踪第m-1和m次迭代中的模板信号。
所述的一种改进的正交匹配特征提取方法,其特征在于:非参数波形估计方法是依据最小均方差原理在各个相互线性无关的子频带内单独进行匹配,最后将各子频带内的最优估计求和得到s的最佳估计即根据得到:
所述的一种改进的正交匹配特征提取方法,其特征在于:选择最佳匹配原子的具体方法是,为了使逼近后的残留信号R1f尽可能小,选择的最佳向量应当满足下式:
其中,Γα为一参数集合,且Γα∈Γ,α为优化因子并满足0<α<1。
所述的一种改进的正交匹配特征提取方法,其特征在于:得到信号余量的具体方法是通过迭代过程R1y=y(t)-(y(t),e1)e1、R2y=R1y-(R1y,e1)e1-(R1y,e2)e2、得到Rky。
所述的一种改进的正交匹配特征提取方法,其特征在于:停止迭代的条件为信号余量小于设定阈值,即||Rky||2<e,其中e为预先给定的阈值。
与已有技术相比,本发明的有益效果体现在:
本发明通过选取滤波器组和自适应调整的模板信号,构建信号特征提取模型,将振动信号线性展开,解决了正交匹配追踪算法必须预先选择基函数的问题,可以更准确的实现复杂信号的特征提取,采用本发明的信号特征提取方法与传统的匹配追踪算法进行提取对比,本发明方法提取的特征信号的信噪比更高,在对未知复杂振动信号特征提取中具有更高的提取精度。
附图说明
图1为本发明的转子振动实验台三维模型图。
图2为本发明的信号处理算法模型图。
图3为本发明方法流程示意图。
图4为本发明方法与传统匹配追踪方法对相同信号进行特征提取的对比图,其中:
图4a为传统匹配追踪方法提取出的滚动轴承振动异常时的冲击衰减信号,图4b为本发明方法提取出的滚动轴承振动异常时的冲击衰减信号,图4c为传统匹配追踪方法提取出的滚动轴承正常振动时的信号,图4d为本发明方法提取出的滚动轴承正常振动时的信号。
具体实施方式
为了更清楚的理解本发明,以下结合附图对本发明作进一步的详细说明。
如图1所示,本发明搭建的实验台包括底座1、转轴2、轴承座3、法兰4及飞轮5。实验中,由伺服电机驱动转子旋转,通过伺服驱动器可以控制电机的转速。测试轴承安装在电机驱动端,电涡流位移传感器安装在轴承座3的上侧,用以采集轴承在旋转过程中径向位移量的变化情况,反映轴承故障引起的相对间隙大小的变化。
如图2所示,本发明的算法模型为:首先对模板信号进行自适应调整,获得振动信号y(n)后通过非参数波形估计方法计算信号特征成分si(l)(i=1,…,m)的最优估计接着按照正交匹配追踪原理对信号余量进行更新并进一步寻找计算最优估计,一直重复这个过程,直至信号余量达到要求。
图3所示,本发明的详细流程为:
(1)首先任意选取简单函数作为模板信号(如余弦函数等),设置信号余量初值:R0y=y,其中y为通过振动传感器获得的振动信号。设置子滤波器之间频响不重叠的滤波器组。
(2)自适应调整模板信号,然后利用非参数波形估计方法获得最优估计
(3)用该最优估计构建原子库,从中选取出最佳匹配原子gnk并进行Schmidt正交化处理。
(4)将振动信号在处理过的原子组成的空间上进行投影,得到信号余量Rky,若余量小于设定阈值则结束,否则重复(2)~(4)。
上述特征提取方法中,滤波器组的选取要使各子滤波器之间的频响不相互重叠,因此,子滤波器频率响应Hi(f)需要满足
上述特征提取方法中,自适应调整模板信号的方法是,
其中补偿因子β<1,xm-1(l)与xm(l)分别是正交匹配追踪第m-1和m次迭代中的模板信号。
上述特征提取方法中,非参数波形估计方法是依据最小均方差原理在各个相互线性无关的子频带内单独进行匹配,最后将各子频带内的最优估计求和得到s的最佳估计即根据得到
上述特征提取方法中,选择最佳匹配原子的具体方法是,为了使逼近后的残留信号R1f尽可能小,选择的最佳向量应当满足
其中,Γα为一参数集合,且Γα∈Γ,α为优化因子并满足0<α<1。
上述特征提取方法中,得到信号余量的具体方法是,通过迭代过程R1y=y(t)-(y(t),e1)e1,R2y=R1y-(R1y,e1)e1-(R1y,e2)e2,得到Rky。
上述特征提取方法中,停止迭代的条件为信号余量小于设定阈值,即||Rky||2<e,其中e为预先给定的阈值。
基于改进的正交匹配特征提取方法的实施效果:
实验时,在相同转速条件,图4(a)为匹配追踪提取的信号,可以看到因叠加一些噪声信号而出现很多抖动,图4(b)为本发明方法提前出的信号,可以明显看出波形更加平滑,能够很好的表示特征信号。图4(c)为用匹配追踪方法提取滚动轴承正常振动时的信号,提取出的信号出现了很大的失真现象,图4(d)为本发明方法提取出的滚动轴承正常振动信号,很好的抑制了信号的失真,更准确的提取出了特征信号。实验证明了本发明方法的有效性及优越性。
Claims (7)
1.一种改进的正交匹配特征提取方法,其特征在于:包括以下步骤:
(1)、首先任意选取简单函数作为模板信号,设置信号余量初值:R0y=y,其中y为通过振动传感器获得的振动信号,设置子滤波器之间频响不重叠的滤波器组;
(2)、自适应调整模板信号,然后利用非参数波形估计方法求得最优估计
(3)、用步骤(2)求得的最优估计构建原子库,从中选取出最佳匹配原子gnk并进行Schmidt正交化处理;
(4)、将振动信号在处理过的原子组成的空间上进行投影,得到信号余量Rky,若余量小于设定阈值则结束,否则重复(2)~(4)。
2.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:滤波器组的选取要使各子滤波器之间的频响不相互重叠,因此,子滤波器频率响应Hi(f)需要满足下式:
3.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:自适应调整模板信号的方法如下式所示:
其中补偿因子β<1,xm-1(l)与xm(l)分别是正交匹配追踪第m-1和m次迭代中的模板信号。
4.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:非参数波形估计方法是依据最小均方差原理在各个相互线性无关的子频带内单独进行匹配,最后将各子频带内的最优估计求和得到s的最佳估计即根据得到:
5.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:选择最佳匹配原子的具体方法是,为了使逼近后的残留信号R1f尽可能小,选择的最佳向量gr0应当满足下式:
其中,Γα为一参数集合,且Γα∈Γ,α为优化因子并满足0<α<1。
6.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:得到信号余量的具体方法是通过迭代过程R1y=y(t)-(y(t),e1)e1、R2y=R1y-(R1y,e1)e1-(R1y,e2)e2、得到Rky。
7.根据权利要求1所述的一种改进的正交匹配特征提取方法,其特征在于:停止迭代的条件为信号余量小于设定阈值,即||Rky||2<e,其中e为预先给定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610935229.3A CN106599775A (zh) | 2016-11-01 | 2016-11-01 | 一种改进的正交匹配特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610935229.3A CN106599775A (zh) | 2016-11-01 | 2016-11-01 | 一种改进的正交匹配特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599775A true CN106599775A (zh) | 2017-04-26 |
Family
ID=58555762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610935229.3A Pending CN106599775A (zh) | 2016-11-01 | 2016-11-01 | 一种改进的正交匹配特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599775A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040265A1 (en) * | 2006-10-17 | 2010-02-18 | Ken Iizuka | Registration device, verification device, authentication method and authentication program |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN104089774A (zh) * | 2014-07-25 | 2014-10-08 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
-
2016
- 2016-11-01 CN CN201610935229.3A patent/CN106599775A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040265A1 (en) * | 2006-10-17 | 2010-02-18 | Ken Iizuka | Registration device, verification device, authentication method and authentication program |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN104089774A (zh) * | 2014-07-25 | 2014-10-08 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
孙春雨等: "基于正交匹配与周期能量的滚动轴承故障诊断", 《电子测量与仪器学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | Numerical illustrations of the relevance of direct continuous-time model identification | |
Yu et al. | Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings | |
CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN110749442B (zh) | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 | |
CN108731945B (zh) | 一种航空发动机转子系统故障信号特征信息的提取方法 | |
CN110907826B (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN103176946A (zh) | 一种面向块稀疏信号的稀疏分解去噪方法 | |
CN111863008A (zh) | 一种音频降噪方法、装置及存储介质 | |
CN109839271A (zh) | 一种基于匹配追踪稀疏算法的轴承故障特征提取方法 | |
CN111351665A (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN107729845A (zh) | 一种基于子空间特征值分解的实测频响函数降噪方法 | |
CN112362966A (zh) | 基于小波包变换与stft相融合的电网谐波检测方法及装置 | |
CN103353344B (zh) | 基于自适应stft的旋转机械阶次跟踪方法 | |
Ali Khan et al. | Reconstruction of non-stationary signals with missing samples using time–frequency filtering | |
Gouws | Active magnetic bearing condition monitoring | |
Renguifen et al. | An improved EMD adaptive denoising and feature extraction algorithm | |
CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
CN106599775A (zh) | 一种改进的正交匹配特征提取方法 | |
Yoo et al. | A new multimodal optimization algorithm for the design of in-wheel motors | |
Li et al. | A spectrum detection approach for bearing fault signal based on spectral kurtosis | |
CN116778945A (zh) | 基于改进的inmf的声学降噪方法及装置 | |
CN106485073A (zh) | 一种磨床故障诊断方法 | |
CN112161807B (zh) | 一种变速齿轮箱的故障诊断方法、装置及存储介质 | |
Zhao et al. | TQWT-based multi-scale dictionary learning for rotating machinery fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |