CN108304778B - 一种基于压缩域的振动信号特征提取方法 - Google Patents
一种基于压缩域的振动信号特征提取方法 Download PDFInfo
- Publication number
- CN108304778B CN108304778B CN201711450490.5A CN201711450490A CN108304778B CN 108304778 B CN108304778 B CN 108304778B CN 201711450490 A CN201711450490 A CN 201711450490A CN 108304778 B CN108304778 B CN 108304778B
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- vibration signal
- signal
- norm
- feature extraction
- 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
Images
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于压缩域的振动信号特征提取方法,包括以下步骤:对采集的振动信号进行压缩测量,得到其线性投影的测量值;根据测量值基于l2范数最小化理论获得l2范数最小的解信号;对获得的l2范数最小的解信号进行离散傅里叶变换得到频谱信息;基于频谱信息,提取振动信号的故障状态频谱特征。在对所述频谱信息进行分析之前,还包括:对获得的l2范数最小的解信号的频谱的幅值进行修正;对修正后的频谱信息进行分析,提取振动信号的频谱特征。本发明提出的基于压缩域的振动信号特征提取方法避免了基于l1范数最小化的重构算法计算复杂度高、处理速度慢的问题。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种振动信号的特征提取方法。
背景技术
传统的振动信号检测与采样通常是基于奈奎斯特采样定理实现的,奈奎斯特采样定理要求采样频率至少为信号中最高频率的两倍,才能由采样信号精确重构出原始振动信号。压缩感知理论的产生为解决这个问题提供了新的思路,该理论在保证信号不丢失主要信息的情况下,可以远低于奈奎斯特采样率的数据高概率重构信号。压缩感知理论主要包含两个方面:第一,获得原始信号的线性投影;第二,通过恰当的恢复算法从测量值中重构出原始信号,上述方法都要经信号稀疏表示、压缩测量、基于l1范数最小化的重构算法对信号进行恢复后,才能对重构信号进行进一步处理,而基于l1范数最小化的重构算法计算复杂度较高、运行时间较长,且进行故障诊断时只需提取故障特征即可,无需重构出完整的振动信号。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
针对现有技术中的缺陷,本发明提出一种基于压缩域的振动信号特征提取方法,避免了基于l1范数最小化的重构算法计算复杂度高、运行时间长的问题。
根据本发明的一个方面,提供了一种基于压缩域的振动信号特征提取方法,包括以下步骤:
对采集的振动信号进行压缩测量,得到其线性投影的测量值;
根据测量值基于l2范数最小化理论获得l2范数最小的解信号;
对获得的所述解信号进行离散傅里叶变换,得到频谱信息;
基于所述频谱信息,完成振动信号故障状态频谱特征的提取
进一步地,上述技术方案中,在对所述频谱信息进行分析之前,进一步包括:对获得的l2范数最小的解信号的频谱的幅值进行修正;对修正后的频谱信息进行分析,提取故障的频谱特征。
进一步地,对获得的l2范数最小的解信号的频谱的幅值进行修正包括:
根据振动信号的采样率,确定相对误差;
根据相对误差确定修正系数;
根据修正系数对l2范数最小的解信号的频谱的幅值进行修正。
进一步地,根据本发明的上述特征提取方法,振动信号的采样率等于线性投影的测量值与振动信号长度的比值;相对误差是根据振动信号直接经傅里叶变换后频谱的幅值X与频谱信息的幅值X1确定的。
进一步地,对振动信号进行压缩测量时,采用高斯随机测量矩阵对振动信号进行处理。
根据本发明的另一方面,还提供了一种存储介质。该存储介质包括存储的程序,其中,该程序执行上述特征提取方法。
根据本发明的另一方面,还提供了一种处理器。该处理器用于运行程序,其中,该程序运行时执行上述特征提取方法。
采用本发明的技术方案的优点在于:基于l2范数最小化理论的方法,求解的计算复杂度低、易实现;机械故障识别只需提取反映故障的特征信息即可,直接在压缩域提取故障的频谱特征,避免了压缩感知恢复算法重构信号的过程,在不丢失原始振动信号主要信息的情况下以更少的数据量实现故障识别;本发明还进一步考虑对获得的l2范数最小的解信号的频谱的幅值进行修正,从而有效弥补了l2范数最小的解信号频谱幅值降低的问题,使得l2范数最小的解信号频谱的幅值与原始信号频谱的幅值尽可能地接近,提高了提取的故障状态特征的准确性。
附图说明
图1为本发明的一种基于压缩域的振动信号特征提取方法。
具体实施方式
下面将结合附图对本发明技术方案进行详细的描述,以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
图1为本发明的一种基于压缩域的振动信号特征提取方法。
结合图1,一种基于压缩域的振动信号特征提取方法,包括以下步骤:
步骤102:对采集的振动信号进行压缩测量,得到其线性投影的测量值;
步骤104:根据上述测量值基于l2范数最小化理论获得l2范数最小的解信号;
步骤106:对获得的解信号进行离散傅里叶变换,得到频谱信息;
步骤108:基于频谱信息,完成振动信号故障状态频谱特征的提取。
进一步地,在一个实施例中,在对步骤108所述频谱信息进行分析之前,进一步包括:根据振动信号对频谱的幅值进行修正;并且,对修正后的频谱信息进行分析,提取故障特征。
可以理解的是,步骤104根据上述测量值基于l2范数最小化理论获得l2范数最小的解信号,避免了压缩感知恢复算法重构信号的过程,降低了运算复杂度,缩短了运行时间;但频谱的幅值有一定的降低,故考虑对基于测量值获得的l2范数最小的解信号的频谱的幅值进行修正,使得解信号频谱的幅值与振动信号频谱的幅值尽可能地接近。
进一步地,根据本发明实施的特征提取方法,振动信号的采样率δ等于线性投影的测量值M与振动信号的长度N的比值,即δ=M/N,相对误差是根据振动信号直接经傅里叶变换后频谱的幅值X与修正后频谱的幅值X1确定的,即
进一步地,根据本发明的实施的基于压缩域的滚动轴承振动信号特征提取方法,根据振动信号对频谱的幅值进行修正包括:
根据振动信号的采样率δ,确定相对误差RE;
根据相对误差RE,确定修正系数ε;
根据修正系数ε对获得的l2范数最小的解信号的幅值进行修正。
通过实验分析可得振动信号采用三次多项式拟合与取整时的拟合曲线基本接近,使得取整后得到的采样率δ与相对误差RE的关系更为精确,在后续实验中均采用式RE=-δ3+δ2-δ+1所示取整后的采样率δ与相对误差RE的关系进行频谱幅值的修正。
取整后的采样率δ与相对误差RE的关系如下:
经过实验验证,修正以后频谱的幅值与获得的l2范数最小的解信号频谱的幅值相比,更接近原始信号频谱的幅值,相对误差显著减小。
进一步地,在步骤102进行压缩测量时,采用高斯随机测量矩阵对振动信号进行处理,经过实验验证,所采用的高斯随机测量矩阵虽然会引入一定的噪声,但可以精确提取其主要频率成分及其对应的幅值信息,在保证精度的同时以较少的数据量完成特征提取。
综上所述,基于l2范数最小化理论的方法,求解的计算复杂度低、易实现,且机械故障识别只需提取反映故障的特征信息即可,避免了压缩感知恢复算法重构信号的过程;但基于l2范数最小化理论的方法,使得基于测量值获得的l2范数最小的解信号频谱的幅值有一定的降低,故进一步考虑对解信号频谱的幅值进行修正,使得解信号频谱的幅值与原始信号频谱的幅值尽可能地接近,进一步保证提取的故障特征信息的准确性。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种基于压缩域的振动信号特征提取方法,其特征在于,包括:
对采集的振动信号进行压缩测量,得到其线性投影的测量值;
根据所述测量值,基于l2范数最小化理论获得l2范数最小的解信号;
对获得的所述解信号进行离散傅里叶变换,得到频谱信息;
基于所述频谱信息,完成振动信号故障状态频谱特征的提取;
在对所述频谱信息进行分析之前,进一步包括:
对获得的所述l2范数最小的解信号的频谱的幅值进行修正;
并且,在完成振动信号故障特征的提取时:对修正后的频谱信息进行分析,提取故障的频谱特征;对获得的所述解信号的频谱的幅值进行修正包括:
根据所述振动信号的采样率,确定相对误差;
根据所述相对误差确定修正系数;
根据所述修正系数对所述l2范数最小的解信号的所述频谱的幅值进行修正。
2.根据权利要求1所述的特征提取方法,其特征在于,所述振动信号的采样率δ等于线性投影的测量值与所述振动信号的长度的比值;所述相对误差RE=-δ3+δ2-δ+1。
3.根据权利要求1所述的特征提取方法,其特征在于,对振动信号进行压缩测量时,采用高斯随机测量矩阵对所述振动信号进行处理。
4.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至3中任意一项所述的特征提取方法。
5.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任意一项所述的特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711450490.5A CN108304778B (zh) | 2017-12-27 | 2017-12-27 | 一种基于压缩域的振动信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711450490.5A CN108304778B (zh) | 2017-12-27 | 2017-12-27 | 一种基于压缩域的振动信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304778A CN108304778A (zh) | 2018-07-20 |
CN108304778B true CN108304778B (zh) | 2022-01-25 |
Family
ID=62867908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711450490.5A Active CN108304778B (zh) | 2017-12-27 | 2017-12-27 | 一种基于压缩域的振动信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304778B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968886B (zh) * | 2021-02-02 | 2021-12-03 | 东北大学 | 振动信号压缩方法及装置、存储介质、计算机设备 |
CN113392813B (zh) * | 2021-07-30 | 2022-04-26 | 湖北工业大学 | 精确识别振动信号主频的方法及系统 |
CN114027825B (zh) * | 2022-01-10 | 2022-03-22 | 华南师范大学 | 一种呼吸信号获取方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN106769040A (zh) * | 2016-12-14 | 2017-05-31 | 上海工程技术大学 | 一种轴承振动信号稀疏重构的方法 |
CN107024271A (zh) * | 2017-03-29 | 2017-08-08 | 兰州理工大学 | 机械振动信号压缩重构方法及系统 |
CN107292067A (zh) * | 2017-08-17 | 2017-10-24 | 湖南纬拓信息科技有限公司 | 一种基于压缩感知与双谱分析的齿轮故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545978B2 (en) * | 2005-07-01 | 2009-06-09 | International Business Machines Corporation | Methods and apparatus for filtering video packets for large-scale video stream monitoring |
-
2017
- 2017-12-27 CN CN201711450490.5A patent/CN108304778B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN106769040A (zh) * | 2016-12-14 | 2017-05-31 | 上海工程技术大学 | 一种轴承振动信号稀疏重构的方法 |
CN107024271A (zh) * | 2017-03-29 | 2017-08-08 | 兰州理工大学 | 机械振动信号压缩重构方法及系统 |
CN107292067A (zh) * | 2017-08-17 | 2017-10-24 | 湖南纬拓信息科技有限公司 | 一种基于压缩感知与双谱分析的齿轮故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
压缩感知原信号重构算法研究;李聪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);论文第15-18页 * |
基于压缩感知的滚动轴承特征提取与特征约简方法研究;刘畅;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20171115(第11期);论文摘要,第23、61-68页 * |
基于改进谐波小波包分解的滚动轴承复合故障特征分离方法;唐贵基 等;《仪器仪表学报》;20150131;第36卷(第1期);第143-145页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108304778A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304778B (zh) | 一种基于压缩域的振动信号特征提取方法 | |
JP2019512126A (ja) | 機械学習システムをトレーニングする方法及びシステム | |
JP2019070965A (ja) | 学習装置、学習方法、プログラム | |
CN115049169B (zh) | 基于频域和空域结合的区域用电量预测方法、系统及介质 | |
US20230367793A1 (en) | Method and device for extracting feature value of time series data | |
CN108830828B (zh) | 一种遥感图像变化检测方法及装置 | |
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
CN113050189A (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
CN109612900B (zh) | 一种储层岩石渗透率预测方法、装置及存储介质 | |
CN113288132A (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
CN112187266A (zh) | 一种模数转换器的非线性校正方法、装置及电子设备 | |
CN111596379A (zh) | 一种地震观测系统异常识别方法和装置 | |
CN104832161A (zh) | 基于双尺度相关对比的自动深度校正方法及系统 | |
CN108599773B (zh) | 一种基于确定性测量矩阵的振动信号数据压缩采集方法 | |
CN115510906A (zh) | 轴承健康状态的监测方法、装置、设备及可读存储介质 | |
CN114942396A (zh) | 一种新能源发电组件质量检测方法及装置 | |
CN109427050B (zh) | 导轮质量检测方法及设备 | |
CN110019068B (zh) | 一种日志文本处理方法和装置 | |
CN116049715A (zh) | 基于反卷积的加速迭代方法、装置、存储介质及智能终端 | |
CN113822329B (zh) | 一种水电机组主轴摆度信号处理方法及装置 | |
CN113486296B (zh) | 光谱去噪方法及处理器 | |
KR102088622B1 (ko) | Adc의 주파수 오차 저장 장치 및 adc의 주파수 오차 보정 장치 | |
LU503107B1 (en) | Method for Reconstructing Ocean bottom Seismic Data | |
CN116912698B (zh) | 土地覆盖变化监测方法、装置、电子设备及存储介质 | |
CN109595472B (zh) | 基于频谱分析的中低压庭院管线异常流量识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |