CN110716228A - 用于回转式多余物检测特征信号提取方法 - Google Patents
用于回转式多余物检测特征信号提取方法 Download PDFInfo
- Publication number
- CN110716228A CN110716228A CN201911125046.5A CN201911125046A CN110716228A CN 110716228 A CN110716228 A CN 110716228A CN 201911125046 A CN201911125046 A CN 201911125046A CN 110716228 A CN110716228 A CN 110716228A
- Authority
- CN
- China
- Prior art keywords
- imf
- noise
- signal
- processed
- sequence
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种用于回转式多余物检测特征信号提取方法,因为根据初始回转动态信号获取初始IMF序列,再根据初始IMF序列获取基准待处理IMF和备选待处理IMF序列,接着获取待处理含噪IMF集合,然后,将待处理含噪IMF集合分解成多个局部子信号进行获取提纯样本后再进行重组后获取估计噪声分量,最后对估计噪声分量进行叠加获取回转估计信号,并通过回转估计信号获取多余物检测特征信号。所以,本发明的用于回转式多余物检测特征信号提取方法通过对信号进行精选重构及分解提纯再重构,有效地提高航天机电设备回转式多余物检测中噪声重构经验模式分解方法的关键噪声估计精度,从而为航天机电设备多余物智能检测提供了更为精确的特征信号获取方法。
Description
技术领域
本发明属于航天设备检测领域,具体涉及一种用于回转式多余物检测特征信号提取方法。
背景技术
多余物是指产品中存在的由外部进入或内部产生的与产品规定状态无关的一切物质。航天机电设备常见多余物包括脱落的标准件、加工的金属屑、遗漏的装配工具、焊锡屑等金属和导线皮、硅胶渣、胶带、镀铝膜等非金属。这些多余物多是在航天机电设备生产、加工、装配、运输和调试等诸多环节中引入,并最终封闭在产品内部形成。多余物是航天机电设备重大质量事故隐患,特别是活动多余物始终处于无规律游离状态,可能造成器件短路、电路异常、机构卡死等故障或失效,甚至引发严重的航天事故。因此,航天机电设备多余物防控问题刻不容缓,若能准确及时识别与检测航天机电设备中的多余物,对于提升产品质量安全、保障航天任务成功率与避免经济损失和灾难性事故等都意义重大。
现有的多余物检测技术包括目视、耳听、工业内窥镜检测、X光透视、超声检测、微粒碰撞噪声检测等手段。其中,微粒碰撞噪声检测对活动多余物检测效果较好,包括回转式检测、随机振动式检测等。基于该技术所开发的自动检测设备在国内各大航天院所应用广泛。基于微粒碰撞噪声的多余物检测过程包括信号采集、特征提取与诊断识别等步骤,其中多余物信号特征提取及处理是检测过程的关键环节之一,特征信号提取准确性直接关系到后续多余物识别有效性。然而,航天机电设备通常结构复杂,组件部件众多,回转式等多余物检测中采集到的动态信号是各部件响应的综合反映,且复杂多变的传递途径、随机振动背景噪声干扰、多激励源相互耦合等因素往往导致多余物(尤其是微小多余物)微粒碰撞所产生的特征信号微弱,信噪比低,难以识别。经对已公开专利申请检索发现,跟本发明较为相关的航天机电设备多余物检测专利申请包括:(1)发明专利申请CN201811344706.4公开了一种回转式无线电设备多余物检测装置及检测方法,该专利侧重于多余物检测装置的设计,以及基于该装置的多余物检测流程;(2)发明专利申请CN201210528125.2公开了一种基于非负张量分解的电子装置多余物检测与分类识别方法,该专利综合利用声音、加速度等多源信号进行非负张量分解与分类识别,以提高多余物检测灵敏度和精度;(3)发明专利申请CN201010123941.6公开了一种基于随机振动的密封电子元器件多余物的检测装置及方法,该发明主要集中在检测装置的设计及其加速度反馈信号处理技术,借助傅里叶变换与时/频域随机化技术实现密封电子元器件多余物自动检测。上述多余物检测相关专利多侧重回转式、随机振动式等多余物检测装置的研发及检测流程本身,而对于多余物检测(特别是回转式多余物检测)中微弱特征信号提取与处理尚未涉及和研究。
本发明利用改进噪声重构经验模式分解方法开展航天机电设备回转式多余物检测中关键微弱信号特征提取,在基础理论上与本发明相关的专利包括:(1)发明专利ZL201310097502.6公开了一种机械早期及复合故障的集成噪声重构经验模式分解方法,该发明利用类硬阈值处理方式估计待测信号中的噪声分量,从而实现动态信号降噪并改善传统经验模式分解中的模式混淆问题。该发明提供了一种基础的噪声重构经验模式分解方法及具体步骤;(2)发明专利申请CN201811480857.2公开了一种雷达精密稳定平台运行可靠性评估方法,该发明将相邻系数阈值技术引入噪声重构经验模式分解的关键噪声估计中,并以归一化奇异熵计算雷达稳定平台运行可靠性评估指标。发明专利申请CN201811480857.2对专利ZL201310097502.6的噪声重构经验模式分解方法中关键噪声估计技术进行了两处基本方法改进,即:(1)以第一个本征模式分量开始连续序列的若干本征模式分量组成含噪本征模式分量;(2)相邻系数降噪技术用以改进原类硬阈值处理方式。对航天机电设备多余物微弱特征信号,上述两个专利中原始噪声重构经验模式分解及其改进方法中关键噪声估计技术存在因多余物特征信号微弱而被误纳入噪声分量的问题,这导致重要的多余物微弱特征信号提取不准确,致使航天机电设备多余物检测识别失败。
发明内容
本发明是针对上述问题而进行的,目的在于提供一种可实现航天机电设备回转式多余物检测中信号自适应分解、智能滤波与自动降噪一体化处理的多余物的微弱特征信号的检测方法。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种用于回转式多余物检测特征信号提取方法,具有这样的特征,包括以下步骤:步骤S1,通过EMD(经验模态分解)方法将初始回转动态信号进行分解,获取由多个IMF(本征模式分量)组成的初始IMF序列;
步骤S2,根据初始IMF序列获取基准待处理IMF和备选待处理IMF序列;
步骤S3,根据基准待处理IMF和备选待处理IMF序列,获取由多个待处理含噪IMF构成的待处理含噪IMF集合;
步骤S4,获取待处理含噪IMF集合的每个待处理含噪IMF得到对应的多个局部子信号windowl(i),局部子信号windowl(i)的样本点表达式如式(1)所示,
windowl(i)={cl(t),t=1+iwl,…,(i+1)wl},i=0,…,nn/wl-1 (1)
wl=fs/fl,wl取整处理,fl为与待处理含噪IMF对应的回转特征频率,fs为预定频率,cl(t)为待处理含噪IMF的样本点;
Tml,i的表达式如式(3)所示,
El,i为局部子信号的能量值,
步骤S6,将多个提纯噪声样本按对应的样本点的顺序进行重组,获取与待处理含噪IMF对应的多个估计噪声分量;
步骤S7,对多个估计噪声分量进行叠加,获取回转动态信号的估计噪声信号,作为回转噪声估计信号;
步骤S8,根据回转噪声估计信号重构多余物检测估计信号,获取多余物检测特征信号。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,步骤S2包括以下子步骤:
步骤S2-1,将初始IMF序列中的第一个IMF作为基准待处理IMF,将初始IMF序列的其余部分作为待判断IMF序列;
步骤S2-2,依次获取待判断IMF序列中的每个IMF对应的能量值,并根据能量值Ek得到对应的置信水平99%的噪声能量值估计范围,
Z0.5为与99%置信水平相匹配的参数,nn为初始回转动态信号数据长度,
步骤S2-3,根据噪声能量值估计范围,获取对应的噪声能量值修正范围;
步骤S2-4,依次判断能量值是否在对应的修正噪声范围内,将判断为是时对应的IMF依次组成备选待处理IMF序列。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,在步骤S2-3中,将噪声能量值估计范围的上限加一作为对应的噪声能量值修正范围的上限,将噪声能量值估计范围的下限减一作为对应的噪声能量值修正范围的下限。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,步骤S3包括以下子步骤:
步骤S3-1,从备选待处理IMF序列中选取与基准待处理IMF在初始IMF序列中序号连续的所有IMF,并与基准待处理IMF按初始IMF序列的序列顺序组成中间噪声分量,将备选待处理IMF中序号不连续的其余部分作为备选待判断含噪IMF序列;
步骤S3-2,将初始回转动态信号与中间噪声分量之差作为中间特征分量;
步骤S3-3,获取中间特征分量与中间噪声分量的相关系数,作为第一相关系数;
步骤S3-4,将备选待判断含噪IMF序列的第一个IMF作为当前IMF,并将当前IMF从备选待判断含噪IMF序列中移入中间噪声分量后得到新的中间噪声分量和新的中间特征分量;
步骤S3-5,获取中间噪声分量与中间特征分量的相关系数,作为第二相关系数;
步骤S3-6,判断第二相关系数是否小于等于第一相关系数,若判断为是,将第二相关系数作为新的第一相关系数,进入步骤S3-7,若判断为否,则将当前IMF从备选待判断含噪IMF序列中删除,进入步骤S3-7;
步骤S3-7,判断备选待判断含噪IMF序列是否为空,若判断为否,进入步骤S3-4,若判断为是,则将中间噪声分量的每个IMF作为待处理含噪IMF,并构成待处理含噪IMF集合,进入步骤S4。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,在步骤S4中,对待处理含噪IMF集合中每个待处理含噪IMF进行解调,获取对应的回转特征频率。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,在步骤S8中,包括以下子步骤:
步骤S8-1,对回转噪声估计信号进行重采样,获取多余物检测估计信号;
步骤S8-2,通过EMD方法将多余物检测估计信号进行分解,获取残差信号和多个分解特征信号;
步骤S8-3,将残差信号的能量值和多个分解特征信号的能量值求和,得到特征能量和,并将初始回转动态信号的能量值与特征能量和的差值作为特征能量差值;
步骤S8-4,判断特征能量差值与回转噪声估计信号的能量值的相对比值是否小于预定允许误差,若判断为是,则进入步骤S8-5,若判断为否,则进入步骤S8-1;
步骤S8-5,根据多个分解特征信号,获取多余物检测特征信号。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,在步骤S8-1中,对回转噪声估计信号按照数据随机排列的方式进行重采样。
在本发明提供的用于回转式多余物检测特征信号提取方法中,还可以具有这样的特征:其中,在步骤S8-5中,通过将多个分解特征信号求和平均,获取多余物检测特征信号。
发明的作用与效果
根据本发明所涉及的用于回转式多余物检测特征信号提取方法,因为根据初始回转动态信号获取初始IMF序列,再根据初始IMF序列获取基准待处理IMF和备选待处理IMF序列,接着获取待处理含噪IMF集合,然后,将待处理含噪IMF集合分解成多个局部子信号获取提纯噪声样本后再进行重组后获取估计噪声分量,最后对估计噪声分量进行叠加获取回转噪声估计信号,并通过回转噪声估计信号获取多余物检测特征信号。所以,本发明的用于回转式多余物检测特征信号提取方法通过对信号进行精选重构及分解提纯再重构,有效地提高航天机电设备回转式多余物检测中噪声重构经验模式分解方法的关键噪声估计精度,从而为航天机电设备多余物智能检测提供了更为精确的特征信号获取方法。
附图说明
图1是本发明的实施例中的种用于回转式多余物检测特征信号提取方法的步骤示意图;
图2是本发明的实施例中的初始回转动态信号的特征构成原理图;
图3是本发明的实施例中的初始回转动态噪声信号与回转估计噪声信号的对比图;
图4是本发明的实施例中的多余物检测特征信号图;以及
图5是采用传统技术获取的多余物检测特征信号图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的用于检测回转式多余物的特征信号的方法作具体阐述。
图1是本发明的实施例中的种用于回转式多余物检测特征信号提取方法的步骤示意图。
如图1所示,本实施例中的用于回转式多余物检测特征信号提取方法S100,根据对航天机电设备进行回转式多余物检测中按照预定频率进行采样得到的初始回转动态信号,获取多余物检测特征信号。
图2是本发明的实施例中的初始回转动态信号的特征构成原理图。
如图2所示,在本实施例中,初始回转动态信号x为仿真混合信号,包括模拟航天机电设备回转式多余物检测中的正弦回转信号x1,模拟航天机电设备回转式多余物检测中的微粒碰撞信号x2(即多余物特征信号),航天机电设备回转式多余物检测中噪声信号r,以及航天机电设备回转式多余物检测仿真混合信号x。从仿真混合信号中可以看到,多余物特征信号x2比较微弱,难以直接从初始回转动态信号x中进行有效识别。
用于回转式多余物检测特征信号提取方法包括以下步骤:
步骤S1,通过EMD(经验模态分解)方法将初始回转动态信号进行分解,获取由多个IMF(本征模式分量)组成的初始IMF序列。
在本实施例中,对初始回转动态信号x进行EMD分解获得初始IMF序列{ck(t),k=1,…,13}。
步骤S2,根据初始IMF序列获取基准待处理IMF和备选待处理IMF序列,包括以下子步骤:
步骤S2-1,将初始IMF序列中的第一个IMF作为基准待处理IMF,将初始IMF序列的其余部分作为待判断IMF序列。
在本实施例中,即将c1(t)作为基准待处理IMF,将{ck(t),k=2,…,13}作为待判断IMF序列。
步骤S2-2,依次获取待判断IMF序列中的每个IMF对应的能量值,并根据能量值Ek得到对应的置信水平99%的噪声能量值估计范围,
Z0.5为与99%置信水平相匹配的参数,nn为初始回转动态信号数据长度。
步骤S2-3,根据噪声能量值估计范围,获取对应的噪声能量值修正范围。
其中,将噪声能量值估计范围的上限加一作为对应的噪声能量值修正范围的上限,将噪声能量值估计范围的下限减一作为对应的噪声能量值修正范围的下限。
步骤S2-4,依次判断能量值是否在对应的修正噪声范围内,将判断为是时对应的IMF依次组成备选待处理IMF序列。
在本实施例中,逐一判断能量值lnEk是否位于噪声能量值修正范围的上限,下限的闭区间范围内,若判断为是,将判断为是时对应的IMF依次组成备选待处理IMF序列,将其余的IMF数据丢弃。
步骤S3,根据基准待处理IMF和备选待处理IMF序列,获取由多个待处理含噪IMF构成的待处理含噪IMF集合,包括以下子步骤:
步骤S3-1,从备选待处理IMF序列中选取与基准待处理IMF在初始IMF序列中序号连续的所有IMF,并与基准待处理IMF按初始IMF序列的序列顺序组成中间噪声分量,将备选待处理IMF中序号不连续的其余部分作为备选待判断含噪IMF序列。
在本实施例中,备选待处理IMF与基准待处理IMF为{cl(t),l=1,2,3,6,7,8,12},其中{c1(t),c2(t),c3(t)}在初始IMF序列中连续,将{cl(t),l=1,2,3}叠加作为中间噪声分量np(t),并将{cl(t),l=6,7,8,12}作为备选待判断含噪IMF序列。
步骤S3-2,将初始回转动态信号与中间噪声分量之差作为中间特征分量。
其中,将初始回转动态信号x与中间噪声分量np(t)之差作为中间特征分量sp(t)。
步骤S3-3,获取中间特征分量与中间噪声分量的相关系数,作为第一相关系数cc。
步骤S3-4,将备选待判断含噪IMF序列的第一个IMF作为当前IMF,并将当前IMF从备选待判断含噪IMF序列中移入中间噪声分量后得到新的中间噪声分量和新的中间特征分量。
在本实施例中,由步骤3-1获得的备选待判断含噪IMF序列的第一个IMF为c6(t),新的中间噪声分量np(t)由{cl(t),l=1,2,3,6}叠加获得,新的中间特征分量sp(t)为初始回转动态信号x与新的中间噪声分量np(t)之差。
步骤S3-5,获取中间噪声分量与中间特征分量的相关系数,作为第二相关系数cc’。
步骤S3-6,判断第二相关系数是否小于等于第一相关系数,若判断为是,将第二相关系数作为新的第一相关系数,进入步骤S3-7,若判断为否,则将当前IMF从备选待判断含噪IMF序列中删除,进入步骤S3-7。
在本实施例中,在步骤3-6的判断中,若判断为是,则第一中间噪声分量为IMF序列{cl(t),l=1,2,3,6}的叠加,备选待判断含噪IMF序列为{cl(t),l=7,8,12};若判断为否,则此时第一中间噪声分量仍为IMF序列{cl(t),l=1,2,3}的叠加,备选待判断含噪IMF序列为{cl(t),l=7,8,12}。
步骤S3-7,判断备选待判断含噪IMF序列是否为空,若判断为否,进入步骤S3-4,若判断为是,则将中间噪声分量的每个IMF作为待处理含噪IMF,并构成待处理含噪IMF集合,进入步骤S4。
在本实施例中,经过步骤S3-7的判断后,待处理含噪IMF集合为{cl(t),l=1,2,3,6,7,8}。
步骤S4,获取待处理含噪IMF集合的每个待处理含噪IMF得到对应的多个局部子信号windowl(i),局部子信号windowl(i)的样本点表达式如式(1)所示:
windowl(i)={cl(t),t=1+iwl,…,(i+1)wl},i=0,…,nn/wl-1 (1)
wl=fs/fl,并且wl取整处理,fs为对初始回转动态信号采样的预定频率,fl为与待处理含噪IMF对应的回转特征频率。
具体地,对精选待处理含噪IMF集合{cl(t),l=1,2,3,6,7,8}中的各项在自适应滑动窗下的局部子信号windowl(i),wl为自适应滑动窗宽度,若在自适应滑动窗截取下cl最后一个局部子信号不够窗宽,则不足点处样本补零。
Tml,i的表达式如式(3)所示,
El,i为局部子信号的能量值。
具体地,对多个局部子信号windowl(i)实施局部极值阈值处理(计算式如式(2))获得自适应局部的提纯噪声样本
步骤S6,将多个提纯噪声样本按对应的样本点的顺序进行重组,获取与待处理含噪IMF对应的多个估计噪声分量。
具体地,获取的多个为
步骤S7,对多个估计噪声分量进行叠加,获取回转动态信号的估计噪声信号,作为回转噪声估计信号。
在本实施例中,通过叠加获取回转噪声估计信号
根据回转噪声估计信号获取多余物检测特征信号。
步骤S8,根据回转噪声估计信号获取多余物检测特征信号,包括以下子步骤:
步骤S8-1,对回转噪声估计信号进行重采样,获取多余物检测估计信号。
图3是本发明的实施例中的初始回转动态噪声信号与回转估计噪声信号的对比图。
步骤S8-2:通过EMD方法将多余物检测估计信号进行分解,获取残差信号和多个分解特征信号。
步骤S8-3:将残差信号的能量值和多个分解特征信号的能量值求和,得到特征能量和,并将初始回转动态信号的能量值与特征能量和的差值作为特征能量差值。
步骤S8-4:判断特征能量差值与回转噪声估计信号的能量值的相对比值是否小于预定允许误差,若判断为是,则进入步骤S8-5,若判断为否,则进入步骤S8-1。
具体地,预定允许误差为0.04。
步骤S8-5:根据多个分解特征信号,获取多余物检测特征信号。
其中,通过将多个分解特征信号求和平均,获取多余物检测特征信号。
图4是本发明的实施例中的多余物检测特征信号图。
如图4所示,在本实施例中,经过26次判断后获取分解特征信号,再对分解结果(即分解特征信号)实施平均运算,获得回转式多余物的特征信号(即提纯后的航天机电设备多余物仿真特征信号)和从图4可以看出,回转式多余物的特征信号包括6种仿真特征原信号x中隐含的多余物微弱特征信号x2被成功提取于且正弦回转信号x1清晰地呈现于可见,本实施例有效实现航天机电设备回转式多余物检测仿真混合信号自适应分解、智能滤波与自动降噪一体化处理,获得航天机电设备多余物微弱特征信号x2的有效表达与智能提取。
图5是采用传统技术获取的多余物检测特征信号图。
如图5所示,对同样的航天机电设备回转式多余物检测到的初始回转动态信号x采用传统EMD进行分析,包含6种仿真特征{ck(t),k=1,…,6},其中,多余物微弱特征信号x2显示在c2中,但该特征被干扰噪声所污染,不易识别,正弦回转信号x1显示在c4中,但该特征呈现出明显的模式混淆现象。可见,相较本实施例,传统EMD对航天机电设备回转式多余物检测仿真信号分析结果不理想。
实施例的作用与效果
根据本实施例所涉及的用于回转式多余物检测特征信号提取方法,因为根据初始回转动态信号获取初始IMF序列,再根据初始IMF序列获取基准待处理IMF和备选待处理IMF序列,接着获取待处理含噪IMF集合,然后,将待处理含噪IMF集合分解成多个局部子信号获取提纯噪声样本后再进行重组后获取估计噪声分量,最后对估计噪声分量进行叠加获取回转噪声估计信号,并通过回转噪声估计信号获取多余物检测特征信号。所以,本实施例的用于回转式多余物检测特征信号提取方法通过对信号进行精选重构及分解提纯再重构,有效地提高航天机电设备回转式多余物检测中噪声重构经验模式分解方法的关键噪声估计精度,从而为航天机电设备多余物智能检测提供了更为精确的特征信号获取方法。
因为本实施例中对初始IMF序列进行精选过程中获取的噪声能量值估计范围的上限和下限为在置信水平99%时得到的,而初始回转动态信号包含回转特征信号、多余物特征信号和噪声信号,其中回转特征信号一般处于低频范围,而噪声分量多处于中高频范围。一般而言EMD分解得到的低阶序号IMF属于动态信号的中高频频带信号,而高阶序号IMF属于低频频带信号,这部分IMF多是回转特征信号且往往呈现出非噪声的缓变特性。基于IMF白噪声估计原理以及缓变信号能量特性,航天机电设备的初始回转动态信号中某些高阶序号IMF能量可能落在置信水平99%内估计噪声能量范围内,导致这些非噪声的高阶序号IMF被误选为待处理多余物含噪IMF,降低关键噪声估计准确性。所以,本实施例中的多余物含噪IMF精选,依据初始回转动态信号中噪声分量不同频带特性,首先将与噪声直接相关的连续低阶序号待处理IMF选取为多余物含噪IMF,其次利用多余物噪声分量与特征分量之间相关系数从剩余不连续高阶序号待处理IMF中科学精选出多余物含噪IMF,从而有效避免航天机电设备回转式多余物检测动态信号中高阶序号待处理IMF作为虚假噪声分量混入多余物含噪IMF,进而大大提高了航天机电设备回转式多余物检测中噪声重构经验模式分解方法的关键噪声估计精度。
因为本实施例中的精选待处理含噪IMF集合的待处理含噪IMF得到对应的多个局部子信号,而航天机电设备多余物特别是微小多余物检测中的特征信号微弱,信噪比低,往往难以从背景噪声及干扰源中识别。而这些多余物微弱特征信号在传统噪声重构经验模式分解方法中常因全局阈值处理而误被纳入噪声分量,导致重要的多余物微弱特征信号提取不准确。本实施例针对航天机电设备回转式多余物检测,在多余物自适应局部噪声估计采用回转式多余物检测中回转频率设计自适应滑动窗,并获得若干多余物局部子信号。在此基础上,在多余物子信号中开展局部极值阈值处理获得高精度提纯多余物噪声样本点,解决多余物微弱特征信号误纳为噪声分量的难题,进一步有效提高航天机电设备回转式多余物检测中噪声重构经验模式分解方法的关键噪声估计精度。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围,本领域普通技术人员在所附权利要求范围内不需要创造性劳动就能做出的各种变形或修改仍属本专利的保护范围。
Claims (8)
1.一种用于回转式多余物检测特征信号提取方法,根据对航天机电设备进行回转式多余物检测中按照预定频率进行采样得到的初始回转动态信号,获取多余物检测特征信号,其特征在于,包括以下步骤,
步骤S1,通过EMD(经验模态分解)方法将所述初始回转动态信号进行分解,获取由多个IMF(本征模式分量)组成的初始IMF序列;
步骤S2,根据所述初始IMF序列获取基准待处理IMF和备选待处理IMF序列;
步骤S3,根据所述基准待处理IMF和所述备选待处理IMF序列,获取由多个待处理含噪IMF构成的待处理含噪IMF集合;
步骤S4,获取所述待处理含噪IMF集合的每个所述待处理含噪IMF得到对应的多个局部子信号windowl(i),所述局部子信号windowl(i)的样本点表达式如式(1)所示,
windowl(i)={cl(t),t=1+iwl,…,(i+1)wl},i=0,…,nn/wl-1 (1)
wl=fs/fl,wl取整处理,fl为与所述待处理含噪IMF对应的回转特征频率,fs为所述预定频率,cl(t)为所述待处理含噪IMF的样本点;
Tml,i的表达式如式(3)所示,
El,i为所述局部子信号的能量值,
步骤S6,将多个所述提纯噪声样本按对应的所述样本点的顺序进行重组,获取与所述待处理含噪IMF对应的多个所述估计噪声分量;
步骤S7,对多个所述估计噪声分量进行叠加,获取回转动态信号的估计噪声信号,作为回转噪声估计信号;
步骤S8,根据所述回转噪声估计信号重构多余物检测估计信号,获取所述多余物检测特征信号。
2.根据权利要求1所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,步骤S2包括以下子步骤:
步骤S2-1,将所述初始IMF序列中的第一个所述IMF作为所述基准待处理IMF,将所述初始IMF序列的其余部分作为待判断IMF序列;
步骤S2-2,依次获取所述待判断IMF序列中的每个所述IMF对应的能量值,并根据所述能量值Ek得到对应的置信水平99%的噪声能量值估计范围,
Z0.5为与99%置信水平相匹配的参数,nn为所述初始回转动态信号数据长度,
步骤S2-3,根据所述噪声能量值估计范围,获取对应的噪声能量值修正范围;
步骤S2-4,依次判断所述能量值是否在对应的所述修正噪声范围内,将判断为是时对应的所述IMF依次组成所述备选待处理IMF序列。
3.根据权利要求2所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,在步骤S2-3中,将所述噪声能量值估计范围的上限加一作为对应的所述噪声能量值修正范围的上限,
将所述噪声能量值估计范围的下限减一作为对应的所述噪声能量值修正范围的下限。
4.根据权利要求2所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,步骤S3包括以下子步骤:
步骤S3-1,从所述备选待处理IMF序列中选取与所述基准待处理IMF在所述初始IMF序列中序号连续的所有所述IMF,并与所述基准待处理IMF按所述初始IMF序列的序列顺序组成中间噪声分量,将所述备选待处理IMF中序号不连续的其余部分作为备选待判断含噪IMF序列;
步骤S3-2,将所述初始回转动态信号与中间噪声分量之差作为中间特征分量;
步骤S3-3,获取所述中间特征分量与所述中间噪声分量的相关系数,作为第一相关系数;
步骤S3-4,将所述备选待判断含噪IMF序列的第一个所述IMF作为当前IMF,并将所述当前IMF从所述备选待判断含噪IMF序列中移入所述中间噪声分量后得到新的中间噪声分量和新的中间特征分量;
步骤S3-5,获取所述中间噪声分量与所述中间特征分量的相关系数,作为第二相关系数;
步骤S3-6,判断所述第二相关系数是否小于等于所述第一相关系数,若判断为是,将所述第二相关系数作为新的所述第一相关系数,进入步骤S3-7,若判断为否,则将所述当前IMF从所述备选待判断含噪IMF序列中删除,进入步骤S3-7;
步骤S3-7,判断所述备选待判断含噪IMF序列是否为空,若判断为否,进入步骤S3-4,若判断为是,则将所述中间噪声分量的每个所述IMF作为所述待处理含噪IMF,并构成所述待处理含噪IMF集合,进入步骤S4。
5.根据权利要求1所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,在步骤S4中,对所述待处理含噪IMF集合中每个所述待处理含噪IMF进行解调,获取对应的回转特征频率。
6.根据权利要求1所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,在步骤S8中,包括以下子步骤:
步骤S8-1,对所述回转噪声估计信号进行重采样,获取所述多余物检测估计信号;
步骤S8-2,通过EMD方法将所述多余物检测估计信号进行分解,获取残差信号和多个分解特征信号;
步骤S8-3,将所述残差信号的能量值和多个所述分解特征信号的能量值求和,得到所述特征能量和,并将所述初始回转动态信号的能量值与所述特征能量和的差值作为特征能量差值;
步骤S8-4,判断所述特征能量差值与所述回转噪声估计信号的能量值的相对比值是否小于预定允许误差,若判断为是,则进入步骤S8-5,若判断为否,则进入步骤S8-1;
步骤S8-5,根据多个所述分解特征信号,获取所述多余物检测特征信号。
7.根据权利要求6所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,在步骤S8-1中,对所述回转噪声估计信号按照数据随机排列的方式进行重采样。
8.根据权利要求6所述的用于回转式多余物检测特征信号提取方法,其特征在于,
其中,在步骤S8-5中,通过将多个所述分解特征信号求和平均,获取所述多余物检测特征信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125046.5A CN110716228B (zh) | 2019-11-18 | 2019-11-18 | 用于回转式多余物检测特征信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125046.5A CN110716228B (zh) | 2019-11-18 | 2019-11-18 | 用于回转式多余物检测特征信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716228A true CN110716228A (zh) | 2020-01-21 |
CN110716228B CN110716228B (zh) | 2021-03-26 |
Family
ID=69215218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911125046.5A Active CN110716228B (zh) | 2019-11-18 | 2019-11-18 | 用于回转式多余物检测特征信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716228B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5983162A (en) * | 1996-08-12 | 1999-11-09 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Computer implemented empirical mode decomposition method, apparatus and article of manufacture |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN109635407A (zh) * | 2018-12-05 | 2019-04-16 | 上海无线电设备研究所 | 一种雷达精密稳定平台运行可靠性评估方法 |
CN110146289A (zh) * | 2019-05-28 | 2019-08-20 | 昆明理工大学 | 一种滚动轴承微弱故障特征提取方法 |
-
2019
- 2019-11-18 CN CN201911125046.5A patent/CN110716228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5983162A (en) * | 1996-08-12 | 1999-11-09 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Computer implemented empirical mode decomposition method, apparatus and article of manufacture |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN109635407A (zh) * | 2018-12-05 | 2019-04-16 | 上海无线电设备研究所 | 一种雷达精密稳定平台运行可靠性评估方法 |
CN110146289A (zh) * | 2019-05-28 | 2019-08-20 | 昆明理工大学 | 一种滚动轴承微弱故障特征提取方法 |
Non-Patent Citations (2)
Title |
---|
刘海江等: "换挡加速度信号的EMD和小波阈值降噪方法", 《噪声与振动控制》 * |
袁静等: "改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110716228B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805059B (zh) | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 | |
Staszewski et al. | Time–frequency analysis in gearbox fault detection using the Wigner–Ville distribution and pattern recognition | |
Zhou et al. | An SPC monitoring system for cycle-based waveform signals using Haar transform | |
Li et al. | Wavelet transform-based higher-order statistics for fault diagnosis in rolling element bearings | |
KR100990845B1 (ko) | 플라즈마 이상 방전 진단 방법, 플라즈마 이상 방전 진단 시스템 및, 컴퓨터 프로그램이 수록된 컴퓨터 판독가능 기록매체 | |
EP2277039B1 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
EP3136255A1 (en) | Method and system for automatically detecting defects on a rotating shaft | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
CN112557038A (zh) | 多重降噪处理的轴承早期故障诊断方法 | |
CN111170103B (zh) | 设备故障识别方法 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN110927543A (zh) | 一种电力设备局部放电超声信号时差估计方法 | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN110717472A (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN111414893A (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN110716228B (zh) | 用于回转式多余物检测特征信号提取方法 | |
Bertocco et al. | A noise model for digitized data | |
CN110427918A (zh) | 一种电子式电力互感器的故障分类方法及可读存储介质 | |
Prajna et al. | Efficient harmonic regeneration noise reduction‐based Wiener filter for acoustic emission signal detection | |
CN107860460A (zh) | 强噪声背景下振动信号的特征提取方法 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
WO1997005982A1 (en) | Tool condition monitoring system | |
CN108152363A (zh) | 一种抑端固有时间尺度分解的管道缺陷识别方法 | |
Hazra et al. | Gearbox fault detection using synchro-squeezing transform |
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 |