CN111079705A

CN111079705A - 一种振动信号分类方法

Info

Publication number: CN111079705A
Application number: CN201911411931.XA
Authority: CN
Inventors: 黄德平; 高琪; 李位星; 潘保青; 胡一鸣
Original assignee: Bnc Technologies Co ltd; Beijing Institute of Technology BIT
Current assignee: Bnc Technologies Co ltd; Beijing Institute of Technology BIT
Priority date: 2019-12-31
Filing date: 2019-12-31
Publication date: 2020-04-28
Anticipated expiration: 2039-12-31
Also published as: CN111079705B

Abstract

本发明公开了一种振动信号分类方法，通过采用决策树算法生成分类模型，并在此基础，训练生成与环境类型一一对应的信号分类子模型，能够实现对于某个振动信号仅需使用一个信号分类子模型即可完成分类，有效降低了分类过程对处理器算力的要求，同时，能够有效降低因多环境数据统一训练带来的模型过于复杂的问题，增强了算法对于不同环境的适应能力。

Description

一种振动信号分类方法

技术领域

本发明属于信号分类方法技术领域，具体涉及一种振动信号分类方法。

背景技术

现有振动信号的分类方法通常为：首先，对振动信号进行信号处理，然后对振动信号进行模式识别得到振动信号的分类。例如，公告号为CN106127135B的中国实用新型专利，公开了“一种陵区入侵振动信号特征提取与分类识别算法”，其首先对振动信号进行了经验模态分解，随后利用优化过的支持向量机算法对信号进行分类。这种方法对运行算法的处理器要求很高，仅能够在有着较强算力的上位机或者服务器上完成对信号的分类任务，在低算力的下位机上难以实现。当在低算力情况下又需要对信号进行实时分类时，目前常用的信号处理及分类方法带来的延时会使得整个信号分类系统无法运行。

此外，由于同一待识别信号在不同环境下的特性会有所改变，多数算法需要获取待识别信号在多种不同环境下的数据才能完成对其的分类，而实际工程中很难采集待识别信号在所有环境下的数据，因此当采集信号的环境发生变化时，分类算法的精度会出现明显下降。同时，若使用多种环境下的信号数据进行分类，分类模型将更为复杂，对处理器的要求也就更高，低算力的处理器将无法支持信号的分类。

发明内容

有鉴于此，本发明提供了一种振动信号分类方法，实现了在低功率、低算力的处理器上完成不同环境下振动信号的分类。

本发明提供的一种振动信号分类方法，包括以下步骤：

提取振动信号中与环境和信号相关的特征形成特征向量；采用所述特征向量及其对应的环境类型构建环境训练样本集，标签为振动信号的环境类型，输入为特征向量；采用同一环境类型的特征向量及其对应的信号类型构建信号训练样本集，标签为振动信号的信号类型，输入为同一环境类型的特征向量；

基于决策树算法建立分类模型，采用所述环境训练样本集和信号训练样本集分别对所述分类模型进行训练，得到环境分类子模型和信号分类子模型；所述信号分类子模型与环境类型一一对应；

分类应用中，将得到的待分类振动信号的特征向量输入到所述环境分类子模型中，得到待分类振动信号的实际环境类型，再将所述特征向量输入与所述实际环境类型相对应的信号分类子模型中，得到待分类振动信号的信号类型。

进一步地，所述特征向量的形成过程如下：首先，按照设定频率对所述振动信号采样得到采样数据，然后，对所述采样数据按照设定时长切片形成信号数据帧，最后，提取所述信号数据帧中与环境和信号相关的特征形成特征向量。

进一步地，所述设定时长t的取值范围为3s≤t≤4s。

进一步地，所述特征向量包括：所述信号数据帧的数据平方和、信号数据帧的鞘度、信号数据帧对应的频域信号的鞘度、信号数据帧中环境噪声的频率分布及信号数据帧中信号数据的频率分布。

进一步地，所述切片方式为滑动窗。

进一步地，在构建所述环境训练样本集和信号训练样本集之前，对所述振动信号进行预处理，具体过程为：当所述振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时，将信号数据扩大λ倍，其中，1.05≤λ≤1.1。

进一步地，首先将所述训练得到的环境分类子模型和信号分类子模型的代码采用键值对字典结构描述，然后将所述字典结构转换为字符串形式。

有益效果：

1、本发明通过采用决策树算法生成分类模型，并在此基础，训练生成与环境类型一一对应的信号分类子模型，能够实现对于某个振动信号仅需使用一个信号分类子模型即可完成分类，有效降低了分类过程对处理器算力的要求，同时，能够有效降低因多环境数据统一训练带来的模型过于复杂的问题，增强了算法对于不同环境的适应能力。

2、本发明通过对振动信号进行预处理，提升了对与环境噪声接近的待检测信号的分类精度。

附图说明

图1为本发明提供的一种振动信号分类方法的分类模型训练过程流程图。

图2为本发明提供的一种振动信号分类方法的分类应用过程流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供的一种振动信号分类方法，核心思想是：基于决策树算法生成分类模型，采用振动样本信号对分类模型进行训练生成环境分类子模型和与环境类型一一对应的信号分类子模型，分类应用时，首先采用环境分类子模型判断待分类振动信号的环境类型，再根据环境类型选择信号分类子模型进行分类处理。

本发明提供的一种振动信号分类方法，如图1和2所示，具体包括以下步骤：

步骤1、提取振动信号中与环境和信号相关的特征形成特征向量。

首先，利用传感器获取振动信号，振动信号中包含了环境噪声与信号数据；然后，采用设定的采样频率w对振动信号进行采样，得到采样数据，例如，w＝500H_Z；最后，对采样数据按照设定时长切片形成信号数据帧，设定时长t的取值范围一般为3s≤t≤4s，切片方式可采用滑动窗的方式；最后，提取所述信号数据帧中与环境和信号相关的特征形成特征向量。

一般情况下，特征向量包括：特征一为信号数据帧的数据平方和，特征二为信号数据帧的鞘度，特征三为将信号数据帧进行傅里叶变换得到的频域信号的鞘度，特征四为信号数据帧中环境噪声的频率分布，特征五为信号数据帧中信号数据的频率分布。

此外，对于训练所需样本的构建过程来说，当作为样本数据的振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时，例如，在设定时间内环境噪声的幅值的均值与信号数据的幅值的均值之差小于该阈值，则需要对样本数据进行预处理，即基于大量实验的总结，可将信号数据扩大λ倍，其中，1.05≤λ≤1.1。通过对样本数据的预处理，能够有效提升对接近环境噪声的待识别信号的识别精度。

步骤2、构建训练样本集。

采用样本数据的特征向量及其对应的环境类型构建环境训练样本集，标签为振动信号的环境类型，输入为特征向量；采用同一环境类型的特征向量及其对应的信号类型构建信号训练样本集，标签为振动信号的信号类型，输入为同一环境类型的特征向量。

步骤3、建立分类模型，采用训练样本集完成分类模型的训练。

基于决策树算法建立分类模型，采用环境训练样本集和信号训练样本集分别对分类模型进行训练，得到环境分类子模型和信号分类子模型，其中，信号分类子模型为多个，且信号分类子模型与环境类型一一对应。

通常情况下，训练过程需要在算力较高的处理器上完成。此外，为了便于在低算力的处理器(如，下位机)上执行分类操作，本发明中将环境分类子模型和信号分类子模型转换为字符串进行保存，即将字符串形式的子模型存储在低算力的处理器上，例如，对于下位机而言可将字符串形式的子模型通过下位机编译软件进行烧录。具体转换过程为：首先使用键值对字典结构描述环境分类子模型和信号分类子模型，其中，字典结构如下所示：

{

左子树(leftChild)：字典类型数据

节点属性(feature)：整形数

节点数值(value)：浮点数

右子树(rightChild)：字典类型数据

}。

然后，按照从上到下深度优先的方式遍历该字典，并以字符串的形式保存，字符串的格式如下所示：

'leftChild':0.0,'featIndex':1,'value':2.8241361038396198,'rightChild':1.0,'featInde x':2,'value':46.39834662389451,'leftChild':1.0,'featIndex':4,'value':0.011542156187491135,'rightChild':0.0,'featIndex':4,'value':0.02027113104465544,......。

其中，“'leftChild':0.0,'featIndex':1,'value':2.8241361038396198”的含义为左子树的字典类型数据为0.0，该节点的节点属性值为1，节点存储的数值为2.8241361038396198。

步骤4、计算待分类振动信号的特征向量，将该特征向量输入到训练得到的环境分类子模型中，得到待分类振动信号的实际环境类型，再将该特征向量输入与该实际环境类型相对应的信号分类子模型中，得到待分类振动信号的信号类型。

采用下位机进行分类的过程，如图2所示，包括以下步骤：

步骤4.1、下位机读取字符串形式的分类模型，并将其还原成树状结构；

步骤4.2、下位机通过传感器获取待分类振动信号，并且采用步骤1中的方式对待分类振动信号进行切片处理，形成待处理的数据帧；当此次处理为第一次时，执行步骤4.3，否则，执行步骤4.4；

步骤4.3、计算待分类振动信号的特征向量，并将特征向量输入环境分类子模型中得到当前的环境类型；

步骤4.4、根据步骤4.3得到的环境类型选择对应的信号分类子模型，将特征向量输入该信号分类子模型中得到信号分类；

步骤4.5、下位机将得到的信号分类结果发送至上位机中。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种振动信号分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述特征向量的形成过程如下：首先，按照设定频率对所述振动信号采样得到采样数据，然后，对所述采样数据按照设定时长切片形成信号数据帧，最后，提取所述信号数据帧中与环境和信号相关的特征形成特征向量。

3.根据权利要求2所述的方法，其特征在于，所述设定时长t的取值范围为3s≤t≤4s。

4.根据权利要求2所述的方法，其特征在于，所述特征向量包括：所述信号数据帧的数据平方和、信号数据帧的鞘度、信号数据帧对应的频域信号的鞘度、信号数据帧中环境噪声的频率分布及信号数据帧中信号数据的频率分布。

5.根据权利要求2所述的方法，其特征在于，所述切片方式为滑动窗。

6.根据权利要求1所述的方法，其特征在于，在构建所述环境训练样本集和信号训练样本集之前，对所述振动信号进行预处理，具体过程为：当所述振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时，将信号数据扩大λ倍，其中，1.05≤λ≤1.1。

7.根据权利要求1所述的方法，其特征在于，首先将所述训练得到的环境分类子模型和信号分类子模型的代码采用键值对字典结构描述，然后将所述字典结构转换为字符串形式。