CN111089740A - 基于多层相关性的多通道机械频谱子频段特征评估方法 - Google Patents
基于多层相关性的多通道机械频谱子频段特征评估方法 Download PDFInfo
- Publication number
- CN111089740A CN111089740A CN201911162649.2A CN201911162649A CN111089740A CN 111089740 A CN111089740 A CN 111089740A CN 201911162649 A CN201911162649 A CN 201911162649A CN 111089740 A CN111089740 A CN 111089740A
- Authority
- CN
- China
- Prior art keywords
- sub
- channel
- band
- value
- frequency
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于多层相关性的多通道机械频谱子频段特征评估方法。首先,将多通道机械信号进行时频域变换得到多通道频谱数据,将这些频谱数据划分为若干个子频段并获取特征;接着,计算这些多通道子频段特征与磨机负荷间的标准化相关系数值;然后,采用所选择的子频段特征基于偏最小二乘算法计算子频段特征的变量投影重要性(VIP)值,并进行标准化处理;最后,采用标准化的相关系数与VIP值,并结合磨机负荷预测性能,定义基于单个通道和全部通道的综合评估指标,用于度量子频段特征的重要程度。采用磨矿过程实验球磨机的多通道机械信号验证了所提方法的有效性。
Description
技术领域
本发明属于磨机磨矿技术领域,尤其涉及基于多层相关性的多通道机械频谱子频段特征 评估方法。
背景技术
磨矿过程的湿式球磨机负荷(ML)是指球磨机内部钢球、矿石和水负荷的总和[1],其 决定选矿过程全流程的生产效率,对其进行实时检测是实现该过程优化控制的关键因素之一 [2]。磨机是封闭旋转运行的重型机械设备。文献[3,4]最早提出采用振动信号对磨机内部参数 进行监视和分析。文献[5]基于实验磨机的轴承座振动信号对负荷的动态变化进行研究。面 对工业干式球磨机,文献[6]利用前后轴承座的振动信号对磨煤过程的负荷(煤和钢球)进 行监视和诊断,文献[7]同时采用轴承座振动和研磨区域的振声信号对磨机负荷进行实验分 析,但是这些研究未涉及理论上灵敏度更高的筒体振动信号。文献[8]通过实验磨机分析了 筒体振动强度与磨机内部料位间的映射关系。针对磨矿过程的湿式磨机负荷的研究较少。文 献[9]定义了磨矿过程的ML参数(即料球比MBVR、磨矿浓度PD和充填率CVR),并基于 实验磨机数据对筒体振动信号进行了详细分析。进一步,文献[10]针对不同研磨条件(如湿 磨和干磨、粗磨和细磨,以及磨机速度和负荷变化的情况下)的筒体振动信号进行详细分析, 结果表明筒体振动信号能够有效表征ML。因此,显然,在磨机筒体、磨机轴承、磨机研磨 区域等不同位置所采集的振动/振声等机械信号在其产生机理、针对ML的灵敏度及所蕴含 的ML信息等方面存在差异性、冗余性与互补性[11]。
研究表明,机械信号具有显著的非平稳和多组分特性,其特征难以在时域内提取[12]。 通常采用信号处理技术进行预处理以便提取更显著特征[13,14],最常用方法是快速傅里叶变 换(FFT),文献[15]将基于这种方式所得到的频谱称为单尺度频谱。理论上,FFT并不适合具 有非稳态和多组分特性的机械信号[16]。经验模态分解(EMD)及其改进算法能够获得具有不 同时间尺度且理论上可物理解释的系列平稳子信号[17,18,19,20]。从机械信号产生机理的视角, 这些子信号具有不同的产生来源和频率特性;文献[15]将多尺度子信号进行FFT变换后的数 据称为多尺度频谱,其已广泛用于设备故障诊断、ML建模和识别[21,22]。虽然理论上基于多 尺度机械频谱能够构建具有更合理性解释的ML参数模型,但EMD及其改进算法的复杂分 解过程也会产生一些非确定和不准确的信息。截止目前为止,基于FFT的单尺度频谱仍是 实际工业过程中应用最为广泛的数据。因此,非常有必要对单尺度频谱的子频段特征进行有 效地评估,获取不同通道机械频谱的最有价值子频段,对明晰其物理含义具有显著意义。此 外,目前的已有研究多关注于ML参数与机械频谱特征间的映射关系,针对ML的研究却是 鲜有报道。
发明内容
通常,采用相关系数度量输入变量与ML参数等难测参数间的相关性,并依据相关性的 大小进行特征选择。文献[23]结合多目标优化算法和相关系数对高维微阵列数据进行特征选 择。文献[24]提出了基于相关系数的多目标半监督特征选择方法。虽然基于相关系数和设定 阈值可以度量和选择部分变量,但该方法未考虑输入变量之间的共线性。针对高维频谱数据, 即使将其预处理为不同的子频段特征,其相互间也存在较强的共线性。此外,本发明要考虑 度量多通道子频段特征间的相对重要性。偏最小二乘(PLS)算法能够提取高维共线性变量的 低维潜在特征构建回归模型,适合对高维频谱数据建模[25];基于PLS算法计算得到的变量 投影重要性(VIP)值可用于度量输入变量的重要性,该指标也常用于高维谱数据的特征选择 [26,27]。
综上,本发明提出了一种基于多层相关性的多通道机械频谱子频段特征评估方法,其 主要创新是通过结合相关系数和VIP值定义新的评估指标用于度量子频段特征。采用磨矿 过程实验球磨机的多通道机械频谱数据仿真验证了所提方法的有效性。
磨机负荷的难以实时在线准确检测是制约磨矿过程运行优化与控制的关键因素之一,其 与球磨机运转过程中产生的筒体振动、沿传动机构传递至磨机轴承座的前后轴承振动以及筒 体表面振声、研磨区域振声等多个通道的机械频谱子频段特征相关。快速傅里叶变换(FFT) 是目前最为常用的时频转换方法。如何对上述多个通道的机械频谱子频段特征进行评估是明 晰研磨机理和机械信号产生机理的难点问题。
针对上述问题,本发明提出一种基于多层相关性的多通道机械频谱子频段特征评估方法。 首先,将多通道机械信号进行时频域变换得到多通道频谱数据,将这些频谱数据划分为若干 个子频段并获取特征;接着,计算这些多通道子频段特征与磨机负荷间的标准化相关系数; 然后,采用所选择的子频段特征基于PLS算法获得子频段特征的变量投影重要性(VIP)值, 并进行标准化处理;最后,采用标准化相关系数与VIP值并结合磨机负荷预测性能,定义 基于单个通道和全部通道的综合评估指标,用于度量子频段特征的重要程度。采用磨矿过程 实验球磨机的多通道机械信号验证了所提方法的有效性。
附图说明
图1为磨机系统不同位置机械信号的产生机理示意图;
图2为评估策略;
图3为实验球磨机传感器布置示意图;
图4为全部8个通道的子频段特征,其中,图4(a)为M4工况,图4(b)为B5工况,图4(c)为 W4工况;
图5为基于标准化相关系数的评估结果;
图6为基于标准化VIP的评估结果;
图7为所有子频段特征基于全部通道的综合评估值;
图8为基于CH1-CH8选择不同子频段特征的模型预测误差;
图9为基于CH5-CH7选择不同子频段特征的模型预测误差。
具体实施方式
球磨机是依靠钢球和矿石间的冲击和研磨进行破碎的重型旋转设备。磨机系统不同位置 机械信号的产生机理示意图如图1所示。
如图1所示,分层排列的钢球随球磨机旋转以不同的冲击力和周期被抛落或滑落,这些 冲击力相互叠加导致筒体振动;同时,磨机自身质量的不平衡和安装偏置也引起振动,这些 叠加后的冲击力导致通常所测量的筒体振动信号。显然,磨机旋转整周期的不同阶段所蕴含 的ML信息具有差异性。筒体振动经机械传动设备的多级传递会滤掉高频部分,其残余振动 导致磨机前后轴承座在水平和垂直方向的振动,再耦合其他来源振动后导致通常所测量的前 后轴承座的振动。球磨机内部噪声经连续反射后形成混合声场后经磨机筒体传出产生空气噪 声,筒体振动的声发射机理产生结构噪声,此两种噪声是筒体近表面振声的主要组成部分; 此外,通常所测量的磨机研磨区域下方的振声还包含来自其他磨机和邻近设备的背景噪声。
因此,球磨机系统不同位置所测量的多通道机械信号所蕴含的ML信息具有冗余性和互 补性。理论上,不同通道机械频谱具有其特定的物理含义。因此,有必要对多通道机械频谱 的子频段特征进行评估。
本发明所提出的评估方法由时频域变换与子频段划分、基于相关系数的评估、基于VIP 的评估和综合评估共4个步骤组成,如图2所示。
图2中,J表示机械信号的通道数量,Xj表示基于设计方案进行N次实验所采集的长度为M的第jth个通道的机械信号,Zj表示将Xj采用FFT技术变换至频域获得的机械 频谱,Z′j表示针对Zj进行处理所得到的若干个子频段特征组成的集合,αj表示针对Z′j中的子频段特征所计算得到的相关系数集合,Bj表示由Z′j所构建的子模型的回归系数等 与VIP值相关的参数,βj表示针对Z′j中的子频段特征所计算得到的VIP值的集合,λj表 示针对第jth个通道的子频段特征的综合评估值。
各个步骤的功能如下:
(1)时频域转换与子频段划分步骤:将多通道时域机械信号通过FFT转换至频域,获 得每个通道的单尺度机械频谱,并进一步将每个单尺度机械频谱划分为多个不同的子频段并 获取这些子频段的特征;
(2)基于相关系数的评估步骤:计算每个通道子频段特征的标准化相关系数。
(3)基于VIP值的评估步骤:以每个通道的子频段特征作为输入构建基于PLS的磨机 负荷预测模型,基于模型的回归系数等参数计算每个通道每个子频段特征的标准化VIP值。
(4)综合评估步骤:将全部通道的标准化相关系数和VIP值进行归一化处理,将两者 的乘积作为最终的综合评估指标。
本发明提出了一种基于多层相关性的多通道机械频谱子频段特征评估方法,包括以下步 骤:
步骤1、时频域转换与子频段划分步骤,具体为:
以基于设计方案进行N次实验所采集的长度为M的第jth个模态的机械信号Xj为例, 可用如下矩阵表示,
进一步,将全部N次实验(即N个样本)的第jth个通道的机械信号均变换至频域,可得 到Zj,可改写为如下式所示,
考虑在频率分辨率较高时,机械频谱的维数可达到数百维,需要进行降维处理。此处, 将单尺度频谱划分为K个子频段,相应的每个子频段所包含的频谱变量维数为 floor(P/K),其中,floor(·)为取整函数;进一步,将每个子频段所包含的频谱求和作为 所提取的特征。针对第jth个通道,将这些子频段特征表示为,
步骤2、基于相关系数的评估步骤,具体为:
为表述不同子频段特征在每个通道中针对磨机负荷的重要度,将上述相关系数进行标 准化处理,
进一步,将第jth个通道的全部标准化相关系数可表示为,
步骤3、基于VIP值的评估,具体为:
偏最小二乘(PLS)算法的目标是通过最大化输入输出数据间的协方差,将原始输入特 征空间的信息投影到由少数潜在变量(LV)组成新空间[28,29]。以第jth个通道的子频段特征 Z′j构建PLS模型其过程可表示为,
此处,采用VIP值表征每个子频段特征对磨机负荷预测模型的影响程度,将与VIP值相 关的参数Bj表示为,
以第jth个通道的第kth个子频段特征为例,其VIP值的计算公式如下:
为表述不同子频段特征在每个通道中针对磨机负荷预测的重要度,将上述VIP系数进 行标准化处理,
进一步,将第jth个通道的全部标准化VIP值可表示为,
步骤4、综合评估,具体为:
基于上述过程,分别计算基于标准化相关系数和VIP值的每个通道机械频谱的子频段 特征的重要度。综合上述两个指标对第jth个通道的子频段特征进行评估,以第kth个子频 段特征为例,其基于单个通道的综合评估指标定义如下,
进一步,将第jth个通道的全部子频段特征的综合评估指标表示为,
显然,上述指标只能够表征某个通道内的子频段特征的重要度,却不能表征子频段特征 在全部通道中所具有的重要度。此处,将全部子频段特征重新编号,其总体数量L=K·J, 并相应的表示为,
其中,γl表示重新编号后的第lth个子频段特征的重要度。
进一步,计算第lth个子频段特征基于全部通道的综合评估指标δl,采用下式,
其中,δl所对应的通道编号采用向上取整运算ceil(l,K)获得,其所对应的通道内的子频段 编号采用求余运算rem(l,K)获得。
进一步,将全部J个通道的综合评估指标值可表示为,
实验验证
实验数据描述
以基于实验球磨机的多通道机械信号为例,验证本文所提方法。本实验在直径为602mm 和长度为715mm的小型实验磨机上进行,其中磨机筒体的旋转速度为42r/min。全部8个通道 机械信号的采样频率均为51200Hz,传感器安装位置和类型:(1)固定在磨机筒体表面的2 个加速度传感器;(2)与磨机筒体表面相距2mm的2个声传感器;(3)位于磨机轴承座左侧测 量垂直振动、右侧测量垂直和水平振动的3个加速度传感器;(4)位于磨机研磨区域下方 10mm的1个声传感器。这些通道依次被标记为Ch1-Ch8,如图3所示。
采用钢球负荷、物料负荷、水负荷分别变化的工况验证本文所提方法,具体如下所示。
表1实验球磨机的磨机工况描述
如表1所示,共进行了3种工况下(M4、B2和W4)的175次实验。将全部样本中的 4/5用做训练和验证数据集,其余用于测试。
实验结果
时频域转换结果及子频段划分结果
首先,对时域信号进行滤波处理;然后,采用FFT技术将磨机运行过程中稳定旋转周期 的数据转换至频域,得到每个通道的多个旋转周期的单尺度频谱;最后,将这些稳定旋转周 期的频谱数据进行平均,获得最终维数为12800的机械频谱;此处,以400维作为一个子 频段的宽度,对每个通道的每个子频段的频谱变量求和作为子频段特征。不同工况下的8 个通道的子频段特征如图4所示,其中,图4为全部8个通道的子频段特征,其中,图4(a)为M4工况,图4(b)为B5工况,图4(c)为W4工况。
由图4可知,不同工况下的子频段特征的分布存在差异性。
基于相关系数的评估结果
不同通道相关系数的极值统计结果如表2所示。
表2不同通道相关系数的极值统计结果
表2表明,从平均值的视角,磨机负荷与CH8最为相关,主要在于该通道测量的是磨机研磨区域的振声,这与工业现场的研磨机理是相符合;从最大值的视角,CH6具有最大值,具有最大相关性的子频段特征的编码在1-5之间,表明主要特征是集中在低频段;从最小值的视角,CH1-CH4排在前面,表明这些通道的某些频段是与磨机负荷无关的。
对不同子频段特征的相关性进行标准化处理,其相关系数的评估结果如图5所示。
由图5可知,子频段特征的重要度最大值是CH1的8%;重要度分配比较均匀是的CH8, 均未超过3.5%;并且,不同通道子频段特征之间不存在明显的规律性,表明进行子频段选 择是有必要的。此外,也需要结合磨机负荷模型预测精度进行分析。
基于VIP值的评估结果
将全部样本分为训练、验证和测试共3个部分,基于验证数据集确定LV的数量,预测 误差的统计结果如表3所示。
表3不同通道磨机负荷预测模型的统计结果
CH1 | CH2 | CH3 | CH4 | CH5 | CH6 | CH7 | CH8 | |
训练RMSE | 37.4823 | 45.3091 | 46.7738 | 55.1529 | 28.8296 | 17.0385 | 23.1475 | 50.2914 |
验证RMSE | 42.0111 | 87.7109 | 49.4532 | 54.6352 | 28.0575 | 21.8102 | 30.3699 | 54.4928 |
测试RMSE | 89.3188 | 113.6268 | 57.3086 | 55.0992 | 29.4238 | 20.5565 | 25.9433 | 69.6565 |
LV数量 | 8 | 9 | 14 | 6 | 9 | 13 | 19 | 7 |
表3表明,CH6通道具有最小的测试、验证和训练误差,其次是CH7和CH5,这些均 为在磨机轴承座上所测量的振动信号。基于筒体表面的振声、振动信号所构建的磨机负荷预测模型的误差也较大,尤其是筒体振动通道,甚至还弱于CH8;原因可能在于无线测量方 式所导致的信号不稳定或是所选择建模算法的不恰当,这同时也表明轴承振动信号具有更佳的稳定性。
为表征不同子频段特征的重要度,这些子频段特征的统计结果如表4所示。
表4不同通道的VIP极值极值统计结果
由表4可知,从平均值视角,不同子频段特征的重要度相差不大;从最大值视角,CH6 中编号为3的子频段特征具有最大VIP值,这同时也是相关系数最大的子频段特征,表明 了两者间的一致性;从最小值的视角,筒体振动和振声信号都具有小1的VIP值,可见某些子频段特征与磨机负荷的相关性较弱。
对不同子频段特征的相关性进行标准化处理,其相关系数的评估结果如图6所示。
由图6可知,子频段特征的VIP值对磨机负荷的重要度的最大值是CH6的7.7%,这与 基于相关系数的评估结果不同;此外,CH6的子频段特征的VIP值的分布呈现先升后降的规律性,而其他通道的规律性较弱,尤其是CH5在高频段出现了较大的VIP值,这显然是 不合理的。有必要对子频段特征基于全部通道进行综合评估。
综合评估结果
图7表明,对磨机负荷预测具有较高重要度的子频段特征分布在不同的通道中,其中: CH8的综合评估值最低,原因在于该通道所测量信号与磨机距离相对其他通道稍远,并且 含有较为繁杂的噪声来源;CH5和CH6的重要度的量级相同,均为垂直振动,均大于水平振动CH7;CH1和CH2均为筒体振动,其重要度的量级相同;CH3和CH4的量级却不同。 因此,有必要选择子频段特征构建磨机负荷预测模型。
此处,设定阈值为从0.004-0.019变化,选择不同通道的子频段特征构建基于PLS的磨 机负荷预测模型,基于CH1-CH8和CH5-CH7选择子频段特征所构建预测模型的RMSE变化如图8和图9所示。
图8和图9表明,基于固定阈值选择全部通道的子频段特征所构建的磨机负荷模型的预 测性能弱于单通道CH6,而组合CH5、CH6和CH7的子频段特征的预测性能(RMSE=15.1094) 却提高了26%。因此,本文所提方法能够有效地对不同子频段的特征进行选择,但是不能 简单的基于设定阈值进行,需采用更为有效的策略从具有互补特性的通道中选择具有较高评 估值的特征和更为有效的建模算法。
针对多通道机械频谱特征子频段与磨机负荷间的相关性具有差异化并且难以定量评估 的问题,本文提出一种基于多层相关性的多通道频谱子频段特征评估方法,其主要贡献表现 在:基于标准化相关系数定量评估未考虑具有共线性的子频段特征;基于标准化VIP系数 定量评估考虑了共线性的子频段特征;提出了综合上述标准化系数和模型预测性能的新指标, 对子频段特征基于全部通道进行定量评估。通过磨矿过程实验球磨机的多通道机械信号仿真 验证了所提方法的有效性。结果表明,不同通道的不同子频段特征的贡献度不同,具有互补 和融余特性。理论上,这些子频段也应该具有差异化的物理含义。如何分解出具有清晰物理 含义的独立单子频段时频域信号是需要进一步研究的问题。
参考文献
[1]汤健,乔俊飞,刘卓,等.磨矿过程球磨机研磨机理数值仿真及磨机负荷参数软测量综 述[J],北京工业大学学报,2018,44(11):1459-1470.
[2]柴天佑.复杂工业过程运行优化与反馈控制[J].自动化学报,2013,39(11):1744-1757.
[3]Yigen Zeng,E.Forssberg.Monitoring grinding parameters by vibrationsignal measurement-a primary application.Minerals Engineering,Volume 7,Issue4,April 1994,Pages 495-501
[4]Yigen Zeng,K.S.E.Forssberg.Multivariate statistical analysis ofvibration signals from industrial scale ball grinding.Minerals Engineering,Volume 8,Issues 4–5,April–May 1995, Pages 389-399
[5]B.Behera,B.K.Mishra,C.V.R.Murty.Experimental analysis of chargedynamics in tumbling mills by vibration signature technique,MineralsEngineering,Volume 20,Issue 1, January2007,Pages 84-91
[6]Zhi-gang Su,Pei-hong Wang,Xiang-jun Yu,Zhen-zhong Lv Experimentalinvestigation of vibration signal of an industrial tubular ball mill:Monitoring and diagnosing.Minerals Engineering,Volume 21,Issue 10,September2008,Pages 699-710
[7]Gangquan Si,Hui Cao,Yanbin Zhang,Lixin Jia Experimentalinvestigation of load behaviour of an industrial scale tumbling mill usingnoise and vibration signature techniques.Minerals Engineering,Volume 22,Issue15,December 2009,Pages 1289-1298
[8]Peng Huang,Min-ping Jia,Bing-lin Zhong.Investigation on measuringthe fill level of an industrial ball mill based on the vibrationcharacteristics of the mill shell.Minerals Engineering, Volume 22,Issue 14,November 2009,Pages 1200-1208
[9]Jian Tang,Li-jie Zhao,Jun-wu Zhou,Heng Yue,Tian-youCha.Experimental analysis of wet mill load based on vibration signals oflaboratory-scale ball mill shell Minerals Engineering, Volume 23,Issue 9,August 2010,Pages 720-730
[10]Das S P,Das D P,Behera S K,et al.Interpretation of mill vibrationsignal via wireless sensing.Minerals Engineering,2011,24(3):245-251.
[11]汤健,赵立杰,岳恒,等.磨机负荷检测方法研究综述[J].控制工程,2010,17(5): 565-570.
[12]NIE P,DONF P,DONG H,et al.State recognition of tool wear based onimproved empirical mode decomposition and least squares support vectormachine[J].Journal of Beijing University of Technology,2013,39(12):1784-1790.
[13]FAN X,ZUO M J.Machine fault feature extraction based on intrinsicmode functions[J].Measurement Science&Technology,Vol.19,334-340,2008.
[14]SHE B,TIAN F Q,TANG J,et al.Fault diagnosis of rolling bearingbased on teager energy operator and EEMD[J].Journal of Beijing University ofTechnology,2017,43(6):859-864.
[15]TANG J,Yu W,CHAI T Y,et al.Selective ensemble modeling loadparameters of ball mill based on multi-scale frequency spectral features andsphere criterion[J].Mechanical Systems& Signal Processing,2016,66-67:485-504.
[16]LEI Y G,HE Z J,ZI Y Y.Application of the EEMD method to rotorfault diagnosis of rotating machinery,Mechanical Systems and SignalProcessing[J].2009,23:1327-1338.
[17]FAIZ J,GHORBANIAN V,EBRAHIMI B M.EMD-based analysis of industrialinduction motors with broken rotor bars for identification of operating pointat different supply modes[J]. IEEE Transaction on Industrial Informatics,2014,10:957-966.
[18]LI R Y,HE D.Rotational machine health monitoring and faultdetection using EMD-based acoustic emission feature quantification[J].IEEETransaction on Instrumentation and Measurement,2012,61:990-1001.
[19]SINGH D S,ZHAO Q.Pseudo-fault signal assisted EMD for faultdetection and isolation in rotating machines[J].Mechanical Systems&SignalProcessing,2016,81:202-218.
[20]XU Z,WANF C.Adaptive KEEMD and Its Application in SpectrumDenoising[J].Journal of Beijing University of Technology,2016,42(4):513-520..
[21]RAI V K,MOHANTY A R.Bearing fault diagnosis using FFT ofintrinsic mode functions in Hilbert-Huang transform[J].Mechanical Systems andSignal Processing,2007,21:2607-2165.
[22]TANG J,CHAI T Y,CONG Q M,et al.Modeling mill load parametersbased on selective fusion of multi-scale shell vibration frequency spectrum[J],Control Theory&Application,2015, 32(12):1582-1591.
[23]Hasnat A,Molla A U.Feature selection in cancer microarray datausing multi-objective genetic algorithm combined with correlation coefficient[C]//Emerging Technological Trends (ICETT),International Conference on.IEEE,2016:1-6.
[24]Coelho F,Braga A P,Verleysen M.Multi-Objective Semi-SupervisedFeature Selection and Model Selection Based on Pearson’s CorrelationCoefficient[C]//Iberoamerican Congress Conference on Progress in PatternRecognition.Springer-Verlag,2010.
[25]TANG J,CHAI T Y,YU W,et al.A Comparative study that measures ballmill load parameters through different single-scale and multi-scale frequencyspectra-based approaches[J]. IEEE Transactions on Industrial Informatics,2016,12(6):2008-2019.
[26]Sun Q,Zhang Y,Ma J,et al.Detector Location Selection Based on VipAnalysis in Near-Infrared Detection of Dural Hematoma[J].Saudi Journal ofBiological Sciences,2017, 25(3):452-456.
[27]Hui F,Zhao Z,Hai-Long W,et al.Identification of TransgenicSoybean Varieties Using Mid-Infrared Spectroscopy[J].Spectroscopy&SpectralAnalysis,2017.
[28]汤健,田福庆,贾美英,李东.基于频谱数据驱动的旋转机械设备负荷软测量[M],国防 工业出版社,2015年6月,北京
[29]汤健,乔俊飞,韩红桂,杜胜利.<一种基于潜结构映射算法的固废焚烧过程二噁英排 放浓度软测量系统>,国家知识产权局,申请号:201810675124.8,申请日期:2018年6月 27日。
Claims (5)
1.一种基于多层相关性的多通道机械频谱子频段特征评估方法,其特征在于,包括以下步骤:
步骤1、时频域转换与子频段划分步骤:将多通道时域机械信号通过FFT转换至频域,获得每个通道的单尺度机械频谱,并进一步将每个单尺度机械频谱划分为多个不同的子频段并获取这些子频段的特征;
步骤2、基于相关系数的评估步骤:计算每个通道子频段特征的标准化相关系数;
步骤3、基于VIP值的评估步骤:以每个通道的子频段特征作为输入构建基于PLS的磨机负荷预测模型,基于这些模型的回归系数等参数计算每个通道每个子频段特征的标准化VIP值;
步骤4、综合评估步骤:将全部通道的标准化相关系数和VIP值进行归一化处理,将两者乘积结合磨机负荷模型的预测性能定义最终的综合评估指标。
2.如权利要求1所述的基于多层相关性的多通道机械频谱子频段特征评估方法,其特征在于,步骤1具体为:
设Xj为以基于设计方案进行N次实验所采集的长度为M的第jth个模态的机械信号,用如下矩阵表示,
进一步,将全部N次实验(即N个样本)的第jth个通道的机械信号均变换至频域,可得到Zj,可改写为如下式所示,
将单尺度频谱划分为K个子频段,相应的每个子频段所包含的频谱变量维数为floor(P/K),其中,floor(·)为取整函数;进一步,将每个子频段所包含的频谱求和作为所提取的特征,针对第jth个通道,将这些子频段特征表示为,
4.如权利要求3所述的基于多层相关性的多通道机械频谱子频段特征评估方法,其特征在于,步骤3具体为:
采用VIP值表征每个子频段特征对磨机负荷预测模型的影响程度,将与VIP值相关的参数Bj表示为,
以第jth个通道的第kth个子频段特征为例,其VIP值的计算公式如下:
为表述不同子频段特征在每个通道中针对磨机负荷预测的重要度,将上述VIP系数进行标准化处理,
进一步,将第jth个通道的全部标准化VIP值可表示为,
5.如权利要求4所述的基于多层相关性的多通道机械频谱子频段特征评估方法,其特征在于,步骤4具体为:
基于上述过程,分别计算基于标准化相关系数和VIP值的每个通道机械频谱的子频段特征的重要度,综合上述两个指标对第jth个通道的子频段特征进行评估,以第kth个子频段特征为例,其基于单个通道的综合评估指标定义如下,
进一步,将第jth个通道的全部子频段特征的综合评估指标表示为,
上述指标只能够表征某个通道内的子频段特征的重要度,却不能表征子频段特征在全部通道中所具有的重要度,此处,将全部子频段特征重新编号,其总体数量L=K·J,并相应的表示为,
其中,γl表示重新编号后的第lth个子频段特征的重要度,
进一步,计算第lth个子频段特征基于全部通道的综合评估指标δl,采用下式,
其中,δl所对应的通道编号采用向上取整运算ceil(l,K)获得,其所对应的通道内的子频段编号采用求余运算rem(l,K)获得,
进一步,将全部J个通道的综合评估指标值可表示为,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162649.2A CN111089740B (zh) | 2019-11-25 | 2019-11-25 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162649.2A CN111089740B (zh) | 2019-11-25 | 2019-11-25 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111089740A true CN111089740A (zh) | 2020-05-01 |
CN111089740B CN111089740B (zh) | 2022-05-31 |
Family
ID=70393679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162649.2A Active CN111089740B (zh) | 2019-11-25 | 2019-11-25 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111089740B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
CN115372309A (zh) * | 2022-08-17 | 2022-11-22 | 中国计量科学研究院 | 一种关联有效特征谱段选择方法及油品指标含量快检方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU910194A1 (ru) * | 1980-07-28 | 1982-03-07 | Днепропетровский Ордена Трудового Красного Знамени Горный Институт Им.Артема | Самонастраивающа с система регулировани загрузки барабанной мельницы |
CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
CN106563537A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法 |
CN108038079A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种多源机械信号分析与优化组合方法 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
-
2019
- 2019-11-25 CN CN201911162649.2A patent/CN111089740B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU910194A1 (ru) * | 1980-07-28 | 1982-03-07 | Днепропетровский Ордена Трудового Красного Знамени Горный Институт Им.Артема | Самонастраивающа с система регулировани загрузки барабанной мельницы |
CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
CN106563537A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法 |
CN108038079A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种多源机械信号分析与优化组合方法 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
Non-Patent Citations (1)
Title |
---|
汤健 等: "基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测", 《控制理论与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
CN115372309A (zh) * | 2022-08-17 | 2022-11-22 | 中国计量科学研究院 | 一种关联有效特征谱段选择方法及油品指标含量快检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111089740B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
CN108038079B (zh) | 一种多源机械信号分析与优化组合方法 | |
Zhao et al. | A novel strategy for signal denoising using reweighted SVD and its applications to weak fault feature enhancement of rotating machinery | |
CN111089740B (zh) | 基于多层相关性的多通道机械频谱子频段特征评估方法 | |
Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
CN105971901B (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
Benkedjouh et al. | Tool wear condition monitoring based on continuous wavelet transform and blind source separation | |
Li et al. | Criterion fusion for spectral segmentation and its application to optimal demodulation of bearing vibration signals | |
CN105787255B (zh) | 一种磨机负荷参数软测量方法 | |
EP2277039B9 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
CN104932425B (zh) | 一种磨机负荷参数软测量方法 | |
CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
CN108629091B (zh) | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 | |
CN109100143A (zh) | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 | |
Huang et al. | Identification of vehicle suspension shock absorber squeak and rattle noise based on wavelet packet transforms and a genetic algorithm-support vector machine | |
CN101173869A (zh) | 用于诊断机构的方法和设备 | |
Ding et al. | Fault detection and diagnosis of a wheelset-bearing system using a multi-Q-factor and multi-level tunable Q-factor wavelet transform | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN105258789B (zh) | 一种振动信号特征频率带的提取方法及装置 | |
CN104697767A (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
Putra et al. | Fatigue feature clustering of modified automotive strain signals for saving testing time | |
CN116304751A (zh) | 用于动车组部件检修的运行数据处理方法 | |
Wang et al. | A novel hybrid approach for damage identification of wind turbine bearing under variable speed condition | |
Wang et al. | The application of pseudo-phase portrait in machine condition monitoring |
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 |