CN112183439A - 信号特征提取方法、系统、计算机可读存储介质及电子设备 - Google Patents
信号特征提取方法、系统、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112183439A CN112183439A CN202011090612.6A CN202011090612A CN112183439A CN 112183439 A CN112183439 A CN 112183439A CN 202011090612 A CN202011090612 A CN 202011090612A CN 112183439 A CN112183439 A CN 112183439A
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- feature extraction
- obtaining
- extraction method
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种信号特征提取方法、系统、计算机可读存储介质及电子设备,信号特征提取方法包括:步骤S1:采集并获取滚动轴承振动信号,并对滚动轴承振动信号进行数据预处理;步骤S2:通过经验模态分解法将进行数据预处理后的滚动轴承振动信号分解为多个信号分量;步骤S3:引入多核函数对多个信号分量进行非线性扩展,获取扩展后的慢特征函数;步骤S4:根据慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
Description
技术领域
本发明涉及一种信号特征提取方法、系统、计算机可读存储介质及电子设备,具体地说,尤其涉及一种基于慢特征分析的轴承信号特征提取方法、系统、计算机可读存储介质及电子设备。
背景技术
旋转机械设备在金属切削机床、矿山机械、航空航天等领域的现代工业生产等领域中已经得到了广泛应用。滚动轴承作为旋转机器设备中使用最为广泛的一类关键零部件,经常受到某些不可避免因素的影响,导致发生故障,诸如工作转速过高、负载多变、异物破坏等问题。一台机械设备的综合性能表现与其滚动轴承的健康状态息息相关,然而滚动轴承工作过程中产生的振动信号包含着丰富的实时健康状态信息,通过从中提取关键特征,可以实现滚动轴承的在线检测。
但现有技术的提取方式,由于高维滚动轴承振动信号存在非线性,非稳性、高维性等特点,所以传统特征提取工具无法捕获轴承振动信号中本质的特征。
因此急需开发一种克服上述缺陷的基于慢特征分析的轴承信号特征提取方法、系统、计算机可读存储介质及电子设备。
发明内容
针对上述问题,本发明提供一种信号特征提取方法,其中,包括:
步骤S1:采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理;
步骤S2:通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量;
步骤S3:引入多核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数;
步骤S4:根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
上述的信号特征提取方法,其中,所述步骤S1中包括,采集并获取所述滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理,构建样本数据集。
上述的信号特征提取方法,其中,多个所述信号分量的极值点数量和过零点数目相等或最多相差一个。
上述的信号特征提取方法,其中,多个所述信号分量由局部极大值和极小值组成的上下包络线的平均值为0。
上述的信号特征提取方法,其中,所述步骤S3中包括:
步骤S31:对多个所述信号分量进行去均值处理;
步骤S32:根据去均值处理后的多个所述信号分量获得核矩阵;
步骤S33:根据所述核矩阵获得标准化核矩阵;
步骤S34:计算核矩阵的特征值和特征向量,根据所述特征值和所述特征向量计算白化处理后的每条输出数据,将白化处理后的所述输出数据合并获得合并矩阵;
步骤S35:根据所述第一矩阵对时间求一阶导数获得所述慢特征函数。
上述的信号特征提取方法,其中,所述步骤S4中包括:
步骤S41:通过主成分分析法获得所述慢特征函数的最小特征值对应的标准化权重向量;
步骤S42:根据所述标准化权重向量构建权重矩阵;
步骤S43:根据所述权重矩阵获得多核慢特征矩阵;
步骤S44:通过所述多核慢特征矩阵获得所述滚动轴承振动信号的故障特征。
上述的信号特征提取方法,其中,所述多核函数为多项式核函数、线性核函数及高斯核函数中的一者。
本发明还提供一种信号特征提取系统,其中,包括:
预处理单元,采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理;
分解单元,通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量;
慢特征函数获取单元,引入多核核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数;
故障特征提取单元,根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述中任一项所述的信号特征提取方法。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述中任一项所述的信号特征提取方法。
综上所述,本发明相对于现有技术其功效在于:针对滚动轴承故障特征提取方法,引入慢特征分析方法,对轴承振动时序信号进行非线性扩展,并在扩展后的特征空间中寻找最能表征轴承健康状态的特征组合,即本质属性的慢特征。考虑到高维轴承振动信号,为了能够在尽量丰富的特征空间中搜寻慢特征,将多核核函数引入慢特征分析方法中非线性扩展部分,从而避免特征提取中出现的维数灾难问题,不需要定义确切的映射函数,而是隐式地将数据映射到高维空间中,结合不同核函数的特点,从而解决了单一核函数缺乏统一的选取标准的问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的信号特征提取方法的流程图;
图2为图1中步骤S3的流程图;
图3为图1的步骤S4的流程图;
图4为本发明的信号特征提取方法的应用流程图;
图5为本发明的信号特征提取系统的结构示意图;
图6为本发明电子设备的结构示意图。
其中,附图标记为:
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。另外,在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、“S1”、“S2”、…等,并非特别指称次序或顺位的意思,也非用以限定本发明,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的方向用语,例如:上、下、左、右、前或后等,仅是参考附图的方向。因此,使用的方向用语是用来说明并非用来限制本创作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”;关于本文中的“多组”包括“两组”及“两组以上”。
关于本文中所使用的用语“大致”、“约”等,用以修饰任何可以微变化的数量或误差,但这些微变化或误差并不会改变其本质。一般而言,此类用语所修饰的微变化或误差的范围在部分实施例中可为20%,在部分实施例中可为10%,在部分实施例中可为5%或是其他数值。本领域技术人员应当了解,前述提及的数值可依实际需求而调整,并不以此为限。
某些用以描述本申请的用词将于下或在此说明书的别处讨论,以提供本领域技术人员在有关本申请的描述上额外的引导。
慢特征分析(Slow Feature Analysis,SFA)是一种有效的非监督特征提取算法,它能够从快速变化的信号中提取不变量信息从而描述滚动轴承振动信号源中的某些固有属性,具有更高级的抽象水平,从而表征信号的本质特征。本发明引入了慢特征分析提出一种基于慢特征分析的轴承信号特征提取方法,特别是多核核函数映射方法与慢特征分析法对滚动轴承振动信号进行特征提取,采用多核慢特征分析法对滚动轴承信号进行特征提取,获取更能表征轴承工作状态的本质特征,以下进行具体说明。
请参照图1,图1为本发明的信号特征提取方法的流程图。如图1所示,本发明的信号特征提取方法包括:
步骤S1:采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理,其中,于所述步骤S1中包括,采集并获取所述滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理,并构建样本数据集。
为了方便使用慢特征分析法,需要对原始信号源进行非线性扩展,将非线性扩展问题转化为一个关于扩展信号的线性问题,扩展的维度越高,越能准确表征振动信号中的不变量信息,于此会带来“维度爆炸”的问题。为此,本发明在传统慢特征分析的基础之上,在非线性扩展的时候引入核函数进行映射。考虑到目前核函数的选择缺乏统一的标准,因此本发明将单一核函数映射引申为多核核函数映射,进而获取更能表征滚动轴承振动信号的多核慢特征。
步骤S2:通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量。
具体地说,在本步骤中,考虑到滚动轴承振动信号属于混叠信号,直接对混叠信号进行特征提取效果较差,因此需要对其进行信号分离,本发明采用经验模态分解法将混叠的上述滚动轴承振动信号分解为若干个信号分量,方便后续输入到慢特征分析模型中,其中,分解后的多个信号分量需要满足极值点数量和过零点数目相等或最多相差一个且由局部极大值和极小值组成的上下包络线的平均值为0。
步骤S3:引入多核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数。
其中,所述多核函数为多项式核函数、线性核函数及高斯核函数中的一者,但本发明并不以此为限。
请参照图2,图2为图1中步骤S3的流程图。如图2所示,所述步骤S3包括:
步骤S31:对多个所述信号分量进行去均值处理;
步骤S32:根据去均值处理后的多个所述信号分量获得核矩阵;
步骤S33:根据所述核矩阵获得标准化核矩阵;
步骤S34:计算核矩阵的特征值和特征向量,根据所述特征值和所述特征向量计算白化处理后的每条输出数据,将白化处理后的所述输出数据合并获得合并矩阵;
步骤S35:根据所述第一矩阵对时间求一阶导数获得所述慢特征函数。
步骤S4:根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征,其中,对所获取的慢特征函数采用主成分分析法,前n个最小特征值对应的特征向量即为要求的标准化权重向量。
请参照图3,图3为图1中步骤S4的流程图。如图3所示,所述步骤S4包括:
S41:通过主成分分析法获得所述慢特征函数的最小特征值对应的标准化权重向量;
步骤S42:根据所述标准化权重向量构建权重矩阵;
步骤S43:根据所述权重矩阵获得多核慢特征矩阵;
步骤S44:通过所述多核慢特征矩阵获得所述滚动轴承振动信号的故障特征。
请参照图4,图4为本发明的信号特征提取方法的应用流程图。以下结合图4具体说明本发明信号特征提取方法的工作流程如下:
(1)收集滚动轴承振动信号,并进行数据预处理,构建样本数据集。
(2)考虑到滚动轴承振动信号属于混叠信号,直接对混叠信号进行特征提取效果较差,因此需要对其进行信号分离,本发明采用经验模态分解,分解后的信号分量需要满足极值点数量和过零点数目相等或最多相差一个且由局部极大值和极小值组成的上下包络线的平均值为0。
(3)首先选择多核核函数种类,如多项式核函数、线性核函数、高斯核函数等;
然后将输入数据(上述经过经验模态分解后获得的多个信号分量)去均值处理,根据公式Kij=<Φ(xi),Φ(xj)〉计算,其中Φ(·)为映射函数,再根据公式计算标准化核矩阵其中1n表示n阶方阵,其中每个元素都是1/n;
接着,计算核矩阵的前d个特征值和特征向量,根据公式计算白化处理后的每条输出zi,其中A=[α1,α2,…,αd]为特征向量阵,Λ=diag(λ1≥…≥λd)为特征值对角阵。将白化处理后的数据zi合并成一个矩阵Z,并对时间求一阶导数得到
使用主成分分析法求出矩阵的j个最小特征值对应的特征向量作为随时间变化最缓慢的j个标准化权重向量,进而构建权重矩阵W=[w1,w2,…,wj]T,最后根据公式Y=ZW求出输入数据的完整输出Y,即多核慢特征矩阵。
(4)根据上述方法,可以构建滚动轴承振动信号的多核慢特征矩阵,通过多核慢特征矩阵可以进一步分析滚动轴承振动信号的表现规律,挖掘其故障特征。
请参照图5,图5为本发明的信号特征提取系统的结构示意图。如图5所示,本发明的信号特征提取系统应用上述信号特征提取方法,信号特征提取系统包括:
预处理单元11,采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理;
分解单元12,通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量;
慢特征函数获取单元13,引入多核核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数;
故障特征提取单元14,根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
其中,所述慢特征函数获取单元13包括:
均值处理模块131,对多个所述信号分量进行去均值处理;
核矩阵获得模块132,根据去均值处理后的多个所述信号分量获得核矩阵;
标准化核矩阵获得模块133,根据所述核矩阵获得标准化核矩阵;
合并矩阵获得模块134,计算核矩阵的特征值和特征向量,根据所述特征值和所述特征向量计算白化处理后的每条输出数据,将白化处理后的所述输出数据合并获得合并矩阵;
慢特征函数获得模块135,根据所述第一矩阵对时间求一阶导数获得所述慢特征函数。
其中,所述故障特征提取单元14包括:
标准化权重向量获得模块141,通过主成分分析法获得所述慢特征函数的最小特征值对应的标准化权重向量;
权重矩阵构建模块142,根据所述标准化权重向量构建权重矩阵;
多核慢特征矩阵获得模块143,根据所述权重矩阵获得多核慢特征矩阵;
故障特征获得模块144,通过所述多核慢特征矩阵获得所述滚动轴承振动信号的故障特征。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述中任一项所述的信号特征提取方法。
请参照图6,图6为本发明电子设备的结构示意图。如图6所示,本发明的电子设备,电子设备可以包括处理器21以及存储有计算机程序指令的存储器22。
具体地,上述处理器21可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器22可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器22可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器22可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器22可在数据处理装置的内部或外部。在特定实施例中,存储器22是非易失性(Non-Volatile)存储器。在特定实施例中,存储器22包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器22可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器21所执行的可能的计算机程序指令。
处理器21通过读取并执行存储器22中存储的计算机程序指令,以实现上述实施例中的任意一种动态调价方法。
在其中一些实施例中,电子设备还可包括通信接口23和总线20。其中,如图6所示,处理器21、存储器22、通信接口23通过总线20连接并完成相互间的通信。
通信端口63可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线20包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线20包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线20可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线20可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行上述中的任一种信号特征提取方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,本发明的基于慢特征分析的信号特征提取方法,通过采用经验模态分解法,将信号分量从混叠振动信号中进行抽离,进而采用多核慢特征分析法,对其进行进一步特征提取,解决了单一核函数的选取缺乏统一标准的问题,最终获取了更能表征轴承工作状态的本质特征。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种信号特征提取方法,其特征在于,包括:
步骤S1:采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理;
步骤S2:通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量;
步骤S3:引入多核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数;
步骤S4:根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
2.如权利要求1所述的信号特征提取方法,其特征在于,所述步骤S1中包括,采集并获取所述滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理,构建样本数据集。
3.如权利要求1所述的信号特征提取方法,其特征在于,多个所述信号分量的极值点数量和过零点数目相等或最多相差一个。
4.如权利要求3所述的信号特征提取方法,其特征在于,多个所述信号分量由局部极大值和极小值组成的上下包络线的平均值为0。
5.如权利要求1所述的信号特征提取方法,其特征在于,所述步骤S3中包括:
步骤S31:对多个所述信号分量进行去均值处理;
步骤S32:根据去均值处理后的多个所述信号分量获得核矩阵;
步骤S33:根据所述核矩阵获得标准化核矩阵;
步骤S34:计算核矩阵的特征值和特征向量,根据所述特征值和所述特征向量计算白化处理后的每条输出数据,将白化处理后的所述输出数据合并获得合并矩阵;
步骤S35:根据所述第一矩阵对时间求一阶导数获得所述慢特征函数。
6.如权利要求1所述的信号特征提取方法,其特征在于,所述步骤S4中包括:
步骤S41:通过主成分分析法获得所述慢特征函数的最小特征值对应的标准化权重向量;
步骤S42:根据所述标准化权重向量构建权重矩阵;
步骤S43:根据所述权重矩阵获得多核慢特征矩阵;
步骤S44:通过所述多核慢特征矩阵获得所述滚动轴承振动信号的故障特征。
7.如权利要求1所述的信号特征提取方法,其特征在于,所述多核函数为多项式核函数、线性核函数及高斯核函数中的一者。
8.一种信号特征提取系统,其特征在于,包括:
预处理单元,采集并获取滚动轴承振动信号,并对所述滚动轴承振动信号进行数据预处理;
分解单元,通过经验模态分解法将进行数据预处理后的所述滚动轴承振动信号分解为多个信号分量;
慢特征函数获取单元,引入多核核函数对多个所述信号分量进行非线性扩展,获取扩展后的慢特征函数;
故障特征提取单元,根据所述慢特征函数通过主成分分析法获得滚动轴承振动信号的故障特征。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的信号特征提取方法。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的信号特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090612.6A CN112183439A (zh) | 2020-10-13 | 2020-10-13 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090612.6A CN112183439A (zh) | 2020-10-13 | 2020-10-13 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183439A true CN112183439A (zh) | 2021-01-05 |
Family
ID=73949584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090612.6A Pending CN112183439A (zh) | 2020-10-13 | 2020-10-13 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183439A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN108303255A (zh) * | 2018-01-09 | 2018-07-20 | 内蒙古科技大学 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
CN109665399A (zh) * | 2019-01-28 | 2019-04-23 | 枣庄学院 | 一种矿井提升机无线传输的故障诊断系统及方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
-
2020
- 2020-10-13 CN CN202011090612.6A patent/CN112183439A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN108303255A (zh) * | 2018-01-09 | 2018-07-20 | 内蒙古科技大学 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
CN109665399A (zh) * | 2019-01-28 | 2019-04-23 | 枣庄学院 | 一种矿井提升机无线传输的故障诊断系统及方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
卢依容: "基于核慢特征分析算法的故障检测与诊断", 《万方数据》 * |
阮越雄: "基于多变换域特征提取和机器学习的滚动轴承故障诊断方法", 《万方数据》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rudolph et al. | Fully convolutional cross-scale-flows for image-based defect detection | |
EP3846048A1 (en) | Online log analysis method, system, and electronic terminal device thereof | |
CN110598765B (zh) | 样本生成方法、装置、计算机设备及存储介质 | |
Trstenjak et al. | KNN with TF-IDF based framework for text categorization | |
CN110210041B (zh) | 互译句对齐方法、装置及设备 | |
Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
CN111667476A (zh) | 布料瑕疵检测方法、装置、电子设备及可读存储介质 | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
CN113298146A (zh) | 一种基于特征检测的图像匹配方法、装置、设备及介质 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
Henze et al. | A test for Gaussianity in Hilbert spaces via the empirical characteristic functional | |
CN112329660A (zh) | 一种场景识别方法、装置、智能设备及存储介质 | |
CN111258905A (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN112183439A (zh) | 信号特征提取方法、系统、计算机可读存储介质及电子设备 | |
CN112287776A (zh) | 轴承性能指标分析方法、系统、可读存储介质及电子设备 | |
CN111191087B (zh) | 字符匹配方法、终端设备及计算机可读存储介质 | |
CN117454190A (zh) | 日志数据分析方法和装置 | |
CN116337377A (zh) | 基于多传感器的矿用设备故障状态分析方法和装置 | |
CN110807286A (zh) | 一种结构网格识别方法 | |
CN113043274B (zh) | 一种机器人性能评价方法及系统 | |
Cai et al. | Optimization of speeded-up robust feature algorithm for hardware implementation | |
Golubitsky et al. | Online computation of similarity between handwritten characters | |
CN112861891B (zh) | 用户行为异常检测方法和装置 |
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 |