CN112183499B - 基于信号分量差商值的时域信号诊断方法及存储介质 - Google Patents

基于信号分量差商值的时域信号诊断方法及存储介质 Download PDF

Info

Publication number
CN112183499B
CN112183499B CN202011351685.6A CN202011351685A CN112183499B CN 112183499 B CN112183499 B CN 112183499B CN 202011351685 A CN202011351685 A CN 202011351685A CN 112183499 B CN112183499 B CN 112183499B
Authority
CN
China
Prior art keywords
time domain
domain signal
signal
original time
difference quotient
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
Application number
CN202011351685.6A
Other languages
English (en)
Other versions
CN112183499A (zh
Inventor
周清泉
李超
肖罗
龚亚军
阮志坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wanxin Jinggong Hunan Co Ltd
Original Assignee
Wanxin Jinggong Hunan Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wanxin Jinggong Hunan Co Ltd filed Critical Wanxin Jinggong Hunan Co Ltd
Priority to CN202011351685.6A priority Critical patent/CN112183499B/zh
Publication of CN112183499A publication Critical patent/CN112183499A/zh
Application granted granted Critical
Publication of CN112183499B publication Critical patent/CN112183499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明公开了一种基于信号分量函数差商值的时域信号诊断方法，引入可以处理伴随有非平稳、非线性原始时域信号的信号解析技术，基于采集原始时域信号的时间度量特征，将原始时域信号解析成多个信号分量函数，去除原始时域信号的非平稳、非线性特征；在海量噪声的处理上，差商值有着很强的噪声包容性，利用重构信号的分布概率度量原始时域信号的复杂程度，其中，重构信号的概率越大，其处理的原始信时域号重构的复杂度越大，通常差商值与信号复杂度呈正比，从而将原始时域信号解析得到的信号分量函数，利用差商判别原始时域信号故障特征。

Description

基于信号分量差商值的时域信号诊断方法及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种基于信号分量函数差商值的时域信号诊断方法。
背景技术
在故障诊断学中，例如回转机械和往复机械的振动信号采集与诊断中，由于反应其运行状态的信号是随机器运转而周期性重复的，对回转机械和往复机械故障诊断主要是对时域信号进行诊断；又例如电机的电流信号进行侦测与诊断时，侦测到的电流信号也是周期性重复的时域信号。
有效的提取到时域信号中的准确故障信息也成为了现代故障诊断技术核心技术，传统的时频域技术给时域信号故障信息提取提供了解决方案。而时域信号作为故障诊断最直接的信息来源，直接决定了故障判断的准确性。但时域信号通常伴随着周期信号间的耦合和海量噪声的情形，在面对高度耦合海量噪声的非平稳、非线性的时域信号时，现有的时域平均等时频域技术的可行度较低，故障检测效率与正确率都存在不稳定性。
因此，亟需提供一种新的时域信号诊断方法，以解决上述技术问题。
发明内容
本发明的主要目的在于提供一种基于信号分量函数差商值的时域信号诊断方法，利用时域信号解析技术分解信号，去除原始时域信号中的非平稳、非线性部分；利用差商判别原始时域信号的故障信息。
为了实现上述目的，本发明提供一种基于信号分量差商值的时域信号诊断方法，包括步骤：
S1，获取t时刻的时域信号xi(t)所有的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包络线和下包络线，并得到所述上包络线和下包络线的平均值函数为m1；其中，i=0,1,2...,N，i=0时，x0(t)为原始时域信号；
S2，判断所述平均值函数m1在所述时域信号xi(t)区域内，与零点之间的差值是否小于预设阈值；若否则返回步骤S1，若是则进入步骤S3；
S3，根据公式Ci+1=xi(t)-m1，得到时域信号xi(t)的最高频组分的信号分量Ci+1；
S4，判断所述信号分量Ci+1是否可以被继续分解，若是则进入步骤S5；若否则进入步骤S6；
S5，根据公式xi+1(t)=xi(t)-Ci+1，获得新的时域信号xi+1(t)，返回所述步骤S1，对所述新的时域信号xi+1(t)重复所述步骤S1-S4，得到Ci+2=xi+1(t)-m1；
S6，获取当前分解次数i的值n，得到所述原始时域信号
Figure 135112DEST_PATH_IMAGE001
，其中，所述x0(t)表示信号余项；
S7，预设嵌入维数m，针对时间序列下时域信号的集合{x0(h), h=1,2,…,N}，重构 所述原始时域信号x0(h)的长度，根据步骤S6中所述原始时域信号
Figure 345424DEST_PATH_IMAGE001
的信号分量函数，将所述原始时域信号x0(h)重构 成一组m维向量：
Figure 277476DEST_PATH_IMAGE002
，其中，h=1~N- m+1；
S8，根据公式
Figure 527323DEST_PATH_IMAGE003
，计算X(p)与X (q)之间的距离d(p,q)，对每一个X(h)计算d(p,q)小于预设相似容限r的个数R，并获得R与 N-M+1之间的比值
Figure 777783DEST_PATH_IMAGE004
；
S9，根据公式
Figure 771278DEST_PATH_IMAGE005
， 获得
Figure 790793DEST_PATH_IMAGE006
的值；
S10，预设嵌入维数m+1,重复所述步骤S7-S9，得到
Figure 211541DEST_PATH_IMAGE007
；
S11，根据公式
Figure 808351DEST_PATH_IMAGE008
计 算所述时域信号的差商；
S12，根据所述差商，对所述时域信号进行诊断。
进一步地，所述构建所述局部极大值点和所述局部极小值点的上包络线和下包络线的步骤，包括：使用三次样条插值函数分别连成所述局部极大值点和所述局部极小值点的上包络线和所述下包络线。
进一步地，所述步骤S1中采用的局部寻优算法计算所述时域信号xi(t)所有的局部极大值点和局部极小值点。
进一步地，其中，r=0.1~0.2SD，其中SD为原始时域信号x0(t)的标准差。
进一步地，其中，所述预设嵌入维数m的值设置为2。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于信号分量差商值的时域信号诊断方法的步骤
本发明提供的基于信号分量函数差商值的时域信号诊断方法，引入可以处理伴随有非平稳、非线性时域信号的信号解析技术，基于采集原始时域信号的时间度量特征，将原始时域信号解析成多个信号分量，去除原始时域信号的非平稳、非线性特征；在海量噪声的处理上，差商值有着很强的噪声包容性，利用重构信号的分布概率度量原始时域信号的复杂程度，其中，重构信号的概率越大，其处理的原始时域信号重构的复杂度越大，通常差商值与信号复杂度呈正比，将原始时域信号解析得到的信号分量，利用差商判别原始时域信号故障特征；具体采用：
利用时域信号解析技术分解信号，通过步骤S1，获取t时刻的时域信号xi(t)所有 的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包络线 和下包络线，并得到所述上包络线和下包络线的平均值函数为m1；S2，判断所述平均值函数 m1在所述时域信号x(t)区域内，与零点之间的差值是否小于预设阈值；若否则返回步骤S1， 若是则进入步骤S3；S3，根据公式Ci+1=xi(t)-m1，得到时域信号xi(t)的最高频组分的信号分 量Ci+1；S4，判断所述信号分量Ci+1是否可以被继续分解，若是则进入步骤S5；若否则进入步 骤S6；S5，根据公式xi+1(t)=xi(t)-Ci+1，获得新的原始时域信号xi+1(t)，返回所述步骤S1，对 所述新的原始时域信号xi+1(t)重复所述步骤S1-S4，得到Ci+2=xi+1(t)-m1；S6，获取当前分解 次数i的值n，得到所述原始时域信号
Figure 12062DEST_PATH_IMAGE009
；从而去除 原始振动加速度时域信号中的非平稳、非线性部分；
然后利用差商判别原始时域信号的故障信息，具体通过步骤S7，预设嵌入维数m， 针对时间序列下时域信号的集合{x0(h), h=1,2,…,N}，原始时域信号x0(h)可重构成一组m 维向量：
Figure 541876DEST_PATH_IMAGE010
；S8，根 据公式
Figure 8891DEST_PATH_IMAGE011
，计算X(p) 与X(q)之间的距离d(p,q)，对每一个X(h)计算d(p,q)小于预设相似容限r的个数R，并获得R 与N-M+1之间的比值
Figure 92997DEST_PATH_IMAGE004
；S9，根据公式
Figure 225033DEST_PATH_IMAGE012
，获得
Figure 609353DEST_PATH_IMAGE006
的值； S10，预设嵌入维数m+1,重复所述步骤S7-S9，得到
Figure 106325DEST_PATH_IMAGE007
；S11，根据公式
Figure 287514DEST_PATH_IMAGE013
计算所述时域信号的差 商；S12，根据所述差商，对所述时域信号进行诊断。
本发明的至少具有如下优点：
1）利用时域信号解析技术，将原始时域信号分解为分量信号函数，去除了原始时域信号的非平稳、非线性组分。提高了原始时域信号故障信息的辨识度，增加了故障识别的准确率，降低了数据处理的难度。
2）提出的差商对噪声信号具有包容性，在原始时域信号分解的分量信号具有噪声信号时也能准确的由相应的算法进行处理，在提高了故障识别效率的同时降低了去除原始时域信号中的噪声信号的难度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本发明一实施例中的基于信号分量函数差商值的时域信号诊断方法流程图；
图2为一仿真实例中的仿真复杂时域信号的原始时域信号和解析分量信号图；
图3为一仿真实例中的仿真复杂时域信号的差商去噪后信号图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参照附图1，为本发明提供的一实施例中的一种基于信号分量差商值的时域信号诊断方法，为了更好地说明本实施例的技术方案，所述时域信号诊断方法可以分为三个部分的步骤：
（1）原始时域信号的分解；
（2）设定合适的维数，基于不同的信号分量之间进行组合重构，进行差商值的求解，以用于不同的故障；
（3）S12，根据所述差商，对所述时域信号进行诊断）。
其中，所述第（1）部分，原始时域信号的分解，包括步骤：
S1，获取t时刻的时域信号xi(t)所有的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包络线和下包络线，并得到所述上包络线和下包络线的平均值函数为m1；其中，i=0,1,2...,N，i=0时，x0(t)为原始时域信号。
具体的，所述步骤S1中可以采用的局部寻优算法计算所述时域信号xi(t)所有的局部极大值点和局部极小值点。例如BP算法、爬山法等现有的局部搜索算法均可用于对时域信号的局部极值点的搜索。
所述构建所述局部极大值点和所述局部极小值点的上包络线和下包络线的步骤，包括：使用三次样条插值函数分别连成所述局部极大值点和所述局部极小值点的上包络线和所述下包络线。
S2，判断所述平均值函数m1在所述时域信号xi(t)区域内，与零点之间的差值是否小于预设阈值；若否则返回步骤S1，若是则进入步骤S3。
S3，根据公式Ci+1=xi(t)-m1，得到所述时域信号xi(t)的最高频组分的信号分量Ci+1。
其中，所述平均值函数m1在所述时域信号xi(t)区域内，与零点之间的差值是否小于预设阈值的含义包括：极值包络线（上包络线和下包络线）的平均值在时域信号区域内任意处为零或趋近于零。
优选的，在一较佳的实施例中，所述步骤S2还判断分解得到的时域信号分量函数Ci+1=xi(t)-m1的极值点个数和零点个数是否相等或相差一个，若否则返回步骤S1，若是则进入步骤S3。
S4，判断所述信号分量Ci+1是否可以被继续分解，若是则进入步骤S5；若否则进入步骤S6；
S5，根据公式xi+1(t)=xi(t)-Ci+1，获得新的时域信号xi+1(t)，返回所述步骤S1，对所述新的时域信号xi+1(t)重复所述步骤S1-S4，得到Ci+2=xi+1(t)-m1；
S6，获取当前分解次数i的值n，得到所述原始时域信号
Figure 160923DEST_PATH_IMAGE014
，其中，所述x0(t)表示信号余项。
以下以一具体示例来说明上述原始时域信号的分解方法：
1）针对原始时域信号x0(t)执行步骤S1，确定原始时域信号x0(t)所有的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包络线和下包络线，并得到所述上包络线和下包络线的平均值函数为m1，求出c1=x0(t)-m1，其中c1为原始时域信号x0(t)的信号分量；
2）判断所述平均值函数m1在所述原始时域信号x0(t)区域内，与零点之间的差值是否小于预设阈值，一般c1不满足分量要求，需要重复步骤1）,直到满足步骤S2的判断要求，执行步骤S3获得第一个信号分量C1=x0(t)-m1（即，原始时域信号x0(t)的最高频组分的信号分量）；
3）首次执行步骤S5，从原始时域信号x0(t)去掉C1得到：x1(t)=x0(t)-C1获得新的时域信号x1(t)，返回所述步骤S1，对所述新的时域信号x1(t)重复所述步骤S1-S4，得到第二个信号分量C2；
4）重复步骤S5，以此得到满足条件的n个信号分量，执行步骤S6，得到所述原始时 域信号
Figure 892029DEST_PATH_IMAGE015
，其中，所述xn(t)表示信号余项。
其中，所述第（1）部分，设定合适的维数，基于不同的信号分量之间进行组合重构，进行差商值的求解，以用于不同的故障；包括步骤：
S7，预设嵌入维数m，针对时间序列下时域信号的集合{x0(h), h=1,2,…,N}，重构 所述原始时域信号x0(h)的长度，根据步骤S6中所述原始时域信号
Figure 294323DEST_PATH_IMAGE016
的信号分量函数，将所述原始时域信号x0(h)重构成 一组m维向量：
Figure 493966DEST_PATH_IMAGE017
，其 中，k=1~N-m+1；其中，维数的设定是基于不同的信号分量之间进行组合重构的需要，来进行 设定。在一实施例中，可以设定m=2，选用2维的信号分量函数进行差商的估计。
S8，根据公式
Figure 905487DEST_PATH_IMAGE018
，计算 X(p)与X(q)之间的距离d(p,q)，对每一个X(h)计算d(p,q)小于预设相似容限r的个数R，并 获得R与N-M+1之间的比值
Figure 202083DEST_PATH_IMAGE004
；
S9，根据公式
Figure 306436DEST_PATH_IMAGE019
，获得
Figure 229262DEST_PATH_IMAGE006
的值；
S10，预设嵌入维数m+1,重复所述步骤S7-S9，得到
Figure 707123DEST_PATH_IMAGE007
；
S11，根据公式
Figure 267680DEST_PATH_IMAGE020
计算所 述时域信号的差商。
验证示例1：针对仿真复杂时域信号的信号解析技术验证：下面结合具体的仿真复杂时域信号来说明验证第（1）部分，原始时域信号的分解处理的效果。
给定仿真复杂时域信号生成函数：
Figure 71163DEST_PATH_IMAGE021
。
给定采样频率为1024Hz，设定采样时间为1s，仿真复杂时域信号的原始时域信号和解析信号分量如图2所示，可以看出原始时域信号分解为信号分量函数，去除了原始时域信号的非平稳、非线性组分，提高了原始时域信号故障信息的辨识度。
验证示例2：结合具体的仿真复杂时域信号来说明验证差商对复杂时域信号处理的效果。
通过仿真程序利用公式
Figure 982750DEST_PATH_IMAGE022
，构建复杂时域信号。
仿真程序中将给定采样频率为6*103HZ，总的采集时间设计为2.5秒，给定m=2，相似容限r为0.15，信号生成点数为1000。
使用上述的基于信号分量函数差商值的时域信号诊断方法的步骤S1-S11计算出仿真复杂时域信号的差商如图3所示，可以看出差商对噪声信号具有包容性，在原始时域信号分解的信号分量具有噪声信号时也能准确的由相应的算法进行处理，在提高了故障识别效率的同时降低了去除原始时域信号中的噪声信号的难度。
验证示例3：以自制的行星减速器实验台为研究对象，将行星减速器的转速设定为2400r/min，采样频率设定为5120Hz，设定采样间隔为1s，给定负载，在齿轮故障和齿轮正常两种形态上分别采集行星减速器的振动加速度原始时域信号。
给定m=2，距离阈值为0.15，使用上述的基于信号分量函数差商值的时域信号诊断方法的步骤S1-S11计算出信号分量函数的差商如下表所示，从表中可以看出不同的信号分量函数有不同的差商，且信号分量的差商大小随着信号分量的时间尺度减小而变小，证明了在实验条件下该方法的可行性。
Figure 139668DEST_PATH_IMAGE023
本发明提供的基于信号分量函数差商值的时域信号诊断方法，引入可以处理伴随有非平稳、非线性原始时域信号的信号解析技术，基于采集原始时域信号的时间度量特征，将原始时域信号解析成多个信号分量，去除原始时域信号的非平稳、非线性特征；在海量噪声的处理上，差商值有着很强的噪声包容性，利用重构信号的分布概率度量原始时域信号的复杂程度，其中，重构信号的概率越大，其处理的原始时域信号重构的复杂度越大，通常差商值与信号复杂度呈正比，将原始时域信号解析得到的信号分量，利用差商判别原始时域信号故障特征；具体采用：
利用原始时域信号解析技术分解信号，通过步骤S1，获取t时刻的时域信号xi(t) 所有的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包 络线和下包络线，并得到所述上包络线和下包络线的平均值函数为m1；S2，判断所述平均值 函数m1在所述时域信号x(t)区域内，与零点之间的差值是否小于预设阈值；若否则返回步 骤S1，若是则进入步骤S3；S3，根据公式Ci+1=xi(t)-m1，得到时域信号xi(t)的最高频组分的 信号分量Ci+1；S4，判断所述信号分量Ci+1是否可以被继续分解，若是则进入步骤S5；若否则 进入步骤S6；S5，根据公式xi+1(t)=xi(t)-Ci+1，获得新的原始时域信号xi+1(t)，返回所述步 骤S1，对所述新的原始时域信号xi+1(t)重复所述步骤S1-S4，得到Ci+2=xi+1(t)-m1；S6，获取 当前分解次数i的值n，得到所述原始时域信号
Figure 944944DEST_PATH_IMAGE024
；从而去除 原始振动加速度时域信号中的非平稳、非线性部分；
然后利用差商判别原始时域信号的故障信息，具体通过步骤S7，预设嵌入维数m， 针对时间序列下时域信号的集合{x0(h), h=1,2,…,N}，原始时域信号x0(h)可重构成一组m 维向量：
Figure 30581DEST_PATH_IMAGE025
；S8，根据公式
Figure DEST_PATH_IMAGE026
，计算X(p)与X(q)之间的距离d(p, q)，对每一个X(h)计算d(p,q)小于预设相似容限r的个数R，并获得R与N-M+1之间的比值
Figure 708425DEST_PATH_IMAGE027
；S9，根据公式
Figure DEST_PATH_IMAGE028
，获得
Figure 950925DEST_PATH_IMAGE006
的值；S10，预设嵌入维数m+1,重复所述步骤S7-S9，得到
Figure 850240DEST_PATH_IMAGE007
； S11，根据公式
Figure 106778DEST_PATH_IMAGE029
计算所述时域信号的 差商；S12，根据所述差商，对所述时域信号进行诊断。
本发明的至少具有如下优点：
1）利用原始时域信号解析技术，将原始时域信号分解为分量信号函数，去除了原始时域信号的非平稳、非线性组分。提高了原始时域信号故障信息的辨识度，增加了故障识别的准确率，降低了数据处理的难度。
2）提出的差商对噪声信号具有包容性，在原始时域信号分解的分量信号具有噪声信号时也能准确的由相应的算法进行处理，在提高了故障识别效率的同时降低了去除原始时域信号中的噪声信号的难度。
本发明还提供一种用于处理数据的计算机，包括存储器、处理器，以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于信号分量函数差商值的时域信号诊断方法的步骤。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一项的基于信号分量函数差商值的时域信号诊断方法的步骤。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于信号分量差商值的时域信号诊断方法，其特征在于，包括步骤：
S1，获取t时刻的时域信号xi(t)所有的局部极大值点和局部极小值点，构建所述局部极大值点和所述局部极小值点的上包络线和下包络线，并得到所述上包络线和下包络线的平均值函数为m1；其中，i=0,1,2...,N，i=0时，x0(t)为原始时域信号；
S2，判断所述平均值函数m1在所述时域信号xi(t)区域内，与零点之间的差值是否小于预设阈值；若否则返回步骤S1，若是则进入步骤S3；
S3，根据公式Ci+1=xi(t)-m1，得到所述时域信号xi(t)的最高频组分的信号分量Ci+1；
S4，判断所述信号分量Ci+1是否可以被继续分解，若是则进入步骤S5；若否则进入步骤S6；
S5，根据公式xi+1(t)=xi(t)-Ci+1，获得新的时域信号xi+1(t)，返回所述步骤S1，对所述新的时域信号xi+1(t)重复所述步骤S1-S4，得到Ci+2=xi+1(t)-m1；
S6，获取当前分解次数i的值n，得到所述原始时域信号
Figure 936363DEST_PATH_IMAGE001
，其中，所述x0(t)表示信号余项；
S7，预设嵌入维数m，针对时间序列下时域信号的集合{x0(h), h=1,2,…,N}，重构所述 原始时域信号x0(h)的长度，根据步骤S6中所述原始时域信号
Figure 993443DEST_PATH_IMAGE002
的信号分量函数，将所述原始时域信号重构成一组m维 向量：，其中，h=1 ~N-m+1；
S8，根据公式， 计算X(p)与X(q)之间的距离d(p,q)，对每一个X(h)计算所述距离d(p,q)小于预设相似容限 r的个数R，并获得R与N-M+1之间的比值
Figure 665700DEST_PATH_IMAGE003
；
S9，根据公式
Figure 330685DEST_PATH_IMAGE004
，获得
Figure 207374DEST_PATH_IMAGE005
的值；
S10，预设嵌入维数m+1,重复所述步骤S7-S9，得到
Figure 547613DEST_PATH_IMAGE006
；
S11，根据公式
Figure 44673DEST_PATH_IMAGE007
计算所述时域信号的差商；
S12，根据所述差商，对所述时域信号进行诊断。
2.根据权利要求1所述的基于信号分量差商值的时域信号诊断方法，其特征在于，所述构建所述局部极大值点和所述局部极小值点的上包络线和下包络线的步骤，包括：使用三次样条插值函数分别连成所述局部极大值点和所述局部极小值点的上包络线和所述下包络线。
3.根据权利要求1所述的基于信号分量差商值的时域信号诊断方法，其特征在于，所述步骤S1中采用的局部寻优算法计算所述时域信号xi(t)所有的局部极大值点和局部极小值点。
4.根据权利要求1所述的基于信号分量差商值的时域信号诊断方法，其特征在于，其中，r=0.1~0.2SD，其中SD为原始时域信号x0(t)的标准差。
5.根据权利要求1所述的基于信号分量差商值的时域信号诊断方法，其特征在于，其中，所述预设嵌入维数m的值设置为2。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于信号分量差商值的时域信号诊断方法的步骤。
CN202011351685.6A 2020-11-27 2020-11-27 基于信号分量差商值的时域信号诊断方法及存储介质 Active CN112183499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011351685.6A CN112183499B (zh) 2020-11-27 2020-11-27 基于信号分量差商值的时域信号诊断方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011351685.6A CN112183499B (zh) 2020-11-27 2020-11-27 基于信号分量差商值的时域信号诊断方法及存储介质

Publications (2)

Publication Number Publication Date
CN112183499A CN112183499A (zh) 2021-01-05
CN112183499B true CN112183499B (zh) 2021-03-05

Family

ID=73918120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011351685.6A Active CN112183499B (zh) 2020-11-27 2020-11-27 基于信号分量差商值的时域信号诊断方法及存储介质

Country Status (1)

Country Link
CN (1) CN112183499B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101798957A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种动力设备故障诊断方法
CN102944416A (zh) * 2012-12-06 2013-02-27 南京匹瑞电气科技有限公司 基于多传感器信号融合技术的风电机组叶片故障诊断方法
EP2770336A2 (en) * 2013-02-21 2014-08-27 Samsung SDI Co., Ltd. Apparatus for detecting faults in battery system
CN110672327A (zh) * 2019-10-09 2020-01-10 西南交通大学 一种基于多层降噪技术的异步电机轴承故障诊断方法
US10571507B2 (en) * 2017-10-27 2020-02-25 Wuhan University Transformer winding fault diagnosis method based on wireless identification sensing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101798957A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种动力设备故障诊断方法
CN102944416A (zh) * 2012-12-06 2013-02-27 南京匹瑞电气科技有限公司 基于多传感器信号融合技术的风电机组叶片故障诊断方法
EP2770336A2 (en) * 2013-02-21 2014-08-27 Samsung SDI Co., Ltd. Apparatus for detecting faults in battery system
US10571507B2 (en) * 2017-10-27 2020-02-25 Wuhan University Transformer winding fault diagnosis method based on wireless identification sensing
CN110672327A (zh) * 2019-10-09 2020-01-10 西南交通大学 一种基于多层降噪技术的异步电机轴承故障诊断方法

Also Published As

Publication number Publication date
CN112183499A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Yan et al. Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis
CN109668733A (zh) 变分非线性模式分解变转速轴承故障诊断方法
CN108324271A (zh) 心电信号识别方法、系统和心电监测设备
CN109214318B (zh) 一种寻找非稳态时间序列微弱尖峰的方法
CN117633696A (zh) 一种基于bim模型的水利工程施工监测方法及系统
CN109238455A (zh) 一种基于图论的旋转机械振动信号监测方法及系统
CN110702786A (zh) 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法
CN108125678B (zh) 心电信号的方向检测方法、装置及电子设备
CN111191671A (zh) 一种用电器波形检测方法、系统、电子设备及存储介质
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN109100146A (zh) 用于检测电机轴承故障的方法及装置
CN112183499B (zh) 基于信号分量差商值的时域信号诊断方法及存储介质
CN104352234A (zh) 一种生理电信号尖峰奇异点检测方法
CN116561541A (zh) 随机动载荷识别模型、模型的训练方法以及识别方法
JP6468635B2 (ja) 眠気推定装置及び眠気推定プログラム
CN116176531A (zh) 开度调节的性能指标的确定方法、装置和存储介质
JP2020107248A (ja) 異常判定装置および異常判定方法
US20240015047A1 (en) Traveling object, information processing apparatus, information processing method, and program
CN115153475A (zh) 一种车载心跳间隔检测方法、装置及车辆
CN114533010A (zh) 心率检测方法和装置
CN107884712B (zh) 电机输入电流的波动量曲线的确定方法及装置
CN115299959B (zh) 一种心电信号r波定位方法、装置、终端及存储介质
CN113395031B (zh) 一种基于多级模型的复杂系统故障诊断方法和系统
CN116407132B (zh) 一种r波定位方法及基于r波的q、s、t波定位方法
CN110598768B (zh) 一种齿轮故障分类方法、分类装置及可读存储介质

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