CN112268615B - 一种机电设备振动信号特征提取方法 - Google Patents
一种机电设备振动信号特征提取方法 Download PDFInfo
- Publication number
- CN112268615B CN112268615B CN202011357161.8A CN202011357161A CN112268615B CN 112268615 B CN112268615 B CN 112268615B CN 202011357161 A CN202011357161 A CN 202011357161A CN 112268615 B CN112268615 B CN 112268615B
- Authority
- CN
- China
- Prior art keywords
- frequency
- information
- bandwidth
- frequency spectrum
- vibration signal
- 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
Links
Images
Classifications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机电设备振动信号特征提取方法,主要应用于机电设备故障诊断领域。所述方法先对所采集的振动信号原始数据进行滤波、截取等预处理;然后将经过预处理后的振动信号数据进行快速傅里叶变换(FFT),得到振动信号频谱信息;再将此频谱数据按幅值的积分值分为m段,得到各个分段的频带宽度信息;最后将带宽信息进行换算,提取特征值用于故障诊断。本发明较小波包分解(WPD)和经验模态分解(EMD)等故障特征提取方式,原理和公式简单、计算量小、运算速度快、故障辨识率高,其最大优点是易于在嵌入式系统和DSP程序中实现。
Description
技术领域
本发明涉及机电设备故障诊断领域,特别涉及一种机电设备振动信号特征提取方法。
背景技术
机电设备广泛应用于社会各行各业,和人民的生产、生活息息相关;机电设备的涌现和更新换代,是人类文明进化的重要标志,也是社会现代化的重要物质基石。对重点机电设备进行监控和实时故障诊断,保障设备的安全运行,是当前最热门的研究课题之一。
对机电设备进行监控的主要信号包括:电气信号(如电压、电流、相位、功率、频率、谐波、阻抗、磁场等)、机械信号(如位置、角度、位移、受力、速度、加速度、振动、噪声等)、光信号(如亮度、颜色、色谱、光斑大小等)、温湿度信号(如温度、温升、湿度)、气液含量信号(如气体含量、液体含量、微水)等等。每种类型的信号都有其典型应用场景,各自都有其优点也存在不足,目前普遍使用的策略是多种类型的信号融合进行故障诊断。
在机电设备故障诊断领域,通过对振动信号进行监控分析,用以实现设备运行状态判定,是一个比较前沿和热门的研究方向,振动信号中包含了很多难以通过传统电气信号和机械信号获取的特征信息,大大扩展了故障诊断的范围和准确性,但是同时振动信号由于其自身的复杂性和不确定性,目前进行特征提取时还存在不少问题,需要进一步完善。
一方面,当前各种对振动信号进行特征提取的算法,原理复杂,处理繁琐,计算量大。采用中高性能计算机处理时,除了实时性稍差,尚没有太大压力。然而,如果采用嵌入式系统甚至DSP系统的话,编程实现的门槛非常高,处理速度也难以满足实时性要求。
另一方面,物联网技术的发展对监控与诊断系统也提出了新的要求。近年来,随着网络云计算技术和边缘计算技术的兴起,物联网(IOT)成了未来主流高科技发展方向之一。数据如何在本地和云端平衡运作非常重要。海量的基础采集数据都塞到云端处理和存储似乎不太可能,但是关键的特征信息如果不能推送到云端,那么这些采集到的基础数据的作用又显得那么苍白无力。
还有一个不能忽略的话题,随着在线监控与智能诊断系统应用的场景越来越多,设备的小型化、分布式、低功耗等要求也越来越强烈。
因此,如何简化振动信号频域特征提取,并且提高故障诊断正确率,是一个急需解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种机电设备振动信号特征提取方法。
本发明采用如下技术方案:
一种机电设备振动信号特征提取方法,包括:
对采集到的机电设备振动信号的原始数据进行预处理,得到相对纯净的数据信息;
对预处理后的信号进行时域转频域的变换,获取其频谱信息;
对所述频谱信息按幅值积分值分段,获得各个分段的带宽信息;
对所述带宽信息进行换算,得到故障诊断所需的特征值。
优选的,对采集到的机电设备振动信号的原始数据进行预处理,得到相对纯净的数据信息,具体包括:
对采集到的机电设备振动信号的原始数据进行数字滤波,滤除无关的干扰频率成分;并修剪掉对特征提取无关紧要的,甚至会产生干扰的多余的信号段;再根据振动信号的波形特征,将波形进行分段单独提取特征。
优选的,对预处理后的信号进行时域转频域的变换,获取其频谱信息,具体包括:
采用快速傅里叶变换对预处理后的信号进行时域到频域转换,经过变换后得到振动信号的频谱,即频点—幅值曲线。
优选的,对所述频谱信息按幅值积分值分段,获得各个分段的带宽信息,具体包括:
将所述频谱信息按幅值积分和均分为m段,将每段的终点频率减去起点频率,获得每段的频带宽度。
优选的,将所述频谱信息按幅值积分和均分为m段,将每段的终点频率减去起点频率,获得每段的频带宽度,具体包括:
根据频谱幅度Y(n)求取积分和σ,如下:
其中,N表示频谱曲线点数;计算均分为m段每段的积分和σ′,如下:
σ′=σ/m
将频谱按Y(n)积分和等于σ′分为m段,得到各个分段点的频点Xj,其中j=0、1、……、m;再计算得到每段的频带宽度b(i),其中i=0、1、……、m-1
b(i)=Xi+1-Xi。
优选的,对所述带宽信息进行换算,得到故障诊断所需的特征值,具体包括:
对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值。
优选的,对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值,具体包括:
计算归一化系数b*(i),如下:
计算转换系数b′(i),如下:
再次归一化得到特征值K(i),如下:
与现有技术相比,本发明的有益效果如下:
本发明所述方法原理简单,实现容易,计算速度快,故障识别率高;尤其适用于嵌入式系统和DSP系统。
上述说明仅是本发明技术方案的概述,为了能够更清楚地了解本发明的技术手段,从而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下列举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述及其他目的、优点和特征。
附图说明
图1为本发明一种机电设备振动信号特征提取方法的特征提取过程流程图;
图2为变压器有载分接开关振动信号及其分段示意波形图;
图3为变压器有载分接开关振动信号分段频谱图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步的详细描述。
参见图1所示,一种机电设备振动信号特征提取方法,包括:
先对采集到的振动信号原始数据进行预处理,得到相对纯净的数据信息;然后对预处理后的信号进行时域转频域的变换,获取其频谱信息;再对频谱按幅值积分值分段,获取各个分段的带宽信息;最后对带宽信息进行换算,得到故障诊断所需的特征值。
本实施例中,将所述方法应用于变压器有载分接开关(on-load tap changer,OLTC)在线故障诊断系统,故障特征提取和特征应用过程如下:
S101,通过下位机采集得到的OLTC动作时的振动信息波形如图2所示。振动信号按波形特征结合动作过程,可分为启动段AB、储能(与选择)段BC、切换段CD、停止段DE。其中启动段和停止段信号随机性较大,很难有效提取故障特征信息,甚至会产生干扰问题,因此在预处理时需要将其修剪掉,得到“纯净”的有效信号BD段。储能段BC持续时间相对较长,信号相对稳定,频率特征集中在中低频部分,高频分量极少;切换段CD属于激变波形,持续时间短,频域分布广。这两个分段都适用于故障特征提取,但如果储能段和切换段不分开单独提取特征,则切换段故障特征将被储能段完全湮没,对主要发生在切换段的故障无法有效识别,因此预处理时需要对振动信号波形进行分段,单独提取储能段和切换段的故障特征信息。
需要说明的是,预处理过程包括但不限于数字滤波、波形修剪、波形分段等子过程的全部或部分,即不限于具体子过程执行顺序,也包括无预处理子过程的情形。
S102,将预处理后的数据分段进行FFT变换,分别得到储能段和切换段的频谱如图3所示。
S103,分别对储能段和切换段频谱按幅值积分等分成m段(本案例中m=16)。频谱分段方法包括但不限于等值分段、等差分段、等比分段、自定义分段等。
根据频谱幅度Y(n)求取积分和σ,如下:
其中,N表示频谱曲线点数;
计算均分为m段每段的积分和σ′,如下:
σ′=σ/m
将频谱按Y(n)积分和等于σ′分为m段,得到各个分段点的频点Xj,其中j=0、1、……、m;再计算得到每段的频带宽度b(i),其中i=0、1、……、m-1
b(i)=Xi+1-Xi。
S104,将带宽信息进行换算得到特征值。需要将带宽信息进行换算才能得出适用于故障诊断的特征值。得到的带宽信息,关键频率段的带宽值较小,非关键频率段的带宽值反而很大,由于权重倒置,并不适合直接用于故障诊断系统。因此需要先对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值。
计算归一化系数b*(i),如下:
计算转换系数b′(i),如下:
再次归一化得到特征值K(i),如下:
需要说明的是,带宽特征换算过程除包括上述的求自然对数运算方法外,还可以包括加减乘除运算、取倒运算、归一化运算等运算方法等。
S105,将得到的特征值输入到已经训练好的支持向量机(SVM)模型中,就可以得出故障诊断结果。
此处需要说明的是,为了提高SVM诊断识别率,除了使用振动信号的频域特征值K(i)作为输入向量外,还可以结合使用振动信号的时域特征值,本案例中,用到了储能段平均振动幅值(时域幅值)、储能时长、切换时长等。为了进一步提高SVM诊断识别率,还可以进行多参数融合诊断,在本案例中,同时使用多路振动信号和一路驱动电机电流信号作为诊断依据。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (3)
1.一种机电设备振动信号特征提取方法,其特征在于,包括:
对采集到的机电设备振动信号的原始数据进行预处理,得到相对纯净的数据信息;
对预处理后的信号进行时域转频域的变换,获取其频谱信息;
对所述频谱信息按幅值积分值分段,获得各个分段的带宽信息;
对所述带宽信息进行换算,得到故障诊断所需的特征值;
对所述频谱信息按幅值积分值分段,获得各个分段的带宽信息,具体包括:
将所述频谱曲线按幅值积分和均分为m段,将每段的终点频率减去起点频率,获得每段的频带宽度;
将所述频谱信息按幅值积分和均分为m段,将每段的终点频率减去起点频率,获得每段的频带宽度,具体包括:
根据频谱幅度Y(n)求取积分和σ,如下:
其中,N表示频谱曲线点数;
计算均分为m段每段的积分和σ′,如下:
σ′=σ/m
将频谱按Y(n)积分和等于σ′分为m段,得到各个分段点的频点Xj,其中j=0、1、……、m;再计算得到每段的频带宽度b(i),其中i=0、1、……、m-1
b(i)=Xi+1-Xi;
对所述带宽信息进行换算,得到故障诊断所需的特征值,具体包括:
对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值;
对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值,具体包括:
计算归一化系数b*(i),如下:
计算转换系数b′(i),如下:
再次归一化得到特征值K(i),如下:
2.根据权利要求1所述的机电设备振动信号特征提取方法,其特征在于,对采集到的机电设备振动信号的原始数据进行预处理,得到相对纯净的数据信息,具体包括:
对采集到的机电设备振动信号的原始数据进行数字滤波,滤除无关的干扰频率成分;并修剪掉对特征提取无关紧要的,甚至会产生干扰的多余的信号段;再根据振动信号的波形特征,将波形进行分段单独提取特征。
3.根据权利要求2所述的机电设备振动信号特征提取方法,其特征在于,对预处理后的信号进行时域转频域的变换,获取其频谱信息,具体包括:
采用快速傅里叶变换对预处理后的信号进行时域到频域转换,经过变换后得到振动信号的频谱,即频点—幅值曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357161.8A CN112268615B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备振动信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357161.8A CN112268615B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备振动信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112268615A CN112268615A (zh) | 2021-01-26 |
CN112268615B true CN112268615B (zh) | 2022-05-03 |
Family
ID=74350013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357161.8A Active CN112268615B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备振动信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112268615B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221996A (zh) * | 2021-04-30 | 2021-08-06 | 山东大学 | 一种基于多头注意力机制的轴承故障诊断方法及系统 |
CN113847944B (zh) * | 2021-09-14 | 2024-02-02 | 石家庄铁道大学 | 一种基于增强学习记忆控制的道路病害检测装置及方法 |
CN115468645A (zh) * | 2022-08-26 | 2022-12-13 | 国网湖北省电力有限公司黄冈供电公司 | 一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11173909A (ja) * | 1997-12-15 | 1999-07-02 | Omron Corp | 異常判定方法および装置 |
CN101825489A (zh) * | 2010-01-29 | 2010-09-08 | 浙江大学 | 电力变压器有载分接开关振动信号分离方法 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
JP2019015093A (ja) * | 2017-07-06 | 2019-01-31 | 大成建設株式会社 | 振動解析評価方法 |
CN109633431A (zh) * | 2019-01-09 | 2019-04-16 | 国网江苏省电力有限公司电力科学研究院 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100547372C (zh) * | 2006-12-14 | 2009-10-07 | 中国电力科学研究院 | 一种导线振动试验中确定试验频率的方法及系统 |
CN102519582B (zh) * | 2011-12-22 | 2013-11-06 | 南京航空航天大学 | 航空发动机振动信号的盲源分离方法 |
CN105806613A (zh) * | 2015-11-24 | 2016-07-27 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 |
ITUA20163745A1 (it) * | 2016-05-24 | 2017-11-24 | Nuovo Pignone Tecnologie Srl | Metodo e sistema per monitorare lo stato di salute di un cuscinetto a rotolamento di una macchina, e macchina equipaggiata con tale sistema |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控系统 |
-
2020
- 2020-11-27 CN CN202011357161.8A patent/CN112268615B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11173909A (ja) * | 1997-12-15 | 1999-07-02 | Omron Corp | 異常判定方法および装置 |
CN101825489A (zh) * | 2010-01-29 | 2010-09-08 | 浙江大学 | 电力变压器有载分接开关振动信号分离方法 |
JP2019015093A (ja) * | 2017-07-06 | 2019-01-31 | 大成建設株式会社 | 振動解析評価方法 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN109633431A (zh) * | 2019-01-09 | 2019-04-16 | 国网江苏省电力有限公司电力科学研究院 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Non-Patent Citations (1)
Title |
---|
Fault Diagnosis of On-Load Tap-Changer;Ruochen Duan;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20160203;第63卷(第6期);第3815-3822页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112268615A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112268615B (zh) | 一种机电设备振动信号特征提取方法 | |
CA3166457A1 (en) | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof | |
WO2023245990A1 (zh) | 一种多元信息融合的发电厂电气设备分类与异常检测方法 | |
CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
Deng et al. | Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN116679161A (zh) | 一种电网线路故障诊断方法、设备和介质 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
CN111860684A (zh) | 一种基于双网络的电厂设备故障预警方法及系统 | |
Pang et al. | Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings | |
Ma et al. | Deep learning for fault diagnosis based on multi-sourced heterogeneous data | |
CN112466322A (zh) | 一种机电设备噪声信号特征提取方法 | |
Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
WO2023245991A1 (zh) | 融合频带自向下注意力机制的电厂设备状态听觉监测方法 | |
CN116611732A (zh) | 一种电能质量数据建模方法及计算机可读存储介质 | |
CN116070128A (zh) | 一种基于对比自监督学习的时间序列设备故障诊断方法 | |
Yang et al. | Blade attachment degree classification for marine current turbines using AGMF-DFA under instantaneous variable current speed | |
Chen et al. | One dimension NLM denoising method based on hasudorff distance and its application in OTLC | |
CN112710972A (zh) | Gis触头接触不良故障诊断方法、装置、系统及存储介质 | |
Ma et al. | Fault diagnosis of fan gearboxes based on EEMD energy entropy and SOM neural networks | |
Yin et al. | Gearbox fault diagnosis based on generalized multivariate logarithmic regularization | |
Yang et al. | A fault diagnosis model based on convolution neural network for wind turbine rolling bearing | |
CN113469467B (zh) | 基于带通滤波的风电超短期预测方法及装置 | |
Zheng et al. | Sound Diagnosis Method of Power Transformer Discharge Fault Based on CEEMDAN-SVM | |
Lin | Fault Diagnosis Method of Motor Bearing Based on Bayesian Optimized Quadratic Discriminant Analysis |
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 |