CN112466322A - 一种机电设备噪声信号特征提取方法 - Google Patents
一种机电设备噪声信号特征提取方法 Download PDFInfo
- Publication number
- CN112466322A CN112466322A CN202011357068.7A CN202011357068A CN112466322A CN 112466322 A CN112466322 A CN 112466322A CN 202011357068 A CN202011357068 A CN 202011357068A CN 112466322 A CN112466322 A CN 112466322A
- Authority
- CN
- China
- Prior art keywords
- frequency
- noise signal
- bandwidth
- frequency spectrum
- information
- 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
- 238000000605 extraction Methods 0.000 title claims description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机电设备噪声信号特征提取方法,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噪声信号原始数据进行外部噪声消除、截取等预处理;然后将经过预处理后的噪声信号数据进行快速傅里叶变换(FFT),得到噪声信号频谱信息;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噪声信号特征提取方法。
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、噪声、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,通过对噪声信号进行监控分析,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,噪声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,但是同时噪声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,当前各种对噪声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,如何简化噪声信号频域特征提取,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,提出一种机电设备噪声信号特征提取方法。
本发明采用如下技术方案:
一种机电设备噪声信号特征提取方法,包括:
对采集到的机电设备噪声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噪声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噪声信号的原始数据,通过多传感器信号处理消除外部噪声;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;再根据噪声信号的波形特征,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,经过变换后得到噪声信号的频谱,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。
优选的,将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,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补后得到特征值。
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补后得到特征值,具体包括:
计算归一化系数b*(i),如下:
取补后得到特征值b′(i),如下:
b′(i)=1-b*(i)。
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噪声信号特征提取方法的特征提取过程流程图。
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,一种机电设备噪声信号特征提取方法,具体实施过程如下:
第一步:对采集到的机电设备噪声信号的原始数据,通过多传感器信号处理消除外部噪声;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;再根据噪声信号的波形特征,将波形进行分段单独提取特征。
需要说明的是,预处理过程包括但不限于消噪、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形情。
第二步: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,经过变换后得到噪声信号的频谱,即频点-幅值曲线。
第三步:将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。
根据频谱幅度Y(n)求取积分和σ,如下(N为频谱曲线点数):
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。
需要说明的是,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。第四步: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补后得到特征值。
计算归一化系数b*(i),如下:
取补后得到特征值b′(i),如下:
b′(i)=1-b*(i)。
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 (7)
1.一种机电设备噪声信号特征提取方法,其特征在于,包括:
对采集到的机电设备噪声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。
2.根据权利要求1所述的机电设备噪声信号特征提取方法,其特征在于,对采集到的机电设备噪声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噪声信号的原始数据,通过多传感器信号处理消除外部噪声;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;再根据噪声信号的波形特征,将波形进行分段单独提取特征。
3.根据权利要求2所述的机电设备噪声信号特征提取方法,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,经过变换后得到噪声信号的频谱,即频点-幅值曲线。
4.根据权利要求3所述的机电设备噪声信号特征提取方法,其特征在于,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。
6.根据权利要求5所述的机电设备噪声信号特征提取方法,其特征在于,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补后得到特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357068.7A CN112466322B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备噪声信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357068.7A CN112466322B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备噪声信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112466322A true CN112466322A (zh) | 2021-03-09 |
CN112466322B CN112466322B (zh) | 2023-06-20 |
Family
ID=74809065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357068.7A Active CN112466322B (zh) | 2020-11-27 | 2020-11-27 | 一种机电设备噪声信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112466322B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022213669A1 (zh) * | 2021-04-07 | 2022-10-13 | 青岛海尔空调器有限总公司 | 压缩机工作频率控制方法、装置、空调、存储介质及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760444A (zh) * | 2012-04-25 | 2012-10-31 | 清华大学 | 基于支撑向量机的基带时域音频信号分类方法 |
US20140249809A1 (en) * | 2011-10-24 | 2014-09-04 | Koninklijke Philips N.V. | Audio signal noise attenuation |
CN108764073A (zh) * | 2018-05-14 | 2018-11-06 | 华南理工大学 | 一种结合频谱能量形态拟合的加速度滤噪和积分方法 |
CN108875710A (zh) * | 2018-07-24 | 2018-11-23 | 杭州电子科技大学 | 基于能量阈值算法的电梯门运行速度估计方法 |
-
2020
- 2020-11-27 CN CN202011357068.7A patent/CN112466322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140249809A1 (en) * | 2011-10-24 | 2014-09-04 | Koninklijke Philips N.V. | Audio signal noise attenuation |
CN102760444A (zh) * | 2012-04-25 | 2012-10-31 | 清华大学 | 基于支撑向量机的基带时域音频信号分类方法 |
CN108764073A (zh) * | 2018-05-14 | 2018-11-06 | 华南理工大学 | 一种结合频谱能量形态拟合的加速度滤噪和积分方法 |
CN108875710A (zh) * | 2018-07-24 | 2018-11-23 | 杭州电子科技大学 | 基于能量阈值算法的电梯门运行速度估计方法 |
Non-Patent Citations (1)
Title |
---|
邓敏: "《基于振动信号的有载分接开关机械故障诊断研究》", 《变压器》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022213669A1 (zh) * | 2021-04-07 | 2022-10-13 | 青岛海尔空调器有限总公司 | 压缩机工作频率控制方法、装置、空调、存储介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112466322B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112268615B (zh) | 一种机电设备振动信号特征提取方法 | |
CN109297713B (zh) | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 | |
Tan et al. | Application of Self-Organizing Feature Map Neural Network Based on K-means Clustering in Network Intrusion Detection. | |
Chen et al. | Improved CICA algorithm used for single channel compound fault diagnosis of rolling bearings | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
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 | |
He et al. | Feature extraction of acoustic signals based on complex Morlet wavelet | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
WO2019104904A1 (zh) | 一种基于稀疏分量分析模态识别中的阶数确定方法 | |
CN115993504B (zh) | 一种电气设备的智能故障诊断方法及系统 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
CN117056849A (zh) | 一种无监督的复杂机械设备异常状态监测方法及系统 | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN112466322A (zh) | 一种机电设备噪声信号特征提取方法 | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
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 | |
Liu et al. | A method for rolling bearing fault diagnosis based on sensitive feature selection and nonlinear feature fusion | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN113252929B (zh) | 转速确定方法、装置、电子设备及计算机可读存储介质 | |
CN115788797A (zh) | 风力发电机的健康状态检测方法、模型训练方法以及装置 | |
CN114036973A (zh) | 基于动态在线序列的极限学习机的串联电弧故障识别方法 | |
Yang et al. | Blade attachment degree classification for marine current turbines using AGMF-DFA under instantaneous variable current speed | |
CN114676783A (zh) | 一种基于单分类结合模糊宽度学习的负荷识别方法 | |
CN115277322B (zh) | 基于图及持续性熵特征的cr信号调制识别方法及系统 |
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 |