CN112598019B - 异类振动信号时空多互相关分析和自适应加权融合方法 - Google Patents
异类振动信号时空多互相关分析和自适应加权融合方法 Download PDFInfo
- Publication number
- CN112598019B CN112598019B CN202011169668.0A CN202011169668A CN112598019B CN 112598019 B CN112598019 B CN 112598019B CN 202011169668 A CN202011169668 A CN 202011169668A CN 112598019 B CN112598019 B CN 112598019B
- Authority
- CN
- China
- Prior art keywords
- sensor
- signals
- correlation
- sensors
- heterogeneous
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种异类振动信号时空多互相关分析和自适应加权融合方法,首先,进行异类数据的相位匹配分析;其次,对数据线性归一化处理;然后,建立多互相关函数;再利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,获取异类传感器间的时间偏差;最后,对振动信号进行融合。本发明采用相位匹配及线性归一化方法处理不同空间位置的振动传感器数据,有效提高了数据的准确性和融合数据的精确性;将多互相关方法与转子机械故障识别相结合,采用自适应加权融合技术,识别出转子机械的故障特征。
Description
技术领域
本发明属于旋转机械振动信号智能故障识别技术领域,具体涉及一种异类振动信号时空多互相关分析和自适应加权融合方法。
背景技术
在转子部件的故障识别诊断方面,信号相关函数的应用十分广泛。在预测识别方面,相关函数与其他经典信号处理方法相结合有着一定的发展。有人提出了一种基于缸盖振动信号包络线相关分析的柴油机故障预警方法,得出相关分析可以更好地反映机组的故障状态的结论。有学者采用最大相关峭度解卷积算法(MCKD)处理了发电机定子的振动信号,提高了提取故障信号特征频率的效果。也有人提出部分相关积分算法,并使用该算法计算出的尺寸指数成功预测了旋转机械中滚动轴承的故障。以上是将信号处理方法与信号的自相关方法或者互相关方法的结合,取得了一定成就。
除了利用相关函数方法识别故障特征以外,也有采用很多信号融合的方法来识别机械故障。目前普遍使用的信号融合方法有加权平均法、卡尔曼滤波法、神经网络算法、模糊集理论、聚类分析法、Kohonen特征图法等等,均是通过融合信号来提取出故障信号的特征。
自相关是对单路信号不同时刻的处理,互相关对采集到的两路信号进行相关处理,多互相关对采集到的多路信号进行多个互相关,多路信号采集的信息更多,信号特征可以得到更好的凸显,多互相关后能为系统故障诊断提供更准确的依据。目前还没有学者将多互相关方法与信号融合的方法相结合,利用相关性融合方法可以得到更为明显的信号特征,便于故障特征的识别与提取。
发明内容
发明目的:提供一种异类振动信号时空多互相关分析和自适应加权融合方法,将多互相关方法与转子机械故障识别相结合,采用自适应加权融合技术,识别出转子机械的故障特征。
技术方案:本发明所述的一种异类振动信号时空多互相关分析和自适应加权融合方法,包括以下步骤:
(1)异类数据的相位匹配分析:针对两个加速度传感器的信号为X(t),Y(t),速度传感器的信号为Z(t),以加速度传感器X(t),Y(t)为基准,计算出速度传感器Z(t)对应的加速度信号Z1(t),利用相位差的形式,实现各信号间的相位匹配;
(2)数据线性归一化处理:对信号X(t),Y(t),及相位匹配后的Z1(t)进行线性变换,将其映射到[0,1]之间,得到归一化后的信号X’(t),Y’(t),Z’(t);
(3)建立多互相关函数:建立预处理好的样本数据两两互相关函数,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的互相关函数ω1和ω2;
(4)获取异类传感器间的时间偏差:利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的时间偏差τ1,τ2;
(5)振动信号融合:以步骤(4)中的时间偏差加上步骤(2)中归一化后的信号X'(t)、Y'(t-τ1)、Z'(t-τ2)为目标,其中X’(t)为基准信号,再利用步骤3中的ω1和ω2得到信号X’(t)与Y'(t-τ1),X’(t)与Z'(t-τ2)间的相关系数ωxy和ωxz。
进一步地,所述步骤(3)通过以下公式实现:
X’(t),Y’(t),Z’(t)间的互相关函数分别为:
其中,三个互相关函数分别加入参数Ti(i=1、2、3),Ti为两种信号相等的数据样本时长。
进一步地,所述步骤(4)实现过程如下:
利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,以传感器1为基准,建立传感器2、传感器3分别与传感器1的位置关系;利用两两传感器间的位置关系,估计各传感器间的时间偏差:
其中,τ1为传感器2与传感器1的时间偏差,τ2为传感器3与传感器1的时间偏差,Xi,Yi,Zi(i=1、2、3)对应传感器1、2、3的空间坐标。
进一步地,步骤(4)所述的空间坐标系的建立过程如下:
以三个传感器的空间位置为对象画出一个立方体形状,以该立方体的某个端点为坐标原点,建立空间坐标系OXYZ;分别记录传感器1、传感器2和传感器3的空间坐标,假设如下:
并以传感器1位基准,记录传感器2与传感器1的X方向,Y方向,Z方向坐标距离,传感器3与传感器1的X方向,Y方向,Z方向坐标距离,分别建立传感器2、传感器1以及传感器3、传感器1的空间矩阵分别为:
进一步地,所述步骤(5)实现过程如下:
假设三个信号的权值分别为a(t)、b(t)、c(t),根据算法b(t)=a(t)(1+ωxy),c(t)=a(t)(1+ωxz),a(t)+b(t)+c(t)=1,分别计算出三个振动信号随时间变化的自适应权值,最后,计算出系统的融合结果:W(t)=a(t)X′(t)+b(t)Y′(t-τ1)+c(t)Z′(t-τ2)。
有益效果:与现有技术相比,本发明的有益效果:1、本发明将多互相关方法与转子机械故障识别相结合,采用自适应加权融合技术,识别出转子机械的故障特征;2、本发明在自相关、互相关的基础之上,运用多互相关基本算法,结合空间位置相关性,得到了有效的自适应权值来融合异类振动传感器获取的轴承故障数据,提高了故障信号特征的明显性;3、采用相位匹配及线性归一化方法处理不同空间位置的振动传感器数据,有效提高了数据的准确性和融合数据的精确性;4、本发明将融合方法与各单个传感器的数据特征比对,得出了融合数据特征更完整的结论,以结构简单的模拟汽车传动系统搭建,成功识别出转子机械的故障特征,有利于转子系统的故障识别及诊断。
附图说明
图1为本发明的流程图;
图2为轴承故障试验台构成示意图;
图3为振动加速器传感器安装位置图;
图4为本发明传感器空间位置分布示意图;
图5为加速度传感器1的正常信号和故障信号对比图;
图6为本发明融合结果的正常信号和故障信号对比图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明提供一种异类振动信号时空多互相关分析和自适应加权融合方法,如图1所示,具体包括以下步骤:
步骤1:异类数据的相位匹配分析:针对两个加速度传感器的信号为X(t),Y(t),速度传感器的信号为Z(t),以加速度传感器X(t),Y(t)为基准,计算出速度传感器Z(t)对应的加速度信号利用相位差的形式,实现各信号间的相位匹配。
步骤2:数据线性归一化处理:对信号X(t),Y(t),及相位匹配后的Z1(t)进行线性变换,将其映射到[0,1]之间,得到归一化后的信号X’(t),Y’(t),Z’(t)。
利用公式:
分别得到信号X(t),Y(t),Z1(t)的归一化结果X’(t),Y’(t),Z’(t)。归一化后的数据都不存在量纲,只是将各传感器的数据映射到[0,1]之间,不会改变归一化前数据间的趋势和规律性。
步骤3:建立多互相关函数:建立预处理好的样本数据两两互相关函数,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的互相关函数ω1和ω2。
分别建立X’(t),Y’(t),Z’(t)间的互相关函数分别为:
其中,三个互相关函数分别加入参数Ti(i=1、2、3),Ti为两种信号相等的数据样本时长。
步骤4:获取异类传感器间的时间偏差:利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的时间偏差τ1,τ2。
以传感器1为基准,建立传感器2、传感器3分别与传感器1的位置关系。利用两两传感器间的位置关系,估计各传感器间的时间偏差。
估计出传感器2与传感器1的时间偏差:
传感器3与传感器1的时间偏差:
其中,Xi,Yi,Zi(i=1、2、3)对应传感器1、2、3的空间坐标。将该时间偏差放入步骤2中的归一化信号得到对应的X'(t)、Y'(t-τ1)、Z'(t-τ2)。
坐标系及空间矩阵建立具体步骤包括:
1)以三个传感器的空间位置为对象画出一个立方体形状,以该立方体的某个端点为坐标原点,建立空间坐标系OXYZ,如图4所示;
2)分别记录传感器1、传感器2和传感器3的空间坐标,假设如下:
并以传感器1位基准,记录传感器2与传感器1的X方向,Y方向,Z方向坐标距离,传感器3与传感器1的X方向,Y方向,Z方向坐标距离,分别建立传感器2、传感器1以及传感器3、传感器1的空间矩阵分别为:
步骤5:振动信号融合:以步骤(4)中的时间偏差加上步骤(2)中归一化后的信号X'(t)、Y'(t-τ1)、Z'(t-τ2)为目标,其中X’(t)为基准信号,再利用步骤3中的ω1和ω2得到信号X’(t)与Y'(t-τ1),X’(t)与Z'(t-τ2)间的相关系数ωxy和ωxz。
假设三个信号的权值分别为a(t)、b(t)、c(t),根据算法b(t)=a(t)(1+ωxy),c(t)=a(t)(1+ωxz),a(t)+b(t)+c(t)=1,分别计算出三个振动信号随时间变化的自适应权值,最后,计算出系统的融合结果:W(t)=a(t)X′(t)+b(t)Y′(t-τ1)+c(t)Z′(t-τ2)。
本发明将多互相关方法与转子机械故障识别相结合,转子试验台如图2所示,传感器的位置布置如图3所示,采用自适应加权融合技术,识别出转子机械的故障特征。在自相关、互相关的基础之上,运用多互相关基本算法,结合空间位置相关性,得到了有效的自适应权值来融合异类振动传感器获取的轴承故障数据,提高了故障信号特征的明显性。采用相位匹配及线性归一化方法处理不同空间位置的振动传感器数据,有效提高了数据的准确性和融合数据的精确性。本发明将融合方法与各单个传感器的数据特征比对,得出了融合数据特征更完整的结论。单一传感器和融合结果的正常信号和故障信号对比如图5和6所示,可以看出以结构简单的模拟汽车传动系统搭建,成功识别出转子机械的故障特征,有利于转子系统的故障识别及诊断。
Claims (5)
1.一种异类振动信号时空多互相关分析和自适应加权融合方法,其特征在于,包括以下步骤:
(1)异类数据的相位匹配分析:针对两个加速度传感器的信号为X(t),Y(t),速度传感器的信号为Z(t),以加速度传感器X(t),Y(t)为基准,计算出速度传感器Z(t)对应的加速度信号Z1(t),利用相位差的形式,实现各信号间的相位匹配;
(2)数据线性归一化处理:对信号X(t),Y(t),及相位匹配后的Z1(t)进行线性变换,将其映射到[0,1]之间,得到归一化后的信号X’(t),Y’(t),Z’(t);
(3)建立多互相关函数:建立预处理好的样本数据两两互相关函数,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的互相关函数ω1和ω2;
(4)获取异类传感器间的时间偏差:利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,得到X’(t)和Y’(t),X’(t)和Z’(t)之间的时间偏差τ1,τ2;
(5)振动信号融合:以步骤(4)中的时间偏差加上步骤(2)中归一化后的信号X'(t)、Y'(t-τ1)、Z'(t-τ2)为目标,其中X’(t)为基准信号,再利用步骤3中的ω1和ω2得到信号X’(t)与Y'(t-τ1),X’(t)与Z'(t-τ2)间的相关系数ωxy和ωxz。
2.根据权利要求1所述的异类振动信号时空多互相关分析和自适应加权融合方法,其特征在于,所述步骤(3)通过以下公式实现:
X’(t),Y’(t),Z’(t)间的互相关函数分别为:
其中,三个互相关函数分别加入参数Ti,i=1、2、3,Ti为两种信号相等的数据样本时长。
3.根据权利要求1所述的异类振动信号时空多互相关分析和自适应加权融合方法,其特征在于,所述步骤(4)实现过程如下:
利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,以传感器1为基准,建立传感器2、传感器3分别与传感器1的位置关系;利用两两传感器间的位置关系,估计各传感器间的时间偏差:
其中,τ1为传感器2与传感器1的时间偏差,τ2为传感器3与传感器1的时间偏差,Xi,Yi,Zi,i=1、2、3,对应传感器1、2、3的空间坐标。
4.根据权利要求1所述的异类振动信号时空多互相关分析和自适应加权融合方法,其特征在于,步骤(4)所述的空间坐标系的建立过程如下:
以三个传感器的空间位置为对象画出一个立方体形状,以该立方体的某个端点为坐标原点,建立空间坐标系OXYZ;分别记录传感器1、传感器2和传感器3的空间坐标,假设如下:
并以传感器1位基准,记录传感器2与传感器1的X方向,Y方向,Z方向坐标距离,传感器3与传感器1的X方向,Y方向,Z方向坐标距离,分别建立传感器2、传感器1以及传感器3、传感器1的空间矩阵分别为:
5.根据权利要求1所述的异类振动信号时空多互相关分析和自适应加权融合方法,其特征在于,所述步骤(5)实现过程如下:
假设三个信号的权值分别为a(t)、b(t)、c(t),根据算法b(t)=a(t)(1+ωxy),c(t)=a(t)(1+ωxz),a(t)+b(t)+c(t)=1,分别计算出三个振动信号随时间变化的自适应权值,最后,计算出系统的融合结果:W(t)=a(t)X′(t)+b(t)Y′(t-τ1)+c(t)Z′(t-τ2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169668.0A CN112598019B (zh) | 2020-10-28 | 2020-10-28 | 异类振动信号时空多互相关分析和自适应加权融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169668.0A CN112598019B (zh) | 2020-10-28 | 2020-10-28 | 异类振动信号时空多互相关分析和自适应加权融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598019A CN112598019A (zh) | 2021-04-02 |
CN112598019B true CN112598019B (zh) | 2024-04-02 |
Family
ID=75180677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169668.0A Active CN112598019B (zh) | 2020-10-28 | 2020-10-28 | 异类振动信号时空多互相关分析和自适应加权融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598019B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105975995A (zh) * | 2016-05-26 | 2016-09-28 | 山东省计算中心(国家超级计算济南中心) | 基于模糊偏好关系的多振动信号融合方法 |
CN106447040A (zh) * | 2016-09-30 | 2017-02-22 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100707168B1 (ko) * | 2003-09-30 | 2007-04-13 | 삼성전자주식회사 | 센서 퓨징을 이용한 무인 이동체의 위치 추정 방법 및 장치 |
-
2020
- 2020-10-28 CN CN202011169668.0A patent/CN112598019B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105975995A (zh) * | 2016-05-26 | 2016-09-28 | 山东省计算中心(国家超级计算济南中心) | 基于模糊偏好关系的多振动信号融合方法 |
CN106447040A (zh) * | 2016-09-30 | 2017-02-22 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112598019A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105866790B (zh) | 一种考虑激光发射强度的激光雷达障碍物识别方法及系统 | |
CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 | |
CN110070574B (zh) | 一种基于改进PSMNet的双目视觉立体匹配方法 | |
CN115147545A (zh) | 一种基于bim和深度学习的场景三维智能重建系统及方法 | |
CN100447820C (zh) | 基于立体视觉的公交客流统计方法及其系统 | |
CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 | |
CN117235583B (zh) | 一种gis断路器执行机构的监测方法及系统 | |
CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及系统 | |
CN117849760B (zh) | 一种激光雷达点云数据处理方法 | |
CN112598019B (zh) | 异类振动信号时空多互相关分析和自适应加权融合方法 | |
Duan et al. | Rolling bearing fault diagnosis method based on multi-information fusion characteristics under complex working conditions | |
CN118550929B (zh) | 一种基于图像识别的预制梁场建图方法及系统 | |
CN119377928A (zh) | 基于去噪和优化时域卷积网络的移动设备机主认证方法 | |
CN114677758A (zh) | 一种基于毫米波雷达点云的步态识别方法 | |
CN109720353A (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN116610941B (zh) | 快速峭度图轴承复合故障诊断方法、系统、设备以及介质 | |
CN112929823A (zh) | 一种混合Wi-Fi室内定位方法 | |
CN117711430A (zh) | 一种基于音频信号和视觉Transformer的电机转子故障诊断方法 | |
Qiao et al. | Research on Vehicle Distance Recognition System Based on Machine Learning and OpenCV | |
CN114862796A (zh) | 一种用于风机叶片损伤检测的无人机 | |
CN103324123B (zh) | 基于嵌入式系统的车载数据预处理方法 | |
CN113933055A (zh) | 滚动轴承滚道缺陷尺寸量化方法、装置及系统 | |
CN112257750A (zh) | 一种面向复合式探测节点的分布式融合系统 | |
Wang et al. | Hardware Identification & Distance Estimation for an High-Voltage Transmission Line Inspection Robot | |
Li et al. | Fault Diagnosis for Rolling Bearings Using Time-Frequency Energy Matrix Difference and CNN |
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 |