CN112784744A - 一种具有缺失值的机械构件振动信号预处理方法 - Google Patents
一种具有缺失值的机械构件振动信号预处理方法 Download PDFInfo
- Publication number
- CN112784744A CN112784744A CN202110085640.7A CN202110085640A CN112784744A CN 112784744 A CN112784744 A CN 112784744A CN 202110085640 A CN202110085640 A CN 202110085640A CN 112784744 A CN112784744 A CN 112784744A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- mechanical component
- value
- mean square
- vibration
- 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
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种具有缺失值的机械构件振动信号预处理方法,其步骤如下:步骤一:用特征提取方法计算原始振动信号均方根;步骤二:建立指数随机回归模型,估计模型参数;步骤三:基于蒙特卡洛仿真插补振动信号均方根缺失值;步骤四:插补原始振动信号缺失值;步骤五:机械构件振动数据质量分析。本发明保证了原始数据的完整性和真实性,其流程对模型参数的计算要求较低,无需迭代计算,参数估计具有解析表达式,计算效率高,方法科学,工艺性好,具有广阔推广应用价值。
Description
技术领域
本发明提供一种具有缺失值的机械构件振动信号预处理方法,它涉及一种基于指数随机回归模型的机械构件振动信号缺失值插补方法,它是一种基于指数随机回归模型理论和振动信号时域分析理论的缺失值插补方法。它针对具有缺失值和指数型退化趋势的机械构件振动信号,通过提取信号中的均方根统计量,将原始振动信号中的缺失值转化为振动信号均方根统计量的缺失值,建立指数随机回归模型,预测振动信号均方根缺失值,进而插补原始振动信号缺失值,通过引入时间序列单调性和趋势性评价指标,对比分析缺失值插补前后机械构件振动数据的质量。适用于具备指数型退化趋势的机械构件振动信号缺失值处理,属于具有缺失值的机械构件振动信号预处理技术领域。
背景技术
机械构件作为众多复杂机电一体化机械系统关键部件之一,在航空航天、轨道交通、船舶工程等领域中发挥着关键作用。机械构件在工作过程中受外界冲击,接触应力的反复作用造成机械构件产生表面剥离、疲劳断裂、磨损等故障,严重危害机械系统安全。目前,复杂车辆系统一般采用转速跟踪、离线检测等技术监测车辆机械构件振动信号,通常包括机械构件振动加速度、幅值等。基于振动信号时域分析理论,传统工程应用中一般通过提取振动信号均方根统计量来表示机械构件故障特征,建立指数退化模型,刻画机械构件退化趋势,实现机械构件故障建模与寿命预测。通常情况下,由于数据采集、数据存储、数据整理不当导致的机械构件振动信号缺失现象,使得机械构件故障特征提取结果可靠性降低。尤其是机械构件现场振动信号监测数据,常常受到数据采集设备更换、传感器故障、通讯故障、极端环境的影响而存在大量连续缺失数据,导致无法直接通过原始数据提取出具备良好单调性和趋势性的机械构件退化特征。因此,需要提出一种有效的缺失值填补方法,补充机械构件振动信号缺失值。
发明内容
(1)本发明的目的:针对机械构件恒定周期连续采样数据中出现的缺失值问题,提供一种具有缺失值的机械构件振动信号预处理方法,它是一种缺失值填充方法,它是一种包含振动信号时域分析、指数随机回归模型分析、时间序列数据质量分析的完整缺失值填充方法。给定特征提取周期,提取振动信号均方根统计量,通过蒙特卡洛仿真技术,结合极大似然和最小二乘参数估计方法,基于振动信号均方根建立指数随机回归模型,预测振动信号均方根缺失值,进而填充原始振动信号缺失值。
(2)技术方案:
本发明需要建立如下基本设置:
设置1:在进行机械构件振动信号采集时,需记录机械构件原始振动信号,即振动幅值或振动加速度,振动信号均方根需呈现指数退化趋势;
设置2:原始数据收集过程中,机械构件振动信号存在缺失值,而车辆运行里程信息记录完整。
本发明提出的方法主要针对车辆机械构件振动非完整数据,根据振动信号时域分析理论提取信号均方根统计量,建立指数随机回归模型,并运用极大似然和最小二乘方法估计模型参数,通过蒙特卡洛仿真预测振动信号均方根缺失值,进而对原始振动信号缺失值进行插补。
基于以上假设和思路,本发明提出一种具有缺失值的机械构件振动信号预处理方法,即一种基于指数随机回归模型的机械构件振动信号缺失值插补方法,通过如下步骤实现:
步骤一:用特征提取方法计算原始振动信号均方根;
现有采样周期为t的车辆机械构件振动信号数据,即每经过长度为t的里程采集一个机械构件振动数据;机械构件原始振动信号Y={y1,y2,…,yi,…,yn}样本容量为n,车辆运行里程为T={t1,t2,…,ti,…,tn},且ti=(i-1)×t+t1,振动信号缺失值记为ys;根据特征提取周期h,每经过长度为h的里程提取出一个振动信号均方根,原始数据可均匀划分为m个数组I={I1,I2,…,Ij,…,Im},每个数组记为Ij={(tj,k,yj,k)|j=1,…,m,k=1,…,l},其中l=n/m;振动信号缺失值ys在数组Is={(tj,k,yj,k)|j=s,k=1,…,l}中表示为ys,r;计算车辆运行里程的均值和机械构件振动信号的均方根,记为
其中,
步骤一可通过图1直观表示,其中,图1(上)表示采样周期为t=1km的机械构件原始振动数据,图1(下)表示周期为h=14km的均方根特征提取结果,原始数据被划分为8个数组I={I1,I2,…,I8},每个数组内有14个样本点;
步骤二:建立指数随机回归模型,估计模型参数;
建立指数随机回归模型,形式为:
其中,a,b代表模型参数,ε是服从正态分布的随机误差项,即ε~N(0,σ2);
指数随机回归模型的参数a,b,σ可通过极大似然估计和最小二乘估计得到,具体步骤为:
Ⅰ.估计模型参数a,b,σ的均值;
首先,给出参数b的最小二乘估计如下:
其次,根据机械构件振动数据,建立参数对数似然函数:
其中,表示待估计的模型参数a,b,σ;
将对数似然函数求偏导数,并使得偏导数等于零,可以求解得到参数a,σ的均值为:
Ⅱ.估计模型参数a,b,σ的方差;
首先,模型参数的费雪信息矩阵可表示为:
其中,var(·)表示方差,cov(·)表示协方差;求出协方差矩阵V的对角线元素,即可得到参数a,b,σ的方差,记为θa,θb,θσ;
步骤三:基于蒙特卡洛仿真插补振动信号均方根缺失值;
Ⅱ.得到振动信号均方根插补值:
步骤四:插补原始振动信号缺失值;
步骤五:机械构件振动数据质量分析:
Ⅰ.首先,计算机械构件振动数据单调性评价指标:
Ⅱ.其次,计算机械构件振动数据趋势性评价指标:
其中,在步骤三中所述的“蒙特卡洛仿真”,是指:
Ⅰ.设置蒙特卡洛仿真的循环次数L;
Ⅲ.重复步骤Ⅱ,直到取到要求数量的随机数为止。
其中,在步骤五中所述的“Spearman相关系数”,是指:
Ⅰ.给定两个变量W和Z,Spearman相关系数用来度量两个变量间的相关性强弱,取值范围在[-1,1]之间;
Ⅱ.两个变量W和Z间的Spearman相关系数表示为ρW,Z,定义为:
其中,R(W)表示{Wj}j=1:m的秩,R(Z)表示{Zj}j=1:m的秩;
Ⅲ.如果Z随着W的增加而增加,那么Spearman相关系数是正的,如果Z随着W的增加而减小,那么Spearman相关系数是负的。
(3)优点和功效:本发明是一种基于指数随机回归模型的机械构件振动信号缺失值插补方法,其优点是:
①本发明针对机械构件振动信号中出现的数据缺失问题,根据振动信号时域分析理论提取信号均方根统计量,建立指数随机回归模型,并运用极大似然和最小二乘方法估计模型参数,通过蒙特卡洛仿真预测振动信号均方根缺失值,进而对原始振动信号缺失值进行插补,保证了原始数据的完整性和真实性。
②本发明的流程对模型参数的计算要求较低,无需迭代计算,参数估计具有解析表达式,计算效率高。
③本发明通过插补原始数据缺失值,可以得到具备优良单调性和趋势性的机械构件振动信号退化轨迹,这对于后续将要开展的机械构件健康状态退化分析,机械构件剩余寿命预计,机械构件维修决策等工作奠定了良好基础。
④本评估方法科学,工艺性好,具有广阔推广应用价值。
附图说明
图1是步骤一示意图。
图2是本发明所述方法流程图。
图3是轴承原始振动信号。
图4是轴承振动信号及其特征提取。
图5是蒙特卡洛仿真1000个插补值。
图6是原始振动信号与振动信号插补值。
图7是缺失值插补前后的振动信号均方根。
具体实施方式
下面结合实际案例对本发明做详细解释。
某车辆轴箱轴承在工作过程中受外界振动冲击,影响运行安全,为实时监测其健康状态,采用恒定周期连续采样方法监测车辆运行里程和轴承原始振动幅值,采样周期为4km,即每4km记录一次数据。在轴承振动信号收集过程中,车辆运行里程无数据缺失,且里程覆盖范围高达7540km,而由于设备更换和通讯故障导致轴承原始振动幅值存在100个缺失值,进而导致无法准确合理地从原始数据中挖掘提取轴承健康状态退化信息。轴承原始振动信号如下图所示:
图3(上)中,黑色细线表示原始振动信号,黑色虚线框内存在振动信号缺失值,将其放大后如图3(下)所示,其中,缺失值用黑色叉号表示。采用本发明的流程进行缺失值插补,本发明一种具有缺失值的机械构件振动信号预处理方法,见图2所示,通过如下步骤实现:
步骤一:用特征提取方法计算原始振动信号均方根,见图1所示;
首先,对于采样周期为t=4km的轴承振动信号数据,给定特征提取周期h=500km,均匀地将原始数据划分为14个数组,记为I={I1,I2,…,Ij,…,I14},其中,缺失值落在数组I9内。针对每个数组,再通过特征提取方法,计算车辆运行里程的均值和轴承振动信号的均方根。
结果图4所示;
步骤二:建立指数随机回归模型,计算模型参数;
首先,建立指数随机回归模型,如式(3)所示;
最后,计算模型参数方差,结果为:θa=2.6875×10-43,θb=6.1780×10-71,θσ=1.0492×10-94。
Ⅱ.正态分布的方差为:
通过本步骤,可以得到振动信号插补值如图6所示,其中,圆形标记表示数组I9中记录的原始振动信号,正方形图标表示数组I9中振动信号缺失值的填补结果。
步骤五:机械构件振动数据质量分析:
如图7所示,缺失值插补前,振动信号均方根不具备较好的单调性和趋势性;缺失值插补后,振动信号均方根的单调性和趋势性均提高。
除此之外,本案例中,针对原始振动信号收集过程中出现100个缺失值的情况,分别计算了填补10、40、70、100个缺失值情况下的结果,并对比了缺失值填补前后振动信号均方根单调性与趋势性,如下表所示:
表1缺失值填补前后振动信号均方根单调性与趋势性对比
结果表明,采用本发明方法能够完整插补振动信号缺失值,并得到具备良好单调性和趋势性的轴承振动特征,达到预期目的。
综上所述,本发明涉及一种基于指数随机回归模型的机械构件振动信号缺失值插补方法。它针对车辆机械构件振动信号中出现的缺失值问题,通过振动信号时域分析理论中均方根提取方法分析原始数据,建立指数随机回归模型,预测振动信号缺失值,并运用时间序列数据质量指标分析缺失值填充效果。该方法的具体步骤是:首先用特征提取方法计算原始振动信号均方根,然后建立指数随机回归模型,估计模型参数,基于蒙特卡洛仿真插补振动信号均方根缺失值,进而插补原始振动信号缺失值,最后根据趋势性和单调性评价指标,分析缺失值插补前后机械构件振动数据质量。本发明适用于具备指数型退化特征的车辆机械构件振动信号缺失值插补,具备较强的操作性。
Claims (3)
1.一种具有缺失值的机械构件振动信号预处理方法,需要设置如下:
设置1:在进行机械构件振动信号采集时,需记录机械构件原始振动信号,即振动幅值或振动加速度,振动信号均方根需呈现指数退化趋势;
设置2:原始数据收集过程中,机械构件振动信号存在缺失值,而车辆运行里程信息记录完整;
其特征在于,通过如下步骤实现:
步骤一:用特征提取方法计算原始振动信号均方根;
现有采样周期为t的车辆机械构件振动信号数据,即每经过长度为t的里程采集一个机械构件振动数据;机械构件原始振动信号Y={y1,y2,…,yi,…,yn}样本容量为n,车辆运行里程为T={t1,t2,…,ti,…,tn},且ti=(i-1)×t+t1,振动信号缺失值记为ys;根据特征提取周期h,每经过长度为h的里程提取出一个振动信号均方根,原始数据均匀划分为m个数组I={I1,I2,…,Ij,…,Im},每个数组记为Ij={(tj,k,yj,k)|j=1,…,m,k=1,…,l},其中l=n/m;振动信号缺失值ys在数组Is={(tj,k,yj,k)|j=s,k=1,…,l}中表示为ys,r;计算车辆运行里程的均值和机械构件振动信号的均方根,记为
其中,
步骤二:建立指数随机回归模型,估计模型参数;
建立指数随机回归模型,形式为:
其中,a,b代表模型参数,ε是服从正态分布的随机误差项,即ε~N(0,σ2);
指数随机回归模型的参数a,b,σ通过极大似然估计和最小二乘估计得到,具体步骤为:
2.1估计模型参数a,b,σ的均值;
首先,给出参数b的最小二乘估计如下:
其次,根据机械构件振动数据,建立参数对数似然函数:
其中,表示待估计的模型参数a,b,σ;
将对数似然函数求偏导数,并使得偏导数等于零,求解得到参数a,σ的均值为:
2.2估计模型参数a,b,σ的方差;
首先,模型参数的费雪信息矩阵表示为:
其中,var(·)表示方差,cov(·)表示协方差;求出协方差矩阵V的对角线元素,即得到参数a,b,σ的方差,记为θa,θb,θσ;
步骤三:基于蒙特卡洛仿真插补振动信号均方根缺失值;
3.2得到振动信号均方根插补值:
步骤四:插补原始振动信号缺失值;
4.2Ys 2的方差表示为:
步骤五:机械构件振动数据质量分析:
5.1首先,计算机械构件振动数据单调性评价指标:
5.2其次,计算机械构件振动数据趋势性评价指标:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110085640.7A CN112784744B (zh) | 2021-01-22 | 2021-01-22 | 一种具有缺失值的机械构件振动信号预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110085640.7A CN112784744B (zh) | 2021-01-22 | 2021-01-22 | 一种具有缺失值的机械构件振动信号预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784744A true CN112784744A (zh) | 2021-05-11 |
CN112784744B CN112784744B (zh) | 2022-10-28 |
Family
ID=75758495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110085640.7A Active CN112784744B (zh) | 2021-01-22 | 2021-01-22 | 一种具有缺失值的机械构件振动信号预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221500A1 (en) * | 2011-02-28 | 2012-08-30 | Eric Williamson | Systems and methods for validating interpolation results using monte carlo simulations on interpolated data inputs |
US20130036082A1 (en) * | 2011-08-05 | 2013-02-07 | International Business Machines Corporation | Multiple imputation of missing data in multi-dimensional retail sales data sets via tensor factorization |
CN103793613A (zh) * | 2013-12-13 | 2014-05-14 | 北京航空航天大学 | 基于回归分析和rbf神经网络的退化数据缺失插补方法 |
CN104091094A (zh) * | 2014-08-03 | 2014-10-08 | 刘鸿 | Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方法 |
CN105930303A (zh) * | 2016-04-11 | 2016-09-07 | 中国石油大学(华东) | 含有不可忽略缺失数据的估计方程的稳健估计方法 |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
-
2021
- 2021-01-22 CN CN202110085640.7A patent/CN112784744B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221500A1 (en) * | 2011-02-28 | 2012-08-30 | Eric Williamson | Systems and methods for validating interpolation results using monte carlo simulations on interpolated data inputs |
US20130036082A1 (en) * | 2011-08-05 | 2013-02-07 | International Business Machines Corporation | Multiple imputation of missing data in multi-dimensional retail sales data sets via tensor factorization |
CN103793613A (zh) * | 2013-12-13 | 2014-05-14 | 北京航空航天大学 | 基于回归分析和rbf神经网络的退化数据缺失插补方法 |
CN104091094A (zh) * | 2014-08-03 | 2014-10-08 | 刘鸿 | Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方法 |
CN105930303A (zh) * | 2016-04-11 | 2016-09-07 | 中国石油大学(华东) | 含有不可忽略缺失数据的估计方程的稳健估计方法 |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
CHRISTOPH BRÜSER等: "Monte-Carlo Simulation and Automated Test Bench for Developing a Multichannel NIR-Based Vital-Signs Monitor", 《IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》 * |
龙伊雯: "考虑退化和测量不确定因素的射频晶振寿命预测技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
CN113560955B (zh) * | 2021-06-09 | 2022-09-09 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN112784744B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Yang et al. | The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN111626345A (zh) | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN110443117B (zh) | 一种风电机组故障诊断方法 | |
Gu et al. | Partial discharge pattern recognition of power cable joints using extension method with fractal feature enhancement | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
CN108763048B (zh) | 一种基于粒子滤波的硬盘故障预警与可靠性评估方法 | |
Cheng et al. | Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains | |
CN112784744B (zh) | 一种具有缺失值的机械构件振动信号预处理方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN112461543A (zh) | 一种基于多分类支持向量数据描述的旋转机械故障诊断方法 | |
Renga et al. | Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis | |
CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
Wang et al. | A correlation-graph-CNN method for fault diagnosis of wind turbine based on state tracking and data driving model | |
CN114722879A (zh) | 一种基于对抗迁移学习的轴承跨工况故障预测方法 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN110132566B (zh) | 一种基于模糊聚类的oltc故障诊断方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
CN110750848A (zh) | 一种考虑软件运行的软-硬件退化系统剩余寿命估计的方法 |
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 |