CN113449626B - 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 - Google Patents
隐马尔科夫模型振动信号分析方法装置、存储介质和终端 Download PDFInfo
- Publication number
- CN113449626B CN113449626B CN202110697487.3A CN202110697487A CN113449626B CN 113449626 B CN113449626 B CN 113449626B CN 202110697487 A CN202110697487 A CN 202110697487A CN 113449626 B CN113449626 B CN 113449626B
- Authority
- CN
- China
- Prior art keywords
- type
- data
- signals
- space
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种隐马尔科夫模型振动信号状态分析方法和装置、存储介质和终端,其中方法包括获取振动信号数据,通过预设滤波方式对振动信号数据进行滤波处理,得到特征信号;通过预设分类方式对特征信号进行分类;通过预设分段算法对每类信号进行分段处理;通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果;基于每类聚类结果构建隐马尔科夫模型,并基于隐马尔科夫模型中的维特比算法对待处理特征信号进行预测诊断。本发明采用基于时空密度的聚类方法对分段时空序列数据进行聚类处理,然后通过聚类结果建立的隐马尔科夫模型进行预测诊断,消除时间序列分类局限性,提高分析结果的准确性和有效性。
Description
技术领域
本发明涉及传感信号分析、故障诊断与寿命预测技术领域,尤其涉及一种隐马尔科夫模型振动信号分析方法装置、存储介质和终端。
背景技术
目前,通过传感器获取振动信号并对其进行监测的方式具有实时、在线、方便、快捷等优点,因此其被广泛的应用到大型化、高速化、集成化和自动化程度高的国防、工业、机械、石化、运载和能源等行业领域。例如,可利用采集的振动信号进行战场无人自动侦查侦测、车辆舰船直升机等作战装备的健康监测、机械故障诊断、工业移动设备状态分析、地震预测等。对振动信号进行采集和状态分析,及时准确地发现早期征兆、提前获得重要的侦测、监测、诊断信息,并依此做出预判,能有效避免可能的事故、灾难和损失的发生。因此对振动信号进行研究具有重要意义,相关的理论研究和应用在军事界、学术界和工业领域已得到广泛的重视。
使用传感器采集的振动信号并从振动信号中提取特征信息,然后用隐马尔科夫模型进行预测是实现战场侦测、作战装备健康监测、机械故障诊断的一种重要方法。但由于现在所提取振动信号的环境通常较为复杂,因此采集得到的振动信号通常会存在非平稳、非线性、非高斯、含大量噪声、复杂等特点,为振动信号的状态分析增加了难度。而且仅仅使用隐马尔科夫模型的时间序列分类能力进行信号状态分析,会带来一定的局限性,进而影响分析结果的准确性。
发明内容
本发明所要解决的技术问题是现有采集到的振动信号存在非平稳、非线性、非高斯、含大量噪声、复杂等特点,为振动信号的状态分析增加了难度,且现有的振动信号预测方式仅使用隐马尔科夫模型的时间序列分类能力进行信号状态分析,存在一定的局限性,进而影响分析结果。
为了解决上述技术问题,本发明提供了一种隐马尔科夫模型振动信号分析方法,包括:
获取振动信号数据,通过预设滤波方式对所述振动信号数据进行滤波处理,得到特征信号组;
通过预设分类方式对所述特征信号组进行分类,获取至少一类信号;
通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据;
通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果;
基于每类所述聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组;
基于所述隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断。
优选地,所述预设滤波方式为最小熵解卷积法。
优选地,所述预设分类方式为余弦相似熵算法。
优选地,通过预设分段算法对第一类信号进行处理,得到第一类分段数据包括:
通过预设分段算法分别对所述第一类信号中的所有特征信号进行分段处理,得到第一类分段数据;
其中,所述通过预设分段算法对所述第一类信号中的第一特征信号进行分段处理,得到多个第一类预分段数据包括:
基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件;
基于所述预设条件对所述第一特征信号的时空序列进行遍历,确定所述第一特征信号的时空序列中所有的转折点;
将所述第一特征信号的时空序列中所有相邻的转折点之间进行直线插补,以获取所述第一特征信号的时空序列的多个第一类预分段数据;
其中,所述第一类分段数据包括所有第一类预分段数据,所述第一类信号为对所述特征信号组进行分类得到的至少一类信号中的任意一类信号。
优选地,基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件步骤包括:
设定所述第一特征信号的时空序列为其中ti为所述第一特征信号的时空序列中数据点si的时间属性,xi、yi为所述第一特征信号的时空序列中数据点si的空间属性;
且设定所述第一特征信号的时空序列中的数据点si与时间属性相邻的前一个数据点si-1的距离为si与时间属性相邻的后一个数据点si+1的距离为/>则si为转折点需要满足的预设条件为:
且Dp≠0,且ti+1-ti-1<εt;或Dn>ω,且Dp=0,且ti+1-ti-1<εt;
其中,ω为距离常数,距离比值常数,εt为时间差常数。
优选地,所述基于密度的时空聚类算法中的聚类方式为:
假设所述分段数据中的两个数据点分别为P(x1,y1,t1)和Q(x2,y2,t2),其中x1和y1为P(x1,y1,t1)的空间属性,x2和y2为Q(x2,y2,t2)的空间属性,t1为P(x1,y1,t1)的时间属性,t2为Q(x2,y2,t2)的时间属性,当数据点P和数据点Q满足聚类公式时,数据点P和数据点Q为一类;
其中,聚类公式为:
和d2=|t1-t2|≤εt;
εs表示空间属性半径,εt表示时间属性半径。
优选地,基于一个聚类结果构建一个隐马尔科夫模型包括:
将一类聚类结果看作隐藏状态,并基于所述隐藏状态获取隐藏状态初始概率分布;
基于该类聚类结果获得状态转移矩阵;
将该类聚类结果所对应类分段数据作为观测对象,并获取所述观测对象的概率分布矩阵;
基于所述隐藏状态初始概率分布、状态转移矩阵和观测对象的概率分布矩阵构建隐马尔科夫模型。
为了解决上述技术问题,本发明还提供了一种隐马尔科夫模型振动信号状态预测装置,包括依次相连的特征信号模块、分类模块、分段数据获取模块、聚类模块、模型构建模块和预测模块;
所述特征信号模块,用于获取振动信号数据,通过预设滤波方式对所述振动信号数据进行滤波处理,得到特征信号组;
所述分类模块,用于通过预设分类方式对所述特征信号组进行分类,获取至少一类信号;
所述分段数据获取模块,用于通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据;
所述聚类模块,用于通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果;
所述模型构建模块,用于基于每类所述聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组;
所述预测模块,用于基于所述隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断。
为了解决上述技术问题,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述隐马尔科夫模型振动信号状态分析方法。
为了解决上述技术问题,本发明还提供了一种终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述隐马尔科夫模型振动信号状态分析方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
应用本发明实施例提供的隐马尔科夫模型振动信号状态分析方法,将时间序列在空间上进行扩展,定义了时空序列分段线性表示的转折点,对时空序列数据建模,即采用基于时空密度的聚类方法对分段时空序列数据进行聚类处理,然后通过聚类结果建立的隐马尔科夫模型进行预测诊断,消除时间序列分类局限性,提高分析结果的准确性和有效性。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明实施例一隐马尔科夫模型振动信号分析方法的流程示意图;
图2示出了本发明实施例二隐马尔科夫模型振动信号状态预测装置的结构示意图;
图3示出了本发明实施例四终端的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
使用传感器采集的振动信号并从振动信号中提取特征信息,然后用隐马尔科夫模型进行预测是实现战场侦测、作战装备健康监测、机械故障诊断的一种重要方法。但由于现在所提取振动信号的环境通常较为复杂,因此采集得到的振动信号通常会存在非平稳、非线性、非高斯、含大量噪声、复杂等特点,为振动信号的状态分析增加了难度。而且仅仅使用隐马尔科夫模型的时间序列分类能力进行信号状态分析,会带来一定的局限性,进而影响分析结果的准确性。
实施例一
为解决现有技术中存在的技术问题,本发明实施例提供了一种隐马尔科夫模型振动信号状态分析方法。
图1示出了本发明实施例一隐马尔科夫模型振动信号状态分析方法的流程示意图;参考图1所示,本发明隐马尔科夫模型振动信号状态分析方法包括如下步骤。
步骤S101,获取振动信号数据,通过预设滤波方式对振动信号数据进行滤波处理,得到特征信号组。
具体地,通过振动信号采集器件或通过其他方式获取振动信号数据,并通过预设滤波方式对振动信号数据进行滤波处理,得到特征信号组。其中,振动信号采集器件可为振动传感器。且优选地,预设滤波方式为最小熵解卷积法。进一步地,通过最小熵解卷积法对振动信号数据进行滤波的过程包括:首先设定振动信号表示方式为:y(n)=x(n)*h(n)+e(n),其中y(n)为实际采集获得到包含噪音的信号,x(n)为期望通过滤波获得到的有用的信号,h(n)为传递函数,e(n)为噪声;再设定x(n)=f(n)*y(n),其中f(n)为逆滤波器,/>则表示x(n)的范数;而后基于上述设定求解逆滤波器f(n)以使得范数/>最大;最后再通过求解所得的逆滤波器f(n)对振动信号y(n)进行滤波,即得到振动信号数据的特征信号。
步骤S102,通过预设分类方式对特征信号组进行分类,获取至少一类信号。
具体地,在获取特征信号后,需对获取的特征信号组进行分类处理得到至少一类信号,且每类信号中包括至少一个特征信号。即对特征信号组进行分类处理后可获取多类信号,也可能获取一类信号,且每类信号中可能包含多个特征信号,且可能仅包含一个特征信号。优选地,预设分类方式为余弦相似熵算法。即通过余弦相似熵算法可实现对特征信号进行分类以获取至少一类信号。其中余弦相似熵算法过程如下:先设定为特征信号的时间序列,m为给点嵌入维数,rCSE表示相似容限,τ则表示时延;
首先,移除时间序列的偏移量,生成序列其中gi如下:
再通过或者/>构造嵌入向量,构建嵌入向量可如下公式所示:
或/>
而后计算成对的嵌入向量的角距离,成对嵌入向量的角距离计算方式如下公式:
并计算满足标准时相似模式的个数Pi (m)(rCSE);
而后再计算相似模式出现的局部概率局部概率/>计算方式可表示为如下公式:
计算相似模式出现的全局概率B(m)(rCSE),全局概率B(m)(rCSE)可表示为如下公式:
最后估算余弦相似熵,余弦相似熵的计算方式可表示为如下公式:
采用上述余弦相似熵算法过程,通过设置相似容限rCSE等参数的阈值来实现对不同振动状态进行区分。即当设置不同的参数rCSE阈值的时候,不同的振动源的余弦相似熵值是不同的,当设置合适参数时,区分度更大,且遵循一定规律,通过上述方式即可实现对特征信号进行分类,获取至少一类信号。
步骤S103,通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据。
具体地,该步骤需分别通过预设分段算法对每类信号进行分段处理,得到每类信号的分段数据。即每对一类信号进行预设分段算法处理,即可得到一类分段数据,若存在多类信号则经预设分段算法处理即可得到多类分段数据。
进一步,当对每类信号进行分段处理时需对每类信号中的所有特征信号进行处理,得到每类信号对应的分段数据。为了更好地对本发明预设分段算法对某类信号进行处理,得到该类分段数据的过程进行说明。以下以一类信号进行分段处理的过程为例进行说明,假设处理的某类信号为第一类信号,且第一类信号为对特征信号组进行分类得到的至少一类信号中的任意一类信号。则通过预设分段算法对第一类信号中的第一特征信号进行分段处理,得到多个第一类预分段数据包括:基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件;基于预设条件对第一特征信号的时空序列进行遍历,确定第一特征信号的时空序列中所有的转折点;将第一特征信号的时空序列中所有相邻的转折点之间进行直线插补,以获取第一特征信号的时空序列的多个第一类预分段数据;其中第一类分段数据包括所有第一类预分段数据。且优选地,特征信号的时空序列分段采用基于转折点的PLR(Piecewise Linear Representation)方法。
而基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件包括如下过程;设定第一特征信号的时空序列为其中ti为第一特征信号的时空序列中数据点si的时间属性,xi、yi为第一特征信号的时空序列中数据点si的空间属性;且设定第一特征信号的时空序列中的数据点si与时间属性相邻的前一个数据点si-1的距离为/>si与时间属性相邻的后一个数据点si+1的距离为/>则si为转折点需要满足的预设条件为:
且Dp≠0,且ti+1-ti-1<εt;或Dn>ω,且Dp=0,且ti+1-ti-1<εt;
其中,ω为距离常数,距离比值常数,εt为时间差常数。
步骤S104,通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果。
具体地,采用基于密度的时空聚类的ST-DBSCAN算法对每类分段数据进行聚类,即采用基于密度的时空聚类算法对一类分段数据进行处理,即可得到一类聚类结果,若采用基于密度的时空聚类算法对多类分段数据进行处理,即可得到多类聚类结果,每类聚类结果中通常包含多个聚类结果。其中基于密度的时空聚类算法中的聚类公式如下:
d2=|t1-t2|≤εt (公式2)
其中,εs为空间属性半径,εt为时间属性半径。
即假设分段数据中的两个数据点分别为P(x1,y1,t1)和Q(x2,y2,t2),其中x1和y1为P(x1,y1,t1)的空间属性,x2和y2为Q(x2,y2,t2)的空间属性,t1为P(x1,y1,t1)的时间属性,t2为Q(x2,y2,t2)的时间属性,仅有当数据点P和数据点Q同时满足上面的公式1和公式2时,那么数据点P和数据点Q可以归为一类。
步骤S105,基于每类聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组。
具体地,基于一类聚类结果即可构建一个隐马尔科夫模型,因此当具有多类聚类结果时,即可根据每类聚类结果分别构建隐马尔科夫模型,进而获取多类隐马尔科夫模型,获取的所有隐马尔科夫模型即可构成隐马尔科夫模型组。
进一步地,基于一类聚类结果构建一个隐马尔科夫模型过程包括:隐马尔科夫模型为λ=(A,B,Π),将基于时空密度聚类算法获取的一类聚类结果看作隐藏状态,并基于隐藏状态获取隐藏状态初始概率分布;即假设上一步基于时空密度聚类算法获取的一类聚类结果中包含了K个聚类结果,则将K个隐藏结果看作K个隐藏状态,而后基于K个隐藏状态获得隐藏状态初始概率分布Π。而后再基于该类聚类结果获得状态转移矩阵A;再将该类聚类结果所对应类分段数据作为观测对象,并获取观测对象的概率分布矩阵B;最后基于获取的隐藏状态初始概率分布Π、状态转移矩阵A以及观测对象的概率分布矩阵B建立该类聚类结果对应的隐马尔科夫模型。通过上述方式可获取多个隐马尔科夫模型,获取的所有的隐马尔科夫模型构成隐马尔科夫模型组。
步骤S106,基于隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断。
具体地,在获取隐马尔科夫模型组后,即可通过将待处理特征信号输入对应状态的隐马尔可夫模型中,以获取对应的预测结果。需要说明的是,待处理特征信号输入到隐马尔可夫模型中后,隐马尔可夫模型是采用维特比(Viterbi)算法对其进行预测诊断的。且需要说明的是,该步骤中的待处理特征信号为待处理振动信号数据经最小熵解卷积法对其进行滤波处理后得到的;而待处理振动信号数据则也是通过振动信号采集器件或通过其他方式获取的。
本发明实施例提供的隐马尔科夫模型振动信号状态分析方法,将时间序列在空间上进行扩展,定义了时空序列分段线性表示的转折点,对时空序列数据建模,即采用基于时空密度的聚类方法对分段时空序列数据进行聚类处理,然后通过聚类结果建立的隐马尔科夫模型进行预测诊断,消除时间序列分类局限性,提高分析结果的准确性和有效性。
实施例二
为解决现有技术中存在的技术问题,本发明实施例提供了一种隐马尔科夫模型振动信号状态分析装置。
图2示出了本发明实施例二隐马尔科夫模型振动信号状态分析装置的结构示意图;参考图2所示,本发明隐马尔科夫模型振动信号状态分析装置包括依次相连的特征信号模块、分类模块、分段数据获取模块、聚类模块、模型构建模块和预测模块;
特征信号模块用于获取振动信号数据,通过预设滤波方式对振动信号数据进行滤波处理,得到特征信号组。
分类模块用于通过预设分类方式对特征信号组进行分类,获取至少一类信号。
分段数据获取模块用于通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据。
聚类模块用于通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一个聚类结果。
模型构建模块用于基于每个聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组。
预测模块用于基于隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断。
本发明实施例提供的隐马尔科夫模型振动信号状态分析装置,将时间序列在空间上进行扩展,定义了时空序列分段线性表示的转折点,对时空序列数据建模,即采用基于时空密度的聚类方法对分段时空序列数据进行聚类处理,然后通过聚类结果建立的隐马尔科夫模型进行预测诊断,消除时间序列分类局限性,提高分析结果的准确性和有效性。
实施例三
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时可实现实施例一中隐马尔科夫模型振动信号状态分析方法中的所有步骤。
隐马尔科夫模型振动信号状态分析方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同,在此不在对其进行赘述。
需要说明的是:存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种终端。
图3示出了本发明实施例四终端的结构示意图,参照图3所示,本实施例终端包括相互连接的处理器及存储器;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行时可实现实施例一隐马尔科夫模型振动信号状态分析方法中的所有步骤。
隐马尔科夫模型振动信号状态分析方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同,在此不在对其进行赘述。
需要说明的是,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。同理处理器也可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种隐马尔科夫模型振动信号状态分析方法,包括:
获取振动信号数据,通过预设滤波方式对所述振动信号数据进行滤波处理,得到特征信号组;
通过预设分类方式对所述特征信号组进行分类,获取至少一类信号;
通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据;
通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果;
基于每类聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组;
基于所述隐马尔科夫模型组中所述隐马尔科夫模型的维特比算法对待处理信号进行预测诊断;
其中,通过预设分段算法对第一类信号进行处理,得到第一类分段数据包括:
通过预设分段算法分别对所述第一类信号中的所有特征信号进行分段处理,得到第一类分段数据;
其中,所述通过预设分段算法对所述第一类信号中的第一特征信号进行分段处理,得到多个第一类预分段数据包括:
基于所述第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件;
基于所述预设条件对所述第一特征信号的时空序列进行遍历,确定所述第一特征信号的时空序列中所有的转折点;
将所述第一特征信号的时空序列中所有相邻的转折点之间进行直线插补,以获取所述第一特征信号的时空序列的多个第一类预分段数据;
其中,所述第一类分段数据包括所有第一类预分段数据,所述第一类信号为对所述特征信号组进行分类得到的至少一类信号中的任意一类信号;
基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件步骤包括:
设定所述第一特征信号的时空序列为其中ti为所述第一特征信号的时空序列中数据点si的时间属性,xi、yi为所述第一特征信号的时空序列中数据点si的空间属性;
且设定所述第一特征信号的时空序列中的数据点si与时间属性相邻的前一个数据点si-1的距离为si与时间属性相邻的后一个数据点si+1的距离为则si为转折点需要满足的预设条件为:
且Dp≠0,且ti+1-ti-1<εt;或Dn>ω,且Dp=0,且ti+1-ti-1<εt;
其中,ω为距离常数,距离比值常数,εt为时间差常数。
2.根据权利要求1所述的方法,其特征在于,所述预设滤波方式为最小熵解卷积法。
3.根据权利要求1所述的方法,其特征在于,所述预设分类方式为余弦相似熵算法。
4.根据权利要求1所述的方法,其特征在于,所述基于密度的时空聚类算法中的聚类方式为:
假设所述分段数据中的两个数据点分别为P(x1,y1,t1)和Q(x2,y2,t2),其中x1和y1为P(x1,y1,t1)的空间属性,x2和y2为Q(x2,y2,t2)的空间属性,t1为P(x1,y1,t1)的时间属性,t2为Q(x2,y2,t2)的时间属性,当数据点P和数据点Q满足聚类公式时,数据点P和数据点Q为一类;
其中,聚类公式为:
和d2=|t1-t2|≤εt;
εs表示空间属性半径,εt表示时间属性半径。
5.根据权利要求1所述的方法,其特征在于,基于一类聚类结果构建隐马尔科夫模型包括:
将一类聚类结果看作隐藏状态,并基于所述隐藏状态获取隐藏状态初始概率分布;
基于该类聚类结果获得状态转移矩阵;
将该类聚类结果所对应类分段数据作为观测对象,并获取所述观测对象的概率分布矩阵;
基于所述隐藏状态初始概率分布、状态转移矩阵和观测对象的概率分布矩阵构建隐马尔科夫模型。
6.一种隐马尔科夫模型振动信号状态分析装置,其特征在于,包括依次相连的特征信号模块、分类模块、分段数据获取模块、聚类模块、模型构建模块和预测模块;
所述特征信号模块,用于获取振动信号数据,通过预设滤波方式对所述振动信号数据进行滤波处理,得到特征信号组;
所述分类模块,用于通过预设分类方式对所述特征信号组进行分类,获取至少一类信号;
所述分段数据获取模块,用于通过预设分段算法分别对每类信号进行处理,得到至少一类分段数据;
所述聚类模块,用于通过基于密度的时空聚类算法分别对每类分段数据进行聚类,获取至少一类聚类结果;
所述模型构建模块,用于基于每类所述聚类结果分别构建隐马尔科夫模型,获取隐马尔科夫模型组;
所述预测模块,用于基于所述隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断;
其中,通过预设分段算法对第一类信号进行处理,得到第一类分段数据包括:
通过预设分段算法分别对所述第一类信号中的所有特征信号进行分段处理,得到第一类分段数据;
其中,所述通过预设分段算法对所述第一类信号中的第一特征信号进行分段处理,得到多个第一类预分段数据包括:
基于所述第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件;
基于所述预设条件对所述第一特征信号的时空序列进行遍历,确定所述第一特征信号的时空序列中所有的转折点;
将所述第一特征信号的时空序列中所有相邻的转折点之间进行直线插补,以获取所述第一特征信号的时空序列的多个第一类预分段数据;
其中,所述第一类分段数据包括所有第一类预分段数据,所述第一类信号为对所述特征信号组进行分类得到的至少一类信号中的任意一类信号;
基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件步骤包括:
设定所述第一特征信号的时空序列为其中ti为所述第一特征信号的时空序列中数据点si的时间属性,xi、yi为所述第一特征信号的时空序列中数据点si的空间属性;
且设定所述第一特征信号的时空序列中的数据点si与时间属性相邻的前一个数据点si-1的距离为si与时间属性相邻的后一个数据点si+1的距离为则si为转折点需要满足的预设条件为:
且Dp≠0,且ti+1-ti-1<εt;或Dn>ω,且Dp=0,且ti+1-ti-1<εt;
其中,ω为距离常数,距离比值常数,εt为时间差常数。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5中任一项所述隐马尔科夫模型振动信号状态分析方法。
8.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至5中任一项所述隐马尔科夫模型振动信号状态分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697487.3A CN113449626B (zh) | 2021-06-23 | 2021-06-23 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697487.3A CN113449626B (zh) | 2021-06-23 | 2021-06-23 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449626A CN113449626A (zh) | 2021-09-28 |
CN113449626B true CN113449626B (zh) | 2023-11-07 |
Family
ID=77812316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697487.3A Active CN113449626B (zh) | 2021-06-23 | 2021-06-23 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449626B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486330B (zh) * | 2022-01-25 | 2024-05-10 | 吴凤萍 | 一种地质勘探智能取样系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102543080A (zh) * | 2010-12-24 | 2012-07-04 | 索尼公司 | 音频编辑系统和音频编辑方法 |
US9442564B1 (en) * | 2015-02-12 | 2016-09-13 | Amazon Technologies, Inc. | Motion sensor-based head location estimation and updating |
CN106251874A (zh) * | 2016-07-27 | 2016-12-21 | 深圳市鹰硕音频科技有限公司 | 一种语音门禁和安静环境监控方法及系统 |
CN106368813A (zh) * | 2016-08-30 | 2017-02-01 | 北京协同创新智能电网技术有限公司 | 一种基于多元时间序列的异常报警数据检测方法 |
CN106595665A (zh) * | 2016-11-30 | 2017-04-26 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
CN107680582A (zh) * | 2017-07-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
CN108168924A (zh) * | 2017-12-20 | 2018-06-15 | 东北石油大学 | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 |
CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
CN109359135A (zh) * | 2018-09-04 | 2019-02-19 | 河海大学 | 一种基于分段权重的时间序列相似性搜索方法 |
CN109767756A (zh) * | 2019-01-29 | 2019-05-17 | 大连海事大学 | 一种基于动态分割逆离散余弦变换倒谱系数的音声特征提取算法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN111238814A (zh) * | 2019-09-30 | 2020-06-05 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
CN111860251A (zh) * | 2020-07-09 | 2020-10-30 | 迈克医疗电子有限公司 | 数据处理方法及装置 |
-
2021
- 2021-06-23 CN CN202110697487.3A patent/CN113449626B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102543080A (zh) * | 2010-12-24 | 2012-07-04 | 索尼公司 | 音频编辑系统和音频编辑方法 |
US9442564B1 (en) * | 2015-02-12 | 2016-09-13 | Amazon Technologies, Inc. | Motion sensor-based head location estimation and updating |
CN106251874A (zh) * | 2016-07-27 | 2016-12-21 | 深圳市鹰硕音频科技有限公司 | 一种语音门禁和安静环境监控方法及系统 |
CN106368813A (zh) * | 2016-08-30 | 2017-02-01 | 北京协同创新智能电网技术有限公司 | 一种基于多元时间序列的异常报警数据检测方法 |
CN106595665A (zh) * | 2016-11-30 | 2017-04-26 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
CN107680582A (zh) * | 2017-07-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
CN108168924A (zh) * | 2017-12-20 | 2018-06-15 | 东北石油大学 | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 |
CN109359135A (zh) * | 2018-09-04 | 2019-02-19 | 河海大学 | 一种基于分段权重的时间序列相似性搜索方法 |
CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
CN109767756A (zh) * | 2019-01-29 | 2019-05-17 | 大连海事大学 | 一种基于动态分割逆离散余弦变换倒谱系数的音声特征提取算法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN111238814A (zh) * | 2019-09-30 | 2020-06-05 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
CN111860251A (zh) * | 2020-07-09 | 2020-10-30 | 迈克医疗电子有限公司 | 数据处理方法及装置 |
Non-Patent Citations (5)
Title |
---|
基于余弦相似熵的滚动轴承状态监测与寿命预测;徐从云;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第02期);C029-155正文第2-3章 * |
基于字典学习理论的机械故障诊断方法研究;周海韬;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第03期);C029-28正文第三、六章 * |
基于相似性分析的时间序列数据挖掘算法研究;方如果;《中国优秀硕士学位论文全文数据库 信息科技辑》(第07期);I138-361 * |
基于隐马尔科夫模型的时空序列预测方法;柳姣姣 等;《微型机与应用》;第35卷(第1期);74-76+80 * |
复杂装备滚动轴承的故障诊断与预测方法研究综述;赵磊 等;《中国测试》(第03期);20-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449626A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826684B (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114998695A (zh) | 一种提高图像识别速度的方法及系统 | |
Qiu et al. | Deep learning-based algorithm for vehicle detection in intelligent transportation systems | |
CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111898639A (zh) | 基于降维的分层时间记忆工业异常检测方法与装置 | |
CN113449626B (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
Zhao et al. | An intelligent diagnosis method of rolling bearing based on multi-scale residual shrinkage convolutional neural network | |
CN114205766A (zh) | 一种无线传感器网络异常节点检测与定位方法 | |
Feng et al. | A novel approach for trajectory feature representation and anomalous trajectory detection | |
Hofleitner et al. | Online Homotopy Algorithm for a Generalization of the LASSO | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
CN116739940A (zh) | 一种点云补全的方法、装置、设备及介质 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
CN113660236B (zh) | 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
Aljibawi et al. | A survey on clustering density based data stream algorithms | |
CN115375966A (zh) | 一种基于联合损失函数的图像对抗样本生成方法及系统 | |
CN114897842A (zh) | 基于纹理增强网络的红外小目标分割检测方法 | |
Zhang et al. | A spatial–spectral adaptive learning model for textile defect images recognition with few labeled data | |
CN115374931A (zh) | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 | |
Chen et al. | An image denoising method of picking robot vision based on feature pyramid network | |
Kim et al. | An enhanced density-based spatial separation strategy of 3D point clouds |
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 |