CN113495193A - 一种基于多小波变换和聚类分析的故障诊断方法 - Google Patents
一种基于多小波变换和聚类分析的故障诊断方法 Download PDFInfo
- Publication number
- CN113495193A CN113495193A CN202010247784.3A CN202010247784A CN113495193A CN 113495193 A CN113495193 A CN 113495193A CN 202010247784 A CN202010247784 A CN 202010247784A CN 113495193 A CN113495193 A CN 113495193A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fault diagnosis
- wavelet transform
- feature
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供一种故障诊断方法。利用多小波技术对信号进行特征提取,再利用聚类算法分类,通过比较故障信号和正常信号的特征参数,构建电磁辐射的特征库。该方法是根据数据的相似性进行聚类分类,当输入新的测试数据时,进行特征提取后与电磁辐射样本库的数据进行比较,判断设备是否故障,提高故障诊断的效率。
Description
技术领域
本发明涉及一种信号处理方法,具体涉及一种故障诊断方法。
背景技术
在电子系统自身工作状态的恶化及工作环境的恶劣,发生故障的概率增大,一旦电子系统的关键部位发生故障,轻则影响设备正常运行,重则可能损坏设备。
随着现代工业自动化和智能化水平的逐步提高,电子系统的构成模式逐渐复杂起来,因为电子系统处于工作状态时可能会表现出不同的故障情况,导致设备不能按照原来的状态正常工作,与此相关的故障诊断技术和方法就出现了。早期的电子系统组成比较简单,故障诊断主要是依赖于人工检测,后期随着科技水平的提高,设备更加复杂化,人工检测不能满足于更大更复杂的电子设备,因此需结合故障诊断方法来进行故障的诊断。
发明内容
本发明的目的在于提供一种解决上述问题,基于多小波变换和聚类分析的故障诊断方法。
为了实现上述目的,本发明采用的技术是这样的,一种基于多小波变换和聚类分析的故障诊断方法,包括以下步骤。
(1)利用接收机、计算机、天线、电源网络等组成的测试系统对电磁辐射信号进行数据采集。
(2)利用多小波变换对采集的信号进行特征选择和特征提取。
(3)利用聚类分析算法对提取到的数据进行聚类,构建电磁辐射特征库。
(4)将测试中提取到的特征与特征库里面的特征进行比较,判断是否发生故障及故障的类型。
本发明与现有技术相比的优点是:测试系统包含的硬件设备比较简单,不复杂;利用多小波技术和聚类分析方法对电磁辐射进行故障特征的提取,故障诊断效率高。结合电磁辐射发射测试数据的特点,对数据进行分频段处理,选取多小波能量参数、峰值特性等作为信号特征,对信号的特征提取方法进行了研究,选择合适的多小波函数,对数据进行处理,并运用聚类分析技术对提取到的数据进行聚类,达到故障诊断的目的。
附图说明
图1为故障诊断方案图。
图2为测试系统的总框图。
图3为故障判断流程图。
具体实施方式
下面将结合附图对本发明作进一步说明。
图1是故障诊断方案图,根据测得的电磁辐射发射数据,利用多小波技术对信号进行特征提取,再利用聚类算法分类,通过比较故障电磁辐射的信号和正常电磁辐射的信号的特征参数,构建电磁辐射的特征库,该方法是根据数据的相似性进行聚类分类,输入新的测试数据时,进行特征提取后与电磁辐射样本库的数据进行比较,判断设备是否故障。
图2是测试系统的总框图,包含接收机、计算机、天线、待测试的设备、线路/电源阻抗稳定网络等测试附件,为避免待测设备和外界电磁环境间存在联系,影响实验效果,进行测试时在屏蔽暗室的测试环境中。
双通道接收机由信号接收、射频(RF)信号调理、中频(IF)信号混频、信号模数转换、数据的处理和计算机这几个部分构成。
计算机中的测试系统的软件部分主要的功能是分析处理数据、显示存储结果。
故障特征的提取环节中,进行故障诊断以多小波分解后的多小波系数的统计特征为设备的故障特征信息,r重多小波的特点是含有r个尺度函数和小波函数,多小波有精确的小波系数,使多小波分析的灵敏性得到提高,多小波的多重阶数r越大,具有的细节系数更多,运用GHM多小波进行故障特征的提取, GHM多小波的两尺度函数ϕ1、ϕ2的支撑区间分别为[0 1]和[0 2],两小波函数ψ1、ψ2的支撑区间都是[0 2]。
利用多小波分析信号时,被分析的信号大多数是传感器采集的离散点,当尺度函数r=2时,多小波分解的离散形式为:
多小波重构的离散形式为:
cj,k=(c1,j,k,…,cr,j,k)T--r维低频分量,dj,k=(d1,j,k,…,dr,j,k)T--r维高频分量。
利用多小波变换故障特征提取步骤如下:利用试验设备对电磁辐射信号的相关数据进行采集;对信号进行多小波变换;分解和重构多小波,提取各个频段的能量特征;对特征向量进行提取,对各特征向量统一处理,把处理后的结果作为故障诊断的特征向量。
根据单调性原则进行判断,记录测试数据的峰值频点,使用单调性检验算法,逐个点判断,若数据点左侧数据幅值单调增同时右侧数据幅值单调减,则判定为一个峰值点,但是,根据单调性原则判断峰值点,难免会得到一些错误的底噪数据,因此也需要预先设置阈值,只有高于阈的峰值点才进行特征提取,把整个频段的测试数据幅值的均值设置为阈值。
对特征提取后的数据进行聚类分析,根据不同数据之间的关系,把具有相似性特点的数据归为一类,具有较大差异性的数据分离。在聚类开始前要设置好初始条件,指定值来表达预期要达到的种类数目。它的基本思想为:根据待聚类的N个数据样本和期望达到的种类数目,从N个样本中随机选择出个作为最开始的计算中心,接着再计算其他数据点到每一个中心的间隔距离,选择和其本身距离最小的聚类中心点为同一个类别,第一次迭代结束,接下来看此次迭代能否达标,若是达到了设定的目标则聚类结束,否则继续进行下一轮的迭代,下一轮的迭代事实上是重新计算中心点,然后计算各个数据点与新中心的间距,重新选择类别,迭代直到满足设定的条件终止,具体方法如下。
重复第3、4步直到结果不变为止,保留最后的归类结果。
K-means算法中K值的选择开始时为2,根据聚类结果和故障数据特征的不同,判断聚类结果中数据样本和样本中心的距离调整,若一个样本距离每个类别中心都比较远,就对K值进行调整并把其设为一个新类别,直到完成所有样本的聚类分析。
样本数据中的正常数据样本较多,故障的数据样本较少,将各个频段的数据用聚类分析方法进行聚类并结合包络特征和峰值特征,给出数据的类别判断,当有一组数据输入的时候,对其进行特征提取,并将提取的特征按照规则进行分类,判断是否存在故障,若出现的结果和所有类别都不匹配时可借助人工检验辅助进行分类,保存成新的特征类别,完善样本库。
数据的分类匹配可利用相关系数作为评价分类的标准,表达式为:
是、的协方差,、分别是、的方差。根据相关系数的大小判断数据之间的相似度,若相关系数为1代表两组数据之间有相同的特性,相关系数越小数据间的差异越明显,若结果是负数则表示两组数据间不相似,当相关系数大于0.5时可以推断出这两组数据之间具有较大的相似性,这组待测数据具备该类别的性质,一组数据可能和几个类别都有相似性,说明该设备可能存在多个故障。
图3为故障判断流程图,当输入新的测试数据时,首先将数据分成多个频段,对每个频段的特征向量进行提取和分析,判断提取出的特征与特征库中的类别是否相关,若数据特征和特征库里面的正常数据类别相关,则判断设备正常没有故障;若数据特征和特征库里面的故障数据类别相关,则判断设备故障;若数据特征和特征库的类别不相关,利用人工经验辅助对该数据进行判断并存入样本库,判断设备故障。
利用MATLAB仿真软件构建仿真系统建立GUI用户界面,输入测试的电磁辐射数据以后,选择频段范围,按下特征提取和故障种类分类按钮显示故障的分类结果。
Claims (5)
1.一种基于多小波变换和聚类分析的故障诊断方法,其特征在于:包括以下步骤:
(1)信号的采集:利用接收机、计算机、天线、电源网络等组成的测试系统对电磁辐射信号进行数据采集;
(2)特征提取:选择多小波变换对采集的信号进行特征选择和特征提取;
(3)故障分类:利用聚类分析算法对提取到的数据进行聚类,构建电磁辐射特征库;
(4)故障判断:将测试中提取到的特征与特征库里面的特征进行比较,判断是否发生故障及故障的类型。
2.根据权利要求1所述的一种基于多小波变换和聚类分析的故障诊断方法,其特征在于:步骤(1)中对信号进行数据采集的具体方法为:在暗室环境中,线路/电源阻抗稳定网络对电源输入进行滤波,测试天线获得辐射发射信号,使辐射信号传送到接收机,由接收机显示频谱数据,最后数据传输到计算机,由计算机得到采集到的频谱数据,获得设备工作时的电磁辐射发射数据。
3.根据权利要求1所述的一种基于多小波变换和聚类分析的故障诊断方法,其特征在于:步骤(2)对采集到的信号进行特征选择和特征提取,故障特征的提取环节中,进行故障诊断以多小波分解后的多小波系数的统计特征和峰值特征为设备的故障特征信息。
4.根据权利要求1所述的一种基于多小波变换和聚类分析的故障诊断方法,其特征在于:步骤(3)利用对测试数据进行分类,利用聚类分析中的K-means算法对数据的聚类,把具有相似性特点的数据归为一类,具有较大差异性的数据分离。
5.根据权利要求1所述的一种基于多小波变换和聚类分析的故障诊断方法,其特征在于:步骤(4)中输入的新数据通过特征提取后与特征库中的特征进行比较来判断故障是否发生以及判断故障的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247784.3A CN113495193A (zh) | 2020-04-01 | 2020-04-01 | 一种基于多小波变换和聚类分析的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247784.3A CN113495193A (zh) | 2020-04-01 | 2020-04-01 | 一种基于多小波变换和聚类分析的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113495193A true CN113495193A (zh) | 2021-10-12 |
Family
ID=77993054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247784.3A Pending CN113495193A (zh) | 2020-04-01 | 2020-04-01 | 一种基于多小波变换和聚类分析的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113495193A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381491A (zh) * | 2023-06-05 | 2023-07-04 | 南京苏尚电气科技有限公司 | 一种新能源汽车电机故障定位系统及方法 |
CN117310452A (zh) * | 2023-11-29 | 2023-12-29 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-01 CN CN202010247784.3A patent/CN113495193A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381491A (zh) * | 2023-06-05 | 2023-07-04 | 南京苏尚电气科技有限公司 | 一种新能源汽车电机故障定位系统及方法 |
CN117310452A (zh) * | 2023-11-29 | 2023-12-29 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
CN117310452B (zh) * | 2023-11-29 | 2024-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5793961B2 (ja) | 電磁波識別装置、電磁波識別方法及びプログラム | |
Iorkyase et al. | Improving RF-based partial discharge localization via machine learning ensemble method | |
CN110879351B (zh) | 一种基于rcca-svm的非线性模拟电路故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
CN111337798B (zh) | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 | |
CN117390373B (zh) | 一种通信传输设备调测维修管理方法及系统 | |
CN112883895B (zh) | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 | |
CN116707675B (zh) | 无线电信号的检测、无线电信号的异常检测方法及装置 | |
CN112697270A (zh) | 故障检测方法、装置、无人设备及存储介质 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
CN114614922A (zh) | 基于频域的民航甚高频通信中的频谱数据清洗方法 | |
CN116008735A (zh) | 一种基于密度的局部放电信号提取方法及系统 | |
Wang et al. | Time-frequency features extraction and classification of partial discharge UHF signals | |
CN117912599B (zh) | 基于人工智能的食品添加剂检测方法 | |
CN112104340A (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN114371222B (zh) | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 | |
CN117316184B (zh) | 一种基于音频信号的事件检测反馈处理系统 | |
CN115166453B (zh) | 基于边缘实时射频脉冲分类的局放连续监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211012 |