CN114548151B - 一种提升故障特征信号的方法、装置、介质及设备 - Google Patents
一种提升故障特征信号的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114548151B CN114548151B CN202210032665.5A CN202210032665A CN114548151B CN 114548151 B CN114548151 B CN 114548151B CN 202210032665 A CN202210032665 A CN 202210032665A CN 114548151 B CN114548151 B CN 114548151B
- Authority
- CN
- China
- Prior art keywords
- signal
- stationary
- matrix
- determining
- dimensional
- 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 49
- 239000011159 matrix material Substances 0.000 claims abstract description 271
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000005096 rolling process Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 28
- 239000002131 composite material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000001914 filtration Methods 0.000 description 9
- XPHBRTNHVJSEQD-UHFFFAOYSA-N anidoxime Chemical compound C=1C=CC=CC=1C(CCN(CC)CC)=NOC(=O)NC1=CC=C(OC)C=C1 XPHBRTNHVJSEQD-UHFFFAOYSA-N 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种提升故障特征信号的方法、装置、介质及设备，方法包括：利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；获取最优嵌入维数对应的目标Hankel矩阵中的高维振动信号；利用稳态子空间算法将高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；基于初始非平稳态信号的峭度值提取目标非平稳态信号；确定目标非平稳态信号1.5维三阶能量谱；如此，利用稳态子空间算法从高维振动信号中分解出振动信号的平稳部分和非平稳部分，提取故障信号；基于峭度值提取最优的目标非平稳态信号；确定目标非平稳态信号1.5维三阶能量谱，可抑制最优故障特征信号中的残余噪声，提升故障特性。
Description
技术领域
本发明属于海洋船舶故障诊断技术领域，尤其涉及一种提升故障特征信号的方法、装置、介质及设备。
背景技术
滚动轴承作为机械能传输的关键零部件，在海洋船舶等机械设备中的使用较为频繁，由于长时间运转、润滑油使用不当、轴承自身疲劳破损等原因，轴承发生故障的频率较高。滚动轴承发生故障时，典型的特征是产生冲击，在振动信号中的体现最为明显。然而，由于设备的结构复杂，元器件较多，当冲击信号从故障源开始，经过复杂的路径传递，信号往往存在一定程度的减弱，同时，设备中的其它元件之间存在激励现象，加上工作环境中噪声的干扰，因此采集到的信号中往往故障特征信号很微弱，甚至被淹没。因此，在针对滚动轴承故障诊断的众多研究中，去除振动信号中的背景噪声、进而提升故障特征是非常重要的一项工作。
相关技术中，一般包括以中心频率和频带为基础的滤波方法以及以信号分解为基础的滤波方法，比如采用经验模态分解(EMD)。但是以中心频率和频带为基础的滤波方法，在提取不同场景中的故障特征时，均需要重新确定出最佳的中心频率和边带，因此如何选取最佳的中心频率和边带，是这类方法的一大缺点，参数选取的合适与否会对故障特征提升的精度带来很大的影响。而信号分解为基础的滤波方法存在一些如模态混叠，端点效应，参数复杂，运算时间长等缺点，同时在噪声特别强烈的情况下，故障特征提升的效果也往往不太好。
发明内容
针对现有技术存在的问题，本发明实施例提供了一种提升故障特征信号的方法、装置、介质及设备，用于解决现有技术中在确定滚动轴承的故障信号时，不能有效去除背景噪声，无法确保故障特征信号的提升精度的技术问题。
本发明的第一方面，提供一种提升故障特征信号的方法，所述方法包括：
利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号；
利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声。
上述方案中，所述确定最优嵌入维数，包括：
针对当前维数为d的初始Hankel矩阵，确定d维初始Hankel矩阵的第一综合距离变化量；所述当前维数初始Hankel矩阵为所有初始Hankel矩阵中的任一矩阵；
确定d+1维初始Hankel矩阵的第二综合距离变化量；
确定所述第一综合距离变化量与所述第二综合距离变化量之间的综合值变化量；
若确定所述综合值变化量小于预设的阈值，则确定所述当前维数d为最优嵌入维数。
上述方案中，所述确定d维初始Hankel矩阵的第一综合距离变化量，包括：
根据公式Rd＝||X(d)i-X(d)i NN||确定d维初始Hankel矩阵中第一当前相点矢量X(d)i与所述第一当前相点矢量最近邻点X(d)i NN之间的第一欧拉距离Rd；
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与所述第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式确定所述d维初始Hankel矩阵的第一综合距离变化量E(d)；其中，
所述N为一维振动信号的数据长度；所述i为所述d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
上述方案中，所述确定所述d+1维初始Hankel矩阵的第二综合距离变化量，包括：
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定所述d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与所述第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式Rd+2＝||X(d+2)i-X(d+2)i NN||确定d+2维初始Hankel矩阵中第三当前相点矢量X(d+2)i与所述第三当前相点矢量最近邻点X(d+2)i NN之间的第三欧拉距离Rd+2；
根据公式确定d+1维Hankel矩阵的第二综合距离变化量E(d+1)；其中，
所述N为一维振动信号的信号点数量；所述i为所述d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
上述方案中，所述确定所述第二综合距离变化量与所述第一综合距离变化量之间的综合值变化量，包括：
根据公式确定所述第一综合距离变化量和所述第二综合距离变化量之间的综合值变化量E1(d)；其中，
所述d为所述当前维数；所述d+1维为所述当前维数的下一相邻维数，所述E(d)为d维初始Hankel矩阵的第一综合距离变化量；所述E(d+1)为d+1维Hankel矩阵的第二综合距离变化量。
上述方案中，所述利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机平稳空间投影矩阵及所述整体估计平均值确定平稳源估计信号均值，根据所述随机平稳空间投影矩阵及所述整体估计标准差确定平稳源估计信号协方差矩阵；
根据所述平稳源估计信号均值、所述平稳源估计信号协方差矩阵、所述平稳源估计信号均值及所述平稳源估计信号协方差矩阵的分布以及第一相对熵构造第一目标函数；所述第一目标函数为
利用梯度下降法确定所述第一目标函数的最优解，所述第一目标函数的最优解为所述目标Hankel矩阵对应的最优平稳空间投影矩阵；
基于所述最优平稳空间投影矩阵及所述目标Hankel矩阵确定平稳源信号；所述平稳源信号为所述平稳态振动信号；其中，
所述L1为平稳源估计信号的总数量，所述m为平稳源估计信号的序号，所述s为平稳stationary的缩写；所述DKL为距离计算运算符，所述为目标Hankel矩阵对应的估计平稳空间投影矩阵，所述/>为平稳源估计信号均值及平稳源估计信号协方差矩阵的欧几里德范数；所述/>为平稳源估计信号均值，所述/>为平稳源估计信号协方差矩阵；Norm(0,I)为标准矩阵I的欧几里德范数。
上述方案中，所述利用稳态子空间算法将所述高维振动信号分解为初始非平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机非平稳空间投影矩阵及所述整体估计平均值确定非平稳源估计信号均值，根据所述随机非平稳空间投影矩阵及所述整体估计标准差确定非平稳源估计信号协方差矩阵；
根据所述非平稳源估计信号均值、所述非平稳源估计信号协方差矩阵、所述非平稳源估计信号均值及所述非平稳源估计信号协方差矩阵的分布以及第二相对熵构造第二目标函数；所述第二目标函数为
利用梯度下降法确定所述第二目标函数的最优解，所述第二目标函数的最优解为所述目标Hankel矩阵对应的最优非平稳空间投影矩阵；
基于所述最优非平稳空间投影矩阵及所述目标Hankel矩阵确定非平稳源信号；所述非平稳源信号为所述非平稳态振动信号；其中，
所述L2为非平稳源估计信号的总数量，所述f为非平稳源估计信号的序号，所述n为非平稳non-stationary的缩写；DKL为距离计算运算符，为目标Hankel矩阵对应的估计非平稳空间投影矩阵，/>为非平稳源估计信号均值及非平稳源估计信号协方差矩阵的欧几里德范数；/>为非平稳源估计信号均值，/>为非平稳源估计信号协方差矩阵；Norm(0,I)为标准矩阵I的欧几里德范数。
本发明的第二方面，提供一种提升故障特征信号的装置，所述装置包括：
创建单元，用于利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
第一确定单元，用于确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵，以及所述目标Hankel矩阵中的高维振动信号；
分解单元，用于利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
提取单元，用于获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
第二确定单元，用于确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声。
本发明的第三方面，提供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第一方面中任一项所述方法的步骤。
本发明的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面中任一项所述方法的步骤。
本发明提供了一种提升故障特征信号的方法、装置、介质及设备，方法包括：利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵，以及所述目标Hankel矩阵中的高维振动信号；利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声；如此，由于滚动轴承正常运行时的振动及背景噪声具有平稳性，而故障时引起的冲击在振动信号中表现出非平稳性；因此本申请利用稳态子空间算法可有效地从高维振动信号中分解出原始振动信号的平稳部分和非平稳部分，初步将故障信号提取出来；然后基于每个非平稳态信号的峭度值来提取最优的目标非平稳态信号，此时目标非平稳态信号已包含有最优故障特征信号；最后确定目标非平稳态信号1.5维三阶能量谱，可抑制最优故障特征信号中的残余噪声，进而使得故障信号的主导频率及其谐波的幅值远高于其他频率，提升振动信号的故障特性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的提升故障特征信号的方法流程示意图；
图2为本发明实施例提供的提升故障特征信号的装置结构示意图；
图3为本发明实施例提供的计算机设备结构示意图；
图4为本发明实施例提供的计算机可读存储介质结构示意图。
图5为本发明实施例提供的一维振动信号示意图；
图6为本发明实施例提供的一维振动信号的频谱示意图；
图7为本发明实施例提供的第二综合距离变化量和第一综合距离变化量之间的综合值变化量E1(d)的趋势变化示意图；
图8为本发明实施例提供的平稳态振动信号的示意图；
图9为本发明实施例提供的非平稳态振动信号的示意图；
图10为本发明实施例提供的初始非平稳态信号的峭度值示意图；
图11为本发明实施例提供滚动轴承外圈的振动信号对应的目标非平稳态信号的1.5维三阶能量谱示意图；
图12为本发明实施例提供的滚动轴承内圈的振动信号对应的目标非平稳态信号的1.5维三阶能量谱示意图；
图13为本发明实施例提供的滚动轴承滚动体的振动信号对应的目标非平稳态信号的1.5维三阶能量谱示意图；
图14为本发明实施例提供的滚动轴承外圈故障信号分别与高通滤波、EMD、VMD、LMD确定的故障信号的包络谱对比结果示意图；
图15为本发明实施例提供的滚动轴承外圈故障特征信号与包络谱、TEO、三阶能量算子的对比结果示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。
本实施例提供一种提升故障特征信号的方法，其特征在于，所述方法包括：
S110，利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
本步骤中，可以利用安装在滚动轴承上的振动传感器，实时采集滚动轴承的振动信号，此时采集的振动信号是一维信号。其中，滚动轴承可以为任何机械旋转设备的滚动轴承，比如海洋船舶上的电机等。
本实施例考虑到滚动轴承正常运行时的振动及背景噪声具有平稳性，而故障时引起的冲击在振动信号中表现出的是非平稳性。因此可利用稳态子空间算法从高维振动信号中分解出原始振动信号(可理解为一维振动信号)的平稳部分和非平稳部分。但是因此稳态子空间算法适用于高维信号，因此本步骤需要对一维振动信号进行重构，确定出高维振动信号。
本实施例中是利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数(高维)的初始Hankel矩阵。
在最开始重构高维初始Hankel矩阵时，并不知晓哪个维数是最优的，因此需要基于初始维数逐一构建一维振动信号的不同维数的初始Hankel矩阵，以方便后续可以对不同维数的初始Hankel矩阵进行逐一计算，从而确定出最优嵌入维数以及最优嵌入维数对应的初始Hankel矩阵。
举例来说，假设一维振动信号为X＝{x1,x2,…xN}，矩阵重构的时间间隔为1，对该一维振动信号进行重构后，对应的初始Hankel矩阵为；其中，d为维数，N为一维振动信号的信号点数量，d的初始值一般为3，Xi为初始Hankel矩阵中的任一相点矢量，i为初始Hankel矩阵中的任一行信号序号，Xi＝{xi,xi+2,…xN-(d-i)}，0≤i≤d。
也即，当维数为3时，对应的初始Hankel矩阵为
当维数为4时，对应的初始Hankel矩阵为以此类推，最后能获得多个高维初始Hankel矩阵。
S111，确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号；
多个高维初始Hankel矩阵重构完毕之后，需要确定出最优的嵌入维数以及最优嵌入维数对应的目标Hankel矩阵。
在一种实施方式中，确定最优嵌入维数，包括：
针对当前维数为d的初始Hankel矩阵，确定d维初始Hankel矩阵的第一综合距离变化量；当前维数初始Hankel矩阵为所有初始Hankel矩阵中的任一矩阵；
当将初始d维Hankel矩阵的维数增加到d+1维时，确定d+1维初始Hankel矩阵的第二综合距离变化量；
确定所述第一综合距离变化量与第二综合距离变化量之间的综合值变化量；
若确定综合值变化量小于预设的阈值，则确定当前维数d为最优嵌入维数。
在一种实施方式中，确定d维初始Hankel矩阵的第一综合距离变化量，包括：
根据公式Rd＝||X(d)i-X(d)i NN||确定d维初始Hankel矩阵中第一当前相点矢量X(d)i与第一当前相点矢量最近邻点X(d)i NN之间的第一欧拉距离Rd；
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式确定d维初始Hankel矩阵的第一综合距离变化量E(d)；其中，
N为一维振动信号的数据长度；NN为最近邻点Nearest Neighbor的缩写；i为d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
这里，以d维初始Hankel矩阵中第一当前相点矢量X(d)i举例来说，X(d)i NN为d维初始Hankel矩阵除X(d)i之外的任一相点矢量。
在一种实施方式中，确定d+1维初始Hankel矩阵的第二综合距离变化量，包括：
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式Rd+2＝||X(d+2)i-X(d+2)i NN||确定d+2维初始Hankel矩阵中第三当前相点矢量X(d+2)i与第三当前相点矢量最近邻点X(d+2)i NN之间的第三欧拉距离Rd+2；
根据公式确定d+1维Hankel矩阵的第二综合距离变化量E(d+1)；其中，
N为一维振动信号的信号点数量；i为d维初始Hankel矩阵、d+1维初始Hankel矩阵、d+1维初始Hankel矩阵中的任一行信号序号。
其中，最近邻点是指当前维矩阵中除本身之外的所有相点向量(行向量)。以当前维数为3维的矩阵来说，当i＝1时，那么X(3)1的最近邻点是指在三维矩阵中，除X(3)1之外的所有行向量。
第一综合距离变化量和第二综合距离变化量确定出之后，可确定第二综合距离变化量和第一综合距离变化量之间的综合值变化量，包括：
根据公式确定第二综合距离变化量和第一综合距离变化量之间的综合值变化量E1(d)；其中，
d为当前维数；d+1维为当前维数的下一相邻维数；E(d)为d维初始Hankel矩阵的第一综合距离变化量；E(d+1)为d+1维Hankel矩阵的第二综合距离变化量。
本实施例中若确定E1(d)小于或等于预设的阈值(比如5％)时，则确定当前维数d为最优嵌入维数。
当确定E1(d)大于预设的阈值(比如5％)时，则说明d+1维初始Hankel矩阵是d维初始Hankel矩阵的虚假最邻近点，那么则不会将当前维数d确定为最优嵌入维数。
可以看出，本实施例对一维振动信号进行重构是关键保留故障特征，可最大程度分离背景噪声。
这样，通过确定出最优嵌入维数，进而获得最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号，为后续利用稳态子空间算法分离噪声做好基础。
S112，利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
确定出滚动轴承的高维振动信号后，利用稳态子空间算法将高维振动信号分解为平稳态振动信号及初始非平稳态振动信号。
在一种实施方式中，利用稳态子空间算法将高维振动信号分解为平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定高维振动信号的整体估计平均值和整体估计标准差；
确定目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；其中，随机平稳空间投影矩阵可理解为是随机设置的平稳空间投影矩阵；
根据所述随机平稳空间投影矩阵及所述整体估计平均值确定平稳源估计信号均值，根据所述随机平稳空间投影矩阵及所述整体估计标准差确定平稳源估计信号协方差矩阵；
根据平稳源估计信号均值、平稳源估计信号协方差矩阵、平稳源估计信号均值及平稳源估计信号协方差矩阵的分布以及第一相对熵构造第一目标函数；第一目标函数为
利用梯度下降法确定第一目标函数的最优解，第一目标函数的最优解为目标Hankel矩阵对应的最优平稳空间投影矩阵；
基于最优平稳空间投影矩阵及目标Hankel矩阵确定平稳源信号；平稳源信号为平稳态振动信号；其中，
L1为平稳源估计信号的总数量，m为平稳源估计信号的序号，s为平稳stationary的缩写，DKL为距离计算运算符(可以理解为确定和Norm(0,I)的距离平均值)，/>为目标Hankel矩阵对应的估计平稳空间投影矩阵，/>为平稳源估计信号均值及平稳源估计信号协方差矩阵的欧几里德范数；/>为平稳源估计信号均值，为平稳源估计信号协方差矩阵，Norm(0,I)为标准矩阵I的欧几里德范数。
同样的，在一种实施方式中，利用稳态子空间算法将高维振动信号分解为初始非平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；其中，随机非平稳空间投影矩阵可理解为是随机设置的非平稳空间投影矩阵；
根据随机非平稳空间投影矩阵及整体估计平均值确定非平稳源估计信号均值，根据随机非平稳空间投影矩阵及整体估计标准差确定非平稳源估计信号协方差矩阵；
根据非平稳源估计信号均值、非平稳源估计信号协方差矩阵、非平稳源估计信号均值及非平稳源估计信号协方差矩阵的分布以及第二相对熵构造第二目标函数；第二目标函数为
利用梯度下降法确定所述第二目标函数的最优解，第二目标函数的最优解为目标Hankel矩阵对应的最优非平稳空间投影矩阵；
基于最优非平稳空间投影矩阵及目标Hankel矩阵确定非平稳源信号；非平稳源信号为非平稳态振动信号；其中，
L2为非平稳源估计信号的总数量，f为非平稳源估计信号的序号，n为非平稳non-stationary的缩写，DKL为距离计算运算符，为目标Hankel矩阵对应的估计非平稳空间投影矩阵，/>为非平稳源估计信号均值及非平稳源估计信号协方差矩阵的分布；/>为非平稳源估计信号均值，/>为非平稳源估计信号协方差矩阵；Norm(0,I)为标准矩阵I的欧几里德范数。
这样通过稳态子空间算法将高维振动信号分解为h维平稳态振动信号Ss，及t维初始非平稳态振动信号Sn，将故障信号初步提取出来。其中， t＝d-h。
S113，获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
在一种实施方式中，基于峭度值从初始非平稳态信号中提取目标非平稳态信号，包括：
获取所有初始非平稳态信号的当前峭度值；
若确定当前峭度值大于预设峭度阈值，则将当前峭度值对应的初始非平稳态信号作为目标非平稳态信号。
本实施例中，峭度阈值一般是远大于3的值，比如9。在实际应用中，峭度阈值可基于实际情况进行设置，在此不做限制。
这样，本步骤根据振动信号的特征，采用对信号冲击性有良好表现的峭度指标对信号进行分析，计算所有非平稳信号的峭度，峭度满足峭度阈值的初始非平稳态信号即为最佳的滤波后信号，实现振动信号的有效滤波，有效去除背景噪声。
S114，确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声。
为了抑制目标非平稳态信号中的残余噪声，提升故障特性，本实施例在确定出目标非平稳态信号后，还需确定目标非平稳态信号的1.5维三阶能量谱。
在一种实施方式中，确定目标非平稳态信号1.5维三阶能量谱，包括：
根据公式对目标非平稳态信号进行三阶能量算子解调，并获得目标非平稳态信号的解调信号/>
根据公式确定解调信号的三阶累积量的对角切线函数C(τ)；
根据公式对对角切线函数进行傅里叶变换，得到目标非平稳态信号的1.5维三阶能量谱C(ω)；其中，
Sj(k)为目标非平稳态信号中的第k个数据，3≤k≤N-2，N为一维振动信号的信号点数量；j为目标非平稳态信号在所有非平稳态信号中的序号；Sj(k+1)为目标非平稳态信号中的第k+1个数据，Sj(k-1)为目标非平稳态信号中的第k-1个数据，Sj(k-2)为目标非平稳态信号中的第k-2个数据，Sj(k+2)为目标非平稳态信号中的第k+2个数据，E为期望运算符，为目标非平稳态信号的解调信号。
其中，目标非平稳态信号的1.5维三阶能量谱如图8所示。
这样最终使得故障信号的主导频率及其谐波的幅值远高于其他频率，提升振动信号的故障特性。
本实施例提供的方法，考虑到滚动轴承正常运行时的振动及背景噪声具有平稳性，而故障时引起的冲击在振动信号中表现出非平稳性；因此本申请利用稳态子空间算法可有效地从高维振动信号中分解出原始振动信号的平稳部分和非平稳部分，初步将故障信号提取出来；然后基于每个非平稳态信号的峭度值来提取最优的目标非平稳态信号，此时目标非平稳态信号已包含有最优故障特征信号；最后确定目标非平稳态信号1.5维三阶能量谱，可抑制最优故障特征信号中的残余噪声，进而使得故障信号的主导频率及其谐波的幅值远高于其他频率，提升振动信号的故障特性。
基于与前述实施例同样的发明构思，本实施例还提供一种提升故障特征信号的装置，如图2所示，装置包括：
创建单元21，用于利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
确定单元22，用于确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵，以及所述目标Hankel矩阵中的高维振动信号；
分解单元23，用于利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
提取单元24，用于获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
确定单元25，用于确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声。
以上各单元的具体功能可参见上述方法实施例中的对应描述，在此不再赘述。由于本发明实施例所介绍的装置，为实施本发明实施例的方法所采用的装置，故而基于本发明实施例所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例的方法所采用的装置都属于本发明所欲保护的范围。
基于与前述实施例同一发明构思，本发明实施例还提供一种计算机设备，如图3所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，如图4所示，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
通过本发明的一个或者多个实施例，本发明实施例具有以下有益效果或者优点：
本发明提供了一种提升故障特征信号的方法、装置、介质及设备，方法包括：利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵，以及所述目标Hankel矩阵中的高维振动信号；利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；确定所述目标非平稳态信号1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声；如此，由于滚动轴承正常运行时的振动及背景噪声具有平稳性，而故障时引起的冲击在振动信号中表现出非平稳性；因此本申请利用稳态子空间算法可有效地从高维振动信号中分解出原始振动信号的平稳部分和非平稳部分，初步将故障信号提取出来；然后基于每个非平稳态信号的峭度值来提取最优的目标非平稳态信号，此时目标非平稳态信号已包含有最优故障特征信号；最后确定目标非平稳态信号1.5维三阶能量谱，可抑制最优故障特征信号中的残余噪声，进而使得故障信号的主导频率及其谐波的幅值远高于其他频率，提升振动信号的故障特性。
在实际应用中，当利用上述实施例提供的方法及装置来提升某型号海洋船舶电机滚动轴承外圈的故障信号时，具体实现如下：
首先，基于采样频率为100kHz，1500RPM，采集滚动轴承的一维振动信号，一维振动信号如图5所示，一维振动信号的频谱如图6所示。
然后，利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号；
在一种实施方式中，确定最优嵌入维数，包括：
针对当前维数为d的初始Hankel矩阵，确定d维初始Hankel矩阵的第一综合距离变化量；当前维数初始Hankel矩阵为所有初始Hankel矩阵中的任一矩阵；
当将初始d维Hankel矩阵的维数增加到d+1维时，确定d+1维初始Hankel矩阵的第二综合距离变化量；
确定所述第一综合距离变化量与第二综合距离变化量之间的综合值变化量；
若确定综合值变化量小于预设的阈值，则确定当前维数d为最优嵌入维数。
在一种实施方式中，确定d维初始Hankel矩阵的第一综合距离变化量，包括：
根据公式Rd＝||X(d)i-X(d)i NN||确定d维初始Hankel矩阵中第一当前相点矢量X(d)i与第一当前相点矢量最近邻点X(d)i NN之间的第一欧拉距离Rd；
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式确定d维初始Hankel矩阵的第一综合距离变化量E(d)；其中，
N为一维振动信号的数据长度；i为d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
这里，以d维初始Hankel矩阵中第一当前相点矢量X(d)i举例来说，X(d)i NN为d维初始Hankel矩阵除X(d)i之外的任一相点矢量。
在一种实施方式中，确定d+1维初始Hankel矩阵的第二综合距离变化量，包括：
根据公式Rd+1＝||X(d+1)i-X(d+1)i NN||确定d+1维初始Hankel矩阵中第二当前相点矢量X(d+1)i与第二当前相点矢量最近邻点X(d+1)i NN之间的第二欧拉距离Rd+1；
根据公式Rd+2＝||X(d+2)i-X(d+2)i NN||确定d+2维初始Hankel矩阵中第三当前相点矢量X(d+2)i与第三当前相点矢量最近邻点X(d+2)i NN之间的第三欧拉距离Rd+2；
根据公式确定d+1维Hankel矩阵的第二综合距离变化量E(d+1)；其中，/>
N为一维振动信号的信号点数量；i为d维初始Hankel矩阵、d+1维初始Hankel矩阵、d+1维初始Hankel矩阵中的任一行信号序号。
第一综合距离变化量和第二综合距离变化量确定出之后，可确定第二综合距离变化量和第一综合距离变化量之间的综合值变化量，包括：
根据公式确定第二综合距离变化量和第一综合距离变化量之间的综合值变化量E1(d)；其中，
d为当前维数；d+1维为当前维数的下一相邻维数。
其中，E1(d)的变化趋势可如图7所示，从图7中可以看出，当d＝6时(标记71)，E1(d)小于预设的距离变化量，那么d＝6为最优嵌入维数。
随后，利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号。
其中，平稳态信号和初始非平稳态信号可能包括多个，这里以其中一个为例进行说明：平稳态振动信号可如图8所示，初始非平稳态振动信号可如图9所示。
获取初始非平稳态信号的峭度值，基于峭度值从初始非平稳态信号中提取目标非平稳态信号；目标非平稳态信号包含有最优故障特征信号。其中，初始非平稳态信号的峭度值可如图10所示。
确定目标非平稳态信号的1.5维三阶能量谱，以抑制最优故障特征信号中的残余噪声。其中，目标非平稳态信号的1.5维三阶能量谱如图11所示。
同样的，当利用上述实施例提供的方法及装置来提升滚动轴承内圈的故障信号时，最后获得的目标非平稳态信号的1.5维三阶能量谱如图12所示。
当利用上述实施例提供的方法及装置来提升滚动轴承滚动体的故障信号时，最后获得的目标非平稳态信号的1.5维三阶能量谱如图13所示。
以提升后的滚动轴承外圈故障信号为例进行说明，与现有技术中利用高通滤波、经验模态分解(EMD，Empirical Mode Decomposition)、变分模态分解(VMD，Variable ModeDecomposition)、局部均值分解(LMD，Local Mean Decomposition)进行滤波后获得的故障信号进行对比，包络谱对比结果如图14所示。其中，在图14中，标记141为本实施例中获取的故障信号，标记142为利用高通滤波确定的故障信号，标记143为利用EMD确定的故障信号，标记144为利用VMD确定的故障信号，标记145为利用LMD确定的故障信号。从图14中可以看出，本实施例中确定的故障信号的包络谱呈多倍频，说明故障信号的精度较高。
进一步地，本实施例确定出的滚动轴承外圈故障特征信号与包络谱、TEO、三阶能量算子的对比结果如图15所示。在图15中，菱形代表包络谱对应的故障特征信号幅值；星型/>代表TEO对应的故障特征信号幅值；三角形/>代表三阶能量算子对应的故障特征信号幅值；米型/>代表1.5维三阶能量谱(本实施例提供的方法)对应的故障特征信号幅值。
从图15可以看出，1.5维三阶能量谱中的主导频率及其谐波对应的幅值最大，证明了本实施例提供的方法在特故障征提升方面效果更好。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种提升故障特征信号的方法，其特征在于，所述方法包括：
利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号；
利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声；其中，
所述利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机平稳空间投影矩阵及所述整体估计平均值确定平稳源估计信号均值，根据所述随机平稳空间投影矩阵及所述整体估计标准差确定平稳源估计信号协方差矩阵；
根据所述平稳源估计信号均值、所述平稳源估计信号协方差矩阵、所述平稳源估计信号均值及所述平稳源估计信号协方差矩阵的分布以及第一相对熵构造第一目标函数；所述第一目标函数为；
利用梯度下降法确定所述第一目标函数的最优解，所述第一目标函数的最优解为所述目标Hankel矩阵对应的最优平稳空间投影矩阵；
基于所述最优平稳空间投影矩阵及所述目标Hankel矩阵确定平稳源信号；所述平稳源信号为所述平稳态振动信号；其中，
所述L1为平稳源估计信号的总数量，所述m为平稳源估计信号的序号，所述s为平稳stationary的缩写；所述为距离计算运算符，所述/>为目标Hankel矩阵对应的估计平稳空间投影矩阵，所述/>为平稳源估计信号均值及平稳源估计信号协方差矩阵的欧几里德范数；所述/>为平稳源估计信号均值，所述/>为平稳源估计信号协方差矩阵；/>为标准矩阵I的欧几里德范数；
所述利用稳态子空间算法将所述高维振动信号分解为初始非平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机非平稳空间投影矩阵及所述整体估计平均值确定非平稳源估计信号均值，根据所述随机非平稳空间投影矩阵及所述整体估计标准差确定非平稳源估计信号协方差矩阵；
根据所述非平稳源估计信号均值、所述非平稳源估计信号协方差矩阵、所述非平稳源估计信号均值及所述非平稳源估计信号协方差矩阵的分布以及第二相对熵构造第二目标函数；所述第二目标函数为；
利用梯度下降法确定所述第二目标函数的最优解，所述第二目标函数的最优解为所述目标Hankel矩阵对应的最优非平稳空间投影矩阵；
基于所述最优非平稳空间投影矩阵及所述目标Hankel矩阵确定非平稳源信号；所述非平稳源信号为所述非平稳态振动信号；其中，
所述L2为非平稳源估计信号的总数量，所述f为非平稳源估计信号的序号，所述n为非平稳non-stationary的缩写；为距离计算运算符，/>为目标Hankel矩阵对应的估计非平稳空间投影矩阵，/>为非平稳源估计信号均值及非平稳源估计信号协方差矩阵的欧几里德范数；/>为非平稳源估计信号均值，/>为非平稳源估计信号协方差矩阵；/>为标准矩阵I的欧几里德范数。
2.如权利要求1所述的方法，其特征在于，所述确定最优嵌入维数，包括：
针对当前维数为d的初始Hankel矩阵，确定d维初始Hankel矩阵的第一综合距离变化量；所述当前维数初始Hankel矩阵为所有初始Hankel矩阵中的任一矩阵；
确定d+1维初始Hankel矩阵的第二综合距离变化量；
确定所述第一综合距离变化量与所述第二综合距离变化量之间的综合值变化量；
若确定所述综合值变化量小于预设的阈值，则确定所述当前维数d为最优嵌入维数。
3.如权利要求2所述的方法，其特征在于，所述确定d维初始Hankel矩阵的第一综合距离变化量，包括：
根据公式确定d维初始Hankel矩阵中第一当前相点矢量/>与所述第一当前相点矢量最近邻点/>之间的第一欧拉距离/>；
根据公式确定d+1维初始Hankel矩阵中第二当前相点矢量/>与所述第二当前相点矢量最近邻点/>之间的第二欧拉距离/>；
根据公式确定所述d维初始Hankel矩阵的第一综合距离变化量；其中，
所述N为一维振动信号的数据长度；所述i为所述d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
4.如权利要求2所述的方法，其特征在于，所述确定所述d+1维初始Hankel矩阵的第二综合距离变化量，包括：
根据公式确定所述d+1维初始Hankel矩阵中第二当前相点矢量/>与所述第二当前相点矢量最近邻点/>之间的第二欧拉距离/>；
根据公式确定d+2维初始Hankel矩阵中第三当前相点矢量/>与所述第三当前相点矢量最近邻点/>之间的第三欧拉距离/>；
根据公式确定d+1维Hankel矩阵的第二综合距离变化量；其中，
所述N为一维振动信号的信号点数量；所述i为所述d维初始Hankel矩阵及所述d+1维初始Hankel矩阵中的任一行信号序号。
5.如权利要求2所述的方法，其特征在于，所述确定所述第二综合距离变化量与所述第一综合距离变化量之间的综合值变化量，包括：
根据公式确定所述第一综合距离变化量和所述第二综合距离变化量之间的综合值变化量/>；其中，
所述d为所述当前维数；所述d+1维为所述当前维数的下一相邻维数，所述为d维初始Hankel矩阵的第一综合距离变化量；所述/>为d+1维Hankel矩阵的第二综合距离变化量。
6.一种提升故障特征信号的装置，其特征在于，所述装置包括：
创建单元，用于利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；
第一确定单元，用于确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵，以及所述目标Hankel矩阵中的高维振动信号；
分解单元，用于利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；
提取单元，用于获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；
第二确定单元，用于确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声；其中，
所述利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机平稳空间投影矩阵及所述整体估计平均值确定平稳源估计信号均值，根据所述随机平稳空间投影矩阵及所述整体估计标准差确定平稳源估计信号协方差矩阵；
根据所述平稳源估计信号均值、所述平稳源估计信号协方差矩阵、所述平稳源估计信号均值及所述平稳源估计信号协方差矩阵的分布以及第一相对熵构造第一目标函数；所述第一目标函数为；
利用梯度下降法确定所述第一目标函数的最优解，所述第一目标函数的最优解为所述目标Hankel矩阵对应的最优平稳空间投影矩阵；
基于所述最优平稳空间投影矩阵及所述目标Hankel矩阵确定平稳源信号；所述平稳源信号为所述平稳态振动信号；其中，
所述L1为平稳源估计信号的总数量，所述m为平稳源估计信号的序号，所述s为平稳stationary的缩写；所述为距离计算运算符，所述/>为目标Hankel矩阵对应的估计平稳空间投影矩阵，所述/>为平稳源估计信号均值及平稳源估计信号协方差矩阵的欧几里德范数；所述/>为平稳源估计信号均值，所述/>为平稳源估计信号协方差矩阵；/>为标准矩阵I的欧几里德范数；
所述利用稳态子空间算法将所述高维振动信号分解为初始非平稳态振动信号，包括：
针对每个采集时间段的高维振动信号，确定所述高维振动信号的整体估计平均值和整体估计标准差；
确定所述目标Hankel矩阵对应的随机平稳空间投影矩阵以及非平稳空间投影矩阵；
根据所述随机非平稳空间投影矩阵及所述整体估计平均值确定非平稳源估计信号均值，根据所述随机非平稳空间投影矩阵及所述整体估计标准差确定非平稳源估计信号协方差矩阵；
根据所述非平稳源估计信号均值、所述非平稳源估计信号协方差矩阵、所述非平稳源估计信号均值及所述非平稳源估计信号协方差矩阵的分布以及第二相对熵构造第二目标函数；所述第二目标函数为；
利用梯度下降法确定所述第二目标函数的最优解，所述第二目标函数的最优解为所述目标Hankel矩阵对应的最优非平稳空间投影矩阵；
基于所述最优非平稳空间投影矩阵及所述目标Hankel矩阵确定非平稳源信号；所述非平稳源信号为所述非平稳态振动信号；其中，
所述L2为非平稳源估计信号的总数量，所述f为非平稳源估计信号的序号，所述n为非平稳non-stationary的缩写；为距离计算运算符，/>为目标Hankel矩阵对应的估计非平稳空间投影矩阵，/>为非平稳源估计信号均值及非平稳源估计信号协方差矩阵的欧几里德范数；/>为非平稳源估计信号均值，/>为非平稳源估计信号协方差矩阵；/>为标准矩阵I的欧几里德范数。
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1-5任一项所述方法的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032665.5A CN114548151B (zh) | 2022-01-12 | 2022-01-12 | 一种提升故障特征信号的方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032665.5A CN114548151B (zh) | 2022-01-12 | 2022-01-12 | 一种提升故障特征信号的方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114548151A CN114548151A (zh) | 2022-05-27 |
| CN114548151B true CN114548151B (zh) | 2024-04-16 |
Family
ID=81670945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032665.5A Active CN114548151B (zh) | 2022-01-12 | 2022-01-12 | 一种提升故障特征信号的方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548151B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241915A (zh) * | 2018-09-11 | 2019-01-18 | 浙江大学 | 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法 |
| CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
| CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
| CN112857804A (zh) * | 2021-02-09 | 2021-05-28 | 广东海洋大学 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
-
2022
- 2022-01-12 CN CN202210032665.5A patent/CN114548151B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
| CN109241915A (zh) * | 2018-09-11 | 2019-01-18 | 浙江大学 | 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法 |
| CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
| CN112857804A (zh) * | 2021-02-09 | 2021-05-28 | 广东海洋大学 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114548151A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
| CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
| CN108731945B (zh) | 一种航空发动机转子系统故障信号特征信息的提取方法 | |
| CN106017926A (zh) | 基于变模态分解的滚动轴承故障诊断方法 | |
| CN110458976B (zh) | 一种基于小波和主分量分析的螺旋桨空化状态检测方法 | |
| CN108760316A (zh) | 变分模态分解的变参信息融合方法 | |
| Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
| CN116383754B (zh) | 一种机车车辆配件生产在线监测系统及方法 | |
| CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
| JP2019100761A (ja) | 電磁振動成分の除去方法、回転機械診断方法、及び回転機械診断装置 | |
| CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
| Soualhi et al. | PHM survey: Implementation of signal processing methods for monitoring bearings and gearboxes | |
| CN114548151B (zh) | 一种提升故障特征信号的方法、装置、介质及设备 | |
| CN114565000B (zh) | 一种球轴承的故障确定方法、设备以及存储介质 | |
| Leite et al. | Bearing fault detection in induction machine using squared envelope analysis of stator current | |
| Khan et al. | Intelligent fault detection via dilated convolutional neural networks | |
| CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
| Klein et al. | Methods for diagnostics of bearings in non-stationary environments | |
| CN112766203A (zh) | 一种确定故障信号的方法、装置、存储介质及计算机设备 | |
| Yang | The detection of bearing incipient fault with maximal overlap discrete wavelet packet transform and sparse code shrinkage denoising | |
| CN115436058B (zh) | 一种轴承故障特征提取的方法、装置、设备以及存储介质 | |
| Popescu et al. | A general approach for change detection in vibration signals with application in machine health monitoring | |
| Nezamivand Chegini et al. | Noise removal from the vibration signals of the rotating machinery using the empirical wavelet transform and the conventional thresholding methods | |
| JP5164077B2 (ja) | 相互相関を用いた動揺雑音低減法及び交流信号抽出法 | |
| El-Mongy | Feature extraction enhancement based on parameterless empirical wavelet transform: Application to bearing fault diagnosis |
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 |