CN116881636B - 基于人工智能的频域信号分析检测方法 - Google Patents
基于人工智能的频域信号分析检测方法 Download PDFInfo
- Publication number
- CN116881636B CN116881636B CN202311155168.5A CN202311155168A CN116881636B CN 116881636 B CN116881636 B CN 116881636B CN 202311155168 A CN202311155168 A CN 202311155168A CN 116881636 B CN116881636 B CN 116881636B
- Authority
- CN
- China
- Prior art keywords
- imf
- frequency domain
- component
- vibration
- equipment
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 239000004480 active ingredient Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于人工智能的频域信号分析检测方法,包括:采集设备的震动原始信号,并对其进行预处理,得到设备的震动信号;利用EMD算法对设备的震动信号进行分解,得到设备的若干个IMF分量;对设备的每个IMF分量进行频域特征分析,得到设备的每个IMF分量含有正常震动成分分量可能性;对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号;通过两种重构时序信号进行设备异常的震动信号进行检测。本发明直接对采集到的信号进行分析,不需要考虑历史数据,整体的计算量更小,进行设备震动异常检测的时候鲁棒性更强。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的频域信号分析检测方法。
背景技术
在工业生产中,设备故障对生产安全和效率有严重影响。因此,对设备的实时监测和故障检测变得尤为重要。震动信号是常用的监测手段之一,它可以提供关于设备运行状态和潜在故障的重要信息。传统的基于时域分析的方法在故障检测方面取得了一定的成果,但其在复杂背景噪声和低信噪比条件下的准确性和可靠性仍有待提高。
现有技术中对于设备的震动信号异常进行检测的时候一般是通过时域与正常的震动信号进行匹配的方法,但是在复杂背景噪声和低信噪比条件下,时域进行设备的震动信号的分析匹配的时候往往因为其余因素的影响从而导致准确性和可靠性不够,从而导致设备的震动信号中的异常检测发生误检或者漏检。
发明内容
为了解决上述问题,本发明提供基于人工智能的频域信号分析检测方法,所述方法包括:
获取生产设备的震动信号;
对生产设备的震动信号进行分解,得到若干个生产设备的IMF分量;
获取设备的每个IMF分量对应的频域分量数据;根据所述频域分量数据获得频谱带宽复杂性和能量限制参数;根据所述能量限制参数获取设备的每个IMF分量对应的频谱能量聚集性;根据设备的每个IMF分量对应的频谱能量聚集性和频谱带宽复杂性,得到的正常震动有效成分含量的可能性;
通过设备的每个IMF分量的正常震动有效成分含量的可能性对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号;
通过两种重构时序信号进行设备异常的震动信号检测。
优选的,所述获取设备的震动信号,包括的具体步骤如下:
通过布置震动传感器来获取预设时间长度内的生产设备的震动原始信号;对生产设备的震动原始信号进行滤波去噪处理,得到生产设备的震动信号。
优选的,所述对设备的震动信号进行分解,得到若干个设备的IMF分量,包括的具体步骤如下:
对设备的震动信号进行分解,得到若干个设备的IMF分量,具体所示为:,其中,/>表示设备的震动信号;/>表示设备的震动信号/>经过IMF算法进行分解后的设备的第/>个IMF分量,其中/>; />表示设备的震动信号/>利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示第/>个采样时刻。
优选的,所述获取设备的每个IMF分量对应的频域分量数据,包括的具体步骤如下:
通过利用短时傅里叶变换对设备的每个IMF分量进行频域转换,则获得设备的第个IMF分量对应的频域分量数据/>;
具体如下所示为:其中,表示设备的第/>个IMF分量频域转换后在第/>个频率/>下的幅度值,其中, />表示设备的第/>个IMF分量的最大频谱带宽,/>表示频率的总数量;同理,获得设备的每个IMF分量对应的频域分量数据。
优选的,所述获取设备的每个IMF分量对应的频谱带宽复杂性,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>进行频谱带宽复杂性/>的计算过程如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱带宽复杂性;/>表示设备的第/>个IMF分量的整体复杂性;/>表示设备的第/>个IMF分量的最大频谱带宽;/>表示/>在设备的第/>个IMF分量对应的频域数据中所有频率下的幅度增长值中出现概率;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度增长值;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率下的幅度值;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率下的幅度值。
优选的,所述获取设备的每个IMF分量对应的频域分量数据的能量限制参数,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>的能量限制参数/>的计算表达式为:
式中,表示设备的第/>个IMF分量对应的频域分量数据的能量限制参数;/>表示设备的第/>个IMF分量的最大频谱带宽;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率/>下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率/>下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据能量均值;/>为自然常数;
同理,获得设备的每个IMF分量对应的频域分量数据的能量限制参数。
优选的,所述根据设备的每个IMF分量对应的频域分量数据的能量限制参数获取设备的每个IMF分量对应的频谱能量聚集性,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>进行频谱能量聚集性/>的计算表达式如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱能量聚集性;/>表示设备的第/>个IMF分量对应的频域分量数据的能量限制参数;/>表示设备的第/>个IMF分量对应的频域分量数据对应的所有频域能量的方差;/>为自然常数;
同理,获得设备的每个IMF分量对应的频谱能量聚集性。
优选的,所述根据设备的每个IMF分量对应的频谱能量聚集性和设备的每个IMF分量对应的频谱带宽复杂性得到设备的每个IMF分量的正常震动有效成分含量的可能性的具体公式如下:
式中,表示设备的第/>个IMF分量的正常震动有效成分含量的可能性;/>表示设备的震动信号利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示以设备的所有的/>个IMF分量对应的频谱带宽复杂性作为数据集,对设备的第/>个IMF分量对应的频谱带宽复杂性进行归一化后的参数;/>表示以设备的所有的/>个IMF分量对应的频谱能量聚集性作为数据集,对设备的第/>个IMF分量对应的频谱能量聚集性进行归一化后的参数;
同理,获得设备的每个IMF分量的正常震动有效成分含量的可能性。
优选的,所述通过设备的每个IMF分量的正常震动有效成分含量的可能性对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号,包括的具体步骤如下:
根据所有的IMF分量正常震动有效成分含量的可能性对所有IMF分量进行聚类,获得两个的聚类类别以及/>;获取两个聚类类别/>以及/>中含有IMF分量最多的聚类类别,并作为正常震动有效成分IMF分量对应的聚类类别/>;利用EMD算法对/>中的聚类类别中所有的IMF分量以及另一个聚类类别中所有的IMF分量进行重构,分别获得重构时序信号以及/>,其中/>为正常震动有效成分对应的重构时序信号,/>为含有异常震动成分以及部分正常震动有效成分对应的重构时序信号,t表示在第/>个采样时刻。
优选的,所述通过两种重构时序信号进行设备异常的震动信号进行检测,包括的具体步骤如下:
对重构时序信号以及/>分别进行频域转化,获得频域数据/>以及/>,对于任意频率/>下,若频域数据/>与频域数据/>的差值大于0,则将频域数据/>与频域数据/>的差值作为异常残差值;若频域数据/>与频域数据/>的差值小于等于0,则异常残差值为0;同理,获取所有频率/>下的异常残差值,最后,将所有频率/>下不为0的异常残差值对应的频域数据为异常数据,t表示在第/>个采样时刻。
本发明的技术方案的有益效果是:针对在复杂背景噪声和低信噪比条件下,时域进行设备的震动信号的分析匹配的时候往往因为其余因素的影响从而导致准确性和可靠性不够,从而导致设备的震动信号中的异常检测发生误检或者漏检的问题;本发明对时序上获取的设备的震动信号利用EMD算法进行分解,而后通过频域分析的方式对分解出的不同的震动信号的IMF分量进行重构获取正常震动信号的时序重构信号以及包含部分正常震动信号以及大量异常信号的时序重构信号,最后利用正常震动信号的时序信号进行后者中的正常信号的去除,以此来实现检测设备的异常震动信号;本发明直接对采集到的信号进行分析,不需要考虑历史数据,整体的计算量更小,进行设备震动异常检测的时候鲁棒性更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能的频域信号分析检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的频域信号分析检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的频域信号分析检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的频域信号分析检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集设备的震动原始信号,并对其进行预处理,得到设备的震动信号。
本实施例需要进行实现设备的震动异常的识别,所以首先需要对生产设备的震动信号进行采集,具体的采集方式为通过布置震动传感器来获取一定时间长度内的生产设备的震动原始信号。设备的震动原始信号为连续的时域信号,因为在采集设备的震动信号的过程中,整体环境的复杂性导致采集的信号必然出现噪声,所以需要对其进行滤波去噪处理,得到生产设备的震动信号/>(其中/>),其中,所述生产设备为电机,在本发明中所采用的滤波去噪算法为高斯滤波;高斯滤波为现有算法,此处不做过多赘述。
至此,获得设备的震动信号。
步骤S002:利用EMD算法对设备的震动信号进行分解,得到设备的若干个IMF分量。
需要说明的是,在设备的震动信号的频域数据中,设备正常的震动信号对应的频域分量其对应的能量是较为集中的,即表现在频域数据中,在某些特定的频率附近时是具有较大的幅值的。而设备异常的震动信号对应的频域数据,相较于设备正常的震动信号对应的频域数据而言,因为设备故障出现较为随机,所以其在整体的频域数据中,对应的能量分布是较为松散的,即表现在频域数据中,整个频率带宽上都是具有幅值的分布的,所以本实施例基于此特征,对于采集到的设备的震动信号进行分解,而后利用不同的分量的信号进行频域分析,获取设备正常的震动信号对应的分量进行重构,而后利用重构后设备正常的信号的特征进行异常震动信号的检测。
因为设备的震动信号的自身复杂性,直接对其进行频域分析检测异常震动时较为困难,所以需要对其进行处理使得设备的震动信号更为简单,更有利于后续的分析。
具体的,对设备的震动信号进行分解,得到若干个设备的IMF分量,具体如下所示:
式中,表示设备的震动信号;/>表示设备的震动信号/>经过IMF算法进行分解后的设备的第/>个IMF分量,其中/>; />表示设备的震动信号/>利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示设备的震动信号在时域中的自变量,具体为时间,为在第/>个采样时刻对设备的震动信号通过加速度传感器所采集的设备的震动信号数据,/>,其中/>表示对设备的震动信号进行采集的总采样时刻。
进一步需要说明的是,EMD算法对设备的震动信号进行分解之后,可以获得若干个设备的IMF分量,其中设备的每个IMF分量代表了设备的震动信号在不同时间尺度上的局部振动或波动模式,设备的震动信号的频率特性通常会随着时间的变化而变化;EMD算法通过将设备的震动信号分解为不同时间尺度上的IMF,可以提取出设备的震动信号在不同频率和振幅上的局部特性,从而呈现信号的时变频谱特性(时间尺度由局部极值点所定义)。
至此,获得设备的若干个IMF分量。
步骤S003:对设备的每个IMF分量进行频域特征分析,得到设备的每个IMF分量含有正常震动成分分量可能性。
需要说明的是,设备正常的震动频率通常只会分布在某些特定的频段内,而设备异常的震动频率则相较于设备正常的震动频率而言,出现的频段较为随机,且设备正常的震动信号一般具有更高的能量,而设备异常的震动信号则相较于设备正常的震动信号而言,在频域中能量的分布较低;所以基于此特征,本实施例对设备的震动信号分解后的每个IMF分量进行频域分析。
1.获取设备的每个IMF分量对应的频域分量数据。
具体的,通过利用短时傅里叶变换对设备的每个IMF分量进行频域转换,以设备的第个IMF分量/>为例,获得设备的第/>个IMF分量/>对应的频域分量数据/>,具体如下所示:
式中,表示设备的第/>个IMF分量频域转换后在频率为/>时对应的幅度值,其中/>, />表示设备的第/>个IMF分量的最大频谱带宽。
同理,获得设备的每个IMF分量对应的频域分量数据。
2.获取设备的每个IMF分量对应的频谱带宽复杂性。
需要说明的是,设备正常的震动信号相较于设备异常的震动信号而言,其在频域内是具有高度的聚集性的,即其只会出现在某些特定的频段之内,而设备异常的震动信号,因为其随机性,所以会出现在频域的随机的频段之后,所以本实施例通过对设备的震动信号对应的设备的第/>个IMF分量进行频域数据的最大频谱带宽之内的复杂性的分析,如果设备的第/>个IMF分量中包含有较多成分的设备正常的震动信号,那么其对应的频域数据中,其数据的复杂性一定是较小的,而相应的如果设备的第/>个IMF分量中包含有较多成分的设备异常的震动信号时,其对应的频域数据中,其数据的复杂性一定是较大的。
进一步需要说明的是,设备正常的震动信号是明显具有规律的,所以将其不同的相邻频率下的幅值增量进行信息熵的计算,而后进行求取均值(因为不同的分量对应的频域最大频谱带宽可能不同,所以需要进行求取均值),该值越大,说明在设备的第个IMF分量对应的频域数据中幅度值变化极其不规律,即较为复杂,其为设备正常的震动信号对应的频域数据分量的可能性越小,反之则相反。
具体的,设备的第个IMF分量对应的频域分量数据/>进行频谱带宽复杂性/>的计算过程如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱带宽复杂性;/>表示设备的第/>个IMF分量的整体复杂性;/>表示设备的第/>个IMF分量的最大频谱带宽;/>表示/>在设备的第/>个IMF分量对应的频域数据中所有频率下的幅度增长值中出现概率;/>表示第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度增长值,即第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度值与第/>个频率/>下的幅度值的差值;/>表示第/>个IMF分量对应的频域数据中第/>个频率下的幅度值;/>表示第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度值。
其中,保留小数点后一位。
同理,获得设备的每个IMF分量对应的频谱带宽复杂性。
3.获取设备的每个IMF分量对应的频谱能量聚集性。
需要说明的是,设备正常的震动信号在频域中其对应的能量一定是在某个频段或者某几个频段具有一定的聚集性的,即存在一定的峰值,而设备异常的震动信号相较于设备正常的震动信号而言,其虽然也存在峰值,但是该峰值较小,且分布较为均匀;所以当该设备异常的震动信号对应的IMF分量为携带正常震动有效成分的分量时,其对应的能量的方差一定是较大的,反之则相反。而仅用方差进行量化的时候,当设备的第个IMF分量对应的频域分量整体全部对应异常震动的时候,方差也可能较大,所以为了防止这种偶然情况的出现,本实施例利用能量限制参数对其进行限制。
进一步需要说明的是,在正常的震动中,其对应的相邻能量变化值较大,且每一个频率处对应的能量都与全频段中的能量的平均值差异值较大,而异常震动相邻能量变化值较小,且每一个频率处对应的能量都与全频段中的能量的平均值差异值较小,所以基于此逻辑,本实施例通过利用公式量化设备的第个IMF分量对应的频域分量数据/>进行频谱能量聚集性/>,该值越大,说明设备的第/>个IMF分量对应的频域分量数据/>其中具有能量的聚集性特征,即该分量为正常震动对应的分量的可能性越大,反之则相反。
具体的,设备的第个IMF分量对应的频域分量数据/>进行频谱能量聚集性/>的计算过程如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱能量聚集性;/>表示设备的第/>个IMF分量对应的频域分量数据的能量限制参数;/>表示设备的第/>个IMF分量对应的频域分量数据对应的所有频域能量的方差;/>表示设备的第/>个IMF分量的最大频谱带宽;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率/>下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据能量均值;/>为自然常数;其中,能量为现有计算方式,在此不做赘述。
同理,获得设备的每个IMF分量对应的频谱能量聚集性。
4.获取设备的每个IMF分量的正常震动有效成分含量的可能性。
具体的,根据设备的每个IMF分量对应的频谱能量聚集性和频谱带宽复杂性得到设备的每个IMF分量的正常震动有效成分含量的可能性;则设备的第个IMF分量的正常震动有效成分含量的可能性的计算表达式为:
式中,表示设备的第/>个IMF分量的正常震动有效成分含量的可能性;/>表示设备的震动信号/>利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示以设备的所有的/>个IMF分量对应的频谱带宽复杂性作为数据集,对设备的第/>个IMF分量对应的频谱带宽复杂性进行归一化后的参数;/>表示以设备的所有的/>个IMF分量对应的频谱能量聚集性作为数据集,对设备的第/>个IMF分量对应的频谱能量聚集性进行归一化后的参数。
同理,获得设备的每个IMF分量的正常震动有效成分含量的可能性。
步骤S004:对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号。
具体的,根据所有的IMF分量正常震动有效成分含量的可能性对所有IMF分量进行聚类,获得两个的聚类类别以及/>;其中每个类别的聚类类别均含有不同数据量的设备的IMF分量,具体的聚类算法本发明所采用的为K-means聚类算法,其中K值设置为2。
需要说明的是,在设备的震动信号分解后的设备的所有IMF分量中,因为设备异常的震动信号相较于设备正常的震动信号而言不太明显,所以对应聚类类簇中IMF分量数量较少,所以两个类别的类簇中IMF分量数量较多的类簇一定是正常震动有效成分对应的IMF分量对应的类别类簇。
具体的,将两个类别的聚类类别以及/>中含有最多数据量的设备的IMF分量作为正常震动有效成分IMF分量对应的聚类类别/>;利用EMD算法对/>中的聚类类别中所有的IMF分量以及另一个聚类类别中所有的IMF分量进行重构,获得重构时序信号/>以及,其中/>为正常震动有效成分对应的重构时序信号,/>为含有异常震动成分以及部分正常震动有效成分对应的重构时序信号,其中,进行加权重构时,权值为每个聚类类别中的IMF分量对应的正常震动有效成分含量的可能性归一化后的参数。
至此,获得两种重构时序信号。
步骤S005:通过两种重构时序信号进行设备异常的震动信号检测。
需要说明的是,通过上述获得的重构时序信号以及/>,在重构时序信号中其包含设备正常的震动信号的有效成分,而重构时序信号/>中,其包含的设备正常的震动信号的有效成分含量不足,但是其还是具有一定的设备正常的震动有效信号。
具体的,利用重构时序信号中的设备正常的震动有效信号的特征对重构时序信号/>中的设备正常的震动有效信号进行去除,仅保留设备异常的震动信号;具体的做法如下所示:
对重构时序信号以及/>分别进行频域转化,获得频域数据/>以及/>,对于任意频率/>下,若频域数据/>与频域数据/>的差值大于0,则将频域数据/>与频域数据/>的差值作为异常残差值;若频域数据/>与频域数据/>的差值小于等于0,则异常残差值为0;同理,获取所有频率/>下的异常残差值,最后,将所有频率/>下不为0的异常残差值对应的频域数据为异常数据。
至此,完成对设备异常的震动信号的检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于人工智能的频域信号分析检测方法,其特征在于,该方法包括以下步骤:
获取生产设备的震动信号;
对生产设备的震动信号进行分解,得到若干个设备的IMF分量;
获取设备的每个IMF分量对应的频域分量数据;根据所述频域分量数据获得频谱带宽复杂性和能量限制参数;根据所述能量限制参数获取设备的每个IMF分量对应的频谱能量聚集性;根据设备的每个IMF分量对应的频谱能量聚集性和频谱带宽复杂性,得到的正常震动有效成分含量的可能性;
通过设备的每个IMF分量的正常震动有效成分含量的可能性对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号;
通过两种重构时序信号进行设备异常的震动信号检测;
所述通过设备的每个IMF分量的正常震动有效成分含量的可能性对设备的所有的IMF分量进行筛选重构,得到两种重构时序信号,包括的具体步骤如下:
根据所有的IMF分量正常震动有效成分含量的可能性对所有IMF分量进行聚类,获得两个的聚类类别以及/>;获取两个聚类类别/>以及/>中含有IMF分量最多的聚类类别,并作为正常震动有效成分IMF分量对应的聚类类别/>;利用EMD算法对/>中的聚类类别中所有的IMF分量以及另一个聚类类别中所有的IMF分量进行重构,分别获得重构时序信号/>以及/>,其中/>为正常震动有效成分对应的重构时序信号,/>为含有异常震动成分以及部分正常震动有效成分对应的重构时序信号,t表示在第/>个采样时刻。
2.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述获取生产设备的震动信号,包括的具体步骤如下:
通过布置震动传感器来获取预设时间长度内的生产设备的震动原始信号;对生产设备的震动原始信号进行滤波去噪处理,得到生产设备的震动信号。
3.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述对设备的震动信号进行分解,得到若干个设备的IMF分量,包括的具体步骤如下:
对设备的震动信号进行分解,得到若干个设备的IMF分量,具体所示为:,其中,/>表示设备的震动信号;/>表示设备的震动信号/>经过IMF算法进行分解后的设备的第/>个IMF分量,其中/>; />表示设备的震动信号/>利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示第/>个采样时刻。
4.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述获取设备的每个IMF分量对应的频域分量数据,包括的具体步骤如下:
通过利用短时傅里叶变换对设备的每个IMF分量进行频域转换,则获得设备的第个IMF分量对应的频域分量数据/>;
具体如下所示为:其中,/>表示设备的第/>个IMF分量频域转换后在第/>个频率/>下的幅度值,其中/>, />表示设备的第/>个IMF分量的最大频谱带宽,/>表示频率的总数量;同理,获得设备的每个IMF分量对应的频域分量数据。
5.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述获取设备的每个IMF分量对应的频谱带宽复杂性,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>进行频谱带宽复杂性/>的计算过程如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱带宽复杂性;/>表示设备的第/>个IMF分量的整体复杂性;/>表示设备的第/>个IMF分量的最大频谱带宽;表示/>在设备的第/>个IMF分量对应的频域数据中所有频率下的幅度增长值中出现概率;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度增长值;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度值;/>表示设备的第/>个IMF分量对应的频域数据中第/>个频率/>下的幅度值。
6.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述获取设备的每个IMF分量对应的频域分量数据的能量限制参数,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>的能量限制参数/>的计算表达式为:
式中,表示设备的第/>个IMF分量对应的频域分量数据的能量限制参数;/>表示设备的第/>个IMF分量的最大频谱带宽;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率/>下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据在第/>个频率/>下对应的能量大小;/>表示设备的第/>个IMF分量对应的频域分量数据能量均值;/>为自然常数;
同理,获得设备的每个IMF分量对应的频域分量数据的能量限制参数。
7.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述根据设备的每个IMF分量对应的频域分量数据的能量限制参数获取设备的每个IMF分量对应的频谱能量聚集性,包括的具体步骤如下:
设备的第个IMF分量对应的频域分量数据/>进行频谱能量聚集性/>的计算表达式如下所示:
式中,表示设备的第/>个IMF分量对应的频域分量数据/>进行频谱能量聚集性;/>表示设备的第/>个IMF分量对应的频域分量数据的能量限制参数;/>表示设备的第/>个IMF分量对应的频域分量数据对应的所有频域能量的方差;/>为自然常数;
同理,获得设备的每个IMF分量对应的频谱能量聚集性。
8.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述根据设备的每个IMF分量对应的频谱能量聚集性和设备的每个IMF分量对应的频谱带宽复杂性得到设备的每个IMF分量的正常震动有效成分含量的可能性的具体公式如下:
式中,表示设备的第/>个IMF分量的正常震动有效成分含量的可能性;/>表示设备的震动信号利用EMD算法分解后的设备的所有的IMF分量的总个数;/>表示以设备的所有的个IMF分量对应的频谱带宽复杂性作为数据集,对设备的第/>个IMF分量对应的频谱带宽复杂性进行归一化后的参数;/>表示以设备的所有的/>个IMF分量对应的频谱能量聚集性作为数据集,对设备的第/>个IMF分量对应的频谱能量聚集性进行归一化后的参数;
同理,获得设备的每个IMF分量的正常震动有效成分含量的可能性。
9.根据权利要求1所述基于人工智能的频域信号分析检测方法,其特征在于,所述通过两种重构时序信号进行设备异常的震动信号进行检测,包括的具体步骤如下:
对重构时序信号以及/>分别进行频域转化,获得频域数据/>以及/>,对于任意频率/>下,若频域数据/>与频域数据/>的差值大于0,则将频域数据/>与频域数据/>的差值作为异常残差值;若频域数据/>与频域数据/>的差值小于等于0,则异常残差值为0;同理,获取所有频率/>下的异常残差值,最后,将所有频率/>下不为0的异常残差值对应的频域数据为异常数据,t表示在第/>个采样时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155168.5A CN116881636B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的频域信号分析检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155168.5A CN116881636B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的频域信号分析检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881636A CN116881636A (zh) | 2023-10-13 |
CN116881636B true CN116881636B (zh) | 2023-12-08 |
Family
ID=88255488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311155168.5A Active CN116881636B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的频域信号分析检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093827B (zh) * | 2023-10-16 | 2024-01-30 | 欣灵电气股份有限公司 | 基于物联网的智慧消防给水数据处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068939A1 (zh) * | 2019-10-12 | 2021-04-15 | 中科新松有限公司 | 一种基于多分量信号分解的机械臂关节振动识别方法 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
US11500117B1 (en) * | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
CN116701984A (zh) * | 2023-08-04 | 2023-09-05 | 无锡康贝电子设备有限公司 | 基于机器学习的数控机床自动故障诊断系统 |
-
2023
- 2023-09-08 CN CN202311155168.5A patent/CN116881636B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068939A1 (zh) * | 2019-10-12 | 2021-04-15 | 中科新松有限公司 | 一种基于多分量信号分解的机械臂关节振动识别方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
US11500117B1 (en) * | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
CN116701984A (zh) * | 2023-08-04 | 2023-09-05 | 无锡康贝电子设备有限公司 | 基于机器学习的数控机床自动故障诊断系统 |
Non-Patent Citations (4)
Title |
---|
HHT在震动信号处理中的应用;肖玲;吴建星;刘佳;陶慧畅;;工业安全与环保(第04期);全文 * |
一种基于Hilbert-Huang变换的直扩信号盲检测方法;王利萍;邵高平;;信息工程大学学报(第04期);全文 * |
基于参数自适应变分模态分解的行星齿轮箱故障诊断;孙灿飞;王友仁;沈勇;陈伟;;航空动力学报(第11期);全文 * |
基于改进EEMD算法的桥梁结构响应信号模态分解研究;陈永高;钟振宇;;振动与冲击(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116881636A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116881636B (zh) | 基于人工智能的频域信号分析检测方法 | |
Lekshmi et al. | EEG signal classification using principal component analysis and wavelet transform with neural network | |
Upadhyay et al. | A comparative study of feature ranking techniques for epileptic seizure detection using wavelet transform | |
CN102824172B (zh) | 一种脑电特征提取方法 | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
Mirzaei et al. | EEG analysis based on wavelet-spectral entropy for epileptic seizures detection | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
Jasper et al. | Feature extraction for human identification based on envelogram signal analysis of cardiac sounds in time-frequency domain | |
CN115062665A (zh) | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
Manikandan et al. | Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN110174269B (zh) | 变分模态分解和共振解调分析核电用泵冲击特征的方法 | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN112784686A (zh) | 一种基于连续多变量变分模态分解的自适应信号分析方法 | |
CN115563473A (zh) | 一种机械故障特征提取方法 | |
CN112274159A (zh) | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 | |
Yuru | Research on KPCA fault diagnosis method based on multi-domain features | |
Pavone et al. | A fast and efficient method for detection of seizure in electroencephalogram using log-energy entropy and support vector machine |
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 |