CN117009742A - 一种带宽提取域机械信号的故障特征表征方法 - Google Patents
一种带宽提取域机械信号的故障特征表征方法 Download PDFInfo
- Publication number
- CN117009742A CN117009742A CN202310727541.3A CN202310727541A CN117009742A CN 117009742 A CN117009742 A CN 117009742A CN 202310727541 A CN202310727541 A CN 202310727541A CN 117009742 A CN117009742 A CN 117009742A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- instantaneous frequency
- mechanical
- signal
- fault
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000012512 characterization method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000001360 synchronised effect Effects 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001125 extrusion Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种带宽提取域机械信号的故障特征表征方法,包括以下步骤:S1、输入待分析的机械故障信号s(t),其中t为时间;S2、预设窗函数其中,σ是标准差,计算机械故障信号的短时傅里叶变换Sx(t,ω),并计算其瞬时频率估计器ω代表频率;S3、计算瞬时频带中心ωR(t),瞬时频带瞬时频率带宽并计算瞬时频率带宽的平均值Tω;S4、根据所述步骤S3计算的相关参数,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);S5、根据所述步骤S4中的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。
Description
技术领域
本发明属于机械信号处理领域,具体涉及一种带宽提取域机械信号的故障特征表征方法。
背景技术
机械设备在各行各业领域广泛,他们的故障诊断起到了防止经济损失和灾难性故障的重要作用。因为振动信号携带着与旋转机械健康状况相关的关键信息,近年来,关于如何从振动信号中表征有用特征引起了人们的极大兴趣。作为一种强有力的信号处理手段,时频分析方法被广泛应用于机械信号故障特征表征领域。传统时频分析方法主要有短时傅里叶变换(STFT),小波变换(WT),S变换(ST)以及广义S变换(GST)等。他们均是考虑局部时间段内的频率信息,提供时间和频率的联合分布信息。然而,受到海森堡不确定性原理的限制,传统方法提供的时频分布能量不够集中,有大量的时频能量分布在脊线周围,导致了一个模糊的时频表征结果。然而,集中性强的时频表征能更好的表征机械信号故障特征,为此,许多时频后处理方法应运而生。
最先提出的后处理方法是重排方法(RM),该方法通过同时沿频率和时间方法对STFT的时频系数进行重排,极大的提高了时频表征结果的聚焦性,然而,该方法不允许重构。为此,Daubechies提出了同步挤压小波变换(SSWT),该方法只考虑频率方向的时频系数挤压,有效的提高了WT的时频分辨率,且允许信号重构。然而,该方法受到弱调幅弱调频的限制,因此,发展了同步提取变换(SET)。同步提取变换通过提取与频率轨迹最相关的时频系数,极大的提高了时频表征的聚焦性,且允许重构。
尽管SET极大的提高了时频表征的聚焦性,然而,如果故障机械信号受到噪声的干扰,SET的表征结果也会受到噪声的影响,这将影响故障机械信号的故障特征表征,因此亟需研究一种抗噪声干扰的能量高度聚焦的时频表征方法。
发明内容
针对现有技术中的上述不足,本发明提供了一种带宽提取域机械信号的故障特征表征方法。本发明在SET的框架下,研究了噪声和信号的带宽的特征,并基于其特征进行噪声过滤,只保留信号的有用信息。该方法在提供一个高聚焦性的时频表征结果的同时也能消除噪声的干扰。
为了达到上述发明目的,本发明采用的技术方案为:一种带宽提取域机械信号的故障特征表征方法,包括以下步骤:
S1、输入待分析的机械故障信号x(t),其中t为时间;
S2、预设窗函数其中,σ是标准差,计算机械故障信号的短时傅里叶变换Sx(t,ω),并计算其瞬时频率估计器/>
其中,为复数的虚部单位,ω代表频率,/>表示Sx(t,ω)对t的偏导数,/>表示取复数实部;
S3、计算瞬时频带中心ωR(t),瞬时频带瞬时频率带宽/>并计算瞬时频率带宽的平均值Tω;
S4、根据所述步骤S3计算的相关参数,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);
S5、根据所述步骤S4中的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。
作为优选,所述步骤S3中的ωR(t),和Tω被表示为:
其中,s.t.表示约束条件,表示/>对ω的偏导数的模;
其中, max(·)和min(·)分别表示取最大值和最小值;
若的时间t离散为tn=1,2,…,T,频率ω离散为ωn=1,2,…,W,则
作为优选,所述步骤S4中的带宽同步提取变换Tx(t,ω)被定义为:
式中,
本发明的思路为:
首先,输入待分析的机械故障信号x(t),其中t为时间;
第二,预设窗函数其中,σ是标准差,计算机械故障信号的短时傅里叶变换Sx(t,ω),并计算其瞬时频率估计器/>其中ω代表频率;
第三,计算瞬时频带中心ωR(t),瞬时频带瞬时频率带宽/>并计算瞬时频率带宽的平均值Tω;
第四,根据所述计算的相关参数,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);
第五,根据所述的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。
本发明的工作原理为:输入待分析的机械故障信号x(t),其中t为时间;预设窗函数其中,σ是标准差,计算故障机械信号的短时傅里叶变换Sx(s,ω),并计算其瞬时频率估计器/>其中ω代表频率;计算瞬时频带中心ωR(t),瞬时频带瞬时频带中心/>并计算瞬时频率带宽的平均值Tω;根据同步提取原理,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);根据所述的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。本发明能够提供一种抗噪声干扰的能量高度聚焦的时频表征方法,以进行故障机械信号的特征表征。
本发明针对SET的表征结果受到噪声的影响,提出了一种带宽提取域机械信号的故障特征表征方法,首先输入待分析的故障机械信号并计算其短时傅里叶变换结果;然后计算其瞬时频带中心,瞬时频带,瞬时频带中心,并计算瞬时频率带宽的平均值;最后根据同步提取原理,结合提取原理获得一个高聚焦性的带宽同步提取变换;本发明在时频表征能力上表现出良好的效果,能够显著提高时频分布的能量聚焦性,获得一个强鲁棒的时频分布,提高故障机械信号故障特征的表征的精度。
附图说明
图1为本发明流程图;
图2为所输入的故障机械设备信号;
图3为分别经短时傅里叶变换、同步挤压变换、同步提取变换及本发明方法处理的时频谱图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1,一种带宽提取域机械信号的故障特征表征方法,包括以下步骤:
S1、输入待分析的机械故障信号x(t),其中t为时间;
S2、预设窗函数其中,σ是标准差,计算机械故障信号的短时傅里叶变换Sx(t,ω),并计算其瞬时频率估计器/>
其中,为复数的虚部单位,ω代表频率,/>表示Sx(t,ω)对t的偏导数,/>表示取复数实部;
S3、计算瞬时频带中心ωR(t),瞬时频带瞬时频率带宽/>并计算瞬时频率带宽的平均值Tω;
S4、根据所述步骤S3计算的相关参数,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);
S5、根据所述步骤S4中的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。
作为优选,所述步骤S3中的ωR(t),和Tω被表示为:
其中,s.t.表示约束条件,表示/>对ω的偏导数的模;
其中, max(·)和min(·)分别表示取最大值和最小值;
若的时间t离散为tn=1,2,…,T,频率ω离散为ωn=1,2,…,W,则
作为优选,所述步骤S4中的带宽同步提取变换Tx(t,ω)被定义为:
式中,
参见图1到图3,我们具体以一个故障机械设备信号为例,图2显示了该故障机械设备信号,横坐标表示时间,单位为秒,纵坐标表示振动加速度,单位为米每二次方秒。图3为分别经(a)短时傅里叶变换、(b)同步挤压变换、(c)同步提取变换及(d)本发明方法处理的时频谱图,横坐标表示时间,单位为秒,纵坐标表示频率,单位为赫兹。实施例证明,经本发明方法处理后得到的结果具有一个抗干扰的能量高度聚焦的时频分布,所描述的时频脊线也比较清晰,能够显著提高故障机械设备信号处理的精度,进行一个更好的故障特征表征。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种带宽提取域机械信号的故障特征表征方法,其特征在于,包括以下步骤:
S1、输入待分析的机械故障信号x(t),其中t为时间;
S2、预设窗函数其中,σ是标准差,计算机械故障信号的短时傅里叶变换Sx(t,ω),并计算其瞬时频率估计器/>
其中,为复数的虚部单位,ω代表频率,/>表示Sx(t,ω)对t的偏导数,/>表示取复数实部;
S3、计算瞬时频带中心ωR(t),瞬时频带瞬时频率带宽/>并计算瞬时频率带宽的平均值Tω;
S4、根据所述步骤S3计算的相关参数,结合提取原理获得一个高聚焦性的带宽同步提取变换Tx(t,ω);
S5、根据所述步骤S4中的带宽同步提取变换Tx(t,ω),对机械故障信号进行故障特征表征。
2.根据权利要求1所述的一种带宽提取域机械信号的故障特征表征方法,其特征在于,所述步骤S3中的ωR(t),和Tω被表示为:
其中,s.t.表示约束条件,表示/>对ω的偏导数的模;
其中, max(·)和min(·)分别表示取最大值和最小值;
若的时间t离散为tn=1,2,…,T,频率ω离散为ωn=1,2,…,W,则
3.根据权利要求1所述的一种带宽提取域机械信号的故障特征表征方法,其特征在于,所述步骤S4中的带宽同步提取变换Tx(t,ω)被定义为:
式中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727541.3A CN117009742A (zh) | 2023-06-20 | 2023-06-20 | 一种带宽提取域机械信号的故障特征表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727541.3A CN117009742A (zh) | 2023-06-20 | 2023-06-20 | 一种带宽提取域机械信号的故障特征表征方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009742A true CN117009742A (zh) | 2023-11-07 |
Family
ID=88564426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727541.3A Pending CN117009742A (zh) | 2023-06-20 | 2023-06-20 | 一种带宽提取域机械信号的故障特征表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009742A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3238210A1 (fr) * | 2014-12-24 | 2017-11-01 | Reza, Yves, Jean-Paul, Guy | Procédés de traitement et d'analyse d'un signal, et dispositifs mettant en oeuvre lesdits procédés |
EP3271736A1 (en) * | 2015-03-17 | 2018-01-24 | Zynaptiq GmbH | Methods for extending frequency transforms to resolve features in the spatio-temporal domain |
CN109459131A (zh) * | 2018-11-29 | 2019-03-12 | 郑州工程技术学院 | 一种旋转机械多通道振动信号的时频特征提取方法及装置 |
CN112964355A (zh) * | 2020-12-08 | 2021-06-15 | 国电南京自动化股份有限公司 | 基于样条调频小波-同步压缩算法的瞬时频率估计方法 |
CN115356108A (zh) * | 2022-10-10 | 2022-11-18 | 成都阿普奇科技股份有限公司 | 一种调制高阶水平挤压变换机械故障诊断方法与装置 |
CN115808236A (zh) * | 2023-02-02 | 2023-03-17 | 武汉理工大学 | 船用涡轮增压器故障在线监测诊断方法、装置和存储介质 |
-
2023
- 2023-06-20 CN CN202310727541.3A patent/CN117009742A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3238210A1 (fr) * | 2014-12-24 | 2017-11-01 | Reza, Yves, Jean-Paul, Guy | Procédés de traitement et d'analyse d'un signal, et dispositifs mettant en oeuvre lesdits procédés |
EP3271736A1 (en) * | 2015-03-17 | 2018-01-24 | Zynaptiq GmbH | Methods for extending frequency transforms to resolve features in the spatio-temporal domain |
CN109459131A (zh) * | 2018-11-29 | 2019-03-12 | 郑州工程技术学院 | 一种旋转机械多通道振动信号的时频特征提取方法及装置 |
CN112964355A (zh) * | 2020-12-08 | 2021-06-15 | 国电南京自动化股份有限公司 | 基于样条调频小波-同步压缩算法的瞬时频率估计方法 |
CN115356108A (zh) * | 2022-10-10 | 2022-11-18 | 成都阿普奇科技股份有限公司 | 一种调制高阶水平挤压变换机械故障诊断方法与装置 |
CN115808236A (zh) * | 2023-02-02 | 2023-03-17 | 武汉理工大学 | 船用涡轮增压器故障在线监测诊断方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108158573B (zh) | 基于自适应阈值小波变换的心电信号降噪方法 | |
Georgieva-Tsaneva et al. | Denoising of electrocardiogram data with methods of wavelet transform | |
Jafarizadeh et al. | Asynchronous input gear damage diagnosis using time averaging and wavelet filtering | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
US20080262371A1 (en) | Method for Adaptive Complex Wavelet Based Filtering of Eeg Signals | |
CN107402131B (zh) | 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN112926014A (zh) | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 | |
CN106908232A (zh) | 一种旋转机械的振动信号故障识别方法 | |
Wang et al. | De-noising of wayside acoustic signal from train bearings based on variable digital filtering | |
CN114330445A (zh) | 一种基于变压器振动信号敏感imf的小波阈值去噪方法 | |
CN117009742A (zh) | 一种带宽提取域机械信号的故障特征表征方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN115356108B (zh) | 一种调制高阶水平挤压变换机械故障诊断方法与装置 | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
EP1209458A1 (de) | Verfahren zur Bestimmung des Geräuschpegels bei Betrieb einer Brennkraftmaschine | |
CN113777449A (zh) | 基于改进svd算法的电缆局部放电窄带干扰抑制方法 | |
Yang | The detection of bearing incipient fault with maximal overlap discrete wavelet packet transform and sparse code shrinkage denoising | |
CN111414808B (zh) | 基于平移不变分数阶小波稀疏表示的机械故障诊断方法 | |
CN116304584B (zh) | 一种基于包络谱峰值筛选的自适应噪声滤波方法 | |
CN117928951B (zh) | 基于改进经验小波变换和包络谱能量比的故障诊断方法 |
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 |