CN117349661B - 柱塞泵振动信号特征提取方法、装置、设备和存储介质 - Google Patents
柱塞泵振动信号特征提取方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117349661B CN117349661B CN202311647717.0A CN202311647717A CN117349661B CN 117349661 B CN117349661 B CN 117349661B CN 202311647717 A CN202311647717 A CN 202311647717A CN 117349661 B CN117349661 B CN 117349661B
- Authority
- CN
- China
- Prior art keywords
- noise
- empirical mode
- plunger pump
- white noise
- vibration signal
- 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 202
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 225
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 99
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000010349 pulsation Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009290 primary effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种柱塞泵振动信号特征提取方法、装置、设备和存储介质。本申请提供的柱塞泵振动信号特征提取方法,应用于柱塞泵振动信号特征提取设备,包括:根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;利用改进后的噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到表征柱塞泵状态特征的IMF函数;对所述IMF函数进行分析和特征提取,可以清楚的得到各个状态特征,解决了现有方法存在的实时性较差的问题,提高了状态特征提取的准确性和效率,为后续故障诊断提供支持。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种柱塞泵振动信号特征提取方法、装置、设备和存储介质。
背景技术
状态特征的提取是故障诊断的重要环节,主要目的是将一段连续的振动信号转化成具体的特征量以便进行辨识。柱塞泵的振动信号具有明显的周期性特点,信号的特征主要包括时域特征、频域特征和时频域特征。时域特征包括信号的均值、峰值、均方根、方差等有量纲特征,峭度、散度、裕度等无量纲特征;频域特征包括频域统计特征量、谱分析(包括幅值谱、包络谱、倒频谱等)。
目前,在针对于轴承、主轴等结构简单的旋转机械,振动信号的时域和频域特征是最为常用的诊断特征。其中时域有量纲特征常用于诊断故障的稳态(即用于判断故障是否已经发生),而时域无量纲特征对于信号的冲击和不平稳特征更敏感,可作为判断早期故障的依据。然而时域特征故障诊断时,会受到转速、负载等因素的干扰,且对于非平稳信号适应性不足,严重限制了其应用。频域特征是对振动信号的调制解调,得到振动信号的频域分布,类比信号的时域统计量,可以计算信号频域分布的特征。相比时域特征,频域特征能够精确求得振动信号的特征频率等信息,可以有效的排除系统干扰项,但仍然难以处理非线性、非平稳信号。
由于结构复杂,激振源多,直接对原始信号特征提取的诊断效果不佳,通过时频域的特征提取方法,提取振动信号的细节特征得到了更多研究人员的重视。时频域分析的方法同时对于非线性、非平稳信号具有良好的适应性,近年来发展迅速。目前,主要的振动信号时频特征处理方法包括Gabor变换,短时傅里叶变换(Short-Time Fourier Transform,STFT),Wigner-Ville分布、小波分解、Hilbert-Huang变换、经验模态分解方法(EmpiricalMode Decomposition,EMD)等。其中,经验模态分解方法可以自适应的根据信号本身的局部特征将信号分解成若干的本征模态函数的形式(Intrinsic Mode Function, IMF)。相比于傅里叶变换、小波分解等方法,解决了基函数选择、恒定分辨率及能量泄漏等带来的干扰,对于非线性、非平稳的信号具有优秀的自适应性,被广泛的应用于旋转机械故障诊断的信号处理环节。
但是,经典的EMD方法在处理振动信号的过程中,不可避免地会遇到模态混叠和端点延拓现象,针对于上述问题提出了诸多改进的EMD算法,比较成功的包括集成经验模态分解方法(Ensemble Empirical Mode Decomposition, EEMD)和噪声自适应的完备集成经验模态分解方法(Complementary Ensemble Empirical Mode Decomposition, CEEMD)。EEMD和CEEMD处理模态混叠和端点延拓的基本思路是向原始信号中添加多组白噪声信号来补充一些缺失的尺度信息。由于白噪声信号自身的特点,其频谱是均匀分布状态,且其频谱上的能量表示也呈现均匀分布状态,因此可以将其视作一个二进制滤波器。可以使得原始信号自动分布到合适的参考尺度上。经过多次平均计算后,可以将白噪声相互抵消,得到最终的分解结果。但是如果叠加白噪声的参数选择不当,会进一步产生错误的IMF函数分量,干扰对结果的判断。目前针对于不同的研究对象,如何快速且准确的获取分解结果是基于经验模态分解进行特征提取的研究热点和研究难点。
发明内容
有鉴于此,本申请提供一种柱塞泵振动信号特征提取方法、装置、设备和存储介质,用以解决现有方法在进行特征提取时实时性较差的问题。
具体地,本申请是通过如下技术方案实现的:
本申请第一方面提供一种柱塞泵振动信号特征提取方法,所述方法应用于柱塞泵振动信号特征提取设备,所述方法包括:
根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;
其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声;
利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数;
对所述IMF函数进行分析和特征提取。
本申请第二方面提供一种柱塞泵振动信号特征提取装置,所述装置应用于柱塞泵振动信号特征提取设备,所述装置包括:优化模块、获取模块和提取模块;其中,
所述优化模块,用于根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声;
所述获取模块,用于利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数;
所述提取模块,用于对所述IMF函数进行分析和特征提取。
本申请第三方面提供一种柱塞泵振动信号特征提取设备,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本申请第一方面提供的任一项所述方法的步骤。
本申请第四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,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
本申请提供的柱塞泵振动信号特征提取方法、装置、设备和存储介质,应用于柱塞泵振动信号特征提取设备,通过根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法,并利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数,进而对所述IMF函数进行分析和特征提取。这样,利用变化的白噪声对分解方法进行参数优化,进而利用经参数优化后的分解方法对柱塞泵的振动信号进行分解,并对分解后得到的状态特征函数进行分析和特征提取得到柱塞泵的状态特征,可以清楚的得到各个状态特征,解决了现有方法存在实时性较差的问题,提高了状态特征提取的准确性和效率,为后续故障诊断提供支持。
附图说明
图1为本申请提供的柱塞泵振动信号特征提取方法实施例一的流程图;
图2为本申请提供的柱塞泵振动信号特征提取方法实施例二的流程图;
图3为本申请一示例性实施例示出的白噪声的标准差对噪声自适应的完备集成经验模态分解方法分解特征的影响;
图4为本申请一示例性实施例示出的IMF函数中各阶IMF分量的能量比受到白噪声的标准差变化的影响;
图5为本申请一示例性实施例示出的白噪声的数目对噪声自适应的完备集成经验模态分解方法分解效率的影响;
图6、图7为本申请一示例性实施例示出的白噪声的数目与分解结果的关系;
图8为本申请提供的柱塞泵振动信号特征提取方法实施例二的流程图;
图9为本申请一示例性实施例示出的振动信号经过经验模态分解方法分解后的结果;
图10为本申请一示例性实施例示出的振动信号经过经验模态分解方法分解后的频率分布;
图11、图12为本申请一示例性实施例示出的振动信号经过经验模态分解方法分解后各阶IMF分量的特征;
图13为本申请一示例性实施例示出的振动信号经过集成经验模态分解方法分解后的结果;
图14为本申请一示例性实施例示出的振动信号经过集成经验模态分解方法分解后的频率分布;
图15、图16为本申请一示例性实施例示出的振动信号经过集成经验模态分解方法分解后分量的时域统计特征;
图17为本申请一示例性实施例示出的振动信号经过噪声自适应的完备集成经验模态分解方法分解后的结果;
图18为本申请一示例性实施例示出的振动信号经过噪声自适应的完备集成经验模态分解方法分解后的频率分布;
图19为本申请提供的柱塞泵振动信号特征提取装置所在柱塞泵振动信号特征提取设备的一种硬件结构图;
图20为本申请提供的柱塞泵振动信号特征提取装置实施例一的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
现有技术中,完备集成经验模态分解方法能够对振动信号进行准确提取,保证低频信号提取的准确度,但其提取的时间较长,计算时间长,实时性差,不利于方法的推广和应用。本申请提供一种柱塞泵振动信号特征提取方法、装置、设备和存储介质,用以解决现有完备集成经验模态分解方法存在的实时性较差的问题。
本申请提供的柱塞泵振动信号特征提取方法、装置、设备和存储介质,应用于柱塞泵振动信号特征提取设备,通过根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法,并利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数,进而对所述IMF函数进行分析和特征提取。首先,相对于现有技术中预设一个标准差的白噪声或预设多个标准差的白噪声,本发明提供的方法能够基于分解的实际结果,即分解的特征混叠程度和时间效率,对白噪声的标准差数值和不同标准差的白噪声的数量进行计算,降低对为人经验的依赖,提高了方法参数设置的科学性和准确性;同时从结果出发优化方法的参数,能够既保证特征分解的精度满足使用需求,又保证方法运行的时间满足实时性要求,避免现有技术中一味追求精度或时间而不平衡,也避免不断试错调整方法参数带来的方法应用繁琐不便。总体来说,本发明提供的特征提取方法解决了现有方法存在的实时性较差的问题,提高了状态特征提取的准确性和效率,为后续故障诊断提供支持。
下面给出具体的实施例,用以详细介绍本申请的技术方案。
图1为本申请提供的柱塞泵振动信号特征提取方法实施例一的流程图。请参照图1,本实施例提供的方法,所述方法应用于柱塞泵振动信号特征提取设备,所述方法包括:
S101、根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声。
图2为本申请提供的柱塞泵振动信号特征提取方法实施例二的流程图。本实施例提供的方法,在上述实施例的基础上,所述根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,包括:
S201、根据白噪声的标准差与分解结果,得到所述白噪声的标准差与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间。
具体的,该步骤的具体实现过程可以包括:
(1)在不同的白噪声的标准差下,使用噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到分解结果。
具体的,影响噪声自适应的完备集成经验模态分解方法分解结果的主要参数包括白噪声的数目和白噪声的标准差,对于高频的信号,用于叠加的白噪声的标准差的幅值不应过大。在标准的噪声自适应的完备集成经验模态分解方法中,一般将白噪声的标准差设置为定值/>,白噪声的数目设置为μ(μ>0),作为一种可选的实施例,白噪声的数目可以设置为50。现有技术采用预设值的方式,对人为经验的依赖程度高,最终特征分析的效果不佳,科学性较差,方法的计算时间也长。
进一步地,在不同的白噪声的标准差下使用所述噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,结果如图3所示(图3为本申请一示例性实施例示出的白噪声的标准差对噪声自适应的完备集成经验模态分解方法分解特征的影响)。
(2)根据所述分解结果,得到表征所述白噪声的标准差与分解结果的相关性。
具体的,请参照图3,在不同的白噪声的标准差下使用所述噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到各个IMF函数的各阶分量,基于所述各个IMF函数的各阶分量的变化趋势确定暴燥声的标准差数值范围与所述各个IMF函数的各阶分量的第一关系,所述第一关系用于评价不同标准差数值范围对各阶分量中哪一阶分量的影响程度。具体来说,在所述白噪声的标准差小于预设阈值时,所述白噪声的标准差主要影响所述IMF函数中的IMF2分量;在所述白噪声的标准差预设阈值时,所述白噪声的标准差主要影响所述IMF函数中的IMF2分量、IMF3分量和IMF4分量;其中,所述IMF2分量为所述IMF函数中的第二阶IMF分量,所述IMF3分量为所述IMF函数中的第三阶IMF分量,所述IMF4分量为所述IMF函数中的第四阶IMF分量。
具体的,预设阈值是根据实际需要设定的,本实施例中,不对预设阈值的具体值进行限定。例如,一种可能的实现方式中,预设阈值为0.1。当白噪声的标准差大于0.1时,白噪声的标准差主要影响IMF函数中的IMF2分量。当白噪声的标准差小于0.1时,白噪声的标准差主要影响IMF函数中的IMF2分量、IMF3分量和IMF4分量,具体体现在提升IMF函数中的IMF4分量的信号功率占比,并且增加了IMF函数的分解数目,使得分解结果中出现冗余。其中,IMF2分量、IMF3分量和IMF4分量为IMF函数中的第二阶、第三阶和第四阶IMF分量,IMF函数中各阶IMF分量的能量比受到白噪声的标准差变化的影响如图4所示。请参照图4,在改变白噪声的标准差时,主要影响IMF函数中前四阶IMF分量的分解结果,其中IMF函数中的IMF2分量的值随着白噪声的标准差的增加而降低,IMF函数中的IMF4分量的值随着白噪声的标准差的增加而增加。对于IMF函数中的IMF1分量以及低频函数没有直接影响。
进一步地,分解后得到的前四阶IMF分量,主要代表了脉动频率以及脉动频率的倍频特征,转频的4倍频特征。当白噪声的标准差增大时,会对中频分量产生干扰。主要影响的是以转频的4倍频为特征频率的IMF函数中的IMF4分量。而分解后得到的前五阶IMF分量均可以具有其特征频率对应的相应物理意义,因此前五阶IMF分量在本申请中被用于提取和构造最终的初始状态空间。通过增大白噪声的标准差可以提升IMF函数中IMF4分量的信号能量,但是会降低IMF函数中IMF2分量、IMF3分量的信号能量。
S202、根据白噪声的数目与分解结果,得到所述白噪声的数目与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间。
具体的,分析白噪声的数目对噪声自适应的完备集成经验模态分解方法分解效率的影响,如图5所示。请参照图5,添加白噪声的数目不会影响IMF函数的信号能量,同时也不会影响IMF函数的分解数目。当叠加的白噪声的数目小于15时,IMF函数中的IMF3分量,即表征脉动频率的IMF函数占比较小,而在对特征进行处理时,该特征的占比越大越好;当叠加的白噪声的数目大于15时,IMF函数中的各阶分量的信号能量保持不变,噪声自适应的完备集成经验模态分解方法的分解效率与叠加白噪声的数目呈线性关系。
S203、根据所述白噪声的标准差与分解结果的相关性、所述白噪声的数目与分解结果的相关性,确定最优的白噪声的标准差与数目。
具体实现时,根据对白噪声的标准差与分解结果的相关性、白噪声的数目解结果的相关性,将7对标准差不同相位反向的白噪声与原始信号进行叠加(白噪声的标准差分别为0.02,0.05,0.07,0.09,0.1,0.15,0.2),并进行时频分解,得到的结果如图6、图7所示。请参照图6和图7,改进后的噪声自适应的完备集成经验模态分解方法,通过选取最优的白噪声的标准差和白噪声的数目,提升了时频分解的计算效率,同时进一步优化了低频IMF函数的成分,提升了主频转频的比重,且保持分解后得到的各阶IMF分量的特征频率不变。
S102、利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数。
具体的,根据对白噪声的标准差与分解结果的相关性、白噪声的数目解结果的相关性,对所述标准差不同相位反向的白噪声与原始信号进行叠加,并进行时频分解。
具体的,提取到的IMF函数为IMF函数中的前五阶IMF分量,包括原始信号的时域特征和频域特征、前五阶IMF分量的时域特征和频域特征。
具体实现时,改进后的噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解后,得到若干能够表征柱塞泵状态特征频率的IMF函数,结合上面的描述,本步骤中,主要对分解后得到的前五阶IMF分量进行分析和特征提取,提取到的状态特征包括原始信号的时域特征和频域特征。时域特征包括均值、方差、峰值、根值、均方根、中值绝对误差、斜度、峭度、峰值指标、波形指标、裕度指标、脉冲指标,如表1所示。
表1 IMF函数特征信号的时域特征
频域特征包括:均值频率、频率方差、重心频率、均方差频率、频率斜度、频率峭度、频率标准差等,如表2所示:
表2 IMF函数特征信号的频域特征
S103、对所述IMF函数进行分析和特征提取。
具体的,该步骤的具体实现过程可以包括:
(1)每隔指定时间采集所述柱塞泵的振动信号,得到所述柱塞泵的故障样本空间。
具体的,指定时间是根据实际需要设定的,本实施例中,不对指定时间进行限定。例如,一可能的实现方式中,指定时间为1分钟。
具体实现时,在实验室条件下,对发生故障的柱塞泵进行检测,采集柱塞泵的振动信号。若柱塞泵的故障状态有M类,在相同的工作条件下,对每类故障状态每隔N个采样点采集一段振动信号,共采集C组信号,得到的故障样本空间为。
(2)对所述故障样本空间中的每个元素进行分析,将每个元素转化为一个初始特征向量。
具体的,对故障样本空间中的每个元素进行分析,选取经改进后的噪声自适应的完备集成经验模态分解方法分解后得到的前五阶IMF分量,作为状态的局部特征,对原始信号和前5阶IMF分量求解上述特征,将每个元素转化为一个1x162的初始特征向量。故障样本空间表示为:
,
其中, ,/>表示各阶IMF函数提取后的特征。
本实施例提供的柱塞泵振动信号特征提取方法,所述方法应用于柱塞泵振动信号特征提取设备,通过根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法,并利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数,进而对所述IMF函数进行分析和特征提取。首先,使用噪声自适应的完备集成经验模态分解方法对振动信号进行分解,能够避免特征混叠的缺点,保证特征信号分解的准确性;其次,本发明从分解结果的相关性分析出发,确定方法的优化数值和优化参数,提高了方法优化的科学性;最后本发明基于最优参数的改进,能够提高方法的执行效率,缩短方法的计算时间。这样,利用变化的白噪声对分解方法进行参数优化,进而利用经参数优化后的分解方法对柱塞泵的振动信号进行分解,并对分解后得到的状态特征函数进行分析和特征提取得到柱塞泵的状态特征,可以清楚的得到各个状态特征,解决了现有方法存在的实时性较差的问题,提高了状态特征提取的准确性和效率,为后续故障诊断提供支持。
图8为本申请提供的柱塞泵振动信号特征提取方法实施例二的流程图。请参照图8,本实施例提供的方法,在上述实施例的基础上,选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象,包括:
S801、采用经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第一IMF函数。
具体的,采用经验模态分解方法对柱塞泵的振动信号进行分解,得到的第一IMF函数如图9所示,得到的第一IMF函数的频率分布如图10所示。请参照图9,振动信号经过经验模态分解方法分解后得到7阶IMF分量和1阶余量,其中前三阶IMF分量的幅值较大,是振动信号的主要成分。根据各个IMF分量的频域结果,可以看出经验模态分解方法处理的特征分量是按照特征频率降序排列得到的。前三阶的IMF分量主要表现为柱塞泵流量脉动的频率(224.6Hz)及脉动频率的倍频(444.3Hz,664.1Hz,883.8Hz,1104Hz),其中脉动频率的三倍频、四倍频和五倍频分量主要体现在IMF1分量中,2倍频分量主要体现在IMF2分量中,IMF是柱塞泵的脉动频率分量;IMF6分量的特征频率为24.41Hz,表现为柱塞泵的主轴转频特征;此外,经验模态分解方法还得到了特征频率为14.85Hz的特征分量,以及其2倍频(29.3Hz)和6倍频分量(92.77Hz)。
进一步地,请参照图10,经验模态分解方法分解后得到的各阶IMF分量均具有实际的物理意义,进一步分析各阶IMF分量的信号功率、信号标准差、信号均值、信号斜度、信号峭度和信号的均方根特征,计算结果如图11、图12所示。对各个分量功率值、信号的标准差、信号的均值以及信号的均方根的计算,得出柱塞泵的振动特征主要是其流量脉动的频率及其倍频,其中前三阶IMF分量的信号功率占所有IMF分量和的96.25%,可以视作特征最为显著的三个特征分量。而峭度和斜度是无量纲特征,反映分量信号的突变和异常值,此时处于低频段的IMF6分量和IMF7分量特征表现更为明显。通过进一步对时域特征求解,可以得到对高频分量的敏感特征以及低频分量的敏感特征。IMF5分量与IMF6分量的互相关系数为0.32,表现为较弱的相关性,即IMF5分量的振动源与IMF6分量的振动源并不相同。对300组样本的极值和均值的分布进行计算,如图12所示,分解后的结果中,前三阶IMF分量包含了最主要的特征信息,而在进行经验模态分解方法分解的过程中,由于其频率的自适应特性,分解后得到的IMF分量的数目并不严格相等,会出现干扰项。
S802、采用集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第二IMF函数。
具体的,采用集成经验模态分解方法对柱塞泵的振动信号进行分解,得到的第二IMF函数如图12所示,得到的第二IMF函数的频率分布如图13所示。请参照图13,叠加白噪声的标准差为0.02,叠加组数为50,分解后得到8阶IMF分量和1阶余量。在加入白噪声之后,系统的特征分量存在于IMF4分量、IMF5分量和IMF6分量中。由于向原始信号中添加了白噪声成分,使得分解结果中出现了两个低频分量(IMF7分量, IMF8分量)。相比于经验模态分解方法分解的结果,集成经验模态分解方法分解得到的前三阶特征分量的能量占所有特征分量总能量的97.53%,加强了前三阶IMF分量的信噪比。
进一步地,请参照图14,IMF5分量、IMF6分量的互相关系数为0.68,表现为较强的相关性,说明集成经验模态分解方法虽然能够提升振动信号主要分量的信噪比,但是在低频分量中存在冗余特征。分量的时域统计特征如图15、图16所示,其结果与经验模态分解方法分解的结果大致相同。在进行特征提取的过程中,前5阶IMF分量均具有参考意义。
S803、采用噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第三IMF函数。
具体的,噪声自适应的完备集成经验模态分解方法的具体过程如下:
1.采用EEMD方法计算得到和第一阶余量/>;
2.定义信号,采用EEMD对信号/>进行分解得到其第一阶模态分量,将其定义为原始信号的第二阶模态分量:;
3.计算第k个余量:,并定义信号;
4.采用EEMD对信号 进行分解得到其第一阶模态分量,将其定义为原始信号的第k+1阶模态分量:
;/>
5.直至余项单调,得到余量,原始信号可表示为:/>。
需要说明的是,分解后得到的第一IMF函数、第二IMF函数和第三IMF函数需要满足分解条件:
1:在整个数据序列中,极值点和过零点的个数相等或至少相差1;
2:任何时刻的局部极大值点形成的上包络和局部极小值点形成的下包络的均值为零,上、下包络关于时间轴局部对称。
分解后得到的各阶IMF分量可视为原始信号不同特征频率的组成成分。
具体的,采用噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到的第三IMF函数如图17所示,得到的第三IMF函数的频率分布如图18所示。请参照图17,噪声自适应的完备集成经验模态分解方法可将原始信号分解成6阶IMF分量和1阶余量。相比于经验模态分解方法和集成经验模态分解方法的分解结果,噪声自适应的完备集成经验模态分解方法有效的剔除了低频的特征分量,同时解决了集成经验模态分解方法中存在的模态混叠问题。
进一步地,请参照图17,前3阶IMF分量的能量比为97.92%,根据分量时域特征的统计分析,噪声自适应的完备集成经验模态分解方法分解得到的前5阶IMF分量中包含了较多的信息。此外,噪声自适应的完备集成经验模态分解方法在对多组振动信号进行分解的过程中,分解结果具有较高的一致性,并不会如经验模态分解方法对分解结果产生干扰项。
S804、对所述第一IMF函数、第二IMF函数、第三IMF函数进行分析比较,选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象。
具体的,噪声自适应的完备集成经验模态分解方法可以有效地解决经验模态分解方法和集成经验模态分解方法遇到的模态混叠问题,这三种分解方法的计算效率如表3所示:
表3 经验模态分解方法、集成经验模态分解方法和噪声自适应的完备集成经验模态分解方法的计算效率
请参照表3,可知噪声自适应的完备集成经验模态分解方法计算效率较高,本步骤中,就选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象。
与前述一种柱塞泵振动信号特征提取方法的实施例相对应,本申请还提供了一种柱塞泵振动信号特征提取装置的实施例。
本申请提供的柱塞泵振动信号特征提取装置的实施例可以应用在柱塞泵振动信号特征提取设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在柱塞泵振动信号特征提取设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图19为本申请提供的柱塞泵振动信号特征提取装置所在柱塞泵振动信号特征提取设备的一种硬件结构图,除了图19所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的柱塞泵振动信号特征提取设备通常根据该柱塞泵振动信号特征提取装置的实际功能,还可以包括其他硬件,对此不再赘述。
图20为本申请提供的柱塞泵振动信号特征提取装置实施例一的结构示意图。请参照图20,本实施例提供的装置,所述装置应用于柱塞泵振动信号特征提取设备,所述装置包括:优化模块2010、获取模块2020和提取模块2030;其中,
所述优化模块2010,用于根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声;
所述获取模块2020,用于利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数;
所述提取模块2030,用于对所述IMF函数进行分析和特征提取。
本实施例提供的装置,可用以执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
可选的,所述优化模块2010,具体用于根据白噪声的标准差与分解结果,得到所述白噪声的标准差与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间;
所述优化模块2010,还具体用于根据白噪声的数目与分解结果,得到所述白噪声的数目与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间;
所述优化模块2010,还具体用于根据所述白噪声的标准差与分解结果的相关性、所述白噪声的数目与分解结果的相关性,确定最优的白噪声的标准差与数目。
可选的,所述优化模块2010,具体用于在不同的白噪声的标准差下,使用噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到分解结果;
所述优化模块2010,还具体用于根据所述分解结果,得到表征所述白噪声的标准差与分解结果的相关性。
可选的,选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象,包括:
采用经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第一IMF函数;
采用集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第二IMF函数;
采用噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第三IMF函数;
对所述第一IMF函数、第二IMF函数、第三IMF函数进行分析比较,选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象。
可选的,所述提取到的IMF函数为IMF函数中的前五阶IMF分量,包括原始信号的时域特征和频域特征、前五阶IMF分量的时域特征和频域特征。
可选的,所述提取模块2030,具体用于每隔指定时间采集所述柱塞泵的振动信号,得到所述柱塞泵的故障样本空间;
所述提取模块2030,具体用于对所述故障样本空间中的每个元素进行分析,将每个元素转化为一个初始特征向量。
请继续参照图19,本申请还提供一种柱塞泵振动信号特征提取设备,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本申请第一方面提供的任一项所述方法的步骤。
进一步地,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (7)
1.一种柱塞泵振动信号特征提取方法,其特征在于,所述柱塞泵振动信号特征提取方法应用于柱塞泵振动信号特征提取设备,所述方法包括:
根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声;
利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数;
对所述IMF函数进行分析和特征提取;
所述根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,包括:
根据白噪声的标准差与分解结果,得到所述白噪声的标准差与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间;
根据白噪声的数目与分解结果,得到所述白噪声的数目与分解结果的相关性;
根据所述白噪声的标准差与分解结果的相关性、所述白噪声的数目与分解结果的相关性,确定最优的白噪声的标准差与数目;
所述根据白噪声的标准差与分解结果,得到所述白噪声的标准差与分解结果的相关性,包括:
在不同的白噪声的标准差下,使用噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到分解结果;
根据所述分解结果,得到所述白噪声的标准差与分解结果的相关性。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象,
所述选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象,包括:
采用经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第一IMF函数;
采用集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第二IMF函数;
采用噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到第三IMF函数;
对所述第一IMF函数、第二IMF函数、第三IMF函数进行分析比较,选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象。
3.根据权利要求1所述的方法,其特征在于,所述对所述IMF函数进行分析和特征提取,包括提取到所述IMF函数中的前五阶IMF分量,包括原始信号的时域特征和频域特征、前五阶IMF分量的时域特征和频域特征。
4.根据权利要求1所述的方法,其特征在于,所述对所述IMF函数进行分析和特征提取,包括:
每隔指定时间采集所述柱塞泵的振动信号,得到所述柱塞泵的故障样本空间;
对所述故障样本空间中的每个元素进行分析,将每个元素转化为一个初始特征向量。
5.一种柱塞泵振动信号特征提取装置,其特征在于,所述装置应用于柱塞泵振动信号特征提取设备,所述装置包括:优化模块、获取模块和提取模块;其中,
所述优化模块,用于根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化,得到改进后的噪声自适应的完备集成经验模态分解方法;其中,基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的IMF函数的能量信息之间的关系和特征提取时长确定标准差数量最优值,获得改进后的噪声自适应的完备集成经验模态分解方法,所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声;
所述获取模块,用于利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解,得到表征所述柱塞泵状态特征的IMF函数;
所述提取模块,用于对所述IMF函数进行分析和特征提取;
所述优化模块,具体用于根据白噪声的标准差与分解结果,得到所述白噪声的标准差与分解结果的相关性;其中,所述分解结果包括各阶IMF能量比和/或计算时间;
所述优化模块,还具体用于根据白噪声的数目与分解结果,得到所述白噪声的数目与分解结果的相关性;
所述优化模块,还具体用于根据所述白噪声的标准差与分解结果的相关性、所述白噪声的数目与分解结果的相关性,确定最优的白噪声的标准差与数目;
所述优化模块,具体用于在不同的白噪声的标准差下,使用噪声自适应的完备集成经验模态分解方法对柱塞泵的振动信号进行分解,得到分解结果;
所述优化模块,还具体用于根据所述分解结果,得到所述白噪声的标准差与分解结果的相关性。
6.一种柱塞泵振动信号特征提取设备,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1-4任一项所述方法的步骤。
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,所述程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311647717.0A CN117349661B (zh) | 2023-12-04 | 2023-12-04 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311647717.0A CN117349661B (zh) | 2023-12-04 | 2023-12-04 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349661A CN117349661A (zh) | 2024-01-05 |
CN117349661B true CN117349661B (zh) | 2024-02-20 |
Family
ID=89356048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311647717.0A Active CN117349661B (zh) | 2023-12-04 | 2023-12-04 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349661B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN108596144A (zh) * | 2018-05-09 | 2018-09-28 | 大连海事大学 | 一种分解参数自适应确定的互补集成经验模态分解方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111079710A (zh) * | 2019-12-31 | 2020-04-28 | 江苏理工学院 | 一种基于改进ceemd滚动轴承信号的多层降噪方法 |
CN113361205A (zh) * | 2021-06-23 | 2021-09-07 | 合肥工业大学 | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 |
CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
WO2022166401A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国科学院深圳先进技术研究院 | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 |
CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
CN116698385A (zh) * | 2023-06-05 | 2023-09-05 | 南京航空航天大学 | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 |
CN116735198A (zh) * | 2023-06-14 | 2023-09-12 | 山东大学 | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 |
-
2023
- 2023-12-04 CN CN202311647717.0A patent/CN117349661B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN108596144A (zh) * | 2018-05-09 | 2018-09-28 | 大连海事大学 | 一种分解参数自适应确定的互补集成经验模态分解方法 |
CN111079710A (zh) * | 2019-12-31 | 2020-04-28 | 江苏理工学院 | 一种基于改进ceemd滚动轴承信号的多层降噪方法 |
WO2022166401A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国科学院深圳先进技术研究院 | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 |
CN113361205A (zh) * | 2021-06-23 | 2021-09-07 | 合肥工业大学 | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 |
CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
CN116698385A (zh) * | 2023-06-05 | 2023-09-05 | 南京航空航天大学 | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 |
CN116735198A (zh) * | 2023-06-14 | 2023-09-12 | 山东大学 | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 |
Non-Patent Citations (3)
Title |
---|
An improvment complementary ensemble empirical mode decomposition method and its application in rolling bearing fault diagnosis;Jun Gu 等;ELSEVIER;1-10 * |
基于CEEMD-SVD-LSSVM的矿浆管线核心设备故障诊断;周成江;吴建德;杨静宗;;云南大学学报(自然科学版)(05);67-74 * |
基于改进的集合经验模态方法振动信号分解;刘涛;杜世昌;黄德林;任斐;梁鑫光;;上海交通大学学报(09);122-129 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349661A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Denoising and R-peak detection of electrocardiogram signal based on EMD and improved approximate envelope | |
Liu et al. | Feature extraction of rotor fault based on EEMD and curve code | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
CN114992033B (zh) | 基于nlm-ceemdan的水电机组信号去噪方法 | |
CN104251934B (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
CN109404285B (zh) | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 | |
CN113780055B (zh) | 一种momeda与压缩感知的滚动轴承故障诊断方法 | |
CN103424183B (zh) | 机械振动信号检测异常干扰消除方法 | |
CN109446975A (zh) | 多尺度噪声调节随机共振的微弱信号检测 | |
CN112284719B (zh) | 一种行星齿轮箱齿面磨损故障诊断方法及系统 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
Lv et al. | Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis | |
CN117349661B (zh) | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 | |
CN107212881B (zh) | 一种t波电交替检测方法 | |
Alsalaet | Fast averaged cyclic periodogram method to compute spectral correlation and coherence | |
JP2017198620A (ja) | 異常診断装置および異常診断方法 | |
CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
CN104352234A (zh) | 一种生理电信号尖峰奇异点检测方法 | |
CN112183407A (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
CN114034375B (zh) | 一种特高压输电线路噪声测量系统及方法 | |
Das et al. | On an algorithm for detection of QRS complexes in noisy electrocardiogram signal | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
CN117782588B (zh) | 一种减速机的智能故障检测方法 | |
Sun et al. | Adaptively Optimized Masking EMD for Separating Intrinsic Oscillatory Modes of Nonstationary Signals |
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 |