本发明专利技术提供一种振动信号特征频率带的提取方法及装置，其包括获取振动信号的边际谱；利用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频率带窗口边际谱集合的聚类效果评价指标；根据所述聚类效果评价指标提取出故障敏感的特征频率带。本发明专利技术实施例的振动信号特征频率带的提取方法及装置具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。
【技术实现步骤摘要】
本专利技术涉及机构检测领域，特别是一种振动信号特征频率带的提取方法及装置。
技术介绍
滚动轴承的状态监测对设备的安全运行具有重要意义，设备状态监测和故障诊断 可以分为三个步骤：信号采集、特征提取、状态识别。分析设备振动信号是最常用的故障诊 断手段，如何从非线性、非平稳特性的振动信号中提取出表征轴承故障状态的特征信息是 实现轴承故障诊断的关键。时频分析方法是非线性、非平稳信号分析的有力工具，常用的 分析方法有：小波变换、短时傅里叶换、魏格纳-维尔分布（Wigner-Ville Distribution， WVD)，希尔伯特黄变换（Hilbert-Huang Transform，HHT)等。小波变换方法的特征提取效 果很大程度上受到小波基函数选择的限制，而小波基函数的自适应性不强；短时傅立叶变 换是线性变换，对于多分量信号其变换不存在交叉项，但其时频聚集性不好;WVD的时频聚 集性非常好，但对于多分量信号会产生交叉项，HHT目前在机械故障振动信号分析方面应用 最为广泛。 现有研究中多采用振动信号的时域、频域和时频域的统计特性来作为故障的特征 信息，例如平均值、标准差、峰度、偏度、形状因数、能量熵等。Ali等提取振动信号每一个 (Intrinsic Mode Function，IMF)分量的11种时域统计特征来训练人工神经网络，实现滚 动轴承的故障诊断；Shen等从IMF分量中提取出16种时域统计特性和13种频域特性，并 利用距离评价技术从中选取目标更加敏感的特征信息，来提高齿轮箱异常识别的准确率。 Zhang等利用两种时域统计特性和两种频域统计特性来训练SVM，并提出一种新型混合参 数优化算法来提高滚动轴承的故障识别率；Bafroui等提取出振动信号64个时间尺度下的 小波系数，并利用能量熵从中选出更能够表征故障种类的24个尺度，利用24个尺度下的小 波系数统计特性作为人工神经网络故障分类器的输入，来提高轴承故障分类器的识别率。 上述研究中的故障诊断模型都是基于统计特征的，然而，统计特征中只能包含振动信号中 部分故障相关的特征信息，无法对故障特征进行完整的描述，仅使用统计特征作为故障特 征信息，可能故障识别准确率的下降。 尝试使用振动信号经过HHT得到的边际谱作为轴承故障分类器的输入信号，来实 现轴承故障的分类，实验结果表明边际谱能够有效的表征轴承故障的种类。然而，由于噪 声信号及EMD (Empirical Mode Decomposition, EMD)自身的问题，边际谱中不可避免地包 含一些与故障类型相关性小或不相关的信息，这些信息不仅使故障类型的特征空间变得庞 大，同时还会给故障的分类带来干扰，降低故障诊断的精度。 因此如何设计出一种故障识别率高和抗噪声能力质量好的振动信号特征频率带 的提取方法是业界亟需解决的课题。
技术实现思路
为了解决上述现有的技术问题，本专利技术提供一种振动信号特征频率带的提取方法 及装置以提取到的故障识别率高和抗噪声能力质量好的振动信号特征频率带。 本专利技术提供一种振动信号特征频率带的提取方法，包括： 获取振动信号的边际谱； 利用滑动窗口将所述边际谱划分成多个窗口边际谱，对至少二种故障状态下的同 一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频率带窗口边际谱集合的聚 类效果评价指标； 根据所述聚类效果评价指标提取出故障敏感的特征频率带。 优选地，所述获取振动信号的边际谱的步骤具体包括： 获取振动信号； 将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。 优选地，所述根据所述聚类效果评价指标提取出故障敏感的特征频率带的步骤包 括：将所述聚类效果评价指标值从大到小进行排序，并按顺序将每个窗口对应的频率段进 行叠加，当得到的频率点数大于预设阀值时，停止叠加以生成振动信号的特征频率带。 优选地，还包括步骤： 利用特征频率带下的边际谱信息完成对支持向量机分类器进行训练，生成特征频 率带分类模型。 优选地，所述边际谱的计算公式为：[ h (W)为边际谱，且 优选地，所述支持向量机分类器计算依据公式： 本专利技术还提供一种振动信号特征频率带的提取装置，包括 获取模块，用于获取振动信号的边际谱； 评价指标计算模块，用于利用滑动窗口将所述边际谱划分成多个窗口边际谱，对 至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频 率带窗口边际谱集合的聚类效果评价指标；以及 特征频率带提取模块，用于根据所述聚类效果评价指标提取出故障敏感的特征频 率带。 优选地，所述获取模块具体包括： 信号获取单元，用于获取振动信号； 边际谱生成单元，用于将所述振动信号进行希尔伯特黄变换以获取所述振动信号 的边际谱。 优选地，所述特征频率带提取模块具体用于将所述聚类效果评价指标值从大到小 进行排序，并按顺序将每个窗口对应的频率段进行叠加，当得到的频率点数大于预设阀值 时，停止叠加以生成振动信号的特征频率带。 相较于现有技术，本专利技术优选实施例的振动信号特征频率带的提取方法，通过利 用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障状态下的同一频率带下的 窗口边际谱集合进行聚类分析，以计算生成每个频率带窗口边际谱集合的聚类效果评价指 标，并根据所述聚类效果评价指标提取出故障敏感的特征频率带具有提取到的振动信号特 征频率带具有故障识别率高和抗噪声能力质量好的优点。 本专利技术具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量 好的优点。【附图说明】 图1为本专利技术一优选实施例的振动信号特征频率带的提取方法的方框示意图； 图2为本专利技术的特征频率带分类模型工作过程示意图； 图3为丽SC方法中窗口边际谱集合RI值随窗口起始频率位置的变化曲线示意 图； 图4为7种故障状态中各随机选取序列示意图； 图5为本专利技术优选实施例的振动信号特征频率带的提取装置的结构示意图。【具体实施方式】 下面结合【附图说明】及【具体实施方式】对本专利技术进一步说明。 请参阅图1，其为本专利技术一优选实施例的振动信号特征频率带的提取方法的方框 示意图。 本专利技术实施例的振动信号特征频率带的提取方法包括： Sl:获取振动信号的边际谱； 本步骤中，首先获取振动信号，然后将获取到的振动信号进行希尔伯特黄 (Hilbert-Huang Transform，H当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种振动信号特征频率带的提取方法，其特征在于，包括：获取振动信号的边际谱；利用滑动窗口将所述边际谱划分成多个窗口边际谱，对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频率带窗口边际谱集合的聚类效果评价指标；根据所述聚类效果评价指标提取出故障敏感的特征频率带。
【技术特征摘要】
【专利技术属性】
技术研发人员：俞啸，张立，卞水荣，臧昊，吴响，
申请(专利权)人：徐州医学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。