强噪声背景下振动信号的特征提取方法技术

本发明专利技术涉及强噪声背景下振动信号的特征提取方法，包括如下步骤：采样得到一段机械振动信号A；对信号A作四个周期以上的偶数个周期延拓，得到延拓后新的时间序列B；对时间序列B做三次以上多相关处理，得到特征信号相关序列C与一个常数项之和；对序列C进行EMD分解，得到各个IMF分量ci和余量rn，其中，ci记为D；对各个IMF分量D和时间序列B进行互相关计算，将计算结果与设定的阈值λ进行比较，并将计算结果中大于λ的筛选出来，记为E；对E进行边际谱分析，形成边际谱曲线，边际谱曲线中幅值突出的即为振动信号的特征。本发明专利技术分析效率高、可对振动信号进行在线检测并能在信噪比低的情况下提取隐藏的特征信号和状态表征信号。

A feature extraction method for vibration signals under strong noise background

The present invention relates to a method of feature extraction of vibration signal under strong noise background, which comprises the following steps: sampling a mechanical vibration signal A; for four cycles or even a periodic extension of signal delay time sequence of B A, get a new extension of time series; B three times to more relevant treatment get the feature signal sequence related C, with a constant sum of C sequence; EMD decomposition for each component of the IMF Ci and RN, CI margin, denoted as D; calculate cross correlation of each IMF component D and B time series, the calculation results and set the threshold value of lambda were compared. And the calculation results in greater than a selected, denoted as E; the marginal spectrum analysis of E, the formation of marginal spectrum curve, marginal spectrum features prominent amplitude curves of vibration signal. The invention has high analysis efficiency, can detect the vibration signal on line and can extract the hidden characteristic signal and state characteristic signal under the condition of low signal to noise ratio.

【技术实现步骤摘要】
强噪声背景下振动信号的特征提取方法
本专利技术涉及机械系统振动信号处理，具体而言是强噪声背景下振动信号的特征提取方法。
技术介绍
随着高精度测试设备和先进的测试手段不断涌现，对机械系统振动信号的分析方法提出了更高的要求。而机械系统某些特征信号和潜在的状态表征信号往往淹没在强的背景噪声当中，使得机械系统表现出来的一些前期特征，如故障信息、设备状态变化信息以及系统的综合表现信息等，不能被早期的检测出来，给整个工业系统的运行带来安全隐患和经济损失，甚至造成人员伤亡。现有可用于机械系统振动信号的处理方法包括：傅立叶变换；短时傅立叶变换；Wigner-Ville分析；现代谱估计方法；神经网络方法；高阶统计量分析；小波分析以及希尔伯特-黄变换(Hilbert-HuangTranslation:HHT)方法。在上述方法中，与本专利技术最接近的现有技术为小波分析、1.5维谱分析和HHT方法。小波分析方法是一种窗口大小(即窗口面积)固定但其形状可改变、时间窗和频率窗都可改变的时－频局部分析方法。在大尺度下，可以将信号的低频信息(全局)表现出来，在小尺度下，可以将信号的高频(局部)特征反映出来。小波分析能有效地从信号中提取瞬态突变信息，通过伸缩和平移等运算功能对信号进行多尺度(或多分辨)细化分析，解决了傅立叶变换不能解决的许多困难问题。因此小波分析在工程信号的处理中得到了广泛的应用,并且取得了很好的效果，被认为是继傅立叶变换以来在科学方法和工具上的重大突破。大量的仿真和工程实例已经表明，小波分析在振动信号处理的实际应用中存在着一些不足：(1)对信号的奇异点，小波变换非常敏感，能对奇异信号的突变点给予准确的定位，但却难以判断那些突变点是感兴趣的点；(2)选取合适的时域和频域分辨率在工程中没有得到很好的解决；(3)小波分析缺乏有效的快速算法，因而很难满足实时性的要求；(4)小波变换中小波函数的选择和谱分析中窗函数的选择一样，需要根据不同应用问题的特点来具体考虑，对具体的工程问题选择合适的小波基函数非常困难。1.5维谱定义为三阶矩对角线切片的一维傅立叶变换。由于它极大的减少了双谱的计算量，并且保存了一些高阶谱的性质，因而在机械系统的信号处理中得到了应用。因为1.5维谱的特殊性，其具有以下几种优良性能：(1)具有高阶统计量抑制高斯噪声及对称分布噪声的能力；(2)计算量在高阶谱中最小，与功率谱相近；(3)可加强谐波信号的基频分量，以利于抽取较弱的基频；(4)可去除非二次相位耦合的谐波项，提取振动信号中的特征量。1.5维谱在对信号分析时，由于是对信号的多相关序列作高阶Fourier变换，使得在表达提取出来的信号特征成分时，会由于Fourier变换而导致后期难于处理的谐波成分，给信号的特征提取带来误判断；在对振动信号做多相关处理时，噪声信号被一并进行处理，使得该方法对信号的信噪比有较高的要求，很难以满足复杂工况条件下，振动信号特征提取的需求。Hilbert-Huang变换是近年来发展起来的、一种全新的时间序列信号分析方法。其核心是经验模态分解(EmpiricalModeDecomposition:EMD)，把复杂的信号分解成若干个本征模态函数(IntrinsicModeFunction:IMF)；再对得到的本征模态函数进行Hilbert变换，进而得到每一个本征模态函数随时间变化的瞬时频率和振幅，最后才得振幅－频率－时间的三维谱分布。由于经验模态分解是自适应的、局部正交和完备的，因此其分解快速灵活。又由于经验模态分解是基于信号的局部变化，因而可用于非线性和非平稳过程分析。与快速傅立叶变换得到的谱相比，HHT得到的每个本征模态函数的振幅和频率是随时间变化的，消除了为表达非线性、非平稳过程而引入的简谐波。与小波分析方法相比，HHT具有小波分析的优点，在分辨率上消除了小波分析的模糊和不清晰，具有更准确的谱结构，因而HHT在分析非线性、非平稳过程中具有很高的应用价值。HHT方法因为其对信号分析的有效性，因而在很多方面得到了应用。经验模态分解通过多次的移动过程以分解得到逐个本征模态函数。在每一次的移动过程中，要根据信号的上、下包络来计算信号的局部平均值，其中上、下包络是由信号的局部极大值和极小值通过样条插值算法给出，这种算法在分析中会带来误差，特别是当各个频率分量靠的很近时，误差就更大了。虽然HHT中明确的瞬时频率能够表达信号的瞬时变化情况，但是，仿真和工程应用中都已经表明，当信噪比较小时，HHT方法不能有效的得到信号中的特征成分。HHT方法存在经验模态分解停止标准不够完善、分解过程中容易产生虚假分量以及分解结果的不确定性等方面的不足。综上所述，现有的振动信号分析方法存在的一个共同问题是对特征信号成分中混叠的噪声较为敏感，使得在进行机械系统振动信号的分析时，尤其是对强噪声背景下的振动信号分析时，受到很大的限制。因此，设计出分析效率高、可对振动信号进行在线检测并能在信噪比低的情况下提取隐藏的特征信号和状态表征信号的强噪声背景下振动信号的特征提取方法十分必要。
技术实现思路
本专利技术的目的是提供一种分析效率高、可对振动信号进行在线检测并能在信噪比低的情况下提取隐藏的特征信号和状态表征信号的强噪声背景下振动信号的特征提取方法。为实现上述目的，本专利技术采用如下技术方案：一种强噪声背景下振动信号的特征提取方法，包括如下步骤：S1.采样得到一段时长为0.8分钟至1.2分钟的机械振动信号x(t)，记为A；S2.对信号A作四个周期以上的偶数个周期延拓，得到延拓后新的时间序列x(t+τ)，记为B；S3.对时间序列B做三次以上多相关处理，得到特征信号相关序列C与一个常数项之和：Rs(t,τ,τ)＝Rx(t,τ,τ)+3σE{x(t)}+γ式中，Rx(t,τ,τ)为C，3σE{x(t)}+γ为常数；S4.对序列C进行EMD分解，得到各个IMF分量ci和余量rn，其中，ci记为D；S5.对各个IMF分量D和时间序列B进行互相关计算，将计算结果与设定的阈值λ进行比较，并将计算结果中大于λ的筛选出来，记为E；S6.对E进行边际谱分析，形成边际谱曲线，边际谱曲线中幅值突出的即为振动信号的特征。采用本专利技术，通过对机械振动信号时间序列进行多相关分析、经验模式分解、对本征模态函数的筛选、对筛选出来的本征模态函数进行边际谱分析，获得强噪声背景下振动信号的特征。本专利技术分析效率高、可对振动信号进行在线检测并能在信噪比低的情况下提取隐藏的特征信号和状态表征信号。附图说明图1是本专利技术的流程示意图；图2是本专利技术实施例一中由式(15)描述的一段时间序列图；图3是采用本专利技术对由等式(15)给出的时间序列进行处理所得到的边际谱；图4是采用小波分析对由等式(15)给出的时间序列进行处理所得到的边际谱；图5是采用维谱分析对由等式(15)给出的时间序列进行处理所得到的边际谱；图6是采用HHT分析对由等式(15)给出的时间序列进行处理所得到的边际谱；图7是本专利技术实施例二中由式(16)描述的一段时间序列图；图8是采用本专利技术对由等式(16)给出的时间序列进行处理所得到的边际谱；图9是采用小波分析对由等式(16)给出的时间序列进行处理所得到的边际谱；图10是采用维谱分析对由等式(16)给出的时间序列进行处理所得到的本文档来自技高网...

【技术保护点】
一种强噪声背景下振动信号的特征提取方法，包括如下步骤：S1.采样得到一段时长为0.8分钟至1.2分钟的机械振动信号x(t)，记为A；S2.对信号A作四个周期以上的偶数个周期延拓，得到延拓后新的时间序列x(t+τ)，记为B；S3.对时间序列B做三次以上多相关处理，得到特征信号相关序列C与一个常数项之和：Rs(t,τ,τ)＝Rx(t,τ,τ)+3σE{x(t)}+γ式中，Rx(t,τ,τ)为C，3σE{x(t)}+γ为常数；S4.对序列C进行EMD分解，得到各个IMF分量ci和余量rn，其中，ci记为D；S5.对各个IMF分量D和时间序列B进行互相关计算，将计算结果与设定的阈值λ进行比较，并将计算结果中大于λ的筛选出来，记为E；S6.对E进行边际谱分析，形成边际谱曲线，边际谱曲线中幅值突出的即为振动信号的特征。

【技术特征摘要】
1.一种强噪声背景下振动信号的特征提取方法，包括如下步骤：S1.采样得到一段时长为0.8分钟至1.2分钟的机械振动信号x(t)，记为A；S2.对信号A作四个周期以上的偶数个周期延拓，得到延拓后新的时间序列x(t+τ)，记为B；S3.对时间序列B做三次以上多相关处理，得到特征信号相关序列C与一个常数项之和：Rs(t,τ,τ)＝Rx(t,τ,τ)+3σE{x(t...

【专利技术属性】
技术研发人员：廖庆斌，谢小华，蔡如桦，陈刚，
申请(专利权)人：中国船舶重工集团公司第七一九研究所，
类型：发明
国别省市：湖北,42