一种基于压缩域的振动信号特征提取方法技术

本发明专利技术公开了一种基于压缩域的振动信号特征提取方法，包括以下步骤：对采集的振动信号进行压缩测量，得到其线性投影的测量值；根据测量值基于l2范数最小化理论获得l2范数最小的解信号；对获得的l2范数最小的解信号进行离散傅里叶变换得到频谱信息；基于频谱信息，提取振动信号的故障状态频谱特征。在对所述频谱信息进行分析之前，还包括：对获得的l2范数最小的解信号的频谱的幅值进行修正；对修正后的频谱信息进行分析，提取振动信号的频谱特征。本发明专利技术提出的基于压缩域的振动信号特征提取方法避免了基于l1范数最小化的重构算法计算复杂度高、处理速度慢的问题。

A feature extraction method for vibration signal based on compressed domain

The invention discloses a vibration signal feature extraction method based on the compressed domain, including the following steps: compressing the sampled vibration signal, obtaining the measured value of its linear projection; obtaining the least L2 norm based on the L2 norm minimization theory based on the measured value; and the solution signal of the smallest L2 norm obtained. Discrete Fourier transform is used to get spectrum information, and the spectrum characteristics of fault state are extracted based on spectrum information. Before the analysis of the spectrum information, the amplitude of the spectrum of the solution signal with the smallest L2 norm is corrected, and the corrected spectrum information is analyzed to extract the spectrum characteristics of the vibration signal. The vibration signal feature extraction method based on the compressed domain proposed by the invention avoids the problem of high complexity and slow processing speed based on the reconstruction algorithm based on the L1 norm minimization.

【技术实现步骤摘要】
一种基于压缩域的振动信号特征提取方法
本专利技术属于故障诊断领域，具体涉及一种振动信号的特征提取方法。
技术介绍
传统的振动信号检测与采样通常是基于奈奎斯特采样定理实现的，奈奎斯特采样定理要求采样频率至少为信号中最高频率的两倍，才能由采样信号精确重构出原始振动信号。压缩感知理论的产生为解决这个问题提供了新的思路，该理论在保证信号不丢失主要信息的情况下，可以远低于奈奎斯特采样率的数据高概率重构信号。压缩感知理论主要包含两个方面：第一，获得原始信号的线性投影；第二，通过恰当的恢复算法从测量值中重构出原始信号，上述方法都要经信号稀疏表示、压缩测量、基于l1范数最小化的重构算法对信号进行恢复后，才能对重构信号进行进一步处理，而基于l1范数最小化的重构算法计算复杂度较高、运行时间较长，且进行故障诊断时只需提取故障特征即可，无需重构出完整的振动信号。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
针对现有技术中的缺陷，本专利技术提出一种基于压缩域的振动信号特征提取方法，避免了基于l1范数最小化的重构算法计算复杂度高、运行时间长的问题。根据本专利技术的一个方面，提供了一种基于压缩域的振动信号特征提取方法，包括以下步骤：对采集的振动信号进行压缩测量，得到其线性投影的测量值；根据测量值基于l2范数最小化理论获得l2范数最小的解信号；对获得的所述解信号进行离散傅里叶变换，得到频谱信息；基于所述频谱信息，完成振动信号故障状态频谱特征的提取进一步地，上述技术方案中，在对所述频谱信息进行分析之前，进一步包括：对获得的l2范数最小的解信号的频谱的幅值进行修正；对修正后的频谱信息进行分析，提取故障的频谱特征。进一步地，对获得的l2范数最小的解信号的频谱的幅值进行修正包括：根据振动信号的采样率，确定相对误差；根据相对误差确定修正系数；根据修正系数对l2范数最小的解信号的频谱的幅值进行修正。进一步地，根据本专利技术的上述特征提取方法，振动信号的采样率等于线性投影的测量值与振动信号长度的比值；相对误差是根据振动信号直接经傅里叶变换后频谱的幅值X与频谱信息的幅值X1确定的。进一步地，对振动信号进行压缩测量时，采用高斯随机测量矩阵对振动信号进行处理。根据本专利技术的另一方面，还提供了一种存储介质。该存储介质包括存储的程序，其中，该程序执行上述特征提取方法。根据本专利技术的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，该程序运行时执行上述特征提取方法。采用本专利技术的技术方案的优点在于：基于l2范数最小化理论的方法，求解的计算复杂度低、易实现；机械故障识别只需提取反映故障的特征信息即可，直接在压缩域提取故障的频谱特征，避免了压缩感知恢复算法重构信号的过程，在不丢失原始振动信号主要信息的情况下以更少的数据量实现故障识别；本专利技术还进一步考虑对获得的l2范数最小的解信号的频谱的幅值进行修正，从而有效弥补了l2范数最小的解信号频谱幅值降低的问题，使得l2范数最小的解信号频谱的幅值与原始信号频谱的幅值尽可能地接近，提高了提取的故障状态特征的准确性。附图说明图1为本专利技术的一种基于压缩域的振动信号特征提取方法。具体实施方式下面将结合附图对本专利技术技术方案进行详细的描述，以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只是作为示例，而不能以此来限制本专利技术的保护范围。图1为本专利技术的一种基于压缩域的振动信号特征提取方法。结合图1，一种基于压缩域的振动信号特征提取方法，包括以下步骤：步骤102：对采集的振动信号进行压缩测量，得到其线性投影的测量值；步骤104：根据上述测量值基于l2范数最小化理论获得l2范数最小的解信号；步骤106：对获得的解信号进行离散傅里叶变换，得到频谱信息；步骤108：基于频谱信息，完成振动信号故障状态频谱特征的提取。进一步地，在一个实施例中，在对步骤108所述频谱信息进行分析之前，进一步包括：根据振动信号对频谱的幅值进行修正；并且，对修正后的频谱信息进行分析，提取故障特征。可以理解的是，步骤104根据上述测量值基于l2范数最小化理论获得l2范数最小的解信号，避免了压缩感知恢复算法重构信号的过程，降低了运算复杂度，缩短了运行时间；但频谱的幅值有一定的降低，故考虑对基于测量值获得的l2范数最小的解信号的频谱的幅值进行修正，使得解信号频谱的幅值与振动信号频谱的幅值尽可能地接近。进一步地，根据本专利技术实施的特征提取方法，振动信号的采样率δ等于线性投影的测量值M与振动信号的长度N的比值，即δ＝M/N，相对误差是根据振动信号直接经傅里叶变换后频谱的幅值X与修正后频谱的幅值X1确定的，即进一步地，根据本专利技术的实施的基于压缩域的滚动轴承振动信号特征提取方法，根据振动信号对频谱的幅值进行修正包括：根据振动信号的采样率δ，确定相对误差RE；根据相对误差RE，确定修正系数ε；根据修正系数ε对获得的l2范数最小的解信号的幅值进行修正。通过实验分析可得振动信号采用三次多项式拟合与取整时的拟合曲线基本接近，使得取整后得到的采样率δ与相对误差RE的关系更为精确，在后续实验中均采用式RE＝-δ3+δ2-δ+1所示取整后的采样率δ与相对误差RE的关系进行频谱幅值的修正。取整后的采样率δ与相对误差RE的关系如下：本专利技术在实验的基础上，验证了为修正系数。经过实验验证，修正以后频谱的幅值与获得的l2范数最小的解信号频谱的幅值相比，更接近原始信号频谱的幅值，相对误差显著减小。进一步地，在步骤102进行压缩测量时，采用高斯随机测量矩阵对振动信号进行处理，经过实验验证，所采用的高斯随机测量矩阵虽然会引入一定的噪声，但可以精确提取其主要频率成分及其对应的幅值信息，在保证精度的同时以较少的数据量完成特征提取。综上所述，基于l2范数最小化理论的方法，求解的计算复杂度低、易实现，且机械故障识别只需提取反映故障的特征信息即可，避免了压缩感知恢复算法重构信号的过程；但基于l2范数最小化理论的方法，使得基于测量值获得的l2范数最小的解信号频谱的幅值有一定的降低，故进一步考虑对解信号频谱的幅值进行修正，使得解信号频谱的幅值与原始信号频谱的幅值尽可能地接近，进一步保证提取的故障特征信息的准确性。本专利技术的说明书中，说明了大量具体细节。然而，能够理解，本专利技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个本文档来自技高网...

【技术保护点】
1.一种基于压缩域的振动信号特征提取方法，其特征在于，包括：对采集的振动信号进行压缩测量，得到其线性投影的测量值；根据所述测量值，基于l2范数最小化理论获得l2范数最小的解信号；对获得的所述解信号进行离散傅里叶变换，得到频谱信息；基于所述频谱信息，完成振动信号故障状态频谱特征的提取。

【技术特征摘要】
1.一种基于压缩域的振动信号特征提取方法，其特征在于，包括：对采集的振动信号进行压缩测量，得到其线性投影的测量值；根据所述测量值，基于l2范数最小化理论获得l2范数最小的解信号；对获得的所述解信号进行离散傅里叶变换，得到频谱信息；基于所述频谱信息，完成振动信号故障状态频谱特征的提取。2.根据权利要求1所述的特征提取方法，其特征在于，在对所述频谱信息进行分析之前，进一步包括：对获得的所述l2范数最小的解信号的频谱的幅值进行修正；并且，在完成振动信号故障特征的提取时：对修正后的频谱信息进行分析，提取故障的频谱特征。3.根据权利要求2所述的特征提取方法，其特征在于，对获得的所述解信号的频谱的幅值进行修正包括：根据所述振动信号的采样率，确定相对误差；根据所述...

【专利技术属性】
技术研发人员：郭俊锋，杨文，魏兴春，王智明，宋鸣，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃,62