一种机械设备故障信号特征提取方法技术

本发明专利技术公开了一种机械设备故障信号特征提取方法，步骤为：利用传感器采集机械设备的各零部件的状态信号；对采集的状态信号进行经验小波变换，得到信号分解的模态分量；计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。本发明专利技术能够有效去除原始信号中包含的噪声，同时又能够保留信号中有用的特征，为机械设备的故障诊断提供了必要依据。

【技术实现步骤摘要】
一种机械设备故障信号特征提取方法
本专利技术属于智能系统
，特别涉及了一种机械设备故障信号特征提取方法。
技术介绍
随着汽车生产线装配输送设备趋向于复杂化和多功能化，设备的日常维护和诊断变得越来越困难，传统的人工诊断和维护难以满足日益提升的生产需求和效率。因此，需要提高制造装备的智能化程度，实现制造信息多维感知、协同故障诊断与运行健康预警，从而实现一种通用的自动故障方法。为了实现对机械设备的故障诊断，首先需要提取信号中包含的故障特征。传统的信号特征提取方法基于时域和频域的分析，通过时频变换来提取故障信号中包含的时频特性，如故障频段，频率变化以及幅值变化等。文献“基于小波变换与SVM的复杂装备故障诊断研究，火力与指挥控制，2016，41(6)”利用小波变换对信号进行了去噪，直接将变换后的去噪信号作为故障特征。这些方法虽然很好地对信号进行了去噪处理，得到了良好的故障特征信号，但是无法通过机器学习算法直接进行自动故障识别。有的方法虽然从信号中提取出了故障特征，构成了故障特征向量，但是提取出的故障特征属性是针对于一种信号或一种零部件，不具有通用性。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供一种机械设备故障信号特征提取方法，能够有效去除原始信号中包含的噪声，同时又能够保留信号中有用的特征。为了实现上述技术目的，本专利技术的技术方案为：一种机械设备故障信号特征提取方法，包括以下步骤：(1)利用传感器采集机械设备的各零部件的状态信号；(2)对采集的状态信号进行经验小波变换，得到若干信号分解的模态分量；(3)计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；(4)对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；(5)对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。进一步地，在步骤(2)中，分解的模态分量的计算公式如下：上式中，fn(t)是第n个模态分量，n＝1,2,…,N，N为模态分量的个数，为经验小波变换，ψn(t)是经验小波函数；其中：上式中，是原始信号f(t)的傅里叶变换，是ψn(t)的傅里叶变换，是的共轭，(*)V表示取括号内的反函数；在上式中，将Fourier支撑区间[0,π]分割成N个连续的区间，ωn表示第n个区间的界限，n＝1,2,…,N；其中：τn＝γωnβ(x)＝x4(35-84x+70x2-20x3)进一步地，在步骤(3)中，模态分量与原始信号之间的相关系数计算公式如下：上式中，是相关系数，fn(t)是模态分量，f(t)是原始信号，是fn(t)的均值，μf是f(t)的均值，是fn(t)的方差，μf是f(t)的方差，E表示数学期望。进一步地，步骤(4)的具体过程如下：对最优模态分量构造Hankel矩阵，以1为延迟步长，即每行/列比上一行/列滞后一个数据点，得到相应的p×q阶矩阵：其中，q＝Q-p+1，当Q为偶数时，p＝Q/2，当Q为奇数时，p＝(Q+1)/2；对矩阵Ap×q进行奇异值分解，存在p阶酉矩阵V和q阶酉矩阵U使得：其中，上标H表示共轭转置，∑＝diag(σ1,...,σr)，且σ1≥...≥σr≥0，σi为矩阵Ap×q的特征值，r为矩阵Ap×q的秩。进一步地，在步骤(5)中，采用主成分分析法对特征值进行降维。采用上述技术方案带来的有益效果：本专利技术能够有效地去除原始信号中包含的噪声，同时又能够很好地保留信号中有用的特征，从而为故障信号特征分析的正确性提供了充分的保障。本专利技术采用的经验小波变换是一种自适应的时频信号处理方法，能够对各种不同信号自动做预处理。本专利技术在机器学习中的信号预处理部分能够得到良好的应用，提取出的信号特征识别性高，可以充分反映原始信号的特点，并且该方法适用于各类故障信号的特征提取，将信号输出为能够进行自动识别的特征向量，能够直接进行在线分析。附图说明图1是本专利技术实施例的基本流程图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。本实施例以汽车装配线生产中常用的轴承为例，说明本专利技术的机械设备故障信号特征提取方法，如图1所示，其步骤如下。步骤1、数据采集：利用振动传感器采集轴承的振动信号，采样频率为1024kHz，每个样本1024个点；步骤2、经验小波变换：对采集的振动信号进行经验小波变换，得到若干个信号分解的模态分量；步骤3、选取最优模态分量：计算各个模态分量和原始振动信号之间的相关系数，根据相关系数的具体数值，选取和原始振动信号相关度最高的3个最优模态分量；步骤4、奇异值分解：对3个最优模态分别构造Hankel矩阵，然后分别进行奇异值分解，得到各个最优模态分量的特征值，每个最优模态有1024个特征值；步骤5、得到故障信号特征：对特征值利用主成分分析法进行降维，降维后每个最优模态分别有5个特征值组成，然后将各个最优模态分量降维后的特征值组合成故障特征向量，最后一共形成15维的故障特征向量。实施例仅为说明本专利技术的技术思想，不能以此限定本专利技术的保护范围，凡是按照本专利技术提出的技术思想，在技术方案基础上所做的任何改动，均落入本专利技术保护范围之内。本文档来自技高网...

【技术保护点】
1.一种机械设备故障信号特征提取方法，其特征在于，包括以下步骤：(1)利用传感器采集机械设备的各零部件的状态信号；(2)对采集的状态信号进行经验小波变换，得到若干信号分解的模态分量；(3)计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；(4)对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；(5)对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。

【技术特征摘要】
1.一种机械设备故障信号特征提取方法，其特征在于，包括以下步骤：(1)利用传感器采集机械设备的各零部件的状态信号；(2)对采集的状态信号进行经验小波变换，得到若干信号分解的模态分量；(3)计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；(4)对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；(5)对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。2.根据权利要求1所述机械设备故障信号特征提取方法，其特征在于，在步骤(2)中，分解的模态分量的计算公式如下：上式中，fn(t)是第n个模态分量，n＝1,2,…,N，N为模态分量的个数，为经验小波变换，ψn(t)是经验小波函数；其中：上式中，是原始信号f(t)的傅里叶变换，是ψn(t)的傅里叶变换，是的共轭，(*)V表示取括号内的反函数；在上式中，将Fourier支撑区间[0,π]分割成N个连续的区间，ωn表示第n个区间的界限，n＝1,2,…,N；其中：τn＝γωnβ(x)＝x...

【专利技术属性】
技术研发人员：楼佩煌，郭大宏，钱晓明，屠嘉晨，张炯，
申请(专利权)人：南京航空航天大学，天奇自动化工程股份有限公司，
类型：发明
国别省市：江苏,32