【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 ...
【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
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。