基于边缘计算与机器学习的多传感器混合故障信号盲分离方法技术

基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，包括以下步骤：根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号；对中采集到的混合信号进行预处理，得到预处理的混叠故障信号；采用独立分量盲分离算法对混叠故障信号进行分离，得到多路分离后的独立故障信号；对分离的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；对提取出的各单一故障特征信号进行诊断、判别。本发明专利技术有效分离出可能共存故障特征信号，把复杂的共存故障诊断转化为单一故障诊断，可大大增加复合故障的诊断效率和精度，各机械设备的安全运行和维护提供有力的技术支撑，有效提高对事故的防治能力。事故的防治能力。事故的防治能力。

【技术实现步骤摘要】
基于边缘计算与机器学习的多传感器混合故障信号盲分离方法


[0001]本专利技术涉及到一种机械工程
的信号处理方法，具体涉及一种基于边缘计算与机器学习的多传感器混合故障信号盲分离方法。

技术介绍

[0002]机械设备中，振动是声信号产生的根源，而声信号是振动信号传播的延续，两者是相互统一的整体。当机械系统如滚动轴承或齿轮出现故障时，其特征信号常常会出现明显的冲击成分，同时声学特性亦会发生改变，从而蕴含设备状态信息。然而实际声场环境复杂多变，待识别信号(故障源信号)常与其他各种干扰信号或噪声相互混杂，无法被有效辨识。为了准确的提取机械故障特征，需要将这些干扰或噪声抑制或排除，随后根据故障征兆识别故障原因。
[0003]而盲源分离是20世纪末期迅速发展起来的一个新兴的研究领域，作为一种新的数据处理方法，是人工神经网络、统计信号处理、信息论、计算机相结合的产物，并已经成为上述一些领域和发展的重要课题，特别是生物医学、语音信号处理、图像处理、远程传感、雷达与通信系统等方面的应用上都发挥了重要作用。在语音信号处理领域，目前的语音识别与降噪增强算法仅能够识别和处理有环境噪声的语音信号，盲源分离算法不受话音信号基音和谐波等声音特征的影响，在没有目标语音信号的先验信息条件下，将采集到的混叠话音信号进行分离，从而提取出我们感兴趣的目标语音。
[0004]噪声环境下，现有分离算法自己不能识别噪声，有噪声分离出的语音信号要么不能完成、要么失真，但是在没有噪声环境下的语音信号分离的理论研究的各种分离算法均取得令人满意的效果。

技术实现思路

[0005]本专利技术要解决的技术问题在于提供一种基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，可以利用多传感器通道振动信号的信息，对混合故障信号进行识别与诊断，提高对故障的诊断能力。
[0006]为了解决上述技术问题，本专利技术通过以下方式来实现：
[0007]基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，具体包括以下步骤：
[0008]1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；
[0009]2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；
[0010]3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；
[0011]4)对步骤3)中分离出的故障信号分别进行归一化处理，再进行频谱、小波分析，提
取出故障特征信号；
[0012]5)对步骤4)中提取出的各单一故障特征信号进行诊断、判别。
[0013]与现有技术相比，本专利技术具有的有益效果：
[0014]本专利技术提出的基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，可以最大程度削弱背景噪声干扰，凸显特征信号特征，进而实现机械故障的有效精确提取。本专利技术可以从复杂的混叠振动信号中，有效的分离出可能存在的共存故障特征信号，把复杂的共存故障诊断转化为单一故障诊断，可以大大增加复合故障的诊断效率和精度，各机械设备的安全运行和维护提供有力的技术支撑，有效提高对事故的防治能力。
附图说明
[0015]图1为本专利技术盲分离过程流程示意图。
[0016]图2为本专利技术的混合信号预处理流程图。
具体实施方式
[0017]下面结合附图和具体实施例对本专利技术的具体实施方式作进一步详细的说明。
[0018]如图1所示，基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，具体包括以下步骤：
[0019]1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；根据采集到混合信号进行分析得到特征值，并依据特征值确定存在故障的个数；
[0020]2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；
[0021]3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；
[0022]将预处理后的信号作为输入信号，并给定步骤1)中得出的可能存在的故障数目，然后通过独立分量盲分离算法进行计算分析，从中分离出可能存在的各故障源信号，从而把故障混叠信号分离开来，转化为多个含单一故障的信号。
[0023]4)对步骤3)中分离出的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；
[0024]5)对步骤4)中提取出的各单一故障特征信号进行诊断、判别。
[0025]针对采集到的混合信号进行预处理：
[0026]在混合信号进行分离前对信号进行预处理是非常有必要的，预处理过程如图2所示，为了减小噪声的干扰，对采集的混合信号进行预处理，首先采用数字滤波器进行降噪处理，然后对降噪后的信号数据进行零均值化、信号白化与子带滤波预处理，得到预处理后的混叠故障信号。
[0027]对传感器所接收到的观测信号进行处理，去除信号间相关性；利用改进多尺度形态滤波器对观测信号进行噪声抑制，滤波能够较快的跟踪变化的信号，并自动调整自身的参数，以达到最佳的滤波效果，最大程度的削弱背景噪声干扰，得到降噪后的观测信号。
[0028]以上所述仅是本专利技术的实施方式，再次声明，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干改进，这些改进也列入本专利技术
权利要求的保护范围内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，其特征在于：具体包括以下步骤：1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；4)对步骤3)中分离出的...

【专利技术属性】
技术研发人员：张利君，孔繁清，彭贵全，
申请(专利权)人：成都瑞贝英特信息技术有限公司，
类型：发明
国别省市：