一种设备健康状态信号采集及多域特征融合方法技术

本发明专利技术公开了一种设备健康状态信号采集及多域特征融合方法，涉及设备智能监控技术领域。本发明专利技术包括如下步骤：步骤S1：信号时域基本特征抽取计算；步骤S2：信号频域基本特征抽取计算；步骤S3：信号多域特征组合与初步选择；步骤S4：信号多域特征融合与优化选择。本发明专利技术通过首先提取设备状态信号的时域与频域多域特征，并整合其他谱域特征，支持对设备状态信号多域多维度全面表征和刻画，同时设计了一套特征优选算法对其各领域特征进行选择，并进一步找到典型相关特征，大幅压缩特征维度，降低后续计算复杂度和状态识别时间，有效降低特征信息相互干扰以及冗余、互补的情况。互补的情况。互补的情况。

【技术实现步骤摘要】
一种设备健康状态信号采集及多域特征融合方法


[0001]本专利技术属于设备智能监控
，特别是涉及一种设备健康状态信号采集及多域特征融合方法。

技术介绍

[0002]当前工业制造领域很多设备的趋向于模块和部件增多，其运用的学科技术同样纷繁复杂，导致设备采集的状态信号一般都具有非线性、非高斯和非平稳特性，属于复杂信号处理范围，传统的信号处理方法一般存在以下几个方面问题：一是很难用单一特征对其进行全面描述和刻画，急需多维特征分析方法；二是特征维度较高，数量较多，导致识别算法的性能急剧下降，无法做到在线识别，即使堆积硬件计算能力，也会导致企业成本增多；三是多领域特征之间存在冗余、互补、干扰等问题，从而对后续设备状态分析和判断带来了不利干扰。为解决上述问题，本专利技术提供一种设备健康状态信号采集及多域特征融合方法。

技术实现思路

[0003]本专利技术的目的在于提供一种设备健康状态信号采集及多域特征融合方法，通过整合多领域多维度特征信息，优选典型相关联特征，减少特征维度，降低特征信息相互干扰以及冗余，解决了现有的工业设备采集种类多、识别算法性能低、数据无法在线识别导致生产成本增多的问题。
[0004]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0005]本专利技术为一种设备健康状态信号采集及多域特征融合方法，包括如下步骤：
[0006]步骤S1：信号时域基本特征抽取计算；
[0007]步骤S2：信号频域基本特征抽取计算；
[0008]步骤S3：信号多域特征组合与初步选择；
[0009]步骤S4：信号多域特征融合与优化选择。
[0010]作为一种优选的技术方案，所述步骤S1中，信号时域基本特征抽取计算包括过零点分布特性、波长差分布与峰间幅值分布计算；
[0011]所述过零点分布特性计算包括过零点波长分布概率函数P(λ
i
)、过零点波长分布概率最大值P(λ
i
)
max
、对应波长λ
i
‑
max
以及波长λ
k
～λ
l
的波在整个样本分析时段中所占的分量为S(λ
k
‑
l
)四个特征值；
[0012]所述波长差分布计算包括波长差分布概率函数P(φ
i
)、过零点波波长差最大值P(φ
i
)
max
、以及波长差φ
a
～φ
b
的波在整个取样中所占的分量三个特征值；
[0013]所述峰间幅值分布计算包括峰间幅值分布概率函数P(α
i
)和归一化峰间幅值为0到K的波在整个样本分析间段中所占的分量P0‑
K
(α
i
)两个特征值。
[0014]作为一种优选的技术方案，所述步骤S2中，信号频域基本特征抽取计算采用小波变换的信号分析方法；所述小波变换的信号分析方法包括如下四个步骤：
[0015]步骤K1：根据分解信号的频率分布决定分解层数L，监测的设备振动被分解为L层
的小波信号，计算得出从L层信号的低频到高频共2L个频带的小波系数；
[0016]步骤K2：重建小波包系数和提取每个频带的信号S
i
(i＝1,2,...,2
L
)；
[0017]步骤K3：设置取样频率M，提取每个频带的信号振幅值，计算每个频带信号的能量x
i
，能量就是各点信号幅度值平方后的求和，具体计算公式如下：
[0018][0019]式中，f
ik
(i＝1，2，....，2
L
,k＝1,2,...,M)，表示每个频带信号离散取样的振幅值；
[0020]步骤K4：采用每个频带的能量值x
i
作为特征值，使用L2范数归一化方法，对设备信号特征向量X＝(x1,x2,...,x
N
)进行标准归一化，具体计算公式如下：
[0021][0022]得到标准归一化的基于小波变换后的设备故障信号特征向量X'＝(x'1,x'2,...,x'
N
)。
[0023]作为一种优选的技术方案，所述步骤S3中，信号多域特征组合环节采用时域、频域与谱域多域特征向量进行收尾相结，组成一个更高维度的向量，信号多域特征组合公式为：
[0024][0025]式中α，β为信号x在两个特征空间A和B的特征向量，即a∈A，同时β∈B。
[0026]作为一种优选的技术方案，所述信号多域特征初步选择环节采用评价函数J(s
i
)(s
i
∈S)表示每个特征s
i
对应的分值，计算所有特征的评价值，按照从高到低对特征进行排列，并选择前M个特征量；所述评价函数J(s
i
)(s
i
∈S)计算公式为：
[0027][0028]式中，I(s
i
；C)表示特征与类标签的相关性，I(s
i
；s
j
)表示特征之间的相关性，I(s
i
；s
j
；C)表示两个特征与类标签的交互增益。
[0029]作为一种优选的技术方案，所述步骤S4中，信号多域特征融合环节采用主成分分析方法，把时域特征子集S
Mα
内多个特征变量与频域特征子集S
Mβ
内多个特征变量的相关转化为两个综合特征变量之间的相关，综合特征变量是多个特征变量的线性组合，求解两个综合特征变量之间有最大相关系数。
[0030]作为一种优选的技术方案，所述步骤S4中，融合特征优化选择环节包括如下过程：
[0031]步骤A00：特征子集编码及种群初始化；
[0032]步骤A01：计算种群中每个个体适应度函数，即先对个体进行解码，再用训练和测试样本计算支持向量机SVM的正确分类率和计算时间；
[0033]适应度函数公式为：
[0034]f(x)＝w1*x1+1/(w2*x2+w3*x3)
[0035]式中，x1代表特征子集对应向量机分类的准确率，x2代表特征的数目，x3代表计算时长离散化后的整数数值；w1，w2，w3分别代表x1，x2，x3的影响因子，同时w1+w2+w3＝1，0≤w1，w2，w3≤1；
[0036]步骤A02：比较两个染色体内所有取值，如果两个染色体内相同位置都为1或者都为0的位置，表示该位置的基因为优势基因，应该保留，剩下的为两者有差异，在有差异的基因位置按照概率λ,λ∈[0,1]进行交换，实现两个染色体的交叉操作；
[0037]步骤A03：提供对染色体的每个基因位进行变异操作，每个基因位按照概率γ,γ∈[0,1]进行交换计算，如果概率选中需要进行交换计算，找出最近的不同值位置进行交换操作，实现单个父代染色体的变异计算。...

【技术保护点】

【技术特征摘要】
1.一种设备健康状态信号采集及多域特征融合方法，其特征在于，包括如下步骤：步骤S1：信号时域基本特征抽取计算；步骤S2：信号频域基本特征抽取计算；步骤S3：信号多域特征组合与初步选择；步骤S4：信号多域特征融合与优化选择。2.根据权利要求1所述的一种设备健康状态信号采集及多域特征融合方法，其特征在于，所述步骤S1中，信号时域基本特征抽取计算包括过零点分布特性、波长差分布与峰间幅值分布计算；所述过零点分布特性计算包括过零点波长分布概率函数P(λ
i
)、过零点波长分布概率最大值P(λ
i
)
max
、对应波长λ
i
‑
max
以及波长λ
k
～λ
l
的波在整个样本分析时段中所占的分量为S(λ
k
‑
l
)四个特征值；所述波长差分布计算包括波长差分布概率函数P(φ
i
)、过零点波波长差最大值P(φ
i
)
max
、以及波长差φ
a
～φ
b
的波在整个取样中所占的分量三个特征值；所述峰间幅值分布计算包括峰间幅值分布概率函数P(α
i
)和归一化峰间幅值为0到K的波在整个样本分析间段中所占的分量P0‑
K
(α
i
)两个特征值。3.根据权利要求1所述的一种设备健康状态信号采集及多域特征融合方法，其特征在于，所述步骤S2中，信号频域基本特征抽取计算采用小波变换的信号分析方法；所述小波变换的信号分析方法包括如下四个步骤：步骤K1：根据分解信号的频率分布决定分解层数L，监测的设备振动被分解为L层的小波信号，计算得出从L层信号的低频到高频共2L个频带的小波系数；步骤K2：重建小波包系数和提取每个频带的信号S
i
(i＝1,2,...,2
L
)；步骤K3：设置取样频率M，提取每个频带的信号振幅值，计算每个频带信号的能量x
i
，能量就是各点信号幅度值平方后的求和，具体计算公式如下：式中，f
ik
(i＝1，2，....，2
L
,k＝1,2,...,M)，表示每个频带信号离散取样的振幅值；步骤K4：采用每个频带的能量值x
i
作为特征值，使用L2范数归一化方法，对设备信号特征向量X＝(x1,x2,...,x
N
)进行标准归一化，具体计算公式如下：得到标准归一化的基于小波变换后的设备故障信号特征向量X'＝(x'1,x'2,...,x'
N
)。4.根据权利要求1所述的一种设备健康状态信号采集及多域特征融合方法，其特征在于，所述步骤S3中，信号多域特征组合环节采用时域、频域与谱域多域特征向量进行收尾相结，组成一...

【专利技术属性】
技术研发人员：江大白，胡增，杨坤龙，
申请(专利权)人：中用科技有限公司，
类型：发明
国别省市：