一种基于改进多尺度排列熵的振动信号识别方法和系统技术方案

本发明专利技术提出一种基于改进多尺度排列熵的振动信号识别方法和系统。其中，方法包括：采集不同工作状态下的振动信号，对采集到的不同工作状态下的振动信号进行基于滑动窗口和样本分位数的多尺度分析，得到多尺度分析后的序列；求取所述多尺度分析后的序列的排列熵，得到多尺度排列熵值，并以所述多尺度排列熵的值作为不同故障状态下振动信号的特征向量；将所述特征向量输入至基于机器学习的分类器，从而实现不同故障状态振动信号的识别，得到故障状态识别结果；根据故障状态识别结果，验证所述识别方法的合理性。本发明专利技术具有解决常规多尺度排列熵的故障诊断算法在故障特征提取上存在着能力不足的缺陷，并且计算时间短，提高了故障诊断效率。障诊断效率。障诊断效率。

【技术实现步骤摘要】
一种基于改进多尺度排列熵的振动信号识别方法和系统


[0001]本专利技术属于信号识别领域，尤其涉及一种基于改进多尺度排列熵的振动信号识别方法和系统。

技术介绍

[0002]当前，随着科学技术的发展，机械系统呈现出智能化、集成化的趋势，机械系统的良好运行状态，对于保证工业发展质量及效率有着重要作用。滚动轴承作为机械系统中的关键部件，其运行状态是否良好决定着整个机械系统的状态性能，因此有必要对滚动轴承工作状态进行识别。在现有的以信号分析为基础的滚动轴承故障诊断方法中，基于振动信号的诊断方法具有使用频率高、简单有效的特点。但受限于滚动轴承的工作环境，轴承运行过程中会受到环境干扰、自身工艺等多种因素制约，导致其振动信号呈现出强烈的非线性及非平稳性。因此传统的基于时域、频域的信号分析方法不能准确有效的提取出振动信号的特征信息。随着非线性理论的深入，非线性动力学技术逐渐在时间序列分析中得到很好的应用。其中的熵理论，如排列熵具有计算简单、抗噪声能力强，能够有效检测时间序列随机性和动力学突变的特点，在机械信号分析、脑电信号分析、肌电信号分析、地理水文信号分析中均有着广泛的应用，但由于机械系统的复杂性，振动信号的特征信息不仅表现在单一尺度上，所以为了提高排列熵对振动信号故障特征的提取能力，有必要在多个尺度上对振动信号进行分析。多尺度排列熵理论通过对振动信号时间序列进行多个尺度上的粗粒化，从而得到多个尺度下的粗粒化序列，实现对振动信号的多尺度分析。
[0003]现有的多尺度分析方法，例如多尺度排列熵、多尺度模糊熵等，其核心思想是时间序列多尺度化，即通过对振动信号时间序列在不同尺度上进行粗粒化分析，从而获得不同尺度下的振动信号特征信息以构成特征向量。粗粒化过程的实质即为均值化。
[0004]现有技术的实现方案
[0005]首先对排列熵算法进行定义，排列熵算法原理为：针对长度为N的时间序列{x(i),i＝1,2,...,N}，对x(i)进行相空间重构：
[0006][0007]式中，m为嵌入维数，τ为延迟时间，k＝N
‑
(m
‑
1)τ为重构向量的个数。
[0008]将X
j
中的元素按升序排列得：
[0009]x[i+(j1‑
1)τ]≤
…
≤x[i+(j
m
‑
1)τ][0010]式中，j1,j2,
…
j
m
为各元素在排序之前位于相空间所在列的索引。
[0011]若X
j
中有两元素相等，则按原始顺序排列。通过对相空间重构后的时间序列分析，对于任意一个X
j
，均能得到相应的符号序列S
l
＝{j1,j2,
…
,j
m
}，其中，l＝1,2,...,k，且k≤
m！。可定义排列熵为：
[0012][0013]式中，P
j
为符号序列的概率，且
[0014]若则H
p
(m)＝ln(m！)，取值最大。将H
p
(m)标准化可得：
[0015][0016]此时，H
p
的取值为[0,1]，可反映出时间序列的复杂程度。H
p
越大，则序列复杂程度越高。
[0017]排列熵算法计算简单，通过衡量时间序列的复杂程度概括振动信号的特征信息。在参数选择上，根据算法的提出者Bandt等建议，嵌入维数m不宜过小或过大；如果嵌入维数m过小，此时重构的向量中包含的状态太少，不能有效反映时间序列的动力学突变，算法失去其意义；如果嵌入维数m过大，则相空间的重构过程会均匀化时间序列，因此一般取3～7；而时间延迟τ对计算的影响较小，一般取τ=1。时间序列长度参照滚动轴承振动信号提取过程中的通用选择方法，取长度N＝2048。
[0018]为了提高常规排列熵算法对于振动信号故障特征提取的有效性，需要对其进行多尺度化分析，常规的基于粗粒化过程的多尺度方法为：
[0019]定义长度为N的时间序列x(N)＝x(1),x(2),...,x(N)，首先对其进行粗粒化分析，构建粗粒化序列
[0020][0021]式中，τ的取值为正整数，一般情况下将τ定义为尺度因子；对于长度为N的时间序列x(N)，当尺度因子τ＝1时，此时粗粒化结果为p
j
(1)＝x(N)，所得到的粗粒化序列为原始时间序列，此时未进行粗粒化过程。当尺度因子τ≠1时，时间序列x(N)被粗粒化处理为长度为[N/τ]的粗粒化序列。([N/τ]的定义为当N/τ不为整数时，对其靠近0取整)。以尺度因子τ＝2及尺度因子τ＝3为例，粗粒化过程分析如图2所示。
[0022]现有技术的缺点
[0023](1)常规多尺度化方法的核心思想是粗粒化过程，即求取不同尺度下的平均值。对一个时间窗口中的数据求平均值，不足以准确概括该窗口下的数据信息。
[0024](2)根据常规多尺度化方法的特点可知，在尺度因子为τ时，时间序列x(N)被粗粒化处理为长度为[N/τ]的粗粒化序列，例如当尺度因子τ＝2时，长度为2048的原始时间序列变为长度为1024的粗粒化序列，所以在常规多尺度分析过程中，时间序列的长度随着尺度因子的增加而缩短，过短的时间序列存在如下问题：一是丢失了大量的信息，二是在进行排列熵解算时，随着时间序列的缩短，参数还需进行相应的调整，影响了故障诊断过程中的自
适应性。
[0025](3)基于常规多尺度排列熵的故障诊断算法在故障特征提取上存在着能力不足的缺陷，需要提取多个尺度下的排列熵值作为特征向量，才能有效概括特征信息，过多的特征信息一是造成了特征向量的冗余，二是提高了计算时间，影响故障诊断效率。

技术实现思路

[0026]为解决上述技术问题，本专利技术提出一种基于改进多尺度排列熵的振动信号识别方法的技术方案，以解决上述技术问题。
[0027]本专利技术第一方面公开了一种基于改进多尺度排列熵的振动信号识别方法；所述方法包括：
[0028]步骤S1、采集不同工作状态下的振动信号，对采集到的不同工作状态下的振动信号进行基于滑动窗口和样本分位数的多尺度分析，得到多尺度分析后的序列；
[0029]步骤S2、求取所述多尺度分析后的序列的排列熵，得到多尺度排列熵值，并以所述多尺度排列熵的值作为不同故障状态下振动信号的特征向量；
[0030]步骤S3、将所述特征向量输入至基于机器学习的分类器，从而实现不同故障状态振动信号的识别，得到故障状态识别结果；
[0031]步骤S4、根据故障状态识别结果，验证所述识别方法的合理性。
[0032]根据本专利技术第一方面的方法，在所述步骤S1中，基于滑动窗口和样本分位数的多尺度分析的具体方法包括：
[0033]步骤S11、对不同工作状态下的振动信号的序列x(N)＝x(1),x(2),...,x(N)进行滑动窗口分析，取窗口长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进多尺度排列熵的振动信号识别方法，其特征在于，所述方法包括：步骤S1、采集不同工作状态下的振动信号，对采集到的不同工作状态下的振动信号进行基于滑动窗口和样本分位数的多尺度分析，得到多尺度分析后的序列；步骤S2、求取所述多尺度分析后的序列的排列熵，得到多尺度排列熵值，并以所述多尺度排列熵的值作为不同故障状态下振动信号的特征向量；步骤S3、将所述特征向量输入至基于机器学习的分类器，从而实现不同故障状态振动信号的识别，得到故障状态识别结果；步骤S4、根据故障状态识别结果，验证所述识别方法的合理性。2.根据权利要求1所述的一种基于改进多尺度排列熵的振动信号识别方法，其特征在于，在所述步骤S1中，基于滑动窗口和样本分位数的多尺度分析的具体方法包括：步骤S11、对不同工作状态下的振动信号的序列x(N)＝x(1),x(2),...,x(N)进行滑动窗口分析，取窗口长度即尺度因子为τ，得到第一个序列为{x1,x2,...,x
τ
}，并求取所述第一个序列的样本分位数为p1(τ)；步骤S12、将滑动窗口向前移动1个数据点，得到第二个序列为{x2,x3,...,x
τ+1
}，求取所述第二个序列的样本分位数为p2(τ)；步骤S13、以此类推，应用步骤S12的方法，遍历整个振动信号的序列，直至得到最后一个序列为{x
N
‑
τ+1
,x
N
‑
τ+2
,...,x
N
}，求取所述最后一个序列的样本分位数为p
N
‑
τ+1
(τ)；步骤S14、得到序列{p1(τ),p2(τ),...,p
N
‑
τ+1
(τ)}，所述序列{p1(τ),p2(τ),...,p
N
‑
τ+1
(τ)}为所述多尺度分析后的序列。3.根据权利要求2所述的一种基于改进多尺度排列熵的振动信号识别方法，其特征在于，在所述步骤S1中，所述窗口长度即尺度因子为τ的取值范围具体为：1≤τ≤30。4.根据权利要求3所述的一种基于改进多尺度排列熵的振动信号识别方法，其特征在于，在所述步骤S1中，求取所述样本分位数的方法为：p
j
(τ)＝quantile(x
j
，x...

【专利技术属性】
技术研发人员：陈强强，吕余海，成建波，时立昌，
申请(专利权)人：中国人民解放军九二七二八部队，
类型：发明
国别省市：