一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法技术

本发明专利技术公开了一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法，首先通过HMM模型对滚动轴承振动信号进行信号压缩，获取保留关键故障特征频率信息的隐藏状态序列；然后，对状态序列进行傅里叶变换，获取振动信号压缩后的状态序列谱；在后续故障诊断时通过检查隐藏状态序列谱的轴承特征频率，实现对滚动轴承的故障诊断。故障诊断。故障诊断。

【技术实现步骤摘要】
一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法


[0001]本专利技术属于滚动轴承振动信号压缩
，更为具体地讲，涉及一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法。

技术介绍

[0002]滚动轴承作为关键部件服务于各种旋转机械系统，例如风力涡轮机、航空航天、交通运输等。滚动轴承是高应力支撑驱动部件，经过一段时间后，很容易磨损和剥落，而旋转机械系统的正常运行完全取决于滚动轴承的健康状态，即使是单个轴承的故障也通常会导致整个系统停工，从而降低系统的可靠性和可用性，也增加了生产停机时间，带来了巨大的经济损失，甚至可能危及工人的安全。因此，将轴承故障的影响降至最低的有效维护策略对行业来说非常重要。
[0003]与声学分析、热成像分析等其它状态检测技术相比，基于振动信号分析的状态监测技术具有不可替代的优势，例如众所周知的信号振动特征、成熟的信号处理技术以及可用于不同操作条件的各种商用传感器支持等。故障轴承的振动信号会呈现出重复瞬态脉冲现象，并伴随着噪声，瞬态脉冲通常是由于故障点通过载荷区，紧接着一段幅值逐渐衰减的低频振荡，而噪声来自多种干扰源，如信道效应或设备缺陷、系统颤动、环境干扰等。由于轴承的结构和附加噪声干扰，这种重复模式往往是随机和非平稳，尤其是在高频范围内，因此，为了精准的识别轴承故障类型需要随机模型对振动信号进行建模分析。
[0004]对振动信号进行建模分析需要采集大量的振动信号数据。采集得到的振动信号数据量越大，对数据采集、传输和存储的要求就越高。如何在保证采集到足够的信息用于轴承状态监测的同时，有效地减少采集的数据量，利于采样数据的存储和传输，是在对振动信号进行建模分析时需要解决的关键问题。信号压缩是解决这一问题的有效手段。有效的信号压缩技术能在保持振动信号关键频率信息的情况下降低振动信号的复杂性和非稀疏性，减少噪声对振动信号分析的干扰，有效减少有用信息的存储空间占用量，实现仅依据保留关键特征频率信息的压缩信号对轴承进行精准故障诊断的目标。
[0005]隐马尔可夫模型(Hidden Markov Model，HMM)是一种随机模型，它可以揭示时间序列中隐藏状态以及观察状态之间的转换关系，利用隐马尔科夫模型对振动信号进行信号压缩，提取隐藏的状态序列有诸多优点。1、状态序列仍保留了原振动信号的频率信息，并且实现了对原信号的压缩，有助于工程应用中下位机的高效分析，减少了有用信息的存储量，具有较高的信号压缩比又可实现精准的故障诊断。2、状态序列谱只与振动信号的瞬态冲击状态信息有关，比原始信号更有利于频谱分析。3、状态序列傅立叶谱是标准包络谱的稳健替代，无需任何预处理。4、状态谱对原始信号的幅值调制不敏感，因此状态序列谱没有因为调制带来的边频带。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于隐马尔可夫模型的滚动轴
承振动信号压缩方法，通过HMM模型获取保留特征频率的隐藏状态序列，实现对原始振动信号的压缩，以便在后续故障诊断时，只需通过检查占用存储空间很少的隐藏状态序列的频谱，查找包含的轴承特征频率，便能实现对滚动轴承进行精准故障诊断的目标。
[0007]为实现上述专利技术目的，本专利技术一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法，其特征在于，包括以下步骤：
[0008](1)、获取观察序列；
[0009](1.1)、设待压缩的滚动轴承振动信号为y(t)，t＝0,1,2,
…
,L
‑
1，L为信号长度；
[0010](1.2)、对滚动轴承振动信号y(t)做短时傅立叶变换，得到短时傅里叶变换系数矩阵Y中每个元素Y
(n,k)
的计算公式如下；
[0011][0012]其中，w(m)＝1表示一个长度为N
w
的滑动窗口，m＝0,1,
…
,N
w
‑
1；n＝1,2,
…
,N表示时间索引，也为短时傅立叶变换系数矩阵Y的行索引，R表示滑动窗口的步长；k＝1,2,
…
,N
f
表示频率索引，也为短时傅立叶变换系数矩阵的列索引，
[0013](1.3)、将看作一个包含N个N
f
维观察序列的矩阵，那么每个时间索引n对应的观察序列记为其中，Y
n
服从圆对称复高斯分布，其分布p(Y
n
)表示为，
[0014][0015]其中，表示一个对角协方差矩阵，其对角元素表示在时间索引n和频率索引k处的信号的能量值的期望，每个时间索引n对应的观察序列Y
n
将用作后续建模的观察序列；
[0016](2)、建立隐马尔科夫HMM模型；
[0017](2.1)、定义HMM模型
[0018]设观察序列Y
n
对应的隐藏状态为z
n
，并且隐藏状态z
n
从隐藏状态集合I中取值；设I有两个取值，I＝{1,2}；那么在1～N的时间段内，观察序列集合O＝{Y1,Y2,
…
,Y
N
}对应的隐藏状态集合可记为z＝{z1,z2,
…
,z
N
}；
[0019]将HMM模型表示为θ＝{π,A,C}，其中，π＝{π
i
}为初始概率矩阵，i∈I为隐藏状态取值，π
i
表示初始时刻n＝1时Y1对应的隐藏状态z1＝i的概率；转换概率矩阵a
ij
表示在n时刻隐藏状态z
n
取值为i且在n+1时刻隐藏状态z
n+1
取值为j的概率值，j∈I；C＝[C
j
]为观测状态概率矩阵，C
j
表示当隐藏状态为j时对应的协方差矩阵；
[0020](2.2)、随机初始化HMM模型；
[0021]随机初始化初始概率矩阵π和转换概率矩阵A，使其满足以下条件：
[0022]π
i
≥0,a
ij
≥0,∑
i
π
i
＝1,∑
j
a
ij
＝1
[0023](2.3)、通过迭代方式估计HMM模型的参数；
[0024](2.3.1)、计算本轮迭代时的前向概率α
n
(i)和后向概率β
n
(i)：
[0025][0026][0027]其中，α
n
‑1(j)表示在n
‑
1时刻隐藏状态z
n
‑1取值为j时的前向概率，β
n+1
(j)表示在n+1时刻隐藏状态z
n+1
取值为j时的后向概率；
[0028](2.3.2)、获取本轮迭代后的观察序列集合O的概率值p(O)；
[0029][0030]其中，α
N
(i)表示在N时刻隐藏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫模型的滚动轴承振动信号压缩方法，其特征在于，包括以下步骤：(1)、获取观察序列；(1.1)、设待压缩的滚动轴承振动信号为y(t)，t＝0,1,2,
…
,L
‑
1，L为信号长度；(1.2)、对滚动轴承振动信号y(t)做短时傅立叶变换，得到短时傅里叶变换系数矩阵Y中每个元素Y
(n,k)
的计算公式如下；其中，w(m)＝1表示一个长度为N
w
的滑动窗口，m＝0,1,
…
,N
w
‑
1；n＝1,2,
…
,N表示时间索引，也为短时傅立叶变换系数矩阵Y的行索引，R表示滑动窗口的步长；k＝1,2,
…
,N
f
表示频率索引，也为短时傅立叶变换系数矩阵的列索引，(1.3)、将看作一个包含N个N
f
维观察序列的矩阵，那么每个时间索引n对应的观察序列记为其中，Y
n
服从圆对称复高斯分布，其分布p(Y
n
)表示为，其中，表示一个对角协方差矩阵，其对角元素表示在时间索引n和频率索引k处的信号的能量值的期望，每个时间索引n对应的观察序列Y
n
将用作后续建模的观察序列；(2)、建立隐马尔科夫HMM模型；(2.1)、定义HMM模型设观察序列Y
n
对应的隐藏状态为z
n
，并且隐藏状态z
n
从隐藏状态集合I中取值；设I有两个取值，I＝{1,2}；那么在1～N的时间段内，观察序列集合O＝{Y1,Y2,
…
,Y
N
}对应的隐藏状态集合可记为z＝{z1,z2,
…
,z
N
}；将HMM模型表示为θ＝{π,A,C}，其中，π＝{π
i
}为初始概率矩阵，i∈I为隐藏状态取值，π
i
表示初始时刻n＝1时Y1对应的隐藏状态z1＝i的概率；转换概率矩阵a
ij
表示在n时刻隐藏状态z
n
取值为i且在n+1时刻隐藏状态z
n+1
取值为j的概率值，j∈I；C＝[C
j
]为观测状态概率矩阵，C
j
表示当隐藏状态为j时对应的协方差矩阵；(2.2)、随机初始化HMM模型；随机初始化初始概率矩阵π和转换概率矩阵A，使其满足以下条件：π
i
≥0,a
...

【专利技术属性】
技术研发人员：靳亚强，刘志亮，张季阳，左明健，
申请(专利权)人：青岛明思为科技有限公司，
类型：发明
国别省市：