一种基于VMD和BiCS的机械状态监测数据修复方法及系统技术方案

本发明专利技术属于机械状态监测数据修复领域，具体涉及一种基于VMD和BiCS的机械状态监测数据修复方法及系统，该方法包括：采用VMD模型对获取的监测数据进行分解重构处理，得到重构信号；采用改进的BiCS方法对重构信号进行修复，得到修复后的数据；所述改进的BiCS方法为对该方法中的重构模型进行了简化处理；本发明专利技术首先利用VMD对机械状态监测信号进行分解降，可以有效的消除噪声相关特征的影响并保留信号特征，同时利用Bi

【技术实现步骤摘要】
一种基于VMD和BiCS的机械状态监测数据修复方法及系统


[0001]本专利技术属于机械状态监测数据修复领域，具体涉及一种基于VMD和BiCS的机械状态监测数据修复方法及系统。

技术介绍

[0002]为了实时掌握机械装备运行状态，利用无线传感器对机械振动信号进行状态检测已成为故障预测与健康管理(prognostics and health management，PHM)领域热点问题。但在实际环境中，机械信号往往会受到噪声、带宽、设备短路等因素影响，使得接收到的信号不一定完整。在运行过程不可逆的情况下，重新采样已不可能，此时如需进行设备状态分析，则不得不使用不完整数据，而直接使用这些数据会影响故障检测或诊断结果的准确性。如果能够去除实际采集数据中的噪声干扰，修复采集过程中丢失的数据，则会提高设备状态分析结果的准确性。针对机械信号的降噪问题，学者先后提出了短时傅里叶变换(Short
‑
Time Fourier Transform,STFT)、卡尔曼滤波(Kalman Filtering,KF)、小波域变换(Wavelet Transform,WT)等方法。机械信号一般为非平稳信号，但STFT不能完全表征非平稳信号的时间频率变换特性，故这类方法存在一定的局限性。KF虽然可以处理非平稳信号，但在处理缺失信号或快速变化信号时，该类方法误差较大。WT具有良好的时频局部特性，但由于其基函数难以自适应信号变化的特点，这类方法亦有不足。EMD具有良好的自适应性，可以极好地反映信号局部频率特征，但存在端点效应、模态混叠等问题。
[0003]数据恢复方法多为基于历史监测数据，通过插值、回归、填充等方法恢复缺失值，进而可以获得更为完整的健康检测数据，在对数据进行分类后，采用一种基于优先级分配策略的改进三次样条插值方法。QU等则利用多重优化的对抗神经网络方法实现了风场风速缺失值数据的恢复。以上方法针对的均是趋势明显、噪声强度弱数据的缺失值恢复，无法满足机械监测振动缺失值数据恢复的要求。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术提出了一种基于VMD和BiCS的机械状态监测数据修复方法，该方法包括：获取待修复的监测数据，采用VMD模型对获取的监测数据进行分解重构处理，得到重构信号；采用改进的BiCS方法对重构信号进行修复，得到修复后的数据；
[0005]采用改进的BiCS方法对重构信号进行修复的过程包括：
[0006]S1：对观测的缺失信号x在周期N上进行偶延拓，得到延拓后的偶信号为y∈R
2N
×
2N
；
[0007]S2：对经过偶延拓的信号进行DCT变换，得到稀疏字典矩阵Ψ∈R
2N
×
2N
；
[0008]S3：将偶信号y、稀疏字典矩阵Ψ以及稀疏度K输入到改进的重构模型中，得到稀疏表示
[0009]S4：根据稀疏表示对缺失信号进行修复，其修复的公式为其中y
′
表
示修复的偶信号，表示稀疏表示，Ψ表示稀疏字典矩阵
[0010]S5：对y
′
进行逆偶延拓得到修复信号x
′
。
[0011]优选的，采用VMD模型对获取的监测数据进行分解降噪处理的过程包括：
[0012]步骤1：初始化VMD参数[α,K]；其中α表示罚函数项，K表示信号分离解后IMF分量的数量；
[0013]步骤2：将获取的信号分解为K个IMF分量；
[0014]步骤3：对每个IMF分量进行Hilbert
‑
Huang变换，得到每个分量的解析信号；
[0015]步骤4：预估各个解析信号的中心频率，并将解析信号的频谱比那换为基带信号；
[0016]步骤5：根据基带信号得到解调信号后，并计算解调信号的欧式距离，并根据欧式距离估计信号的模态带宽；根据模态带宽构建目变分约束函数；
[0017]步骤6：采用罚函数项α和Lagrange乘数算子对目变分约束函数进行优化；
[0018]步骤7：计算优化后的目变分约束函数的最优解，得到最优的IMF分量。
[0019]进一步的，解析信号的表达式为：
[0020][0021]其中，f(t)表示t时刻的解析信号，δ(t)表示冲激信号，u
k
(t)表示IMF函数。
[0022]进一步的，优化的目变分约束函数为：
[0023][0024]其中，u
k
表示分解后的IMF组件，ω
k
表示IMF的中心频率，λ表示Lagrange乘子，α表示二次罚函数项，u
k
(t)表示IMF函数，λ(t)表示Lagrange乘子。
[0025]优选的，采用改进的重构模型对输入的信号进行处理的过程包括：
[0026]步骤1：初始化参数t、Λ0以及即令t＝1，Λ0＝1,2,3,
···
,N,,N,其中，t表示当前的迭代次数，Λ0表示初始的索引集合，表示模型当前迭代得到的稀疏表示，N表示稀疏表示信号的长度，表示N
×
1维空间；
[0027]步骤2：获取采样信号x、稀疏矩阵ψ以及信号的稀疏度K，其中，采样信号x的长度为N
×
1，稀疏矩阵ψ的大小为N
×
N；根据采样信号x和稀疏矩阵ψ计算参数Θ，计算公式为：Θ＝ψ
‑1x；其中Θ表示信号的稀疏表示；
[0028]步骤3：根据计算的参数Θ搜索索引λ
i
，使得
[0029]步骤4：将根据索引得到的参数的值赋给参数即
[0030]步骤5：对参数Λ
i
进行更新，更新公式为Λ
i
＝Λ
i
‑1‑
{λ
i
},t＝t+1；其中，如果t≤K则返回步骤3，否则停止迭代进入步骤6；
[0031]步骤6：根据重构所得得到Θ在索引{Λ}处的值，并将其他位置索引上的元素设置为零。
[0032]一种基于VMD和BiCS的机械状态监测数据修复系统，该系统包括：数据获取模块、VMD分解重构模块、BiCS重构修复模块以及输出模块；
[0033]所述数据获取模块用于获取机械的待修复监测数据，并将该数据输入到VMD分解重构模块；
[0034]所述VMD分解重构模块用于对待修复的监测数据进行分解降噪处理，并对分解降噪后的数据进行重建，得到重建信号；
[0035]所述BiCS重构修复模块用于对重建信号进行修复，得到修复后的数据；
[0036]所述输出模块用于输出修复后的数据。
[0037]为实现上述目的，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于VMD和BiCS的机械状态监测数据修复方法。
[0038]为实现上述目的，本专利技术还提供一种基于VMD和BiCS的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD和BiCS的机械状态监测数据修复方法，其特征在于，包括：获取待修复的监测数据，采用VMD模型对获取的监测数据进行分解重构处理，得到重构信号；采用改进的BiCS方法对重构信号进行修复，得到修复后的数据；采用改进的BiCS方法对重构信号进行修复的过程包括：S1：对观测的缺失信号x在周期N上进行偶延拓，得到延拓后的偶信号为y∈R
2N
×
2N
；S2：对经过偶延拓的信号进行DCT变换，得到稀疏字典矩阵Ψ∈R
2N
×
2N
；S3：将偶信号y、稀疏字典矩阵Ψ以及稀疏度K输入到改进的重构模型中，得到稀疏表示S4：根据稀疏表示对缺失信号进行修复，其修复的公式为其中y
′
表示修复的偶信号，表示稀疏表示，Ψ表示稀疏字典矩阵；S5：对y
′
进行逆偶延拓得到修复信号x
′
。2.根据权利要求1所述的一种基于VMD和BiCS的机械状态监测数据修复方法，其特征在于，采用VMD模型对获取的监测数据进行分解降噪处理的过程包括：步骤1：初始化VMD参数[α,K]；其中α表示罚函数项，K表示信号分离解后IMF分量的数量；步骤2：将获取的信号分解为K个IMF分量；步骤3：对每个IMF分量进行Hilbert
‑
Huang变换，得到每个分量的解析信号；步骤4：预估各个解析信号的中心频率，并将解析信号的频谱比那换为基带信号；步骤5：根据基带信号得到解调信号后，并计算解调信号的欧式距离，并根据欧式距离估计信号的模态带宽；根据模态带宽构建目变分约束函数；步骤6：采用罚函数项α和Lagrange乘数算子对目变分约束函数进行优化；步骤7：计算优化后的目变分约束函数的最优解，得到最优的IMF分量。3.根据权利要求2所述的一种基于VMD和BiCS的机械状态监测数据修复方法，其特征在于，解析信号的表达式为：其中，f(t)表示t时刻的解析信号，δ(t)表示冲激信号，u
k
(t)表示IMF函数。4.根据权利要求2所述的一种基于VMD和BiCS的机械状态监测数据修复方法，其特征在于，优化的目变分约束函数为：其中，u
k
表示分解后的IMF组件，ω
k
表示IMF的中心频率，λ表示Lagrange乘子，α表示二次罚函数项，u
k
(t)表示IMF函数，λ(t)表示Lagra...

【专利技术属性】
技术研发人员：李帅永，傅圣豪，张超，张旭云涛，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：