一种磨机筒体振动信号特征降维方法及其系统技术方案

本发明专利技术涉及一种自动化测量技术领域，涉及一种磨机筒体振动信号特征降维方法及其系统。该述方法包括以下步骤：首先采集磨机在欠负荷、正常、过负荷状态下筒体抛落区与冲击区的振动信号，并提取信号中的特征参数构成高维特征向量；然后引入集成矩阵距离测度准则至二阶张量局部保持投影算法中，计算出各样本之间的距离，并通过样本间距离建立融合样本类别信息的相似加权矩阵；最后运用振动信号特征降维算法对磨机筒体振动信号高维特征向量集进行降维。本发明专利技术解决了磨机筒体振动信号特征向量因维数过大且在特征降维过程中易造成信息丢失的问题，确保了类内样本与类间样本之间的相似度能够得到明显区分，对提高磨机负荷识别准确率具有重要价值和意义。率具有重要价值和意义。率具有重要价值和意义。

【技术实现步骤摘要】
一种磨机筒体振动信号特征降维方法及其系统
[0001]本专利技术涉及一种自动化测量
，具体涉及一种基于振动信号特征降维算法的磨机筒体振动信号特征降维方法及其系统。
技术背景
[0002]信号的特征提取在机械设备负荷识别及工作状态参数预测环节中至关重要，其目的在于利用各种信号处理方法获得能够表征设备状态信息的特征量。但是，不同特征量构建的高维特征集为设备状态智能预测环节提供数据来源的同时，伴随着一系列待解决问题：一方面，高维特征集数据量庞大，其计算量降低了设备状态预测效率；另一方面，不同特征参数与状态信息之间的分辨率不同，如果不对原始高维特征集进行预处理，则不能突显出敏感特征对分类的优势，易导致识别精度下降。因此，在原始信号大部分本征信息不受破坏的前提下，对信号的高维特征集进行降维显得尤为重要。
[0003]传统的降维方法主要有主成分分析、多维尺度分析以及线性判别分析等，近年来兴起的流形学习方法被广泛运用于人脸识别、图像处理等领域的特征降维中，机械设备工作状态预测过程也逐渐选用此类方法进行特征降维。
[0004]但是，上述算法处理的对象均为一维向量形式的特征序列，在处理二维或更高维数据时，通常先将矩阵转换为向量形式，然后将高维向量投影到低维向量空间中，从而实现降维。然而，其易造成小样本问题出现，从而导致类内散度矩阵奇异，且算法计算量较大，识别精度低。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的在于提供一种新型磨机筒体振动信号特征降维方法。所述方法主要包括以下步骤：首先采集磨机在欠负荷、正常、过负荷状态下筒体抛落区与冲击区的振动信号，并提取信号中的特征参数构成高维特征向量；然后引入集成矩阵距离测度(AMDM)准则至二阶张量局部保持投影(STLPP)算法中，计算出各样本之间的距离，并通过样本间距离建立融合样本类别信息的相似加权矩阵；最后运用振动信号特征降维算法对磨机筒体振动信号高维特征向量集进行降维。
[0006]具体包括以下法具体包括以下步骤：
[0007]S1)采集磨机在所有工作状态下的振动信号，并提取采集的振动信号中的特征参数，构成高维特征向量数据样本集；
[0008]S2)计算出高维特征向量数据样本集中各样本之间的距离，并根据各个样本之间的间距离建立融合样本类别信息的相似加权矩阵；
[0009]S3)将S2)得到的相似加权矩阵运用振动信号特征降维算法，对振动信号中的高维特征向量集进行降维。
[0010]进一步，所述S1)的具体步骤为：
[0011]S1.1)采集磨机在所有工作状态下的筒体抛落区与冲击区的磨机筒体n个传感器获得的振动信号；
[0012]S1.2)对S1.1)采集振动信号进行预处理，并提取出振动信号中的m个时域、频域和熵值的特征参量；
[0013]S1.3)将S1.2)提取出的特征参量构成一个n
×
m维特征向量样本集，并将n
×
m维特征向量样本集以三阶张量X形式表达，X＝{X1,X2,...,X
N
}，其中，n为传感器个数，m为特征参量个数，N为样本个数。
[0014]进一步，所述S1.1)中的所有工作状态包括欠负荷、正常和过负荷工作状态。
[0015]进一步，所述S1.2)中的时域、频域和熵值特征参量包括均值、方差、方根幅值、有效值、峰值、偏度指标、峭度指标、峰值因子、均值频率、标准偏差频率、频谱偏度、频谱峭度、重心频率、样本熵、模糊熵。
[0016]进一步，所述S2)的具体步骤为：
[0017]S2.1)将S1)采集的特征集训练样本张量X1作为输入，然后引入集成矩阵距离测度准则至二阶张量局部保持投影算法中，计算出各样本之间的距离；
[0018]S2.2)再将特征样本的类别监督信息y
i
∈[1，2，3]引入至AMDM准则中计算相识性加权矩阵,其中，1代表欠负荷工作状态、2代表正常工作状态、3代表过负荷工作状态。
[0019]进一步，所述S3)的具体步骤为：
[0020]S3.1)设有N个二阶张量表达形式的特征样本，其特征样本为X＝{X1，X2，...，X
N
}∈R
n
×
m
，通过式(1)从而获得两个变换矩阵U∈R
n
×
n
′
及V∈R
m
×
m
′
(n
′
，m
′
＜n，m)。
[0021][0022]式中，|| ||
F
表示矩阵的Frobenius范数，即S
ij
为近邻图G的权矩阵S中第i行第j列的元素；U
T
为矩阵U的转置向量；D为对角矩阵，D
ij
＝∑
j
S
ij
；
[0023]S3.2)将S3.1)得到矩阵U和V通过式(2)迭代推导，计算出其广义特征向量，并求出最优矩阵U和V；
[0024][0025]式中，式中，式中，为单位向量；
[0026]S3.3)将高维特征样本投影至低维，即：Y
i
＝U
T
X
i
V，其变换矩阵U与V的求解转变公式为：
[0027][0028]式中，Y
i
＝U
T
X
i
V与Y
j
＝U
T
X
j
V之间距离使用AMDM准则进行计算，SS
ij
，SS
ii
表示特征样本集X
i
与X
j
间的近邻程度。
[0029]进一步，所述S3.2)中的最优变换矩阵U和V的具体求解步骤为：
[0030]①
将矩阵U初始化定义为一单位矩阵，将其代入式(2)求出其广义特征向量；
[0031]②
计算式(2)中的广义特征向量，求解出新矩阵U，从而使矩阵U得到更新；
[0032]③
通过反复迭代表达式(2)，当求解次数达到设定的迭代次数值时，则终止迭代，此时便可得到最优变换矩阵U
best
和V
best
；
[0033]④
根据公式求解出高维特征样本集X
i
的低维投影Y
i
。
[0034]一种实现上述的磨机筒体振动信号特征降维处理方法的信息处理终端。
[0035]一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述的磨机筒体振动信号特征降维处理方法。
[0036]本专利技术的另一目的是提供一种磨机筒体振动信号特征降维处理系统，所述系统包括：
[0037]采集单元，用于磨机在所有工作状态下的振动信号；
[0038]数据处理单元，用于提取振动信号中高维特征向量,并构成高维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磨机筒体振动信号特征降维处理方法，其特征在于，所述方法具体包括以下步骤：S1)采集磨机在所有工作状态下的振动信号，并提取采集的振动信号中的特征参数，构成高维特征向量数据样本集；S2)计算出高维特征向量数据样本集中各样本之间的距离，并根据各个样本之间的间距离建立融合样本类别信息的相似加权矩阵；S3)将S2)得到的相似加权矩阵运用振动信号特征降维算法，对振动信号中的高维特征向量集进行降维。2.根据权利要求1所述的处理方法，其特征在于，所述S1)的具体步骤为：S1.1)采集磨机在所有工作状态下的筒体抛落区与冲击区的磨机筒体n个传感器获得的振动信号；S1.2)对S1.1)采集振动信号进行预处理，并提取出振动信号中的m个时域、频域和熵值的特征参量；S1.3)将S1.2)提取出的特征参量构成一个n
×
m维特征向量样本集，并将n
×
m维特征向量样本集以三阶张量X形式表达，X＝{X1,X2,...,X
N
}，其中，n为传感器个数，m为特征参量个数，N为样本个数。3.根据权利要求1所述的处理方法，其特征在于，所述S1.1)中的所有工作状态包括欠负荷、正常和过负荷工作状态。4.根据权利要求2所述的处理方法，其特征在于，所述S1.2)中的时域、频域和熵值特征参量包括均值、方差、方根幅值、有效值、峰值、偏度指标、峭度指标、峰值因子、均值频率、标准偏差频率、频谱偏度、频谱峭度、重心频率、样本熵、模糊熵。5.根据权利要求2所述的处理方法，其特征在于，所述S2)的具体步骤为：S2.1)将S1)采集的特征集训练样本张量X1作为输入，然后引入集成矩阵距离测度准则至二阶张量局部保持投影算法中，计算出各样本之间的距离；S2.2)再将特征样本的类别监督信息y
i
∈[1，2，3]引入至AMDM准则中计算相识性加权矩阵，其中，1代表欠负荷工作状态、2代表正常工作状态、3代表过负荷工作状态。6.权利要求2所述的处理方法，其特征在于，所述S3)的具体步骤为：S3.1)设有N个二阶张量表达形式的特征样本，其特征样本为通过式(1)从而获得两个变换矩阵U∈R
n
×
n
′
及V∈R
m
×
m
′
(n
′
，m
′
＜n，m)。式中，||||
F
表示矩阵的Frobenius范数，即S
ij
为近邻图G的权矩阵S中第i行第j列...

【专利技术属性】
技术研发人员：卢文海，阮华东，周文伟，严晓军，
申请(专利权)人：江西铜业股份有限公司，
类型：发明
国别省市：