【技术实现步骤摘要】
一种动态信号分组采样与处理的方法
[0001]本专利技术涉及的一种采样与处理的方法,特别是涉及应用于信号采样
的一种基于机器学习的动态信号分组采样与处理的方法
。
技术介绍
[0002]在航空航天
、
轨道交通
、
大型电力装备
、
船舶工程等领域,对于大型设备的振动
、
声音
、
转速
、
温度等动态信号的采集与处理至关重要
。
这些动态信号的频率特性各不相同,传统方法通常需要采用多组时钟和适当的采样率来对不同频率段的信号进行分时钟采样,这不仅会使采集成本大大增加,还会导致信号采样的准确率较低
。
技术实现思路
[0003]针对上述现有技术,本专利技术要解决的技术问题是采用多组时钟对信号采样的方式采集成本大大增加,信号采样的准确率较低
。
[0004]为解决上述问题,本专利技术提供了一种动态信号分组采样与处理的方法,包括以下步骤:
S1、
系统初始化:在系统中设置两个时钟,作为采样的时基;初始化机器学习模型,准备特征提取和特征预测所需的算法和参数;
S12、
信号采集与分组:通过系统设置的第一个时钟对动态信号进行采集,信号包括振动信号
、
声音信号
、
转速信号
、
温度信号以及其他信号,利用分组采样的方式,将采集到的信号分成若干组;
S3、
特征提取与处理
【技术保护点】
【技术特征摘要】
1.
一种动态信号分组采样与处理的方法,其特征在于:包括以下步骤:
S1、
系统初始化:在系统中设置两个时钟,作为采样的时基;初始化机器学习模型,准备特征提取和特征预测所需的算法和参数;
S12、
信号采集与分组:通过系统设置的第一个时钟对动态信号进行采集,信号包括振动信号
、
声音信号
、
转速信号
、
温度信号以及其他信号,利用分组采样的方式,将采集到的信号分成若干组;
S3、
特征提取与处理:对每组采样信号进行特征提取;计算每组信号的幅度特征
、
统计特征和时域特征;通过这些特征描述信号的振幅变化
、
统计分布和时间特性;
S4、
特征与采样信号频率的函数映射:利用机器学习算法建立特征与采样信号频率之间的函数映射关系,通过训练模型,学习特征与采样信号频率之间的关联规律,得到一个特征预测模型;
S5、
动态调整时钟频率:根据特征预测模型,对每组采样信号的特征进行预测;根据预测结果,判断信号所属的频率范围,并相应地调整第一个时钟的最高频率;
S6、
采样与处理:根据调整后的第一个时钟频率,对信号进行重新采样,使用动态调整后的时钟进行分组采样,确保能够捕捉到所有信号的动态特性;随后第二个时钟根据第一个时钟采集到的信号频率进行动态调整,随后对某些信号进行单独采样,第二个时钟采样到的信号相对于第一个时钟采样到的信号而言要更准确;对二次采集到的信号进一步进行处理
、
分析或传输,以满足特定应用需求
。2.
根据权利要求1所述的一种动态信号分组采样与处理的方法,其特征在于:所述步骤
S5
中以高频信号与低频信号为例:当预测结果表明信号属于低频信号,则降低时钟频率以适应低频信号的采样需求;如果预测结果表明信号属于高频信号,则增加时钟频率以满足高频信号的采样需求
。3.
根据权利要求2所述的一种动态信号分组采样与处理的方法,其特征在于:所述步骤
S2
中,通过第一个时钟进行分组采样,将不同频率范围内的信号分为若干组进行采样,其中为了实现动态信号的采样,选择一个合适的最高时钟频率,以覆盖所有信号的频率范围;根据信号的频率范围,将其分为低频组和高频组,每个组的采样周期根据该组信号的最高频率确定
。4.
根据权利要求1所述的一种动态信号分组采样与处理的方法,其特征在于:所述步骤
S3
中特征提取使用峰度特征,即信号分布的尖峰程度,衡量信号峰值的尖锐程...
【专利技术属性】
技术研发人员:丁斌,何飞飞,毛敏,祖洪飞,王欣峰,严萍,张伟,
申请(专利权)人:南通市计量检定测试所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。