一种动态信号分组采样与处理的方法技术

本发明专利技术涉及一种动态信号分组采样与处理的方法，通过本发明专利技术的动态信号分组采样与处理方法技术，实现了利用两个时钟进行分组采样的方案，并通过动态调整时钟的最高频率来适应不同频率范围的信号采样需求

【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：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
。
[0005]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
。
[0006]在上述动态信号分组采样与处理的方法中，使用两个时钟，通过动态调整两个时钟的最高频率来实现对所有信号的采样；该方法只利用两个时钟进行分组采样，通过动态调整某一时钟的最高频率，可以捕捉到不同频率信号的幅度变化
、
统计特性和时域特性，再根据不同频率的信号调整另外一个时钟的频率针对不同信号进行独立采样，可有效提高信号采样的准确性
。
[0007]作为本申请的进一步改进，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
。
[0008]作为本申请的进一步改进，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，将其分为不同组，例如，振动信号
、
声音信号
、
温度信号都可以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
。
[0009]作为本申请的进一步改进，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度；峰度的计算用于帮助识别信号中的非线性特征，对于动态信号的分析和振动特性的评估具有重要意义
。
[0010]作为本申请的进一步改进，所述步骤
S5
中，利用特征预测结果，进行频率范围的判断
。
根据实际应用需求和系统设计，设定一个阈值；当特征预测结果小于等于阈值或属于低频率范围，则采样信号被判定为低频信号，当对高频信号进行采样时，降低时钟频率以适应低频信号的采样需求；可以通过降低时钟的最高频率来减少采样频率，确保能够充分捕捉低频信号的动态特性；当特征预测结果大于阈值或属于高频率范围，采样信号被判定为高频信号，当对高频信号进行采样时，增加时钟频率以满足高频信号的采样需求；可以通过增加时钟的最高频率来增加采样频率，确保能够充分捕捉高频信号的动态特性
。
[0011]作为本申请的进一步改进，在所述步骤
S6
中，根据第二个时钟的精准采样，将信号按照更精确的时间间隔进行分组，每个组内的采样点数量取决于采样频率和采样时长，使自适应的组长度，自适应的组长度可以更好地适应信号的变化
。
对每个组内的采样数据进行处理后据需要进行存储或传输
。
存储可以使用合适的数据格式和存储介质，以便后续的分析和应用
。
[0012]作为本申请的又一种改进，在步骤
S6
中信号采样后，添加对波形进行监测预警的步骤，所述波形的监测预警通过信号波形监测系统施行；所述波形监测系统包括标准波形数据库
、
波形对比模块
、
图像处理模块以及告警模块，所述波形对比模块以及图像处理模块均与标准波形数据库信号连接，所述告警模块与波形对比模块信号连接
。
[0013]作为本申请的又一种改进的补充，所述波形进行监测预警的具体步骤如下：
S61、
首先将采样的信号转换成波段，获取对应的波形，将该波段对应到标准波形数据库上，并获取标准波形数据库上对应波段的形状；
S62、
通过图像处理模块对比信号波段和标准波形相应波段的形状，通过二者之间的偏差判断目标信号波的振幅，当信号波段与标准波段之间存在较大偏差时，说明目标信号波存在振幅过大或过小的问题；
S63、
当波形振幅存在问题时，告警模块对控制中心处的工作人员进行报警处理，工作人员可根据波形的偏差情况，实施不同的预案
。
[0014]作为本申请的又一种改进的补充，所述标准波形数据库为目标信号在无异常情况下的波形，所述目标信号同样包括振动信号
、
声音信号
、
转速信号
、
温度信号以及其他信号
。
[0015]作为本申请的又一种改进的补充，所述告警模块包括设置在塔台内的外联报警器以及安装在目标信号发出设备上的实地报警器
。
...

【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：