【技术实现步骤摘要】
本申请涉及故障诊断，尤其涉及一种柱塞泵振动信号特征提取方法、装置、设备和存储介质。
技术介绍
1、状态特征的提取是故障诊断的重要环节，主要目的是将一段连续的振动信号转化成具体的特征量以便进行辨识。柱塞泵的振动信号具有明显的周期性特点，信号的特征主要包括时域特征、频域特征和时频域特征。时域特征包括信号的均值、峰值、均方根、方差等有量纲特征，峭度、散度、裕度等无量纲特征；频域特征包括频域统计特征量、谱分析（包括幅值谱、包络谱、倒频谱等）。
2、目前，在针对于轴承、主轴等结构简单的旋转机械，振动信号的时域和频域特征是最为常用的诊断特征。其中时域有量纲特征常用于诊断故障的稳态（即用于判断故障是否已经发生），而时域无量纲特征对于信号的冲击和不平稳特征更敏感，可作为判断早期故障的依据。然而时域特征故障诊断时，会受到转速、负载等因素的干扰，且对于非平稳信号适应性不足，严重限制了其应用。频域特征是对振动信号的调制解调，得到振动信号的频域分布，类比信号的时域统计量，可以计算信号频域分布的特征。相比时域特征，频域特征能够精确求得振动信号的特征频率等信息，可以有效的排除系统干扰项，但仍然难以处理非线性、非平稳信号。
3、由于结构复杂，激振源多，直接对原始信号特征提取的诊断效果不佳，通过时频域的特征提取方法，提取振动信号的细节特征得到了更多研究人员的重视。时频域分析的方法同时对于非线性、非平稳信号具有良好的适应性，近年来发展迅速。目前，主要的振动信号时频特征处理方法包括gabor变换，短时傅里叶变换（short-time fou
4、但是，经典的emd方法在处理振动信号的过程中，不可避免地会遇到模态混叠和端点延拓现象，针对于上述问题提出了诸多改进的emd算法，比较成功的包括集成经验模态分解方法(ensemble empirical mode decomposition, eemd)和噪声自适应的完备集成经验模态分解方法(complementary ensemble empirical mode decomposition, ceemd)。eemd和ceemd处理模态混叠和端点延拓的基本思路是向原始信号中添加多组白噪声信号来补充一些缺失的尺度信息。由于白噪声信号自身的特点，其频谱是均匀分布状态，且其频谱上的能量表示也呈现均匀分布状态，因此可以将其视作一个二进制滤波器。可以使得原始信号自动分布到合适的参考尺度上。经过多次平均计算后，可以将白噪声相互抵消，得到最终的分解结果。但是如果叠加白噪声的参数选择不当，会进一步产生错误的imf函数分量，干扰对结果的判断。目前针对于不同的研究对象，如何快速且准确的获取分解结果是基于经验模态分解进行特征提取的研究热点和研究难点。
技术实现思路
1、有鉴于此，本申请提供一种柱塞泵振动信号特征提取方法、装置、设备和存储介质，用以解决现有方法在进行特征提取时实时性较差的问题。
2、具体地，本申请是通过如下技术方案实现的：
3、本申请第一方面提供一种柱塞泵振动信号特征提取方法，所述方法应用于柱塞泵振动信号特征提取设备，所述方法包括：
4、根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化，得到改进后的噪声自适应的完备集成经验模态分解方法；
5、其中，基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的imf函数的能量信息之间的关系和特征提取时长确定标准差数量最优值，获得改进后的噪声自适应的完备集成经验模态分解方法，所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声；
6、利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解，得到表征所述柱塞泵状态特征的imf函数；
7、对所述imf函数进行分析和特征提取。
8、本申请第二方面提供一种柱塞泵振动信号特征提取装置，所述装置应用于柱塞泵振动信号特征提取设备，所述装置包括：优化模块、获取模块和提取模块；其中，
9、所述优化模块，用于根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化，得到改进后的噪声自适应的完备集成经验模态分解方法；其中，基于所述白噪声的标准差的数量特征与完备集成经验模态分解方法获得的imf函数的能量信息之间的关系和特征提取时长确定标准差数量最优值，获得改进后的噪声自适应的完备集成经验模态分解方法，所述改进后的噪声自适应的完备集成经验模态分解方法中至少包括两个标准差不同的白噪声；
10、所述获取模块，用于利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解，得到表征所述柱塞泵状态特征的imf函数；
11、所述提取模块，用于对所述imf函数进行分析和特征提取。
12、本申请第三方面提供一种柱塞泵振动信号特征提取设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请第一方面提供的任一项所述方法的步骤。
13、本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
14、本申请提供的柱塞泵振动信号特征提取方法、装置、设备和存储介质，应用于柱塞泵振动信号特征提取设备，通过根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化，得到改进后的噪声自适应的完备集成经验模态分解方法，并利用所述改进后的噪声自适应的完备集成经验模态分解方法对所述柱塞泵的振动信号进行分解，得到表征所述柱塞泵状态特征的imf函数，进而对所述imf函数进行分析和特征提取。这样，利用变化的白噪声对分解方法进行参数优化，进而利用经参数优化后的分解方法对柱塞泵的振动信号进行分解，并对分解后得到的状态特征函数进行分析和特征提取得到柱塞泵的状态特征，可以清楚的得到各个状态特征，解决了现有方法存在实时性较差的问题，提高了状态特征提取的准确性和效率，为后续故障诊断提供支持。
本文档来自技高网...【技术保护点】
1.一种柱塞泵振动信号特征提取方法，其特征在于，所述柱塞泵振动信号特征提取方法应用于柱塞泵振动信号特征提取设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化，包括：
3.根据权利要求2所述的方法，其特征在于，根据白噪声的标准差与分解结果，得到所述白噪声的标准差与分解结果的相关性，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象，
5.根据权利要求1所述的方法，其特征在于，所述对所述IMF函数进行分析和特征提取，包括提取到所述IMF函数中的前五阶IMF分量，包括原始信号的时域特征和频域特征、前五阶IMF分量的时域特征和频域特征。
6.根据权利要求1所述的方法，其特征在于，所述对所述IMF函数进行分析和特征提取，包括：
7.一种柱塞泵振动信号特征提取装置，其特征在于，所述装置应用于柱塞泵振动信号特征提取设备，所述装置包括：优化模块、获取模块和提取模块；其
8.根据权利要求7所述的装置，其特征在于，所述优化模块，具体用于根据白噪声的标准差与分解结果，得到所述白噪声的标准差与分解结果的相关性；其中，所述分解结果包括各阶IMF能量比和/或计算时间；
9.一种柱塞泵振动信号特征提取设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
...【技术特征摘要】
1.一种柱塞泵振动信号特征提取方法，其特征在于，所述柱塞泵振动信号特征提取方法应用于柱塞泵振动信号特征提取设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据白噪声的标准差对噪声自适应的完备集成经验模态分解方法进行参数优化，包括：
3.根据权利要求2所述的方法，其特征在于，根据白噪声的标准差与分解结果，得到所述白噪声的标准差与分解结果的相关性，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：选取噪声自适应的完备集成经验模态分解方法作为参数优化的对象，
5.根据权利要求1所述的方法，其特征在于，所述对所述imf函数进行分析和特征提取，包括提取到所述imf函数中的前五阶imf分量，包括原始信号的时域特征和频域特征、前五阶imf分量的时域特征和频域特征。
6.根据权利...
【专利技术属性】
技术研发人员：洪昊岑，谢海波，王柏村，杨华勇，
申请(专利权)人：浙江大学高端装备研究院，
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。