CN108229382A - 振动信号特征提取方法、装置、存储介质和计算机设备 - Google Patents
振动信号特征提取方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN108229382A CN108229382A CN201711480593.6A CN201711480593A CN108229382A CN 108229382 A CN108229382 A CN 108229382A CN 201711480593 A CN201711480593 A CN 201711480593A CN 108229382 A CN108229382 A CN 108229382A
- Authority
- CN
- China
- Prior art keywords
- signal
- noising
- obtains
- intrinsic mode
- mode function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种振动信号特征提取方法、装置、存储介质和计算机设备。振动信号特征提取方法包括:采集目标设备的振动信号;对振动信号进行降噪处理,得到降噪信号;对降噪信号进行经验模态分解,得到降噪信号所对应的原始本征模态函数;根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数;对最终本征模态函数进行希尔伯特‑黄变换,得到振动信号的频谱特征。该方法可提高特征提取的准确性,提取的特征更能准确反映出目标设备的运行状态。
Description
技术领域
本发明涉及信号分析技术领域,特别是涉及一种振动信号特征提取方法、装置、存储介质和计算机设备。
背景技术
振动信号是设备的机械振动引起的信号,振动信号的特征可以体现设备的机械运动情况,因此提取振动信号的特征进行分析有助于了解设备的运行状态,尽快发现故障隐患。例如,有载分接开关作为电力变压器中唯一的可动部件,其运行状态直接关系到整个电网的安全可靠运行;提取有载分接开关振动信号的特征,可以准确分析有载分接开关的运行状态,从而尽早发现电网的故障隐患。
传统的提取振动信号特征的方式,大多是采用EMD(Empirical ModeDecomposition经验模态分解)算法,对振动信号进行分解并提取频谱特征,从而进行设备运行状况的判断。然而,传统的EMD算法存在较为严重的模态混叠现象,影响最终的特征提取结果,特征提取准确性低。
发明内容
基于此,有必要针对传统的振动信号特征提取准确性低的问题,提供一种可提高特征提取准确性的振动信号特征提取方法、装置、存储介质和计算机设备。
一种振动信号特征提取方法,包括:
采集目标设备的振动信号;
对所述振动信号进行降噪处理,得到降噪信号;
对所述降噪信号进行经验模态分解,得到所述降噪信号所对应的原始本征模态函数;
根据所述降噪信号所对应的原始本征模态函数获取叠加信号,对所述叠加信号进行经验模态分解及去除叠加处理,得到所述降噪信号所对应的最终本征模态函数;
对所述最终本征模态函数进行希尔伯特-黄变换,得到所述振动信号的频谱特征。
一种振动信号特征提取装置,包括:
信号采集模块,用于采集目标设备的振动信号;
信号去噪模块,用于对所述振动信号进行降噪处理,得到降噪信号;
初始分解模块,用于对所述降噪信号进行经验模态分解,得到所述降噪信号所对应的原始本征模态函数;
叠加分解模块,用于根据所述降噪信号所对应的原始本征模态函数获取叠加信号,对所述叠加信号进行经验模态分解及去除叠加处理,得到所述降噪信号所对应的最终本征模态函数;
特征提取模块,用于对所述最终本征模态函数进行希尔伯特-黄变换,得到所述振动信号的频谱特征。
上述振动信号特征提取方法和装置,通过对采集的振动信号进行降噪处理得到降噪信号,对降噪信号进行经验模态分解得到降噪信号所对应的原始本征模态函数,再根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数,对最终本征模态函数进行希尔伯特-黄变换,得到振动信号的频谱特征。一方面,在经验模态分解之前对振动信号进行降噪,可避免噪声影响特征提取的效果;另一方面,得到原始本征模态函数后获取叠加信号,再根据叠加信号进行经验模态分解及去除叠加处理,可以限制最终本征模态函数的频率带宽,能有效解决经验模态分解所存在的模态混叠现象,从而可提高特征提取的准确性,提取的特征更能准确反映出目标设备的运行状态。
一种存储介质,存储有计算机程序,存储的计算机程序被处理器执行时实现上述振动信号特征提取方法的步骤。
一种计算机设备,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计算机程序时实现上述振动信号特征提取方法的步骤。
上述存储介质和计算机设备,由于实现了上述振动信号特征提取方法的步骤,同理可提高特征提取的准确性。
附图说明
图1为第一个实施例中振动信号特征提取方法的流程图;
图2为第二个实施例中振动信号特征提取方法的流程图;
图3为第三个实施例中振动信号特征提取方法的流程图;
图4为第四个实施例中振动信号特征提取方法的流程图;
图5为一实施例中振动信号特征提取装置的结构图;
图6为应用例中正常状态下的降噪信号;
图7为触头松动时的降噪信号;
图8为正常状态下的Hilbert边际谱;
图9为触头松动时的Hilbert边际谱。
具体实施方式
参考图1,一实施例中的振动信号特征提取方法,包括如下步骤:
S110:采集目标设备的振动信号。
目标设备是能产生振动信号、需要根据振动信号分析运行状态的设备。例如,目标设备可以是电力变压器中的有载分接开关。
S130:对振动信号进行降噪处理,得到降噪信号。
现场采集的振动信号往往包含噪声,会影响特征提取的效果,通过对振动信号进行降噪处理,得到的降噪信号为去噪声后的信号。
S150:对降噪信号进行经验模态分解,得到降噪信号所对应的原始本征模态函数。
采集的振动信号通常呈现出非平稳性。经验模态分解是自适应信号时频处理方法,适用于非线性非平稳性信号的分析处理。对信号进行经验模态分解,可将信号分解为本征模态函数(简称IMF,Intrinsic Mode Function);降噪信号所对应的原始本征模态函数即为对降噪信号进行经验模态分解所得到的本征模态函数。具体地,本征模态函数的数量可以有多个。
S170:根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数。
叠加信号是叠加有降噪信号所对应的原始本征模态函数的信号。去叠加处理去除信号叠加的处理。
S190:对最终本征模态函数进行希尔伯特-黄变换,得到振动信号的频谱特征。
通过对最终本征模态函数进行希尔伯特-黄变换得到振动信号的频谱特征,频谱特征可用于分析判断目标设备的运行状态,以便及时了解目标设备的故障隐患。
上述振动信号特征提取方法,通过对采集的振动信号进行降噪处理得到降噪信号,对降噪信号进行经验模态分解得到降噪信号所对应的原始本征模态函数,再根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数,对最终本征模态函数进行希尔伯特-黄变换,得到振动信号的频谱特征。一方面,在经验模态分解之前对振动信号进行降噪,可避免噪声影响特征提取的效果;另一方面,得到原始本征模态函数后获取叠加信号,再根据叠加信号进行经验模态分解及去除叠加处理,可以限制最终本征模态函数的频率带宽,能有效解决经验模态分解所存在的模态混叠现象,从而可提高特征提取的准确性,提取的特征更能准确反映出目标设备的运行状态。
在一个实施例中,目标设备为有载分接开关。本实施例中,步骤S110包括:通过安装在有载分接开关的加速度传感器分别采集有载分接开关在正常状态下的振动信号和各故障状态下的振动信号。
有载分接开关的工作状态包括正常状态(即非故障状态)和故障状态,且故障状态的类型有多种。通过分别采集有载分接开关的正常状态下的振动信号和各故障状态下的振动信号,基于各振动信号分别执行步骤S130至步骤S190,可提取得到正常状态下振动信号的频谱特征以及各故障状态下振动信号的频谱特征,更有效区分有载分接开关的不同运行状态。
在一个实施例中,参考图2或图4,步骤S130包括S131和步骤S133。
S131:采用已存的最佳小波包基和分解层数对振动信号进行小波包降噪,得到小波包降噪信号。
S133:对小波包降噪信号进行奇异值分解,得到降噪信号。
小波包降噪和奇异值分解(简称SVD,Singularly Valuable Decomposition)是两种不同的降噪处理方式。对振动信号采用单独的小波包降噪、奇异值分解无法达到较好的去噪效果和保留振动信号的特征。通过将小波包降噪和奇异值分解相结合,先采用小波包降噪对振动信号进行一次降噪,再对一次降噪后得到的小波包降噪信号采用奇异值分解进行二次降噪,可达到较好的去噪效果,且可保留原始的振动信号的特征,从而间接提高特征提取的准确性。
可选地,步骤S131之前还可以包括最佳小波包基准备步骤和分解层数准备步骤。其中,最佳小波包基准备步骤包括:根据给定一个序列的熵函数,在所有备选的小波包基中查找使熵函数最小的小波包基,作为最佳小波包基并存储。分解层数准备步骤包括:对给定的标准样本进行多种分解层数的小波分解得到分解结果,比较各分解结果并选取最优的分解结果,存储最优的分解结果所对应的分解层数。具体地,分解结果的比较,可以是基于行业内对小波分解的优劣评判标准进行。
具体地,步骤S131包括:采用已存的最佳小波包基和分解层数对振动信号进行小波分解,得到多个高频分量和各高频分量的系数;采用预设阈值对高频分量的系数进行阈值量化处理;对阈值量化处理后的信号进行小波包重构,得到小波包降噪信号。
对振动信号进行小波分解后可得到以预定频率为分界点进行划分的高频分量和低频分量,各低频分量和各高频分量均对应有一个系数。预设阈值可以根据实际需要具体设置;采用预设阈值对高频分量的系数进行阈值量化处理,具体可以是比较各高频分量的系数与预设阈值的大小,采用硬阈值法保留大于预设阈值的系数,将小于或等于预设阈值的高频分量的系数置零;采用预设阈值对高频分量的系数进行阈值量化处理,也可以是比较各高频分量的系数与预设阈值的大小,采用软阈值法将小于预设阈值的系数置零,将大于预设阈值的高频分量的系数向零做收缩。
具体地,步骤S133包括:对小波包降噪信号进行相空间重构得到表征吸引子的轨道矩阵;对轨道矩阵进行奇异值分解得到降噪信号。
重构吸引子能反映动力学特性,光滑***信号、随机噪声信号对重构吸引子轨道矩阵奇异值具有不同影响。通过对轨道矩阵进行奇异值分解,利用奇异谱的特性来降低小波包降噪信号中的噪声从而得到二次降噪的降噪信号。
在一个实施例中,步骤S150包括步骤(A)至步骤(D)。
步骤(A):计算出降噪信号x(t)所有的局部极值点。其中,局部极值点包括极大值点和极小值点。
步骤(B):根据局部极值点求出所有极大值点构成的上包络线和所有极小值点构成的下包络线,分别记为u0(t)和v0(t)。
步骤(C):求出上包络线和下包络线的均值m0,并记信号差为h0:
m0=[u0(t)+v0(t)]/2;
h0=x(t)-m0;
步骤(D):判断信号差h0是否满足第一条件和第二条件。第一条件:信号差h0中的零点数和极点数相等或至多相差1;第二条件:信号差h0上任意一点,由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值为0,即信号差h0关于时间轴局部对称。如果满足第一条件和第二条件,则将信号差h0作为降噪信号所对应的原始本征模态函数(IMF);否则,记信号差h0为x(t),即将信号差h0作为新的降噪信号,重复步骤(A)至步骤(D),直至得到一个降噪信号所对应的原始本征模态函数,记为F1(t)。
在一个实施例中,参考图3或图4,步骤S170包括步骤S171至步骤S177。
S171:根据预设掩膜系数和降噪信号所对应的原始本征模态函数获取对应的掩膜信号。
预设掩膜系数为根据实际需要预先设置的值。具体地,预设掩膜系数大于1。
S173:将降噪信号和对应的掩膜信号相加得到叠加信号。
S175:对叠加信号进行经验模态分解,得到叠加信号所对应的本征模态函数。
叠加信号所对应的本征模态函数为对叠加信号进行经验模态分解得到的本征模态函数。具体地,对叠加信号进行经验模态分解的详细步骤与对降噪信号进行经验模态分解的详细步骤相同,只是将经验模态分解的对象更换为叠加信号。
S177:除去叠加信号所对应的本征模态函数中包含的掩膜信号,得到降噪信号所对应的最终本征模态函数。
其中,叠加信号所对应的本征模态函数中包含的掩膜信号,即为根据这个叠加信号所对应的降噪信号获取的掩膜信号。例如,计步骤S171获取的掩膜信号为s(t),叠加信号所对应的本征模态函数中包含的掩膜信号同样为s(t)。
对信号进行经验模态分解可以理解为是将信号经过EMD滤波器。通过获取掩膜信号并将掩膜信号和降噪信号相加得到叠加信号并对叠加信号进行经验模态分解,可改变EMD滤波器的中心频率,抑制低频IMF分量的成分混合到高频IMF分量中,实现对IMF的频率带宽进行限制,可有效解决模态混叠的问题。
在一个实施例中,步骤S171包括步骤(a1)和步骤(a2)。
步骤(a1):对降噪信号所对应的原始本征模态函数进行希尔伯特变换,得到瞬时频率和瞬时幅值。
步骤(a2):根据瞬时频率、瞬时幅值和预设掩膜系数计算得到掩膜信号频率,并基于掩膜信号频率生成掩膜信号。
具体地,步骤(a2)包括:
s(t)=A0sin(2πft);
式中,K为预设掩膜系数,且K>1;a1(i)和f1(i)分别为第i个瞬时幅值和第i个瞬时频率;f为掩膜信号频率;s(t)为掩膜信号;A0为中间参数,可以取为降噪信号所对应的原始本征模态函数的平均幅值的1.6倍。
在一个实施例中,步骤S177包括:
其中,为叠加信号所对应的本征模态函数,s(t)为掩膜信号,Fi′(t)为降噪信号所对应的最终本征模态函数。
在一个实施例中,参考图4,步骤S177之后还包括步骤S178和步骤S179。
S178:判断最终本征模态函数的数量是否达到预设数量。
若否,表示最终本征模态函数的数量小于预设数量,则执行步骤S179;若是,则执行步骤S190。
S179:将降噪信号减去所对应的最终本征模态函数得到下一个降噪信号并作为新的降噪信号,返回步骤S150。
得到新的降噪信号后返回步骤S150,具体是执行步骤:对新的降噪信号进行经验模态分解,得到新的降噪信号所对应的原始本征模态函数;根据新的降噪信号所对应的原始本征模态函数获取新的叠加信号,对新的叠加信号进行经验模态分解及去除叠加处理,得到新的降噪信号所对应的最终本征模态函数。
通过在最终本征模态函数的数量小于预设数量时,获取新的降噪信号并返回步骤S150,可重复获取最终本征模态函数直到最终本征模态函数的数量等于预设数量,从而步骤S190根据多个最终本征模态函数提取振动信号的频谱特征,准确性高。
本实施例中,记预设数量为n,最终可得到n个最终本征模态函数;第一个新的降噪信号r1(t)可表示为:
r1(t)=x(t)-F1'(t);
可将原始的降噪信号x(t)表示为:
其中,rn(t)为;F1′(t)为第一个降噪信号所对应的最终本征模态函数。
本实施例中,频谱特征包括Hilbert谱和Hilbert边际谱。步骤S190包括:分别对多个最终本征模态函数进行希尔伯特-黄变换得到变换后函数;根据各变换后函数和对应的最终本征模态函数计算得到幅值函数、相位函数、瞬时频率并构造包括实部和虚部的解析信号;将解析信号的实部展开得到Hilbert谱;根据Hilbert谱计算得到Hilbert边际谱。Hilbert边际谱可反映幅值随频率的变化规律。根据边际谱进行分析,可以准确分析目标设备的运行状态。
具体地,记第i个最终本征模态函数为ci(t)。步骤S190包括:
其中,H(ci(t))为对第i个最终本征模态函数为ci(t)进行希尔伯特-黄变换得到的变换后函数;ai(t)为幅值函数;为相位函数;wi(t)为瞬时频率;zi(t)为解析信号;H2(w,t)为Hilbert能量谱,H(w,t)为Hilbert谱;h(w)为Hilbert边际谱。具体地,Hilbert能量谱能反映振动信号能量的时频变化规律。
参考图5,在一个实施例中,提供一种振动信号特征提取装置,包括信号采集模块110、信号去噪模块130、初始分解模块150、叠加分解模块170和特征提取模块190。
信号采集模块110用于采集目标设备的振动信号。
信号去噪模块130用于对振动信号进行降噪处理,得到降噪信号。
初始分解模块150用于对降噪信号进行经验模态分解,得到降噪信号所对应的原始本征模态函数。
降噪信号所对应的原始本征模态函数即为对降噪信号进行经验模态分解所得到的本征模态函数。具体地,本征模态函数的数量可以有多个。
叠加分解模块170用于根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数。
特征提取模块190用于对最终本征模态函数进行希尔伯特-黄变换,得到振动信号的频谱特征。
上述振动信号特征提取装置,通过信号去噪模块130对信号采集模块110采集的振动信号进行降噪处理得到降噪信号,初始分解模块150对降噪信号进行经验模态分解得到降噪信号所对应的原始本征模态函数,叠加分解模块170根据降噪信号所对应的原始本征模态函数获取叠加信号,对叠加信号进行经验模态分解及去除叠加处理,得到降噪信号所对应的最终本征模态函数,特征提取模块190对最终本征模态函数进行希尔伯特-黄变换,得到振动信号的频谱特征。一方面,在经验模态分解之前对振动信号进行降噪,可避免噪声影响特征提取的效果;另一方面,得到原始本征模态函数后获取叠加信号,再根据叠加信号进行经验模态分解及去除叠加处理,可以限制最终本征模态函数的频率带宽,能有效解决经验模态分解所存在的模态混叠现象,从而可提高特征提取的准确性,提取的特征更能准确反映出目标设备的运行状态。
在一个实施例中,目标设备为有载分接开关。信号采集模块110通过安装在有载分接开关的加速度传感器分别采集有载分接开关在正常状态下的振动信号和各故障状态下的振动信号。通过分别采集有载分接开关的正常状态下的振动信号和各故障状态下的振动信号,可提取得到正常状态下振动信号的频谱特征以及各故障状态下振动信号的频谱特征,更有效区分有载分接开关的不同运行状态。
在一个实施例中,信号去噪模块130包括第一去噪单元(图未示)和第二去噪单元(图未示)。第一去噪单元采用已存的最佳小波包基和分解层数对振动信号进行小波包降噪,得到小波包降噪信号;第二去噪单元对小波包降噪信号进行奇异值分解,得到降噪信号。通过将小波包降噪和奇异值分解相结合,先采用小波包降噪对振动信号进行一次降噪,再对一次降噪后得到的小波包降噪信号采用奇异值分解进行二次降噪,可达到较好的去噪效果,且可保留原始的振动信号的特征,从而间接提高特征提取的准确性。
可选地,信号去噪模块130还可以包括准备单元(图未示),用于在第一去噪单元执行对应功能之前,根据给定一个序列的熵函数,在所有备选的小波包基中查找使熵函数最小的小波包基,作为最佳小波包基并存储;对给定的标准样本进行多种分解层数的小波分解得到分解结果,比较各分解结果并选取最优的分解结果,存储最优的分解结果所对应的分解层数。
在一个实施例中,第一去噪单元采用已存的最佳小波包基和分解层数对振动信号进行小波分解,得到多个高频分量和各高频分量的系数;采用预设阈值对高频分量的系数进行阈值量化处理;对阈值量化处理后的信号进行小波包重构,得到小波包降噪信号。
在一个实施例中,第二去噪单元对小波包降噪信号进行相空间重构得到表征吸引子的轨道矩阵;对轨道矩阵进行奇异值分解得到降噪信号。
在一个实施例中,初始分解模块150具体用于:计算出降噪信号所有的局部极值点,其中,局部极值点包括极大值点和极小值点;根据局部极值点求出所有极大值点构成的上包络线和所有极小值点构成的下包络线;求出上包络线和下包络线的均值并根据均值获取信号差;判断信号差是否满足第一条件和第二条件;第一条件:信号差中的零点数和极点数相等或至多相差1;第二条件:信号差上任意一点,由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值为0,即信号差关于时间轴局部对称;如果满足第一条件和第二条件,则将信号差作为降噪信号所对应的原始本征模态函数;否则,将信号差作为新的降噪信号,返回重新计算出降噪信号所有的局部极值点,直至得到一个降噪信号所对应的原始本征模态函数。
在一个实施例中,叠加分解模块170包括掩膜信号获取单元(图未示)、叠加信号获取单元(图未示)、叠加信号分解单元(图未示)和掩膜信号去除单元(图未示)。
掩膜信号获取单元用于根据预设掩膜系数和降噪信号所对应的原始本征模态函数获取对应的掩膜信号。其中,预设掩膜系数大于1。叠加信号获取单元用于将降噪信号和对应的掩膜信号相加得到叠加信号。叠加信号分解单元用于对叠加信号进行经验模态分解,得到叠加信号所对应的本征模态函数。其中,叠加信号所对应的本征模态函数为对叠加信号进行经验模态分解得到的本征模态函数。掩膜信号去除单元用于除去叠加信号所对应的本征模态函数中包含的掩膜信号,得到降噪信号所对应的最终本征模态函数。其中,叠加信号所对应的本征模态函数中包含的掩膜信号,即为根据这个叠加信号所对应的降噪信号获取的掩膜信号。
对信号进行经验模态分解可以理解为是将信号经过EMD滤波器。通过获取掩膜信号并将掩膜信号和降噪信号相加得到叠加信号并对叠加信号进行经验模态分解,可改变EMD滤波器的中心频率,抑制低频IMF分量的成分混合到高频IMF分量中,实现对IMF的频率带宽进行限制,可有效解决模态混叠的问题。
在一个实施例中,掩膜信号获取单元对降噪信号所对应的原始本征模态函数进行希尔伯特变换,得到瞬时频率和瞬时幅值;根据瞬时频率、瞬时幅值和预设掩膜系数计算得到掩膜信号频率,并基于掩膜信号频率生成掩膜信号。
具体地,掩膜信号频率为:
掩膜信号为:
s(t)=A0sin(2πft);
式中,K为预设掩膜系数,且K>1;a1(i)和f1(i)分别为第i个瞬时幅值和第i个瞬时频率;f为掩膜信号频率;s(t)为掩膜信号;A0为中间参数,可以取为降噪信号所对应的原始本征模态函数的平均幅值的1.6倍。
在一个实施例中,掩膜信号去除单元根据:
去除掩膜信号;其中,为叠加信号所对应的本征模态函数,s(t)为掩膜信号,Fi′(t)为降噪信号所对应的最终本征模态函数。
在一个实施例中,叠加分解模块170在包括循环单元(图未示),用于在最终本征模态函数的数量小于预设数量时,将降噪信号减去所对应的最终本征模态函数得到下一个降噪信号并作为新的降噪信号,返回重复执行初始分解模块150对应功能,直到最终本征模态函数的数量等于预设数量。如此,特征提取模块190可根据多个最终本征模态函数提取振动信号的频谱特征,准确性高。
本实施例中,频谱特征包括Hilbert谱和Hilbert边际谱。特征提取模块190具体用于:分别对多个最终本征模态函数进行希尔伯特-黄变换得到变换后函数;根据各变换后函数和对应的最终本征模态函数计算得到幅值函数、相位函数、瞬时频率并构造包括实部和虚部的解析信号;将解析信号的实部展开得到Hilbert谱;根据Hilbert谱计算得到Hilbert边际谱。Hilbert边际谱可反映幅值随频率的变化规律。根据边际谱进行分析,可以准确分析目标设备的运行状态。
具体地,记第i个最终本征模态函数为ci(t)。步骤S190包括:
其中,H(ci(t))为对第i个最终本征模态函数为ci(t)进行希尔伯特-黄变换得到的变换后函数;ai(t)为幅值函数;为相位函数;wi(t)为瞬时频率;zi(t)为解析信号;H2(w,t)为Hilbert能量谱,H(w,t)为Hilbert谱;h(w)为Hilbert边际谱。具体地,Hilbert能量谱能反映振动信号能量的时频变化规律。
以一个具体的应用例进行说明,上述振动信号特征提取方法/装置应用于对有载分接开关的振动信号进行特征提取,采集有载分接开关在正常状态下的振动信号和触头松动的故障状态下的振动信号。图6为正常状态下的降噪信号,图7为触头松动时的降噪信号;正常状态和触头松动状况下的Hilbert边际谱分别图8和图9所示。对的Hilbert边际谱进行分析可知,针对有载分接开关正常状态与触头松动状态的振动信号,频率处于300Hz~500Hz处,振动信号的Hilbert边际谱幅值几乎无变化,而频率在800Hz~1200Hz处触头松动状态较正常状态的信号幅值明显增强。
在一个实施例中,提供一种存储介质,存储有计算机程序,存储的计算机程序被处理器执行时实现上述振动信号特征提取方法的步骤。具体地,存储介质为计算机可读存储介质。
在一个实施例中,提供一种计算机设备,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,处理器执行计算机程序时实现上述振动信号特征提取方法的步骤。
上述存储介质和计算机设备,由于实现了上述振动信号特征提取方法的步骤,同理可提高特征提取的准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种振动信号特征提取方法,其特征在于,包括:
采集目标设备的振动信号;
对所述振动信号进行降噪处理,得到降噪信号;
对所述降噪信号进行经验模态分解,得到所述降噪信号所对应的原始本征模态函数;
根据所述降噪信号所对应的原始本征模态函数获取叠加信号,对所述叠加信号进行经验模态分解及去除叠加处理,得到所述降噪信号所对应的最终本征模态函数;
对所述最终本征模态函数进行希尔伯特-黄变换,得到所述振动信号的频谱特征。
2.根据权利要求1所述的振动信号特征提取方法,其特征在于,所述目标设备为有载分接开关,所述采集目标设备的振动信号,包括:
通过安装在所述有载分接开关的加速度传感器分别采集所述有载分接开关在正常状态下的振动信号和各故障状态下的振动信号。
3.根据权利要求1所述的振动信号特征提取方法,其特征在于,所述对所述振动信号进行降噪处理,得到降噪信号,包括:
采用已存的最佳小波包基和分解层数对所述振动信号进行小波包降噪,得到小波包降噪信号;
对所述小波包降噪信号进行奇异值分解,得到所述降噪信号。
4.根据权利要求1-3中任一项所述的振动信号特征提取方法,其特征在于,所述根据所述降噪信号所对应的原始本征模态函数获取叠加信号,对所述叠加信号进行经验模态分解及去除叠加处理,得到所述降噪信号所对应的最终本征模态函数,包括:
根据预设掩膜系数和所述降噪信号所对应的原始本征模态函数获取对应的掩膜信号;
将所述降噪信号和对应的掩膜信号相加得到叠加信号;
对所述叠加信号进行经验模态分解,得到所述叠加信号所对应的本征模态函数;
除去所述叠加信号所对应的本征模态函数中包含的所述掩膜信号,得到所述降噪信号所对应的最终本征模态函数。
5.根据权利要求4所述的振动信号特征提取方法,其特征在于,所述根据预设掩膜系数和所述降噪信号所对应的原始本征模态函数获取对应的掩膜信号,包括:
对所述降噪信号所对应的原始本征模态函数进行希尔伯特变换,得到瞬时频率和瞬时幅值;
根据所述瞬时频率、所述瞬时幅值和所述预设掩膜系数计算得到掩膜信号频率,并基于所述掩膜信号频率生成掩膜信号。
6.根据权利要求4所述的振动信号特征提取方法,其特征在于,所述除去所述叠加信号所对应的本征模态函数中包含的所述掩膜信号,得到所述降噪信号所对应的最终本征模态函数,包括:
其中,为所述叠加信号所对应的本征模态函数,s(t)为所述掩膜信号,Fi′(t)为所述降噪信号所对应的最终本征模态函数。
7.根据权利要求4所述的振动信号特征提取方法,其特征在于,所述除去所述叠加信号所对应的本征模态函数中包含的所述掩膜信号,得到所述降噪信号所对应的最终本征模态函数之后,还包括:
若所述最终本征模态函数的数量小于预设数量,则将所述降噪信号减去所对应的最终本征模态函数得到下一个降噪信号并作为新的降噪信号,返回所述对所述降噪信号进行经验模态分解,得到所述降噪信号所对应的原始本征模态函数的步骤,直到所述最终本征模态函数的数量等于所述预设数量。
8.一种振动信号特征提取装置,其特征在于,包括:
信号采集模块,用于采集目标设备的振动信号;
信号去噪模块,用于对所述振动信号进行降噪处理,得到降噪信号;
初始分解模块,用于对所述降噪信号进行经验模态分解,得到所述降噪信号所对应的原始本征模态函数;
叠加分解模块,用于根据所述降噪信号所对应的原始本征模态函数获取叠加信号,对所述叠加信号进行经验模态分解及去除叠加处理,得到所述降噪信号所对应的最终本征模态函数;
特征提取模块,用于对所述最终本征模态函数进行希尔伯特-黄变换,得到所述振动信号的频谱特征。
9.一种存储介质,存储有计算机程序,其特征在于,存储的计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
10.一种计算机设备,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计算机程序时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480593.6A CN108229382A (zh) | 2017-12-29 | 2017-12-29 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480593.6A CN108229382A (zh) | 2017-12-29 | 2017-12-29 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229382A true CN108229382A (zh) | 2018-06-29 |
Family
ID=62647186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711480593.6A Pending CN108229382A (zh) | 2017-12-29 | 2017-12-29 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229382A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100103A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学(深圳) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
CN109507579A (zh) * | 2018-12-05 | 2019-03-22 | 中国电力科学研究院有限公司 | 有载分接开关切换程序在线检测诊断方法 |
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109871758A (zh) * | 2019-01-14 | 2019-06-11 | 南京航空航天大学 | 基于多尺度形态学优化的故障信号svd降噪方法 |
CN109900465A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
CN110763445A (zh) * | 2019-10-12 | 2020-02-07 | 西人马(西安)测控科技有限公司 | 制动器监测方法、装置、设备及存储介质 |
CN112014107A (zh) * | 2020-03-12 | 2020-12-01 | 岭南师范学院 | 一种改进经验模态分解轴承振动分析方法及*** |
CN112101089A (zh) * | 2020-07-27 | 2020-12-18 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112595514A (zh) * | 2020-11-26 | 2021-04-02 | 上海航天控制技术研究所 | 一种高速轴承组件振动信号降噪处理方法 |
CN114234361A (zh) * | 2021-12-14 | 2022-03-25 | 北京工业大学 | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 一种舰船水下信号降噪及目标增强方法 |
CN114888634A (zh) * | 2022-03-23 | 2022-08-12 | 北京工业大学 | 铣刀磨损监测方法及装置 |
CN115659128A (zh) * | 2022-12-12 | 2023-01-31 | 浙江工业大学 | 一种基于集合经验模态分解法和功率谱的信号降噪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900708A (zh) * | 2010-08-18 | 2010-12-01 | 哈尔滨工业大学 | 一种基于振动和声频信号的高速列车轨道伤损探测方法 |
CN103837334A (zh) * | 2012-11-20 | 2014-06-04 | 中国石油大学(北京) | 一种机械故障的检测方法 |
US20160011268A1 (en) * | 2014-07-10 | 2016-01-14 | National Cheng Kung University | Motor fault detecting method and motor fault detecting system |
CN105510711A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种改进的经验模态分解的谐波分析法 |
CN105547627A (zh) * | 2016-01-28 | 2016-05-04 | 南京信息工程大学 | 基于wpt-ceemd的旋转机械特征提取方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
-
2017
- 2017-12-29 CN CN201711480593.6A patent/CN108229382A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900708A (zh) * | 2010-08-18 | 2010-12-01 | 哈尔滨工业大学 | 一种基于振动和声频信号的高速列车轨道伤损探测方法 |
CN103837334A (zh) * | 2012-11-20 | 2014-06-04 | 中国石油大学(北京) | 一种机械故障的检测方法 |
US20160011268A1 (en) * | 2014-07-10 | 2016-01-14 | National Cheng Kung University | Motor fault detecting method and motor fault detecting system |
CN105510711A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种改进的经验模态分解的谐波分析法 |
CN105547627A (zh) * | 2016-01-28 | 2016-05-04 | 南京信息工程大学 | 基于wpt-ceemd的旋转机械特征提取方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
Non-Patent Citations (2)
Title |
---|
段礼祥等: ""柴油机振动信号的小波包奇异值降噪"", 《中国石油大学学报(自然科学版)》 * |
段若晨等: ""基于优化HHT算法与洛伦兹信息量度的换流变用有载分接开关机械特征提取"", 《中国电机工程学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020007375A1 (zh) * | 2018-07-06 | 2020-01-09 | 哈尔滨工业大学(深圳) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
CN109100103B (zh) * | 2018-07-06 | 2020-04-14 | 哈尔滨工业大学(深圳) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
CN109100103A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学(深圳) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
CN109507579B (zh) * | 2018-12-05 | 2022-09-20 | 中国电力科学研究院有限公司 | 有载分接开关切换程序在线检测诊断方法 |
CN109507579A (zh) * | 2018-12-05 | 2019-03-22 | 中国电力科学研究院有限公司 | 有载分接开关切换程序在线检测诊断方法 |
CN109871758A (zh) * | 2019-01-14 | 2019-06-11 | 南京航空航天大学 | 基于多尺度形态学优化的故障信号svd降噪方法 |
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109900465A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN109900465B (zh) * | 2019-03-12 | 2020-07-28 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
CN110763445A (zh) * | 2019-10-12 | 2020-02-07 | 西人马(西安)测控科技有限公司 | 制动器监测方法、装置、设备及存储介质 |
CN112014107A (zh) * | 2020-03-12 | 2020-12-01 | 岭南师范学院 | 一种改进经验模态分解轴承振动分析方法及*** |
CN112101089A (zh) * | 2020-07-27 | 2020-12-18 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112101089B (zh) * | 2020-07-27 | 2023-10-10 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112595514A (zh) * | 2020-11-26 | 2021-04-02 | 上海航天控制技术研究所 | 一种高速轴承组件振动信号降噪处理方法 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114234361A (zh) * | 2021-12-14 | 2022-03-25 | 北京工业大学 | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 |
CN114888634A (zh) * | 2022-03-23 | 2022-08-12 | 北京工业大学 | 铣刀磨损监测方法及装置 |
CN114888634B (zh) * | 2022-03-23 | 2023-09-01 | 北京工业大学 | 铣刀磨损监测方法及装置 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 一种舰船水下信号降噪及目标增强方法 |
CN115659128A (zh) * | 2022-12-12 | 2023-01-31 | 浙江工业大学 | 一种基于集合经验模态分解法和功率谱的信号降噪方法 |
CN115659128B (zh) * | 2022-12-12 | 2023-04-07 | 浙江工业大学 | 一种基于集合经验模态分解法和功率谱的信号降噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN107451557B (zh) | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 | |
Yu et al. | Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising | |
Konar et al. | Multi-class fault diagnosis of induction motor using Hilbert and Wavelet Transform | |
Carvalho et al. | Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN107179486A (zh) | 一种gis设备在线监测特高频信号降噪方法 | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
CN108734192A (zh) | 一种基于投票机制的支持向量机机械故障诊断方法 | |
Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
CN109506938A (zh) | 基于改进小波包阈值去噪与局部均值分解的故障提取方法 | |
CN109541455A (zh) | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 | |
Varanis et al. | Statements on wavelet packet energy–entropy signatures and filter influence in fault diagnosis of induction motor in non-stationary operations | |
Hosseini et al. | Image sharpness metric based on maxpol convolution kernels | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN113268924B (zh) | 基于时频特征的变压器有载分接开关故障识别方法 | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
Chilukuri et al. | Time-frequency based pattern recognition technique for detection and classification of power quality disturbances | |
Mitiche et al. | Deep residual neural network for EMI event classification using bispectrum representations | |
Nayak et al. | Advanced signal processing techniques for feature extraction in data mining | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN114609515A (zh) | 一种基于顺序分层式信号处理的gis特高频局放检测干扰抑制方法 | |
Shicheng et al. | An effective S-transform feature extraction method for classification of power quality disturbance Signals | |
Zhu et al. | Fault diagnosis of rolling bearing based on WT-VMD and random forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |