CN108615018A - 基于时域直方图特征提取的对象物状态识别方法 - Google Patents

Abstract

基于时域直方图特征提取的对象物状态识别方法属于状态识别领域，尤其涉及旋转机械故障识别技术领域。其特征在于以时域直方图取代一般特征参数，并且使用多变量解析法(如：主成分分析法等)或人工智能方法(如：神经网络等)统合直方图进行状态诊断或模式识别。本发明的优点在于与信号在时域中的概率分布类型无关，也无需知道振动对象物的外形尺寸及转速就能提取信号特征识别对象物状态或故障类型。

Description

基于时域直方图特征提取的对象物状态识别方法

技术领域

本发明属于状态识别领域尤其涉及旋转机械状态监测与故障识别技术领域。

背景技术

为了进行状态识别，以往的状态诊断及模式识别方法大多基于测得信号服从正态分布的假设，计算状态诊断所需的时域及频域有量纲和无量纲特征参数。然而，状态诊断及模式识别的对象物不同或对象物状态不同时，信号的概率密度分布不同。如果直接分析信号的时域直方图，则不仅限于正态分布，无论信号服从什么分布都可以直接提取信号的特征，有效地识别对象物状态。

到现在为止，在诸多领域中，已有多种诊断装置和模式识别装置的提案，这些发明也涉及了状态诊断及模式识别之前的信号特征提取方法。与本发明相关性较强的文献列举如下。在专利文献1，2，3当中，发明的信号特征提取模块使用硬件滤波去除信号中的噪声，利用傅里叶变换将信号变换到复数域并提取信号特征。

在专利文献4当中，针对难以获得可靠信号特征的问题，提出了记录用于状态识别的信息，通过差分方法提取信号特征的方法。在专利文献5当中，提出了经小波分解后分别进行多次的随机共振处理，将几次随机共振处理的输出作互相关，再对互相关结果作快速傅立叶变换，从而提取故障特征信息的方法。但以往文献中没有类似本发明的通过时域、频域直方图进行信号特征解析的方法。

【专利文献1】专利201610560723

【专利文献2】申请号CN201510685473.4

【专利文献3】公开号CN103048137A

【专利文献4】公开号CN102608008 A

【专利文献5】申请号CN200910093658.0

在对象物的状态诊断和模式识别领域提取信号特征是最重要的内容。比如，在生产现场，为了防止旋转机械故障，经常将振动信号或声音信号解析方法应用于状态监控和故障诊断。至今为止有许多使用振动信号或声音信号计算得到的特征参数被用与旋转机器状态诊断。然而，计算一般特征参数时需要假设信号服从正态分布。实际上根据信号分析结果得知：并不是所有的异常信号都服从正态分布。因此，使用以往的特征参数进行设备诊断时，诊断精度有待进一步提高。

另外，通常使用人工智能方法(例如，蚁群优化算法，例子群优化算法，支持向量机，模糊方法和神经网络等)进行精密诊断识别异常类型。使用这些方法进行精密诊断几乎都要计算特征参数。计算有些特征参数时必须知道对象部品的外形尺寸(例如，轴承诊断时需知道轴承外径、内径、滚动体个数及直径等)，还必须知道轴的转速。但是，在生产现场不分解设备进行查验就不能得知零部件规格或转速的情况很多。这类情况下难以得到精密诊断所必须的诊断信息。并且，特征参数的种类很多，异常类型的种类也很多，识别不同类型异常所使用的敏感参数不同，要找到识别特定异常类型的灵敏度的高的特征参数难度也很大。

发明内容

为了解决上述问题，有效进行状态诊断或模式识别，例如有效进行设备状态监测及故障诊断，本发明根据时域直方图可以直接反映测得信号特征及设备特征的理论，提出了有效且有普遍适用性的“基于时域直方图特征提取法的状态识别方法”。本方法可在不知道诊断对象或零部件的型号和转速时通过直方图提取信号的特征，无论信号服从什么分布都可以通过时域直方图代替一般的特征参数，通过多变量解析法(主成分分析法或者典型判别分析法)或者人工智能方法(如：神经网络)统合直方图，进行状态诊断和模式识别。

本发明的目的之一在于提出了一种基于时域直方图的特征提取的对象物状态识别方法。

本发明的目的之二在于在设备故障诊断时，而提出一种通过已知故障类别样本群与正常状态样本群的对比来识别各类故障的方法。

本发明的特征在于，是一种把经采集、降噪后的对象物的时域诊断信号转换为时域直方图后再用多变量解析法(主成分分析法或者典型判别分析法)或者人工智能方法(如：神经网络)进行统合以识别对象物状态的方法，如图1所示在计算机中的实现步骤如下：

步骤(1)，设定采样时间和采样频率，采用传感器采集对象物信号样本，并且利用各种滤波方法(如：带通滤波、卡尔曼滤波、自回归滤波、统计信息滤波等方法)去除测得信号中的噪声。得到时域信号波形曲线，横轴为时间，纵轴为幅值。

步骤(2)，求时域信号直方图，其方法如下：

时域直方图是频度为纵轴(或相当于频度的数值)，信号振幅等级(或称为区间)为横轴的统计图。求信号直方图的办法如图2所示。图(2.1)所示的是求模拟信号直方图的原理。首先把在信号采样时间T内的信号的纵坐标分割成间隔为(x_i+1-x_i)的数个区间，每个区间的直方图的值h(x_i)如公式(1)所示：

这里，H(x_i)是概率密度函数值，Δt₁,Δt₂,…,Δt_n是信号穿过区间(x_i+1-x_i)的时间。如图(2.2)所示，如果信号是离散数据，则Δt₁,Δt₂,…,Δt_n被替换成信号数据在区间(x_i+1-x_i)中个数的n₁,n₂,…,n_n，直方图的值h(x_i)如公式(2)所示：

在必要情况下，通过计算直方图分段频度值可以降低直方图的不稳定性，压缩直方图维数(区间)。图3所表示的是利用移动平均滤波法原理压缩直方图维数(区间)的方法，压缩前直方图为N₀维，压缩后N维。即将N₀个直方图区间分为N组(N₀≥N)，每组中包含q个直方图值(h₁,h₂,…,h_q)。计算每组中q个(h₁,h₂,…,h_q)直方图的平均值x_i，以下称x_i为“直方图分段频度值”。q通过公式(3)确定。

q＝KFs/Fc (3)

在这里，K是系数(一般，K＝0.3至0.6)，Fc表示截止频谱，Fs表示采用频率。Fc一般取10～200Hz。图4所示的是不同异常状态有不同形状的直方图的例子。

步骤(3)，使用多变量解析法(主成分分析法(PCA:Principle ComponentAnalysis)，步骤(3.1))，或者典型判别分析法(CDA：Canonical Discriminant Analysis)，步骤(3.2))或者人工智能方法(神经网络(NN:Neural network)，步骤(3.3)，但是不仅仅限定于神经网络)统合上述直方图分段频度值进行状态识别及诊断。

步骤(3.1)，用主成分分析法统合直方图分段频度值，判断对象物状态。

多变量分析法之一主成分分析法(PCA)通过公式(4)的线性变换方法将直方图分段频度值向量P＝{p₁～p_m}^T转换为n个新的变量，即n个主成分(Z₁～Z_n),(n≤m)。这里A是主成分变换矩阵，变换系数a_ij通过正常状态数据获得。此外，正常状态下的直方图分段频度值向量P的协方差矩阵固有值向量用λ＝{λ₁,λ₂,…,λ_n}^T表示，λ_i是第i个主成分的标准方差，通过λ_i在固有值向量中所占比例求第i个主成分的贡献率，一般选择贡献率大(总计贡献率＞80％)的r个主成分识别对象物状态。公式(4)中i＝1,2,…,n；j＝1,2,…,m。

步骤(3.1.1)，在学习阶段通过测试获得正常状态时的信号数据，求如公式(5)所示的I个正常信号样本数据的直方图分段频度值矩阵P_I，公式(5)k＝1,2,…,m；i＝1,2,…,I。

步骤(3.1.2)，求得P_I后根据参考文献：Bro,R.,and Smilde,A.K.,2014,“Principal component analysis.Analytical Methods”,6(9),pp.2812-2831.中所示的方法可以求得公式(4)中的主成分变换系数a_ij的变换矩阵A以及主成分的标准方差λ。

步骤(3.1.3)，在识别阶段即诊断阶段通过测试获得诊断信号数据后，求如公式(6)所示的诊断信号的J个样本m个直方图分段频度值矩阵P_J,公式(6)中i＝1,2,…,m；j＝1,2,…,J。

步骤(3.1.4)，依据公式(7)进行归一化处理。

步骤(3.1.5)，得到如下式所示的归一化处理后的诊断信号的I个样本m个直方图分段频度值矩阵P'_J,此式中i＝1,2,…,m；j＝1,2,…,J。

步骤(3.1.6)，把公式(8)的P'_J代入到公式(4)，采用正常状态时的主成分变换矩阵A得到统合后的主成分如公式(9)所示，采用贡献率大的前r个主成分(合计贡献率>80％)识别对象物状态。,公式(8)中i＝1,2,…,m；j＝1,2,…,J

步骤(3.1.7)，设正常状态时的主成分的平均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物为状态异常，下式中的K是系数，一般K的范围一般是2到6。

判定对象物状态后返回到步骤(3.1.3)。

步骤(3.2)，用典型判别分析法统合直方图分段频度值，判断对象物状态。

如公式(11)所示，p个初始变量(直方图分段频度值)X₁,X₂,…,X_p通过变换系数a_ij(i＝1,2,…,n；j＝1,2,…,p)转化为新变量(也称为：典型变量)z₁,z₂,…,z_n。

这里，Z是典型判别变量的矩阵，A是变换系数矩阵，X初始变量(直方图分段频度值)矩阵。

步骤(3.2.1)，如果有J种状态需要识别，通过测试获得各状态的信号数据。J个种群(即为J个状态)、I个样本信号数据的直方图分段频度值矩阵X_IJ如公式(12)所示。，公式(12)中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J

步骤(3.2.2)，在求得X_IJ后，根据参考文献：R.P.Burns,“Chapter 25discriminantanalysis”in Business Research Methods and Statistics Using SPSS,pp.589-608,SAGA publication,2008.的方法，求能够识别各状态的最佳变换系数a_ji，即：能够识别各状态的最佳变换系数矩阵A，并且得到按照识别率高低排序的典型变量z₁、z₂、…、z_n。

步骤(3.2.3)，在学习阶段得到能够识别各状态的最佳变换系数矩阵A后，在识别阶段即诊断阶段，通过测试获得诊断信号数据后，求如下式所示的I个样本信号数据的p个直方图分段频度值矩阵X'_I。此式中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.2.4)，把X'_I代入到公式(11)，用在学习步骤得到能够识别各状态的最佳变换系数矩阵A进行变量变换得到统合后后的典型变量如下式所示，选择前m个识别率高的典型变量识别对象物的状态。此式中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.2.5)设在学***均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物不是状态k，下式中的K是系数，一般K的范围是2到6。

判定对象物状态后返回到步骤(3.2.3)。

步骤(3.3)基于神经网络的直方图统合法

神经网络是人工智能方法的一种，用计算机建立数学模型模仿人类大脑神经元的机能，常用于模式识别及设备故障诊断。

步骤(3.3.1)，如果有J种状态需要识别，需要事先通过测试获得各状态的信号数据后，求I个样本信号数据的p个直方图分段频度值，得到如公式(16)所示的学习数据与教师数据矩阵XY_IJp。，公式(16)中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。

步骤(3.3.2)，在学习阶段先根据参考文献：Peng Chen,Takayoshi Yamamoto,Teturou Mitoma,Zhong-Yong Pan,Xin-Ying Lian:Intelligent Diagnosis Method ForPlant Machinery Using Wavelet Transform,Rough Sets And Neural Network,Proceedings Of The Fourth International Conference On Machine Learning AndCybernetics,pp.417-422,2005所示的方法用XY_IJp对神经网络进行学习训练。

步骤(3.3.3)，在识别阶段即诊断阶段，通过测试获得诊断信号数据后，求如公式(17)所示的I个样本信号数据的p个直方图分段频度值矩阵X'_I。公式(17)中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.3.4)把公式17所示的X'_IJ输入到已经学习完的神经网络进行诊断。判定对象物状态后返回到步骤(3.3.3)。

本发明效果在于，不仅适用于服从各种概率分布的各种对象物信号，也无需知晓对象物的外形尺寸及转速即可判定是否属于异常状态，若属于异常状态，更能进一步判断是何种异常状态。

附图说明

图1，本发明的流程框图。

图2，信号的直方图的计算方法示意图。

图3，时域直方图分段频度值的计算方法示意图。

图4，不同异常状态时的直方图的示例图。

图5，送风机(诊断对象物)以及异常类的示意图。

图6，以动不平衡状态为例，去除噪声求时域直方图分段频度值的示例图。

图7，学习及验证数据示例图。

图8，通过主成分分析法统合时域直方图分段频度值转换矩阵及诊断结果示例图。

图9，通过典型判别法统合时域直方图分段频度值判别系数矩阵及及诊断结果示例图。

图10，通过神经网络统合时域直方图分段频度值过程及诊断结果示例图。

图11，诊断装置***化结构构成示例图

具体实施方式

以下以诊断送风机异常的实例说明本发明的具体实施方式。

诊断对象：送风机，图(5.1)

异常种类：8种异常状态，图(5.2)

(A)信号采集

使用振动加速度传感器采集振动信号，采样频率：100kHz，采样时间：10秒

(B)去除噪声

使用带通滤波方法去除噪声提取特征信号，滤波频带1Hz～1000Hz。滤波前及滤波后的信号波形如图6所示。

(C)求信号直方图

去除噪声后，求得横轴分为64个区间的直方图(图6所示)

(D)计算直方图分段频度值

为了进一步提取信号特征，降低直方图区间数，压缩特征维数。根据公式(3)利用移动平均过滤方法的截止频率反算压缩率q，图6所示为求直方图分段频度值的过程，直方图维数(区间)由64压缩到16，这里q＝4。

(E)应用主成分分析法或者典型判别法或者神经网络方法统合直方图分段频度值进行状态识别及诊断。

实施例中所使用直方图分段频度值的学习数据及诊断数据如图7所示。

(E-1)使用主成分分析法统合正常、动不平衡及外圈故障3种状态的直方图分段频度值转换矩阵A如图(8.1)所示，分类结果图如图(8.2)所示。根据公式(10)所述判定条件(K＝3)，从该图中可知正常状态与异常状态都可以正确地被判定。

(E-2)使用典型判别分析法统合直方图分段频度值进行状态识别及诊断，判别系数矩阵及分类结果图如图9所示。由该图可知各状态的大部分的z₁,z₂,z₃都满足公式(15)所述判定条件(K＝3)，各状态都能被正确识别。

(E-3)图10是通过时域直方图和神经网络对风机3种状态数据(正常，动不平衡，轴承外圈伤)进行识别时的神经网结构和识别结果示例图。该示例中神经网络输入层有神经元16个，中间层有神经元20个，输出层有神经元2个。时域直方图分段频度值(16个)被输入到神经网络的输入层的神经元(16个)中，输出层神经元则输出诊断结果。由图10所示使用风机数据进行学习与诊断的结果可知每种状态都被正确诊断出来。其中数据前处理和神经网络的学习、诊断原理均依据参考文献：Peng Chen,Takayoshi Yamamoto,TeturouMitoma,Zhong-Yong Pan,Xin-Ying Lian，Intelligent Diagnosis Method For PlantMachinery Using Wavelet Transform,Rough Sets And Neural Network,Proceedingsof The Fourth International Conference on Machine Learning and Cybernetics,pp.417-422,2005.

本发明应用于诊断装置和模式识别装置实现***化的***构成如图11所示。本装置由振动信号、声音信号、声发射信号等信号的采集部分、去除测得信号中噪声的信号处理部分、状态诊断或模式识别部分以及表示状态诊断或模式识别结果与对象物信息等的显示部分构成。

Claims (2)

1.基于时域直方图特征提取的对象物状态识别方法，其特征在于，是一种把经采集、降噪后的对象物的时域信号转换为时域直方图后再用多变量解析法(主成分分析法或者典型判别分析法)或者人工智能方法(如：神经网络，但是不仅仅限定于神经网络)进行统合以识别对象物状态的方法，在计算机中依次分为学习阶段和识别阶段来实现，步骤如下：

步骤(1)，设定采样时间和采样频率，采用传感器采集对象物信号样本，并且利用各种滤波方法去除测得信号中的噪声。得到时域信号波形曲线，横轴为时间，纵轴为幅值。

步骤(2)，求时域信号直方图，步骤如下：

步骤(2.1)，首先把在信号采样时间T内的信号的纵坐标分割成间隔为(x_i+1-x_i)的数个区间，每个区间的直方图的值h(x_i)如下式所示：

这里，H(x_i)是概率密度函数值，Δt₁,Δt₂,…,Δt_n是信号穿过区间(x_i+1-x_i)的时间。如果信号是离散数据，则Δt₁,Δt₂,…,Δt_n被替换成信号数据在区间(x_i+1-x_i)中个数的n₁,n₂,…,n_n，直方图的值h(x_i)如下式所示：

步骤(2.2)，在必要情况下，压缩直方图维数(区间)。利用移动平均滤波法压缩直方图维数(区间)，压缩前直方图为N₀维，压缩后N维。即将N₀个直方图区间分为N组(N₀≥N)，每组中包含q个直方图值(h₁,h₂,…,h_q)。计算每组中q个(h₁,h₂,…,h_q)直方图的平均值x_i，以下称x_i为“直方图分段频度值”。q通过下式确定。

q＝KFs/Fc

在这里，K是系数(一般，K＝0.3至0.6)，Fc表示截止频谱，Fs表示采用频率。Fc一般取10～200Hz。

步骤(3)，使用多变量解析法(主成分分析法，PCA:Principle Component Analysis，步骤(3.1)，或者典型判别分析法，CDA：Canonical Discriminant Analysis，步骤(3.2)，或者人工智能方法，如神经网络，NN:Neural network，步骤(3.3)，但是不仅仅限定于神经网络)统合上述直方图分段频度值进行状态识别及诊断。

步骤(3.1)，用主成分分析法统合直方图分段频度值，判断对象物状态。

步骤(3.1.1)，在学习阶段，通过测试获得正常状态时的信号数据，求如下式所示的I个正常信号样本数据的m个直方图分段频度值矩阵P_I,此式中k＝1,2,…,m；i＝1,2,…,I：

步骤(3.1.2)，用P_I按照主成分分析法求下式中的参数矩阵A,此式中i＝1,2,…,n；j＝1,2,…,m,(n≤m)。此外，正常状态下的直方图分段频度值向量P_I的协方差矩阵固有值向量用λ＝{λ₁,λ₂,…,λ_n}^T表示，其中λ_i是第i个主成分z_i的标准方差，通过λ_i在固有值向量中所占比例求可知第i个主成分z_i的贡献率，选择贡献率大的r个主成分(总计贡献率＞80％)识别对象物状态。

步骤(3.1.3)，识别或诊断时通过测试获得诊断信号数据后，求如下式所示的诊断信号的J个样本的m个直方图分段频度值矩阵P_J,此式中i＝1,2,…,m；j＝1,2,…,J。

步骤(3.1.4)，依据下式进行归一化处理。其中和Sp_nij分别是在正常状态下的p_ij的平均值和标准方差。

步骤(3.1.5)，得到如下式所示的归一化处理后的诊断信号的J个样本信号数据的m个直方图分段频度值矩阵P'_J,此式中i＝1,2,…,m；j＝1,2,…,J。

步骤(3.1.6)，把P'_J代入到步骤(3.1.2)所出的公式中，采用正常状态时的主成分变换矩阵A得到统合后的主成分如下式所示,此式中i＝1,2,…,m；j＝1,2,…,J。

步骤(3.1.7)，设正常状态时的主成分的平均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物为状态异常，下式中的K是系数，一般K的范围一般是2到6。

判定对象物状态后返回到步骤(3.1.3)。

步骤(3.2)，用典型判别分析法统合直方图分段频度值，判断对象物状态。

步骤(3.2.1)，在学习阶段，如果有J种状态需要识别，需要事先通过测试获得各状态的信号数据。然后求如下式所示的J个种群(即为J个状态)，I个样本信号的直方图分段频度值矩阵X_IJ，此式中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。

步骤(3.2.2)，依据典型判别分析法的方法求下式中能够识别各状态的最佳变换系数a_ij，并且得到按照识别率高低排序的典型变量z₁,z₂,…,z_n。

上式中：X₁,X₂,…,X_p是初始变量(直方图分段频度值)，通过变换系数a_ij(i＝1,2,…,n；j＝1,2,…,p)转化为新变量(也称为：典型变量)z₁,z₂,…,z_n。Z是典型变量矩阵，A是变换系数矩阵，X是初始变量(直方图分段频度值)矩阵。在学习阶段得到能够识别各状态的最佳变换系数矩阵A。

步骤(3.2.3)，在识别阶段，通过测试获得诊断信号数据后，求如下式所示的诊断信号的I个样本数据的p个直方图分段频度值矩阵X'_I。此式中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.2.4)，把X'_I代入到步骤(3.2.2)所示的公式，用在学习阶段得到能够识别各状态的最佳变换系数矩阵A进行变量变换得到统合直方图分段频度值后的典型变量如下式所示，选择前m个识别率高的典型变量识别对象物的状态。此式中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.2.5)，设在学***均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物不是状态k，下式中的K是系数，一般K的范围是2到6。

判定对象物状态后返回到步骤(3.2.3)。

步骤(3.3)，用神经网络统合直方图分段频度值，判断对象物状态。

步骤(3.3.1)，如果有J种状态需要识别，需要事先通过测试获得各状态的信号数据后，求I个样本信号数据的p个直方图分段频度值，得到如下式所示的学习数据与教师数据矩阵XY_IJp，此式中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。

步骤(3.3.2)，在学习阶段先根据神经网的学习方法用在步骤(3.3.1)得到的XY_IJp对神经网络进行学习训练。

步骤(3.3.3)，在识别或诊断阶段，通过测试获得诊断信号数据后，求如下式所示的诊断信号的I个样本信号数据的p个直方图分段频度值矩阵X'_I。此式中k＝1,2,…,p；i＝1,2,…,I。

步骤(3.3.4)，把在步骤(3.3.3)得到的X'_I输入到已经学习完的神经网络进行诊断。判定对象物状态后返回到步骤(3.3.3)。

2.由以采集对象物信号为目的的信号采集的部分、以滤波等手段去除测得信号中噪声的信号处理部分、依据权利要求1中记载的方法进行状态诊断或模式识别的识别部分、显示诊断结果或模式识别结果和相关信息的显示部分为组成，并以此为特征的状态诊断或模式识别***装置。