CN109633270B - 故障能量区域边界识别及特征提取方法 - Google Patents
故障能量区域边界识别及特征提取方法 Download PDFInfo
- Publication number
- CN109633270B CN109633270B CN201910001146.0A CN201910001146A CN109633270B CN 109633270 B CN109633270 B CN 109633270B CN 201910001146 A CN201910001146 A CN 201910001146A CN 109633270 B CN109633270 B CN 109633270B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- fault
- boundary
- signal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法，本发明能够在水下机器人动态信号的时频功率密度谱中，有效确定能量集中区域的时域边界和频域边界，并将该边界内的总能量作为故障特征,所提取的时频能量故障特征与故障程度映射关系唯一；而且，采用该故障特征构造故障样本，用于推进器故障程度分类时，测试样本的故障程度分类精度为100％。
Description
技术领域
本发明属于水下机器人推进器故障诊断技术领域，具体涉及一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法。
背景技术
推进器是水下机器人关键部件和动力单元，负荷最重，是水下机器人的主要故障源之一，所以推进器运行状态监测是非常必要的。故障诊断是监测推进器运行状态的常用技术手段。水下机器人动态信号奇异行为的能量是一种重要的故障特征。公知信号幅值平方和方法从时域的角度提取信号奇异行为的能量特征，公知小波能量方法从频域角度提取信号奇异行为的能量特征，然而，鲜有方法从时频域角度提取信号奇异行为的能量特征。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法。
技术方案：本发明的一种基于瞬时频谱熵的故障能量区域时域边界识别方法，包括以下步骤：
第一步，获取长度为L1的水下机器人速度信号数据；
第二步，计算速度信号时频功率密度谱；
采用常规平滑伪维格纳-威利分布算法求取速度信号的平滑伪维格纳-威利谱SPWVD(n,m)，n为时间轴上的序号，n＝1,2,3，…，L1，m为频率轴上的序号，m＝1,2,3，…，N3，N3为频率轴划分区间数，例如设置N3＝512；通过对SPWVD(n,m)的常规绝对值运算进而得到速度信号时频功率密度谱SPWVDA(n,m)；
第三步，计算瞬时频谱熵分布；
在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；
重复此步骤内容，计算时间轴序号n分别为2,3，…，L1时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；
式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N3为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；
第四步，确定故障能量区域时域边界，即在瞬时频谱熵分布中确定畸变区间；
确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界ND，以右侧极大值点所在位置为故障能量区域的时域上边界NU。
本发明还公开一种基于信噪能量差的故障能量区域频域边界识别方法，包括以下步骤：
第一步，获取长度为L1的水下机器人速度信号数据；
第二步，采用常规小波变化方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量ujA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解，n为时间轴上的序号，n＝1,2,3，…，L1；
第三步，计算时频功率密度谱；采用常规平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量ujA(n)的时频功率密度谱SPWVDAj(n,m)；
第四步，计算信噪能量差分布；
基于瞬时频谱熵确定故障能量区域的时域下边界ND和时域上边界NU；
在时频功率密度谱SPWVDAj(n,m)中，将时域边界ND与NU之间的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ESj作为故障能量，将时域边界ND与NU之外的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ENj作为噪声能量，将EΔSNj＝ESj-ENj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差EΔSNj，得到信噪能量差分布；
第五步，确定故障特征区域频域边界；在信噪能量差EΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[MD MU]即为故障能量区域频域边界，其中MD为频域下边界，MU为频域上边界。
本发明公开一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别与特征提取方法，包括以下步骤：
第一步，分别采集长度为L1的水下机器人速度信号和推进器控制电压变化率信号数据；
第二步，基于瞬时频谱熵确定故障能量区域时域下边界ND以及时域上边界NU；
第三步，基于信噪能量差确定故障能量区域频域下边界MD以及频域上边界MU；
第四步，提取推进器时频能量故障特征；
采用常规平滑伪维格纳-威利分布算法、绝对值算法分别计算速度信号、控制电压变化率信号的时频功率密度谱SPWVDAU(n,m)和SPWVDAC(n,m)，在时域下边界ND、时域上边界NU、频域下边界MD和频域上边界MU所围成的矩形区域内，对时频功率密度谱进行求和，所得结果FU、FC分别作为速度信号时频能量故障特征和控制信号时频能量故障特征。
有益效果：本发明专利能够在水下机器人动态信号的时频功率密度谱中，有效确定能量集中区域的时域边界和频域边界，并将该边界内的总能量作为故障特征。所提取的时频能量故障特征与故障程度映射关系唯一。而且，采用该故障特征构造的故障样本，可以实现推进器故障程度的准确分类。
附图说明
图1为本发明基于瞬时频谱熵的故障能量区域时域边界识别方法流程图；
图2为本发明基于信噪能量差的故障能量区域频域边界识别方法流程图；
图3为本发明的整个流程图；
图4为水下机器人速度信号和推进器控制信号数据时域波形图；
图5为水下机器人速度信号瞬时频谱熵分布图；
图6为速度信号故障能量区域时域边界划分示意图；
图7为速度信号信噪能量差分布图；
图8为速度信号故障能量区域时频边界划分示意图；
图9为不设边界的速度信号时频能量特征分布图；
图10为设置时频边界的速度信号时频能量特征分布图；
图11推进器故障样本分布图；
图12推进器不同故障程度测试样本与各超球模型相对距离分布图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于瞬时频谱熵的故障能量区域时域边界识别方法，包括以下步骤：
第一步，获取长度为L1＝400的水下机器人速度信号数据；
第二步，计算速度信号时频功率密度谱；
采用常规平滑伪维格纳-威利分布算法求取速度信号的平滑伪维格纳-威利谱SPWVD(n,m)，n为时间轴上的序号，n＝1,2,3，…，L1，L1＝400，m为频率轴上的序号，m＝1,2,3，…，N3，N3为频率轴划分区间数，本实施例中N3＝512；通过对SPWVD(n,m)的常规绝对值运算进而得到速度信号时频功率密度谱SPWVDA(n,m)；
第三步，计算瞬时频谱熵分布；
在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；
重复此步骤内容，计算时间轴序号n分别为2,3，…，L1时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；
式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N3为频率轴划分区间数，N3＝512，H(1)为在时间轴序号n＝1处的瞬时频谱熵；
第四步，确定故障能量区域时域边界，即在瞬时频谱熵分布中确定畸变区间；
确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界ND，以右侧极大值点所在位置为故障能量区域的时域上边界NU。
如图2所示，本发明的一种基于信噪能量差的故障能量区域频域边界识别方法，包括以下步骤：
第一步，获取长度为L1＝400的水下机器人速度信号数据；
第二步，采用常规小波变换方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量ujA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解；
第三步，计算时频功率密度谱；采用平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量ujA(n)的时频功率密度谱SPWVDAj(n,m)；
第四步，计算信噪能量差分布；
基于瞬时频谱熵确定故障能量区域的时域下边界ND和时域上边界NU；
在时频功率密度谱SPWVDAj(n,m)中，将时域边界ND与NU之间的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ESj作为故障能量，将时域边界ND与NU之外的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ENj作为噪声能量，将EΔSNj＝ESj-ENj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差EΔSNj，得到信噪能量差分布；
第五步，确定故障特征区域频域边界；在信噪能量差EΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[MD MU]即为故障特征区域频域边界，其中MD为频域下边界，MU为频域上边界。
如图所示，本发明的一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别与特征提取方法，包括以下步骤：
第一步，分别获取长度为L1＝400的水下机器人速度信号和推进器控制电压变化率信号数据；
第二步，基于瞬时频谱熵确定故障能量区域时域下边界ND以及时域上边界NU；
第三步，基于信噪能量差确定故障能量区域频域下边界MD以及频域上边界MU；
第四步，提取推进器时频能量故障特征；
采用平滑伪维格纳-威利分布算法、绝对值算法分别计算速度信号、控制电压变化率信号的时频功率密度谱SPWVDAU(n,m)和SPWVDAC(n,m)，在时域下边界ND、时域上边界NU、频域下边界MD和频域上边界MU所围成的矩形区域内，对时频功率密度谱进行求和，所得结果FU、FC分别作为速度信号时频能量故障特征和控制信号时频能量故障特征。
实施例：
如图4所示，水下机器人纵向目标速度0.3m/s，从0时刻开始启动运行，纵向速度逐渐增大，在100拍以后，水下机器人开始以0.3m/s的稳态速度运行，从第250个时间节拍开始，推进器发生推力损失故障，故障程度分别为0％、10％、20％、30％、40％，直到试验结束。推进器故障程度为10％、20％、30％、40％对应的控制信号从第250拍开始逐渐增加，而后在一稳定值附近波动。故障程度为10％、20％、30％、40％对应的速度信号在第250拍至第350拍内形成先下降后上升的奇异行为，如图4中椭圆圈所示。
本实施例中水下机器人一组实验数据的长度是600，其中，前100拍，水下机器人还没有达到稳态，导致这段数据不能用，所以只有后500拍的数据可用于实验分析。为获得50个故障样本，时间窗滑动50次，将时间窗长度L1定为400。初始时，采用长度L1＝400的时间窗截取101～500拍的实验数据，用于实验分析，然后将该时间窗向右滑移一个时间节拍，当滑移50个时间节拍时，时间窗截取151～550的实验数据，用于实验分析。
采用长度L1＝400的时间窗函数截取图4中第101拍至第500拍的速度信号，分别计算推进器不同故障程度对应速度信号时频功率密度谱的瞬时频谱熵，结果如图5所示。图5中推进器故障程度40％对应的速度信号瞬时频谱熵曲线最小值点3.805在第279时间节拍处，然后由此位置同时向两边延伸至邻近极大值点，左侧延伸至第192拍的极大值点5.371，右侧延伸至387拍的极大值点5.352，如相应的竖线所示，则瞬时频谱熵曲线的畸变区间为[192 387]时间节拍，即故障程度40％对应的时频功率密度谱中故障能量区域的时域边界为[192 387]时间节拍。同理，推进器故障程度0％、10％、20％、30％对应的时频功率密度谱中故障能量区域的时域边界分别为[100 239]、[226 332]、[174 314]、[211 337]时间节拍。
如图6所示，根据图5所示的时域边界，在图6所示速度信号时频功率密度谱中划分故障能量区域时域边界，从时域边界划分的结果中可以看出，根据图5所划分的时域边界与能量集中区域的实际时域边界相一致，说明本发明的基于瞬时频谱熵的故障能量区域时域边界识别方法是有效的。
如图7所示，推进器故障程度40％对应的信噪能量差的最大值为0.0199，所对应的小波分解尺度为5，同理，推进器故障程度0％、10％、20％、30％对应信噪能量差最大值分别为0.0001、0.0006、0.0020、0.0111，所对应的小波分解尺度分别为6、5、5、5。
如图8所示，根据图7所确定的小波分解尺度对应的小波近似分量，根据小波近似分量所对应的频带划分故障能量区域频域边界，从频域边界划分的结果中可以看出，根据图7所划分的频域边界与能量集中区域的实际频域边界相一致，说明本发明的基于信噪能量差的故障能量区域频域边界识别方法是有效的。
如图9和图10所示，图9中，在推进器某一种故障程度对应的速度信号时频功率密度谱中，不设置任何边界，直接将时频功率密度谱中的所有值进行求和，所得结果作为推进器时频能量故障特征，该种方法所得故障特征与故障程度的映射关系不唯一，即一个故障特征值可能对应多种故障程度，如故障特征0.060对应四种故障程度4.9％、13.7％、26.6％、32.7％。图10中，在推进器某一种故障程度对应的速度信号时频功率密度谱中，根据本专利方法识别故障能量区域时域边界和频域边界，然后将边界内的时频功率密度进行求和，所得结果作为推进器时频能量故障特征，该种方法所得故障特征与故障程度的映射关系唯一，即一个故障特征值只对应一种故障程度，如故障特征0.010只对应一种故障程度27.2％。
采用长度为400的时间窗函数截取图4中第101拍至第500拍的速度信号数据和控制信号数据，对应于推进器每一种故障程度，采用本专利特征边界识别方法从中提取时频能量故障特征，构造一个故障样本，然后将时间窗向右移动一个时间节拍，再次提取故障特征，构造一个故障样本，重复此过程，将时间窗移动50个节拍，构造50个故障样本，所得故障样本分布如图11所示。图11中，同一故障程度的故障样本聚集在一起，而不同故障程度对应的故障样本之间距离较大，这将有利于推进器故障程度分类。
在图11中，对应于每一种故障程度，随机选取25个样本作为训练样本，剩下的25个样本作为测试样本。采用训练样本基于常规支持向量域描述方法建立推进器故障程度分类模型，将测试样本带入分类模型，计算测试样本与各超球模型的相对距离，结果如图12所示，其中，超球1、超球2、超球3、超球4、超球5对应的故障程度分别为0％、10％、20％、30％、40％。
在图12中，与测试样本相对距离最小的超球模型所对应的故障程度作为该测试样本的故障程度分类结果，例如，图12(a)中，故障程度0％对应的测试样本与超球1相对距离最小，则超球1对应的故障程度0％将作为该测试样本的故障程度分类结果。统计图12中所有测试样本的故障程度分类精度，结果为100％，说明本发明的基于瞬时频率熵与信噪能量差的故障能量区域边界识别与特征提取方法得到的故障特征，有利于推进器故障程度分类，且分类精度为100％。
Claims (3)
1.一种基于瞬时频谱熵的故障能量区域时域边界识别方法，其特征在于：包括以下步骤：
第一步，获取长度为L1的水下机器人速度信号；
第二步，计算速度信号时频功率密度谱；采用常规平滑伪维格纳-威利分布算法求取速度信号的平滑伪维格纳-威利谱SPWVD(n,m)，n为时间轴上的序号，n＝1,2,3，…，L1，m为频率轴上的序号，m＝1,2,3，…，N3，N3为频率轴划分区间数；并通过对SPWVD(n,m)的常规绝对值运算进而得到速度信号时频功率密度谱SPWVDA(n,m)；
第三步，计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；
重复此步骤内容，计算时间轴序号n分别为2,3，…，L1时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；
式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N3为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；
第四步，确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；
确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界ND，以右侧极大值点所在位置为故障能量区域的时域上边界NU。
2.一种基于信噪能量差的故障能量区域频域边界识别方法，其特征在于：包括以下步骤：
第一步，获取长度为L1的水下机器人速度信号数据；
第二步，采用常规小波变换方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量ujA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解；
第三步，计算时频功率密度谱；采用常规平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量ujA(n)的时频功率密度谱SPWVDAj(n,m)；
第四步，计算信噪能量差分布；
基于瞬时频谱熵确定故障能量区域的时域下边界ND和时域上边界NU，过程包括计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；
重复此步骤内容，计算时间轴序号n分别为2,3，…，L1时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；
式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N3为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；
确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；
确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界ND，以右侧极大值点所在位置为故障能量区域的时域上边界NU；
在时频功率密度谱SPWVDAj(n,m)中，将时域边界ND与NU之间的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ESj作为故障能量，将时域边界ND与NU之外的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ENj作为噪声能量，将EΔSNj＝ESj-ENj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差EΔSNj，得到信噪能量差分布；
第五步，确定故障能量区域频域边界；在信噪能量差EΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[MD MU]即为故障能量区域频域边界，其中MD为频域下边界，MU为频域上边界。
3.一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别与特征提取方法，其特征在于：包括以下步骤：
第一步，分别获取长度为L1的水下机器人速度信号和推进器控制电压变化率信号数据；
第二步，基于瞬时频谱熵确定故障能量区域时域下边界ND以及时域上边界NU；包括：采用常规小波变换方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量ujA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解；
计算时频功率密度谱；采用常规平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量ujA(n)的时频功率密度谱SPWVDAj(n,m)；
计算信噪能量差分布；
基于瞬时频谱熵确定故障能量区域的时域下边界ND和时域上边界NU，过程包括计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；
重复此步骤内容，计算时间轴序号n分别为2,3，…，L1时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；
式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N3为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；
确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；
确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界ND，以右侧极大值点所在位置为故障能量区域的时域上边界NU；第三步，基于信噪能量差确定故障能量区域频域下边界MD以及频域上边界MU；
在时频功率密度谱SPWVDAj(n,m)中，将时域边界ND与NU之间的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ESj作为故障能量，将时域边界ND与NU之外的时频功率密度谱SPWVDAj(n,m)进行求和，所得结果ENj作为噪声能量，将EΔSNj＝ESj-ENj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差EΔSNj，得到信噪能量差分布；
确定故障能量区域频域边界；在信噪能量差EΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[MD MU]即为故障能量区域频域边界，其中
MD为频域下边界，MU为频域上边界；
第四步，提取推进器时频能量故障特征；
采用平滑伪维格纳-威利分布算法、绝对值算法分别计算速度信号、控制电压变化率信号的时频功率密度谱SPWVDAU(n,m)和SPWVDAC(n,m)，在时域下边界ND、时域上边界NU、频域下边界MD和频域上边界MU所围成的矩形区域内，对分别时频功率密度谱进行求和，所得结果FU、FC分别作为速度信号时频能量故障特征和控制信号时频能量故障特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910001146.0A CN109633270B (zh) | 2019-01-02 | 2019-01-02 | 故障能量区域边界识别及特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910001146.0A CN109633270B (zh) | 2019-01-02 | 2019-01-02 | 故障能量区域边界识别及特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109633270A CN109633270A (zh) | 2019-04-16 |
| CN109633270B true CN109633270B (zh) | 2020-10-02 |
Family
ID=66056466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910001146.0A Active CN109633270B (zh) | 2019-01-02 | 2019-01-02 | 故障能量区域边界识别及特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109633270B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110739984B (zh) * | 2019-11-08 | 2021-07-02 | 江苏科技大学 | 一种基于小波分析的伪装通信方法 |
| CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
| CN112051836B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于多核模型的水下机器人推进器状态监测方法 |
| CN113655778B (zh) * | 2021-08-16 | 2024-03-26 | 江苏科技大学 | 一种基于时频能量的水下推进器故障诊断***及诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101672873A (zh) * | 2009-10-20 | 2010-03-17 | 哈尔滨工业大学 | 一种基于Tsallis小波奇异熵与FFT运算结合的电力***暂态谐波信号的检测方法 |
| JP4743914B2 (ja) * | 2009-06-17 | 2011-08-10 | 有限会社諏訪トラスト | 時系列データの解析システム及び時系列データの解析プログラム |
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地***单相接地故障分类选线方法 |
| CN109033965A (zh) * | 2018-06-22 | 2018-12-18 | 江苏科技大学 | 一种水下机器人推进器故障时频特征增强方法 |
-
2019
- 2019-01-02 CN CN201910001146.0A patent/CN109633270B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4743914B2 (ja) * | 2009-06-17 | 2011-08-10 | 有限会社諏訪トラスト | 時系列データの解析システム及び時系列データの解析プログラム |
| CN101672873A (zh) * | 2009-10-20 | 2010-03-17 | 哈尔滨工业大学 | 一种基于Tsallis小波奇异熵与FFT运算结合的电力***暂态谐波信号的检测方法 |
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地***单相接地故障分类选线方法 |
| CN109033965A (zh) * | 2018-06-22 | 2018-12-18 | 江苏科技大学 | 一种水下机器人推进器故障时频特征增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 自主式水下机器人故障特征增强方法;张铭钧等;《哈尔滨工程大学学报》;20140930;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109633270A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109633270B (zh) | 故障能量区域边界识别及特征提取方法 | |
| CN104198898B (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
| CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
| CN110186682B (zh) | 基于分数阶变分模态分解的滚动轴承故障诊断方法 | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN109187021B (zh) | 基于熵的多源风电机组轴承故障诊断方法 | |
| CN106778694A (zh) | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 | |
| CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
| CN104198184A (zh) | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 | |
| CN108875706B (zh) | 基于滑动平均与能量归集的海洋结构时频分析方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
| CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
| CN105137373B (zh) | 一种指数信号的去噪方法 | |
| CN106525435A (zh) | 一种发动机噪声源识别方法 | |
| CN109696906B (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
| CN109813547A (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
| CN108645620A (zh) | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 | |
| CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| CN113565584B (zh) | 一种叶端定时信号时频滤波方法 | |
| CN112016471B (zh) | 一种不完备样本条件下的滚动轴承故障诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN103926097B (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
| CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
| CN109062051B (zh) | 一种提高机器人动力学参数辨识精度的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |