CN113537156B - 一种基于区间标准差结合频谱分析的振动数据清洗方法 - Google Patents
一种基于区间标准差结合频谱分析的振动数据清洗方法 Download PDFInfo
- Publication number
- CN113537156B CN113537156B CN202111035424.8A CN202111035424A CN113537156B CN 113537156 B CN113537156 B CN 113537156B CN 202111035424 A CN202111035424 A CN 202111035424A CN 113537156 B CN113537156 B CN 113537156B
- Authority
- CN
- China
- Prior art keywords
- sample
- vibration signal
- standard deviation
- original vibration
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004140 cleaning Methods 0.000 title claims abstract description 54
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 15
- 238000007418 data mining Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Discrete Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于区间标准差结合频谱分析的振动数据清洗方法,计算原始振动信号样本X的标准差划分区间组成数组,计算数组均值和标准差,依据3σ准则判断原始振动信号样本X是否为异常样本,若为异常样本则进行清洗,若为正常样本则将原始振动信号样本X分为两组,分别转换为频谱;将频谱进行平滑消除噪声影响;对频谱进行相关分析得到相关系数,如果相关系数小于阈值,则原始振动信号样本X为异常样本,清洗;如果相关系数大于或等于阈值,则原始振动信号样本X为正常样本,保留。本发明通过计算比较原始振动信号每个子区域样本标准差,结合相邻两个区间快速傅里叶变换频谱相关性分析对异常信号在线识别,降低异常信号对后续故障诊断的干扰。
Description
技术领域
本发明涉及测量测试技术领域,具体涉及一种基于区间标准差结合频谱分析的振动数据清洗方法。
背景技术
在设备预测性维护中,基于振动信号分析是应用最广泛的故障监测方法之一。目前该领域研究重点主要集中在数据的采集、挖掘和分析等方面,而忽略了数据质量带来的隐患。由于外在工况多变、采集装置故障等复杂因素,采集得到的振动数据往往有数据缺失、信息冗余和数据错误等质量问题,这将直接影响到后续数据分析的结果,极大地降低了数据的可用性。数据异常点去除(数据清洗)作为一种数据预处理手,能够判别采集的振动数据中的错误数据,尽最大可能地保证数据使用前的正确性,避免其对真实故障信号的干扰,以此来提高故障诊断效果。随着对异常数据挖掘研究的深入,在故障诊断领域出现了许多异常数据挖掘算法:基于监督的异常数据挖掘、基于半监督的异常数据挖掘、基于无监督的异常数据挖掘、基于小波变换的信号异常点检测的方法等,这些方法主要从机器学习和信号处理角度对异常样本进行在线监测和识别。
基于监督的异常数据挖掘实质上是一种分类方法,它需要事先用含有标签的数据进行训练建立区分正常或异常的模型,然后根据模型在检测阶段对测试集数据来区分是正常还是异常。
基于半监督的异常数据挖掘通常情况下异常数据在数据集中占用的比例很少,用监督的方法建立分类模型往往在实际应用中是很不现实的,基于半监督的异常数据挖掘方法就是在这种情况下提出来的,它通常是用大量的正常标签数据进行建模,建立正常数据对象的分类模型,后在检测阶段将分类边界的数据标记为异常数据。
基于无监督的异常数据挖掘通常建立在一个假设上,即数据集中正常数据的样本数远远大于异常数据的样本数,该方法无需任何先验知识也无需事先对标记数据进行处理,当某种数据与大多数样本数据差异性较大时,则这个数据是异常数据的可能性极大。
基于小波变换的信号异常点检测的方法,该方法根据信号变化的速度快慢选取合适的小波函数和分解尺度,利用小波分析“数学显微镜”的特点,对信号进行多尺度分析。在奇异点处,小波变换后的系数具有模极大值,因而可以通过对模极大值的监测来确定是否为异常样本。
基于监督的异常数据挖掘通常适用于离线分析:面向静态数据集或数据行为变化很小的动态数据集,如果数据变化很大,原先建立的分类模型就不能反应数据集的数据正常或异常的行为特性,因此往往要重新选择训练集来建立分类模型,这样代价是很大的。
基于小波变换的信号异常点检测的方法。但是该方法涉及的参数过多(小波类型、分解尺度等),小波变换虽然可以同时从时域和频域上对行为信号进行解析,但小波基的选择往往会因生物个体的差异而不具备自适应性,对于实时精确时频分析比较困难;经验模态分解(EMD)方法能够得到本征模态函数分量,但振动信号被分解后各个分量不具有可解释性。
通常异常振动数据包含冲击信号,该冲击信号产生的幅值会远大于正常工况信号,可以直接利用峰峰值(最大值和最小值的差)作为阈值来判断是否为异常样本,但是有些故障如不平衡(1倍频)、不对中(2倍频)等也会产生较大的幅值,所以直接利用峰峰值来判断是否为异常样本容易将常见故障信号也排除,所以该方法实际应用中存在很多问题。
发明内容
本发明是为了解决传统异常点检测算法鲁棒性低、实时性差等问题,提出了一种基于区间标准差结合频谱分析的振动数据清洗方法,该方法通过计算比较原始振动信号每个子区域的样本标准差,结合相邻两个区间的快速傅里叶变换频谱相关性分析对异常信号在线识别,降低异常信号对后续故障诊断的干扰。
本发明提供一种基于区间标准差结合频谱分析的振动数据清洗方法,包括以下步骤:
S1、计算原始振动信号样本X的标准差;
S2、根据设备转速、倍频、采样频率计算原始振动信号样本X的周期数据长度并划分区间组成数组,计算数组的均值和标准差,依据3σ准则判断原始振动信号样本X是否为异常样本,若判断为是则进行清洗,若判断为否则进入步骤S3;
S3、将原始振动信号样本X分为两组,分别转换为频谱;
S4、将频谱进行平滑消除噪声影响;
S5、对频谱进行相关分析得到相关系数,并判断相关系数是否小于阈值,若判断为是则原始振动信号样本X为异常样本,进行清洗;若判断为否则原始振动信号样本X为正常样本,保留;数据清洗完成。
本发明所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,作为优选方式,
本发明所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,作为优选方式,
本发明所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,作为优选方式,
步骤S2中,原始振动信号样本X的周期数据长度为N:
设备频率f为:
其中,k为倍频,v为设备转速。
本发明所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,作为优选方式,数组为:
本发明所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,作为优选方式,傅里叶变换为离散傅里叶变换DFT。
在基于振动信号的机械设备故障监测中,采集的正常信号具有周期性(机械设备转速的 1倍频、2倍频等)。由于外在条件干扰,有时采集的信号会伴随有低频冲击信号或者未知的频率分布杂乱问题。冲击产生的幅值会远大于正常工况信号,但是有些故障如不平衡、不对中等也会产生较大的幅值,所以直接利用峰峰值(最大值和最小值的差)作为阈值来判断是否为异常样本不可行。另外信号处理领域中降维的方法有很多,比如 PCA、 PLS等,但对于实时应用的***来说,这些方法都需要收集比较多的样本,按照 VC维的理论,要想降维模型具有很强的泛化能力,往往需要 10 倍于样本维数的数据,对应到振动信号实时分析的应用中,以2048采样点计算,就是需要收集20480个样本才能实时判断,这在设备在线监测中是不可行的。因此要想实时在线应用是完全不可能的。
实际应用中采集正常振动信号满足准高斯分布,其标准差和均值于每一个子区间的均值和方差应该基本一致。另外基于信号的周期性。若采样时间足够长,在一定采样时间T中的正常信号,其前半时间和后半时间的频率分布也应该基本一致。
3-sigma原则
标准差(Standard Deviation),在概率统计中最常使用作为统计分布程度上的测量。标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方根,它反映组内个体间的离散程度,标准差可以当作不确定性的一种测量。通过判断采样值是否符合预测值来决定振动信号是否为异常样本。测量值的标准差占有决定性重要角色:如果测量平均值与预测值相差太远(同时与标准差数值做比较),则认为测量值与预测值互相矛盾。因为如果测量值都落在一定数值范围之外,可以合理推论预测值是否正确。
3σ准则又称为拉依达准则,它是先假设原始振动信号只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。通常把等于 ±3σ的误差作为极限误差。对于正态分布的随机误差,落在 ±3σ以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故可以利用3σ监测振动异常点。
Fourier 分析
利用Fourier分析实现振动信号时域和频域之间的相互转换,可以将原时域信号的研究转换为频域上的Fourier系数的研究。在信号处理领域,Fourier变换发挥了重要的作用,具有里程碑式的意义,它被看作是信号时域与频域之间的桥梁。对于信号x(t),其连续Fourier 变换为
其逆变换为:
在实际应用时,信号在时域和频域中往往是离散的,因此常用到的是离散Fourier变换(DFT),考虑到运算速度与***消耗方面,快速Fourier变换(FFT)被广泛应用于信号的频域分析中。本发明中计算信号前后两个区域的FFT频谱的,比较这两个频谱的差异性。
Savitzky–Golay 平滑
本发明中通过计算信号前后两个区域的FFT频谱的相关系数判断采集信号是否具有一定的稳定性。通常情况下,通过传感器采集的信号会受到噪声干扰,这导致FFT变换后出现一些“假峰”,这些特征会影响后续相关系数的准确计算。采用S-G平滑滤波器(Savitzky-Golay filter)先对原始谱图平滑,去除不相关噪声,该滤波器基于局部区域最小二乘算法, 通过多项式平滑局部窗中数据:
式中x(i)为真实谱图数据。
相关分析
相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
其中的充要条件是:X和Y线性相关。通过来度量X和Y之间线性关系紧密程度的量。当较大时,说明X 和Y相关程度较好;当较小时,说明X和Y相关程度较差;本发明中计算信号前后两个区域的FFT频谱的相关系数判断采集信号是否具有一定的稳定性。
方案流程
为了有效对异常振动信号识别清洗,降低异常信号对故障诊断的干扰,本发明通过概率统计和频谱相关性分析综合判断该样本是否为异常样本点(假设该样本采样点数量为L = 2048, 采样频率为2.56KHz): , 给定相关系数阈值。
(2)根据设备转速设置区间点数:本例中假设设备转速为3000 转/分,则该设备对应的1倍频为3000/60=50Hz。根据该振动信号采样频率2.56k Hz,计算得该信号一个周期数据长度为:N = 2.56*1000/50 ≈51;
本发明具有以下优点:
(2) 本方法处理速度快,适合在线处理,可有效应用于故障诊断、设备健康管理等实时监测情景。
附图说明
图1为一种基于区间标准差结合频谱分析的振动数据清洗方法流程图;
图2为一种基于区间标准差结合频谱分析的振动数据清洗方法正常振动信号样本A1峰值图;
图3为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A1带有标准差峰值图;
图4为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A1原始数据分区间标准差图;
图5为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A1频谱图;
图6为一种基于区间标准差结合频谱分析的振动数据清洗方法带有低频冲击的异常振动信号样本A2峰值图;;
图7为一种基于区间标准差结合频谱分析的振动数据清洗方法带有低频冲击的异常振动信号样本A2带有标准差峰值图;
图8为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A2原始数据分区间标准差图;
图9为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A2频谱图;
图10为一种基于区间标准差结合频谱分析的振动数据清洗方法异常振动样本A3峰值图;
图11为一种基于区间标准差结合频谱分析的振动数据清洗方法异常振动样本A3带有标准差峰值图;
图12为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A3原始数据分区间标准差图;
图13为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A3频谱图;
图14为一种基于区间标准差结合频谱分析的振动数据清洗方法不平衡故障数据样本A4峰值图;
图15为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A4带有标准差峰值图;
图16为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A4原始数据分区间标准差图;
图17为一种基于区间标准差结合频谱分析的振动数据清洗方法样本A4频谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
如图1所示,一种基于区间标准差结合频谱分析的振动数据清洗方法,包括以下步骤:
S1、计算原始振动信号样本X的标准差;
S2、根据设备转速、倍频、采样频率计算原始振动信号样本X的周期数据长度并划分区间组成数组,计算数组的均值和标准差,依据3σ准则判断原始振动信号样本X是否为异常样本,若判断为是则进行清洗,若判断为否则进入步骤S3;
S3、将原始振动信号样本X分为两组,分别转换为频谱;
S4、将频谱进行平滑消除噪声影响;
S5、对频谱进行相关分析得到相关系数,并判断相关系数是否小于阈值,若判断为是则原始振动信号样本X为异常样本,进行清洗;若判断为否则原始振动信号样本X为正常样本,保留;数据清洗完成。
实施例2
如图1所示,一种基于区间标准差结合频谱分析的振动数据清洗方法,包括以下步骤:
S1、计算原始振动信号样本X的标准差;
S2、根据设备转速、倍频、采样频率计算原始振动信号样本X的周期数据长度并划分区间组成数组,计算数组的均值和标准差,依据3σ准则判断原始振动信号样本X是否为异常样本,若判断为是则进行清洗,若判断为否则进入步骤S3;
原始振动信号样本X的周期数据长度为N:
设备频率f为:
其中,k为倍频,v为设备转速;
数组为:
S3、将原始振动信号样本X分为两组,分别转换为频谱;
傅里叶变换为离散傅里叶变换DFT;
S4、将频谱进行平滑消除噪声影响;
S5、对频谱进行相关分析得到相关系数,并判断相关系数是否小于阈值,若判断为是则原始振动信号样本X为异常样本,进行清洗;若判断为否则原始振动信号样本X为正常样本,保留;数据清洗完成;
实施例3
一种基于区间标准差结合频谱分析的振动数据清洗方法,通过概率统计和频谱相关性分析综合判断该样本是否为异常样本点(假设该样本的采样点数量为L = 2048, 采样频率为2.56KHz): 。 给定相关系数阈值 。
(2)根据设备转速设置区间点数:本例中假设设备转速为3000 转/分,则该设备对应的1倍频为3000/60=50Hz。根据该振动信号采样频率2.56k Hz,计算得该信号一个周期数据长度为:N = 2.56*1000/50 ≈51;
实施例4
一种基于区间标准差结合频谱分析的振动数据清洗方法,本实施采用航天智控(北京)监测技术有限公司“智能运维大数据云平台”采集实时数据,分别对正常振动数据A1(如图2,采样点数2048),异常数据A2(图6,采样点数2048),异常数据A3(图10,采样点数4096),不平衡故障数据A4(图14,采样点数4096),采样频率2560Hz。给定频谱相关系数参数。
(2)对信号样本A2在线分析如图7-9所示,其原始样本标准差为107.1799,满足(如图8所示),故信号样本A2为异常样本,为0.93607。(3)对信号样本A3在线分析如图11-13所示,其原始样本标准差为38.7133,满足(如图12所示),同时其两个区域频谱相关系数,故信号样本A3为异常样本。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于区间标准差结合频谱分析的振动数据清洗方法,其特征在于:包括以下步骤:
S2、根据设备转速、倍频、采样频率计算所述原始振动信号样本X的周期数据长度并划分区间组成数组,计算所述数组的均值和标准差,依据3σ准则判断所述原始振动信号样本X是否为异常样本,若判断为是则进行清洗,若判断为否则进入步骤S3;
将所述原始振动信号样本X分为K个区间:K=L/N,得到样本X1、X2、…、XK;
其中X1=[x1,x2,x3,…,xN],X2=[xN+1,xN+2,xN+3,…,x2N],XK=[xK(N-1)+1,xK(N-1)+2,xK(N-1)+3,…,xL];
S3、将所述原始振动信号样本X分为两组,分别转换为频谱;
所述原始振动信号样本X的分组方式为:按照采样点数量L平均分配成两个样本,得到XⅠ=[x1,x2,x3,…,xL/2]、XⅡ=[xL/2+1,xL/2+2,xL/2+3,…,xL];
将XⅠ和XⅡ通过傅里叶变换分别转为频谱ftX1,ftX2;
所述傅里叶变换为离散傅里叶变换DFT;
S4、将所述频谱进行平滑消除噪声影响;
利用Savitzky–Golay滤波器对频谱ftX1,ftX2平滑消除噪声影响。
S5、对所述频谱进行相关分析得到相关系数,并判断所述相关系数是否小于阈值,若判断为是则所述原始振动信号样本X为异常样本,进行清洗;若判断为否则所述原始振动信号样本X为正常样本,保留;数据清洗完成;
所述相关系数为r(ftX1,ftX2),所述阈值为ftthres;
所述相关系数为r(ftX1,ftX2)的计算方法为:
其中,Cov(XI,XII)为样本XⅠ和XⅡ的协方差,Var(XI)Car(XII)为样本XⅠ和XⅡ的方差。
4.根据权利要求2所述的一种基于区间标准差结合频谱分析的振动数据清洗方法,其特征在于:步骤S2中,
所述原始振动信号样本X的周期数据长度为N:
N=f1/f;
其中f1为采样频率,f为设备频率;
所述设备频率f为:
f=kv/60,
其中,k为倍频,v为设备转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035424.8A CN113537156B (zh) | 2021-09-06 | 2021-09-06 | 一种基于区间标准差结合频谱分析的振动数据清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035424.8A CN113537156B (zh) | 2021-09-06 | 2021-09-06 | 一种基于区间标准差结合频谱分析的振动数据清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537156A CN113537156A (zh) | 2021-10-22 |
CN113537156B true CN113537156B (zh) | 2021-12-14 |
Family
ID=78123023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111035424.8A Active CN113537156B (zh) | 2021-09-06 | 2021-09-06 | 一种基于区间标准差结合频谱分析的振动数据清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537156B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035227B (zh) * | 2024-04-15 | 2024-06-21 | 山东云擎信息技术有限公司 | 一种基于大数据评估的数据智能处理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799368A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备非线性故障预测方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN111175045A (zh) * | 2020-01-08 | 2020-05-19 | 西安交通大学 | 一种机车牵引电机轴承的振动加速度数据的清洗方法 |
CN112326241A (zh) * | 2020-09-11 | 2021-02-05 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721465B (zh) * | 2012-06-13 | 2014-02-05 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位***及方法 |
-
2021
- 2021-09-06 CN CN202111035424.8A patent/CN113537156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799368A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备非线性故障预测方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN111175045A (zh) * | 2020-01-08 | 2020-05-19 | 西安交通大学 | 一种机车牵引电机轴承的振动加速度数据的清洗方法 |
CN112326241A (zh) * | 2020-09-11 | 2021-02-05 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113537156A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tran et al. | Effective multi-sensor data fusion for chatter detection in milling process | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Jiang et al. | Application of steady-state detection method based on wavelet transform | |
Worden et al. | Novelty detection in a changing environment: regression and interpolation approaches | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
US20170356936A1 (en) | Enhanced system and method for conducting pca analysis on data signals | |
CN110458248B (zh) | 基于多测点振动信号的变压器异常状态检测方法 | |
Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
Chen et al. | An improved singular value decomposition-based method for gear tooth crack detection and severity assessment | |
WO2017143649A1 (zh) | 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和*** | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
EP3876056A1 (en) | Abnormality detection device, abnormality detection method, and program | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及*** | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及*** | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、*** | |
CN113537156B (zh) | 一种基于区间标准差结合频谱分析的振动数据清洗方法 | |
Shao et al. | Gearbox vibration monitoring using extended Kalman filters and hypothesis tests | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
Yu et al. | A new method to select frequency band for vibration signal demodulation and condition estimation of rolling bearings | |
McCormick et al. | Application of periodic time-varying autoregressive models to the detection of bearing faults | |
CN114200232B (zh) | 一种输电线路故障行波波头检测方法及*** | |
CN114090949A (zh) | 一种鲁棒的振动信号特征值计算方法 | |
CN104808643B (zh) | 一种基于改进的倒双谱分析的控制回路非线性检测方法 | |
Luo et al. | Vibration modelling with fast Gaussian wavelet algorithm |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A vibration data cleaning method based on interval standard deviation combined with spectral analysis Effective date of registration: 20231011 Granted publication date: 20211214 Pledgee: Zhongguancun Branch of Bank of Beijing Co.,Ltd. Pledgor: Aerospace Intelligent Control (Beijing) Monitoring Technology Co.,Ltd. Registration number: Y2023980060865 |