CN116610907B - 基于变分模态分解的齿轮振动信号特征提取方法 - Google Patents
基于变分模态分解的齿轮振动信号特征提取方法 Download PDFInfo
- Publication number
- CN116610907B CN116610907B CN202310612456.2A CN202310612456A CN116610907B CN 116610907 B CN116610907 B CN 116610907B CN 202310612456 A CN202310612456 A CN 202310612456A CN 116610907 B CN116610907 B CN 116610907B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration signal
- value
- matrix
- singular value
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 claims abstract description 17
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims abstract description 17
- 102100034256 Mucin-1 Human genes 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 241000254173 Coleoptera Species 0.000 claims abstract description 8
- 210000003608 fece Anatomy 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于变分模态分解的齿轮振动信号特征提取方法，涉及一种齿轮振动信号特征提取方法。该方法包含以下步骤：步骤一，信号采集；步骤二，构建信号的Hankel矩阵，计算Hankel矩阵奇异值峰度差分谱，定位差分谱最大突变处r；步骤三，根据r定位奇异值矩阵有效阶数，进行信号去噪；步骤四，使用提出的最佳K值算法计算VMD的分解层数K；步骤五，使用相关性和峰值原则筛选IMF分量；步骤六，使用蜣螂算法优化MCKD参数，使用优化后的MCKD对信号进行脉冲增强；步骤七，使用模糊熵、近似熵、样本熵实现特征提取。本发明提供了一种齿轮振动信号特征提取方法，能较完整地提取出齿轮振动信号的特征。本发明适用于齿轮振动信号特征提取。
Description
技术领域：
本发明涉及振动信号特征提取方法。
背景领域：
在对齿轮状态进行评估时，由于环境因素常导致获得齿轮振动信号中包含了其他干扰信号，一些微弱的故障信号会被掩盖在噪声信号中造成齿轮振动信号中包含的故障信息不明显，进而导致齿轮故障信息特征提取不完全，影响之后的故障诊断。
发明内容：
为了减少噪声干扰对齿轮故障信息特征提取的影响，提高齿轮状态评估的准确性，本发明提供了一种基于变分模态分解的齿轮振动信号特征提取方法。
本发明基于变分模态分解的齿轮振动信号特征提取按照以下步骤进行：
步骤1.采集齿轮振动信号；
步骤2.构建信号的Hankel矩阵，计算其奇异值峰度差谱，定位差谱最大突变处r；
步骤3.保留Hankel矩阵中前r个奇异值，其他奇异值置零，进行信号去噪；
步骤4.使用最佳K值算法计算VMD分解层数；
步骤5.使用相关性和峰值指标为依据筛选IMF分量，并重构信号；
步骤6.使用蜣螂优化算法选择MCKD中最佳参数，并使用优化后的MCKD对重构信号进行脉冲增强；
步骤7.使用模糊熵、近似熵、样本熵提取特征得到融合特征矩阵。
进一步地，步骤二中，将采集到的连续信号进行离散化并构建Hankel矩阵，其矩阵表达式为：
公式(1)中，x(i)是振动信号序列中的元素；
进一步地，步骤二中，使用奇异值分解Hankel矩阵并计算奇异值差分谱，获得奇异值差分谱最大突变处r，奇异值分解表达式为：
A＝UΣVT (2)
公式(2)中，U是矩阵A的左奇异向量，∑是矩阵A的奇异值，V是矩阵A的右奇异向量。
进一步地，步骤四中所述的最佳K值算法的计算方法为：对原始信号构建出的Hankel矩阵进行奇异值分解，计算Hankel矩阵的奇异值峰度差分谱，定位峰度差分谱突变处并将突变处作为初始K值。使用初始K值对原始振动信号进行分解，计算相邻IMF分量之间中心频率距离，如果全部大于0.1则初始K值加1，直到任意相邻IMF之间的距离小于0.1时停止，此时的K值为VMD的最佳K值。
进一步地，步骤五中IMF筛选方法为：计算IMF和原信号之间的相关性以及IMF的峰度值，选择相关系数大于其均值且峰度值大于3的IMF，使用筛选出的IMF进行信号重构。
进一步地，步骤六中特征向量的融合方式为：将重构信号平均分成n段信号段，对每一段信号段分别进行模糊熵、近似熵、样本熵计算，将熵值作为特征重构信号的特征，将所有信号段的熵值进行融合，例如A的特征向量为A＝[a1 … an]，B的特征向量为B＝[b1 …bn]，C特征向量为C＝[c1 … cn]，所以融合特征向量为F＝[a1 … an b1 … bn c1 … cn]。
本发明原理为：
本发明特征提取时构建振动信号的Hankel矩阵，奇异值分解振动信号的Hankel矩阵并计算奇异值峰度差分谱；定位峰度分谱最大突变处r，将奇异值矩阵对角线r阶之后的所有元素置零，并使用该奇异值矩阵进行振动信号重构，完成信号去噪；使用提出的最佳K值算法计算VMD的预设模式数k；通过互相关性和峰度为指标筛选IMF进行信号重构；引入蜣螂算法优化MCKD中的参数L和M，使用优化后的MCKD对重构信号进行脉冲增强；使用模糊熵、近似熵、样本熵从不同的角度抽取特征，并组成融合特征向量。
本发明有益效果为：
本发明根据原始信号的Hankel矩阵获得奇异值峰度差分谱的突变位置，使用SVD去除原始信号中的噪声，使用所提出的最佳K值算法计算变分模态分解算法中预设模式数k，解决了以往预设模式数k的设定依赖于经验判断的问题。本发明根据相关度和峰度值进行信号重构，筛选有用的IMF分量信号。本发明使用蜣螂优化算法寻找MCKD中参数L和M的最佳组合，使用优化后的MCKD增强重构信号中脉冲分量，使得在特征提取时这些微弱特征能被识别。本发明使用三种方式从不同角度抽取特征，制作融合特征向量，改善了使用单一方式提取特征造成的特征提取不完全的问题，保证了抽取到的故障特征的质量。
附图说明(最后)：
图1为本发明的流程图；
图2为重构信号时域图；
图3为信号特征融合图。
具体实施方式：
为了更好地解释本发明的目的、技术方案及优点，以下结合附图及实例，对本发明进一步详细说明。此处所描述的具体实施例仅仅是用以解释本发明，并不限定本发明。
结合图2和图3说明，经过处理后的重构信号相较于原始信号特征更明显。
本实施例基于变分模态分解的齿轮振动信号特征提取方法按照以下步骤进行：
步骤一：实验室搭建的齿轮箱***采集信号；
步骤二：构建振动信号Hankel矩阵，奇异值分解计算Hankel矩阵的奇异值，定位奇异值峰值差分谱定位最大突变处r，Hankel矩阵和奇异值分解表达式为：
A＝UΣVT (2)
公式(2)中，U是矩阵A的左奇异向量，∑是矩阵A的奇异值，V是矩阵A的右奇异向量。
步骤三：根据r使用SVD进行信号去噪处理；
步骤三中信号去噪方法为：将SVD分解出的奇异值矩阵中对角线上r阶之后的元素置零，使用处理后的奇异值矩阵进行信号重构。
步骤四：使用最佳K值算法计算VMD分解层数；
步骤四的最佳K值算法为：将原始信号奇异值峰值差分谱最大突变处r设定为初始K值，使用这个初始K值对去噪信号进行VMD分解，计算相邻IMF之间中心频率距离，当所有的中心频率距离大于0.1时，K值加1并重复上述步骤，直到任意相邻IMF之间中心频率距离小于0.1时结束，此时得到VMD的最佳K值。
步骤五：使用相关性和峰度原则筛选相关性大于均值且峰度大于3的IMF分量进行信号重构；
步骤六：使用蜣螂算法优化MCKD参数并对重构信号进行脉冲增强；
步骤六的MCKD参数优化算法为：随机初始化100个L、M组合，使用MCKD增强信号的样本熵为目标函数，经过15次迭代找到使得MCKD增强结果样本熵最小的L、M组合，并使用组L、M对重构信号进行脉冲增强。
步骤七：使用样本熵、模糊熵、近似熵提取重构信号特征，得到融合特征；
对重构信号进行等间隔分段，将重构信号分割成n段并对每一段使用样本熵、模糊熵、近似熵进行特征提取，将提取到的特征进行拼接得到融合特征向量。
实验结果表明，使用SVD去噪能去除原始信号中的噪声，最佳K值算法能得到合理的预设模式数，蜣螂优化算法能有效跳出局部最优的限制并找到最佳的MCKD参数组合，经过优化后的MCKD增强了重构信号中微弱的脉冲信号，使用模糊熵、近似熵、样本熵通过不同的方式提取特征行向量并组合成混合特征向量矩阵，从不同尺度抽取特征，使得到的特征向量更完备，为齿轮故障诊断提供支持。
Claims (6)
1.基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，所述方法具体过程为：
步骤1.实验室采集齿轮箱振动信号；
步骤2.构建信号的Hankel矩阵，计算其奇异值峰度差谱，定位差谱最大突变处r；
步骤3.保留Hankel矩阵中前r个奇异值，其他奇异值置零，进行信号去噪；
步骤4.使用最佳K值算法计算VMD分解层数；具体为：
将信号的奇异值峰度差谱最大突变处作为初始K值，并对信号进行VMD分解，计算分解出的相邻IMF分量之间的中心频率距离，当所有IMF中心频率距离均大于0.1时，K值加1并重复上述步骤，直到任意相邻IMF中心频率距离小于0.1时停止，此时得到最佳K值；
步骤5.使用相关性和峰值指标为依据筛选IMF分量，并重构信号；
步骤6.使用蜣螂优化算法选择MCKD中最佳参数，并使用优化后的MCKD对重构信号进行脉冲增强；
步骤7.使用模糊熵、近似熵、样本熵提取特征得到融合特征矩阵。
2.根据权利要求1所述的基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，步骤2中将振动信号构造为Hankel矩阵，使用奇异值分解算法得到Hankel奇异值矩阵，计算奇异值峰度差分谱，定位差分谱最大突变出r。
3.根据权利要求1所述的基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，步骤3中通过奇异值峰度差谱最大突变位置确定奇异值矩阵有效阶数，将奇异值矩阵对角线r阶之后的奇异值置零，使用经过处理的奇异值矩阵得到去噪后的振动信号。
4.根据权利要求1所述的基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，步骤5中对分解出的IMF分量使用相关性和峰值为指标，筛选相关系数大于其均值且峰度大于3的IMF分量进行信号重构。
5.根据权利要求1所述的基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，步骤6中使用蜣螂优化算法在滤波器长度L属于[100,500]，移位数M属于[1,7]的范围内寻找最佳的L和M的组合，使MCKD增强振动信号中微弱脉冲的效果最佳。
6.根据权利要求1所述的基于变分模态分解的齿轮振动信号特征提取方法，其特征在于，步骤7中使用模糊熵、近似熵、样本熵三种不同的信号熵从不同的角度提取振动信号的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310612456.2A CN116610907B (zh) | 2023-05-27 | 2023-05-27 | 基于变分模态分解的齿轮振动信号特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310612456.2A CN116610907B (zh) | 2023-05-27 | 2023-05-27 | 基于变分模态分解的齿轮振动信号特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116610907A CN116610907A (zh) | 2023-08-18 |
| CN116610907B true CN116610907B (zh) | 2024-03-19 |
Family
ID=87683254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310612456.2A Active CN116610907B (zh) | 2023-05-27 | 2023-05-27 | 基于变分模态分解的齿轮振动信号特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610907B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235643B (zh) * | 2023-09-06 | 2024-03-22 | 南京林业大学 | 一种滚动轴承早期微弱故障诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3511862A1 (en) * | 2018-01-12 | 2019-07-17 | Qognify Ltd. | System and method for dynamically ordering video channels according to rank of abnormal detection |
| CN111413089A (zh) * | 2020-04-08 | 2020-07-14 | 北华大学 | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、***、设备及介质 |
| CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
| CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和*** |
| EP4162865A1 (en) * | 2021-10-06 | 2023-04-12 | Origin Wireless, Inc. | System and method for radio-based sleep monitoring |
-
2023
- 2023-05-27 CN CN202310612456.2A patent/CN116610907B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3511862A1 (en) * | 2018-01-12 | 2019-07-17 | Qognify Ltd. | System and method for dynamically ordering video channels according to rank of abnormal detection |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111413089A (zh) * | 2020-04-08 | 2020-07-14 | 北华大学 | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 |
| CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
| EP4162865A1 (en) * | 2021-10-06 | 2023-04-12 | Origin Wireless, Inc. | System and method for radio-based sleep monitoring |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、***、设备及介质 |
| CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
| CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和*** |
Non-Patent Citations (3)
| Title |
|---|
| Utilizing SVD and VMD for Denoising Non-Stationary Signals of Roller Bearings;Qinghua Wang等;Sensors (Basel);第22卷(第1期);1-17 * |
| 基于SSA－VMD－MCKD的强背景噪声环境下滚动轴承故障诊断;任良等;振动与冲击;第42卷(第3期);220-222 * |
| 基于SVD-VMD和SVM滚动轴承故障诊断方法;陈剑等;电子测量与仪器学报;第36卷(第1期);221-223 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116610907A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
| CN105913393A (zh) | 一种自适应小波阈值图像去噪算法及装置 | |
| CN116610907B (zh) | 基于变分模态分解的齿轮振动信号特征提取方法 | |
| CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
| CN112364291B (zh) | 一种前置滤波极值点优化集合经验模态分解方法及装置 | |
| CN110490219B (zh) | 一种基于纹理约束的U-net网络进行地震数据重建的方法 | |
| CN101482617A (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
| CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
| CN112686096A (zh) | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 | |
| CN100417191C (zh) | 一种图像组合降噪方法 | |
| CN112419203B (zh) | 基于对抗网络的扩散加权图像压缩感知恢复方法及装置 | |
| CN110673138B (zh) | 一种基于奇异值分解和模糊c均值法的探地雷达图像处理方法 | |
| CN113476032B (zh) | 一种基于有向图谐波分析的脑结构与功能耦合的方法 | |
| Denis et al. | From patches to deep learning: Combining self-similarity and neural networks for SAR image despeckling | |
| CN116699526A (zh) | 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法 | |
| CN114779238A (zh) | 一种基于雷达信号的生命探测方法及*** | |
| CN111242873A (zh) | 基于稀疏表示的图像去噪方法 | |
| CN111598822A (zh) | 一种基于gfrw与iscm的图像融合方法 | |
| CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN116992217A (zh) | 基于多尺度动态加权多维残差卷积的机械信号降噪方法 | |
| CN111402180A (zh) | 一种nsct域的基于fbiem与iscm的图像融合方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN112285793B (zh) | 一种大地电磁去噪方法及*** | |
| CN115689958A (zh) | 一种基于深度学习的合成雷达图像去噪方法 |
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 |