基于時(shí)域直方圖特征提取的對(duì)象物狀態(tài)識(shí)別方法技術(shù)

基于時(shí)域直方圖特征提取的對(duì)象物狀態(tài)識(shí)別方法屬于狀態(tài)識(shí)別領(lǐng)域，尤其涉及旋轉(zhuǎn)機(jī)械故障識(shí)別技術(shù)領(lǐng)域。其特征在于以時(shí)域直方圖取代一般特征參數(shù)，并且使用多變量解析法(如：主成分分析法等)或人工智能方法(如：神經(jīng)網(wǎng)絡(luò)等)統(tǒng)合直方圖進(jìn)行狀態(tài)診斷或模式識(shí)別。本發(fā)明專利技術(shù)的優(yōu)點(diǎn)在于與信號(hào)在時(shí)域中的概率分布類型無關(guān)，也無需知道振動(dòng)對(duì)象物的外形尺寸及轉(zhuǎn)速就能提取信號(hào)特征識(shí)別對(duì)象物狀態(tài)或故障類型。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于時(shí)域直方圖特征提取的對(duì)象物狀態(tài)識(shí)別方法
本專利技術(shù)屬于狀態(tài)識(shí)別領(lǐng)域尤其涉及旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測與故障識(shí)別

技術(shù)介紹
為了進(jìn)行狀態(tài)識(shí)別，以往的狀態(tài)診斷及模式識(shí)別方法大多基于測得信號(hào)服從正態(tài)分布的假設(shè)，計(jì)算狀態(tài)診斷所需的時(shí)域及頻域有量綱和無量綱特征參數(shù)。然而，狀態(tài)診斷及模式識(shí)別的對(duì)象物不同或?qū)ο笪餇顟B(tài)不同時(shí)，信號(hào)的概率密度分布不同。如果直接分析信號(hào)的時(shí)域直方圖，則不僅限于正態(tài)分布，無論信號(hào)服從什么分布都可以直接提取信號(hào)的特征，有效地識(shí)別對(duì)象物狀態(tài)。到現(xiàn)在為止，在諸多領(lǐng)域中，已有多種診斷裝置和模式識(shí)別裝置的提案，這些專利技術(shù)也涉及了狀態(tài)診斷及模式識(shí)別之前的信號(hào)特征提取方法。與本專利技術(shù)相關(guān)性較強(qiáng)的文獻(xiàn)列舉如下。在專利文獻(xiàn)1，2，3當(dāng)中，專利技術(shù)的信號(hào)特征提取模塊使用硬件濾波去除信號(hào)中的噪聲，利用傅里葉變換將信號(hào)變換到復(fù)數(shù)域并提取信號(hào)特征。在專利文獻(xiàn)4當(dāng)中，針對(duì)難以獲得可靠信號(hào)特征的問題，提出了記錄用于狀態(tài)識(shí)別的信息，通過差分方法提取信號(hào)特征的方法。在專利文獻(xiàn)5當(dāng)中，提出了經(jīng)小波分解后分別進(jìn)行多次的隨機(jī)共振處理，將幾次隨機(jī)共振處理的輸出作互相關(guān)，再對(duì)互相關(guān)結(jié)果作快速傅立葉變換，從而提取故障特征信息的方法。但以往文獻(xiàn)中沒有類似本專利技術(shù)的通過時(shí)域、頻域直方圖進(jìn)行信號(hào)特征解析的方法。【專利文獻(xiàn)1】專利201610560723【專利文獻(xiàn)2】申請(qǐng)?zhí)朇N201510685473.4【專利文獻(xiàn)3】公開號(hào)CN103048137A【專利文獻(xiàn)4】公開號(hào)CN102608008A【專利文獻(xiàn)5】申請(qǐng)?zhí)朇N200910093658.0在對(duì)象物的狀態(tài)診斷和模式識(shí)別領(lǐng)域提取信號(hào)特征是最重要的內(nèi)容。比如，在生產(chǎn)現(xiàn)場，為了防止旋轉(zhuǎn)機(jī)械故障，經(jīng)常將振動(dòng)信號(hào)或聲音信號(hào)解析方法應(yīng)用于狀態(tài)監(jiān)控和故障診斷。至今為止有許多使用振動(dòng)信號(hào)或聲音信號(hào)計(jì)算得到的特征參數(shù)被用與旋轉(zhuǎn)機(jī)器狀態(tài)診斷。然而，計(jì)算一般特征參數(shù)時(shí)需要假設(shè)信號(hào)服從正態(tài)分布。實(shí)際上根據(jù)信號(hào)分析結(jié)果得知：并不是所有的異常信號(hào)都服從正態(tài)分布。因此，使用以往的特征參數(shù)進(jìn)行設(shè)備診斷時(shí)，診斷精度有待進(jìn)一步提高。另外，通常使用人工智能方法(例如，蟻群優(yōu)化算法，例子群優(yōu)化算法，支持向量機(jī)，模糊方法和神經(jīng)網(wǎng)絡(luò)等)進(jìn)行精密診斷識(shí)別異常類型。使用這些方法進(jìn)行精密診斷幾乎都要計(jì)算特征參數(shù)。計(jì)算有些特征參數(shù)時(shí)必須知道對(duì)象部品的外形尺寸(例如，軸承診斷時(shí)需知道軸承外徑、內(nèi)徑、滾動(dòng)體個(gè)數(shù)及直徑等)，還必須知道軸的轉(zhuǎn)速。但是，在生產(chǎn)現(xiàn)場不分解設(shè)備進(jìn)行查驗(yàn)就不能得知零部件規(guī)格或轉(zhuǎn)速的情況很多。這類情況下難以得到精密診斷所必須的診斷信息。并且，特征參數(shù)的種類很多，異常類型的種類也很多，識(shí)別不同類型異常所使用的敏感參數(shù)不同，要找到識(shí)別特定異常類型的靈敏度的高的特征參數(shù)難度也很大。
技術(shù)實(shí)現(xiàn)思路
為了解決上述問題，有效進(jìn)行狀態(tài)診斷或模式識(shí)別，例如有效進(jìn)行設(shè)備狀態(tài)監(jiān)測及故障診斷，本專利技術(shù)根據(jù)時(shí)域直方圖可以直接反映測得信號(hào)特征及設(shè)備特征的理論，提出了有效且有普遍適用性的“基于時(shí)域直方圖特征提取法的狀態(tài)識(shí)別方法”。本方法可在不知道診斷對(duì)象或零部件的型號(hào)和轉(zhuǎn)速時(shí)通過直方圖提取信號(hào)的特征，無論信號(hào)服從什么分布都可以通過時(shí)域直方圖代替一般的特征參數(shù)，通過多變量解析法(主成分分析法或者典型判別分析法)或者人工智能方法(如：神經(jīng)網(wǎng)絡(luò))統(tǒng)合直方圖，進(jìn)行狀態(tài)診斷和模式識(shí)別。本專利技術(shù)的目的之一在于提出了一種基于時(shí)域直方圖的特征提取的對(duì)象物狀態(tài)識(shí)別方法。本專利技術(shù)的目的之二在于在設(shè)備故障診斷時(shí)，而提出一種通過已知故障類別樣本群與正常狀態(tài)樣本群的對(duì)比來識(shí)別各類故障的方法。本專利技術(shù)的特征在于，是一種把經(jīng)采集、降噪后的對(duì)象物的時(shí)域診斷信號(hào)轉(zhuǎn)換為時(shí)域直方圖后再用多變量解析法(主成分分析法或者典型判別分析法)或者人工智能方法(如：神經(jīng)網(wǎng)絡(luò))進(jìn)行統(tǒng)合以識(shí)別對(duì)象物狀態(tài)的方法，如圖1所示在計(jì)算機(jī)中的實(shí)現(xiàn)步驟如下：步驟(1)，設(shè)定采樣時(shí)間和采樣頻率，采用傳感器采集對(duì)象物信號(hào)樣本，并且利用各種濾波方法(如：帶通濾波、卡爾曼濾波、自回歸濾波、統(tǒng)計(jì)信息濾波等方法)去除測得信號(hào)中的噪聲。得到時(shí)域信號(hào)波形曲線，橫軸為時(shí)間，縱軸為幅值。步驟(2)，求時(shí)域信號(hào)直方圖，其方法如下：時(shí)域直方圖是頻度為縱軸(或相當(dāng)于頻度的數(shù)值)，信號(hào)振幅等級(jí)(或稱為區(qū)間)為橫軸的統(tǒng)計(jì)圖。求信號(hào)直方圖的辦法如圖2所示。圖(2.1)所示的是求模擬信號(hào)直方圖的原理。首先把在信號(hào)采樣時(shí)間T內(nèi)的信號(hào)的縱坐標(biāo)分割成間隔為(xi+1-xi)的數(shù)個(gè)區(qū)間，每個(gè)區(qū)間的直方圖的值h(xi)如公式(1)所示：這里，H(xi)是概率密度函數(shù)值，Δt1,Δt2,…,Δtn是信號(hào)穿過區(qū)間(xi+1-xi)的時(shí)間。如圖(2.2)所示，如果信號(hào)是離散數(shù)據(jù)，則Δt1,Δt2,…,Δtn被替換成信號(hào)數(shù)據(jù)在區(qū)間(xi+1-xi)中個(gè)數(shù)的n1,n2,…,nn，直方圖的值h(xi)如公式(2)所示：在必要情況下，通過計(jì)算直方圖分段頻度值可以降低直方圖的不穩(wěn)定性，壓縮直方圖維數(shù)(區(qū)間)。圖3所表示的是利用移動(dòng)平均濾波法原理壓縮直方圖維數(shù)(區(qū)間)的方法，壓縮前直方圖為N0維，壓縮后N維。即將N0個(gè)直方圖區(qū)間分為N組(N0≥N)，每組中包含q個(gè)直方圖值(h1,h2,…,hq)。計(jì)算每組中q個(gè)(h1,h2,…,hq)直方圖的平均值xi，以下稱xi為“直方圖分段頻度值”。q通過公式(3)確定。q＝KFs/Fc(3)在這里，K是系數(shù)(一般，K＝0.3至0.6)，F(xiàn)c表示截止頻譜，F(xiàn)s表示采用頻率。Fc一般取10～200Hz。圖4所示的是不同異常狀態(tài)有不同形狀的直方圖的例子。步驟(3)，使用多變量解析法(主成分分析法(PCA:PrincipleComponentAnalysis)，步驟(3.1))，或者典型判別分析法(CDA：CanonicalDiscriminantAnalysis)，步驟(3.2))或者人工智能方法(神經(jīng)網(wǎng)絡(luò)(NN:Neuralnetwork)，步驟(3.3)，但是不僅僅限定于神經(jīng)網(wǎng)絡(luò))統(tǒng)合上述直方圖分段頻度值進(jìn)行狀態(tài)識(shí)別及診斷。步驟(3.1)，用主成分分析法統(tǒng)合直方圖分段頻度值，判斷對(duì)象物狀態(tài)。多變量分析法之一主成分分析法(PCA)通過公式(4)的線性變換方法將直方圖分段頻度值向量P＝{p1～pm}T轉(zhuǎn)換為n個(gè)新的變量，即n個(gè)主成分(Z1～Zn),(n≤m)。這里A是主成分變換矩陣，變換系數(shù)aij通過正常狀態(tài)數(shù)據(jù)獲得。此外，正常狀態(tài)下的直方圖分段頻度值向量P的協(xié)方差矩陣固有值向量用λ＝{λ1,λ2,…,λn}T表示，λi是第i個(gè)主成分的標(biāo)準(zhǔn)方差，通過λi在固有值向量中所占比例求第i個(gè)主成分的貢獻(xiàn)率，一般選擇貢獻(xiàn)率大(總計(jì)貢獻(xiàn)率＞80％)的r個(gè)主成分識(shí)別對(duì)象物狀態(tài)。公式(4)中i＝1,2,…,n；j＝1,2,…,m。步驟(3.1.1)，在學(xué)習(xí)階段通過測試獲得正常狀態(tài)時(shí)的信號(hào)數(shù)據(jù)，求如公式(5)所示的I個(gè)正常信號(hào)樣本數(shù)據(jù)的直方圖分段頻度值矩陣PI，公式(5)k＝1,2,…,m；i＝1,2,…,I。步驟(3.1.2)，求得PI后根據(jù)參考文獻(xiàn)：Bro,R.,andSmilde,A.K.,2014,“Principalcomponentanalysis.AnalyticalMethods”,6(9),pp.2812-2831.中所示的方法可以求得公式(4)中的主成本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
1.基于時(shí)域直方圖特征提取的對(duì)象物狀態(tài)識(shí)別方法，其特征在于，是一種把經(jīng)采集、降噪后的對(duì)象物的時(shí)域信號(hào)轉(zhuǎn)換為時(shí)域直方圖后再用多變量解析法(主成分分析法或者典型判別分析法)或者人工智能方法(如：神經(jīng)網(wǎng)絡(luò)，但是不僅僅限定于神經(jīng)網(wǎng)絡(luò))進(jìn)行統(tǒng)合以識(shí)別對(duì)象物狀態(tài)的方法，在計(jì)算機(jī)中依次分為學(xué)習(xí)階段和識(shí)別階段來實(shí)現(xiàn)，步驟如下：步驟(1)，設(shè)定采樣時(shí)間和采樣頻率，采用傳感器采集對(duì)象物信號(hào)樣本，并且利用各種濾波方法去除測得信號(hào)中的噪聲。得到時(shí)域信號(hào)波形曲線，橫軸為時(shí)間，縱軸為幅值。步驟(2)，求時(shí)域信號(hào)直方圖，步驟如下：步驟(2.1)，首先把在信號(hào)采樣時(shí)間T內(nèi)的信號(hào)的縱坐標(biāo)分割成間隔為(xi+1?xi)的數(shù)個(gè)區(qū)間，每個(gè)區(qū)間的直方圖的值h(xi)如下式所示：

【技術(shù)特征摘要】
1.基于時(shí)域直方圖特征提取的對(duì)象物狀態(tài)識(shí)別方法，其特征在于，是一種把經(jīng)采集、降噪后的對(duì)象物的時(shí)域信號(hào)轉(zhuǎn)換為時(shí)域直方圖后再用多變量解析法(主成分分析法或者典型判別分析法)或者人工智能方法(如：神經(jīng)網(wǎng)絡(luò)，但是不僅僅限定于神經(jīng)網(wǎng)絡(luò))進(jìn)行統(tǒng)合以識(shí)別對(duì)象物狀態(tài)的方法，在計(jì)算機(jī)中依次分為學(xué)習(xí)階段和識(shí)別階段來實(shí)現(xiàn)，步驟如下：步驟(1)，設(shè)定采樣時(shí)間和采樣頻率，采用傳感器采集對(duì)象物信號(hào)樣本，并且利用各種濾波方法去除測得信號(hào)中的噪聲。得到時(shí)域信號(hào)波形曲線，橫軸為時(shí)間，縱軸為幅值。步驟(2)，求時(shí)域信號(hào)直方圖，步驟如下：步驟(2.1)，首先把在信號(hào)采樣時(shí)間T內(nèi)的信號(hào)的縱坐標(biāo)分割成間隔為(xi+1-xi)的數(shù)個(gè)區(qū)間，每個(gè)區(qū)間的直方圖的值h(xi)如下式所示：這里，H(xi)是概率密度函數(shù)值，Δt1,Δt2,…,Δtn是信號(hào)穿過區(qū)間(xi+1-xi)的時(shí)間。如果信號(hào)是離散數(shù)據(jù)，則Δt1,Δt2,…,Δtn被替換成信號(hào)數(shù)據(jù)在區(qū)間(xi+1-xi)中個(gè)數(shù)的n1,n2,…,nn，直方圖的值h(xi)如下式所示：步驟(2.2)，在必要情況下，壓縮直方圖維數(shù)(區(qū)間)。利用移動(dòng)平均濾波法壓縮直方圖維數(shù)(區(qū)間)，壓縮前直方圖為N0維，壓縮后N維。即將N0個(gè)直方圖區(qū)間分為N組(N0≥N)，每組中包含q個(gè)直方圖值(h1,h2,…,hq)。計(jì)算每組中q個(gè)(h1,h2,…,hq)直方圖的平均值xi，以下稱xi為“直方圖分段頻度值”。q通過下式確定。q＝KFs/Fc在這里，K是系數(shù)(一般，K＝0.3至0.6)，F(xiàn)c表示截止頻譜，F(xiàn)s表示采用頻率。Fc一般取10～200Hz。步驟(3)，使用多變量解析法(主成分分析法，PCA:PrincipleComponentAnalysis，步驟(3.1)，或者典型判別分析法，CDA：CanonicalDiscriminantAnalysis，步驟(3.2)，或者人工智能方法，如神經(jīng)網(wǎng)絡(luò)，NN:Neuralnetwork，步驟(3.3)，但是不僅僅限定于神經(jīng)網(wǎng)絡(luò))統(tǒng)合上述直方圖分段頻度值進(jìn)行狀態(tài)識(shí)別及診斷。步驟(3.1)，用主成分分析法統(tǒng)合直方圖分段頻度值，判斷對(duì)象物狀態(tài)。步驟(3.1.1)，在學(xué)習(xí)階段，通過測試獲得正常狀態(tài)時(shí)的信號(hào)數(shù)據(jù)，求如下式所示的I個(gè)正常信號(hào)樣本數(shù)據(jù)的m個(gè)直方圖分段頻度值矩陣PI,此式中k＝1,2,…,m；i＝1,2,…,I：步驟(3.1.2)，用PI按照主成分分析法求下式中的參數(shù)矩陣A,此式中i＝1,2,…,n；j＝1,2,…,m,(n≤m)。此外，正常狀態(tài)下的直方圖分段頻度值向量PI的協(xié)方差矩陣固有值向量用λ＝{λ1,λ2,…,λn}T表示，其中λi是第i個(gè)主成分zi的標(biāo)準(zhǔn)方差，通過λi在固有值向量中所占比例求可知第i個(gè)主成分zi的貢獻(xiàn)率，選擇貢獻(xiàn)率大的r個(gè)主成分(總計(jì)貢獻(xiàn)率＞80％)識(shí)別對(duì)象物狀態(tài)。步驟(3.1.3)，識(shí)別或診斷時(shí)通過測試獲得診斷信號(hào)數(shù)據(jù)后，求如下式所示的診斷信號(hào)的J個(gè)樣本的m個(gè)直方圖分段頻度值矩陣PJ,此式中i＝1,2,…,m；j＝1,2,…,J。步驟(3.1.4)，依據(jù)下式進(jìn)行歸一化處理。其中和Spnij分別是在正常狀態(tài)下的pij的平均值和標(biāo)準(zhǔn)方差。步驟(3.1.5)，得到如下式所示的歸一化處理后的診斷信號(hào)的J個(gè)樣本信號(hào)數(shù)據(jù)的m個(gè)直方圖分段頻度值矩陣P'J,此式中i＝1,2,…,m；j＝1,2,…,J...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：宋瀏陽，王華慶，陳山鵬，
申請(qǐng)(專利權(quán))人：宋瀏陽，王華慶，陳山鵬，
類型：發(fā)明
國別省市：北京,11