一种机械设备故障信号特征提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108830129A(43)申请公布日2018.11.16(21)申请号201810268645.1(22)申请日2018.03.29(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号申请人天奇自动化工程股份有限公司(72)发明人楼佩煌郭大宏钱晓明屠嘉晨张炯(74)专利代理机构南京经纬专利商标代理有限公司32200代理人施昊(51)Int.Cl.G06K9/00(2006.01)G01M13/00(2006.01)权利要求书2页说明书3页附图1页(54)发明名称一种机械设备故障信号特征提取方法(57)摘要本发明公开了一种机械设备故障信号特征提取方法，步骤为：利用传感器采集机械设备的各零部件的状态信号；对采集的状态信号进行经验小波变换，得到信号分解的模态分量；计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。本发明能够有效去除原始信号中包含的噪声，同时又能够保留信号中有用的特征，为机械设备的故障诊断提供了必要依据。CN108830129ACN108830129A权利要求书1/2页1.一种机械设备故障信号特征提取方法，其特征在于，包括以下步骤：(1)利用传感器采集机械设备的各零部件的状态信号；(2)对采集的状态信号进行经验小波变换，得到若干信号分解的模态分量；(3)计算各模态分量与原始信号之间的相关系数，选取与原始信号相关度最高的若干模态分量作为最优模态分量；(4)对最优模态分量构造Hankel矩阵，再进行奇异值分解，得到各最优模态分量的特征值；(5)对各最优模态分量的特征值进行降维，将降维后的特征值组合成故障特征向量。2.根据权利要求1所述机械设备故障信号特征提取方法，其特征在于，在步骤(2)中，分解的模态分量的计算公式如下：上式中，fn(t)是第n个模态分量，n＝1,2,…,N，N为模态分量的个数，为经验小波变换，ψn(t)是经验小波函数；其中：上式中，是原始信号f(t)的傅里叶变换，是ψn(t)的傅里叶变换，是的共轭，(*)V表示取括号内的反函数；在上式中，将Fourier支撑区间[0,π]分割成N个连续的区间，ωn表示第n个区间的界限，n＝1,2,…,N；其中：τn＝γωnβ(x)＝x4(35-84x+70x2-20x3)。3.根据权利要求1所述机械设备故障信号特征提取方法，其特征在于，在步骤(3)中，模态分量与原始信号之间的相关系数计算公式如下：上式中，是相关系数，fn(t)是模态分量，f(t)是原始信号，是fn(t)的均值，μf是f(t)的均值，是fn(t)的方差，μf是f(t)的方差，E表示数学期望。4.根据权利要求1所述机械设备故障信号特征提取方法，其特征在于，步骤(4)的具体过程如下：对最优模态分量构造Hankel矩阵，以1为延迟步长，即每行/列比上一行/列滞后一个数2CN108830129A权利要求书2/2页据点，得到相应的p×q阶矩阵：其中，q＝Q-p+1，当Q为偶数时，p＝Q/2，当Q为奇数时，p＝(Q+1)/2；对矩阵Ap×q进行奇异值分解，存在p阶酉矩阵V和q阶酉矩阵U使得：其中，上标H表示共轭转置，∑＝diag(σ1,...,σr)，且σ1≥...≥σr≥0，σi为矩阵Ap×q的特征值，r为矩阵Ap×q的秩。5.根据权利要求1所述机械设备故障信号特征提取方法，其特征在于，在步骤(5)中，采用主成分分析法对特征值进行降维。3CN108830129A说明书1/3页一种机械设备故障信号特征提取方法技术领域[0001]本发明属于智能系统技术领域，特别涉及了一种机械设备故障信号特征提取方法。背景技术[0002]随着汽车生产线装配输送设备趋向于复杂化和多功能化，设备的日常维护和诊断变得越来越困难，传统的人工诊断和维护难以满足日益提升的生产需求和效率。因此，需要提高制造装备的智能化程度，实现制造信息多维感知、协同故障诊断与运行健康预警，从而实现一种通用的自动故障方法。为了实现对机械设备的故障诊断，首先需要提取信号中包含的故障特征。传统的信号特征提取方法基于时域和频域的分析，通过时频变换来提取故障信号中包含的时频特性，如故障频段，频率变化以及幅值变化等。[0003]文献“基于小波变换与SVM的复杂装备故障诊断研究，火力与指挥控制，2016，41(6)”利用小波变换对信号进行了去噪，直接将变换后的去噪信号作为故障特征。这些方法虽然很好地对信号进行了去噪处理，得到了良好的故障特征信号，但是无法通过机器学习算法直接进行自动故障