[发明专利]基于时域直方图特征提取的对象物状态识别方法

说明书

基于时域直方图特征提取的对象物状态识别方法属于状态识别领域，尤其涉及旋转机械故障识别技术领域。其特征在于以时域直方图取代一般特征参数，并且使用多变量解析法(如：主成分分析法等)或人工智能方法(如：神经网络等)统合直方图进行状态诊断或模式识别。本发明的优点在于与信号在时域中的概率分布类型无关，也无需知道振动对象物的外形尺寸及转速就能提取信号特征识别对象物状态或故障类型。

技术领域

本发明属于状态识别领域尤其涉及旋转机械状态监测与故障识别技术领域。

背景技术

为了进行状态识别，以往的状态诊断及模式识别方法大多基于测得信号服从正态分布的假设，计算状态诊断所需的时域及频域有量纲和无量纲特征参数。然而，状态诊断及模式识别的对象物不同或对象物状态不同时，信号的概率密度分布不同。如果直接分析信号的时域直方图，则不仅限于正态分布，无论信号服从什么分布都可以直接提取信号的特征，有效地识别对象物状态。

到现在为止，在诸多领域中，已有多种诊断装置和模式识别装置的提案，这些发明也涉及了状态诊断及模式识别之前的信号特征提取方法。与本发明相关性较强的文献列举如下。在专利文献1，2，3当中，发明的信号特征提取模块使用硬件滤波去除信号中的噪声，利用傅里叶变换将信号变换到复数域并提取信号特征。

在专利文献4当中，针对难以获得可靠信号特征的问题，提出了记录用于状态识别的信息，通过差分方法提取信号特征的方法。在专利文献5当中，提出了经小波分解后分别进行多次的随机共振处理，将几次随机共振处理的输出作互相关，再对互相关结果作快速傅立叶变换，从而提取故障特征信息的方法。但以往文献中没有类似本发明的通过时域、频域直方图进行信号特征解析的方法。

【专利文献1】专利201610560723

【专利文献2】申请号CN201510685473.4

【专利文献3】公开号CN103048137A

【专利文献4】公开号CN102608008 A

【专利文献5】申请号CN200910093658.0

在对象物的状态诊断和模式识别领域提取信号特征是最重要的内容。比如，在生产现场，为了防止旋转机械故障，经常将振动信号或声音信号解析方法应用于状态监控和故障诊断。至今为止有许多使用振动信号或声音信号计算得到的特征参数被用与旋转机器状态诊断。然而，计算一般特征参数时需要假设信号服从正态分布。实际上根据信号分析结果得知：并不是所有的异常信号都服从正态分布。因此，使用以往的特征参数进行设备诊断时，诊断精度有待进一步提高。

另外，通常使用人工智能方法(例如，蚁群优化算法，例子群优化算法，支持向量机，模糊方法和神经网络等)进行精密诊断识别异常类型。使用这些方法进行精密诊断几乎都要计算特征参数。计算有些特征参数时必须知道对象部品的外形尺寸(例如，轴承诊断时需知道轴承外径、内径、滚动体个数及直径等)，还必须知道轴的转速。但是，在生产现场不分解设备进行查验就不能得知零部件规格或转速的情况很多。这类情况下难以得到精密诊断所必须的诊断信息。并且，特征参数的种类很多，异常类型的种类也很多，识别不同类型异常所使用的敏感参数不同，要找到识别特定异常类型的灵敏度的高的特征参数难度也很大。

发明内容

为了解决上述问题，有效进行状态诊断或模式识别，例如有效进行设备状态监测及故障诊断，本发明根据时域直方图可以直接反映测得信号特征及设备特征的理论，提出了有效且有普遍适用性的“基于时域直方图特征提取法的状态识别方法”。本方法可在不知道诊断对象或零部件的型号和转速时通过直方图提取信号的特征，无论信号服从什么分布都可以通过时域直方图代替一般的特征参数，通过多变量解析法(主成分分析法或者典型判别分析法)或者人工智能方法(如：神经网络)统合直方图，进行状态诊断和模式识别。

本发明的目的之一在于提出了一种基于时域直方图的特征提取的对象物状态识别方法。