[发明专利]一种基于同步平均主成分时频分析的确定性信号提取方法

说明书

本发明公开了一种基于时域平均主成分构建和时频联合分析的确定性信号提取方法，属于机械的信号处理领域，包括以下步骤：(1)因数矩阵构建；(2)TSA矩阵构建；(3)基于能量指标的矩阵重排；(4)基于差异谱和能量占比的矩阵降维；(5)基于主成分分析的矩阵分解；(6)基于主成分能量指标的矩阵重构；(7)TSA各阶主成分的频域分析；(8)TSA各阶主成分的时频分析。利用本发明，能够在低信噪比条件下实现确定性信号的有效提取。

技术领域

本发明属于机械的信号处理领域，尤其是涉及一种基于时域平均主成分构建和时频联合分析的确定性信号提取方法。

背景技术

机械设备在运行过程中会产生信息量丰富的声音和振动时域信号，目前机械设备的信号分析方法主要有三类：时域分析、频域分析和时频分析。

时域分析主要分为两类，第一类时域分析方法是统计参数分析，选取目标时域信号，计算其对应的各类统计参数进行分析，如平均值、峰值、峰峰值、标准差、方差、均方根等。第二类时域分析方法是整体观察和趋势预测，一方面关注信号峰值的大小、不同时段幅度大小、信号峰值对应的时间、同一形状的波形重复出现的周期长短等，另一方面关注信号变化情况，并在此基础上进行信号变化趋势的预测。

频域分析的主要手段是快速傅里叶变换，快速傅里叶变换的基本思想是将目标时域信号分解成不同周期的三角函数，能够完美地描述平稳信号的频率分布情况，但是不适用于非平稳信号的分析。

时频分析的主要方法主要有短时傅里叶变换和小波变换。短时傅里叶变换的基本思想是通过信号加窗的方式将目标时域信号分解成许多小段，将每一小段信号近似为平稳信号，对每一段信号进行傅里叶变换得到频谱分析结果，并将所有的频谱分析结果进行组合，从而得到目标信号的时频联合分布。由于窗函数是固定的，所以短时傅里叶变换存在着时间分辨率和频率分辨率相互限制的缺陷。不同于傅里叶变换以无限长的三角函数作为基函数对目标信号进行分解，小波变换是以小波函数作为基函数，通过对基函数的伸缩和平移操作实现不同频率段和不同时间点的信号分析，进而保证小波时频分析结果在低频处有较高的频率分辨率，在高频处有较高的时间分辨率，实现时频分析的自适应表征。

以上方法中，时域方法只能获取时域信息，无法获得频域信息，限制较大；而频域分析能够提取信号中具有确定周期性的成分，但是不适用于非平稳信号分析，而机械设备实际运行中的噪声和振动信号往往都是非平稳信号；时频分析能够获得时间和频率两个维度的表征，但是往往存在时间分辨率和频率分辨率相互限制的缺陷，并且在确定性信号信噪比较低的情况下，时频分析方法难以有效地将确定性信号提取出来，而机械的运行状态和故障信息往往反映为特定的确定性信号。

发明内容

本发明提供了一种基于同步平均主成分时频分析的确定性信号提取方法，能够在低信噪比条件下有效地提取时域信号中的确定性信号成分，可广泛运用于各类机械设备的实时监测、状态识别和故障诊断等领域。

一种基于同步平均主成分时频分析的确定性信号提取方法，包括以下步骤：

(1)选取需要分析的离散时域信号，截取信号长度总点数得到目标时域信号，并构建信号长度总点数的因数矩阵；

(2)将因数矩阵中的因数依次作为时域同步平均的分段数，对目标时域信号进行时域同步平均处理，得到每个因数对应的时域同步平均数组，将所有的时域同步平均数组进行组合，组成原始TSA矩阵；

(3)计算TSA矩阵每一行的均方根值作为能量指标，并按照能量指标从大到小的顺序对TSA矩阵进行重排；

(4)计算得到的能量指标的差异谱，基于差异谱峰值选取差异谱阶数；设定能量总和阈值，基于能量总和阈值选取能量阶数；在差异谱阶数和能量阶数中选择较大值作为最终降维阶数，并以此值对重排TSA矩阵进行降维处理；

(5)计算降维TSA矩阵对应的协方差矩阵，并对协方差矩阵进行特征分解，得到对应的特征值对角线矩阵和特征向量矩阵；