[发明专利]隐马尔科夫模型振动信号分析方法装置、存储介质和终端

说明书

本发明公开了一种隐马尔科夫模型振动信号状态分析方法和装置、存储介质和终端，其中方法包括获取振动信号数据，通过预设滤波方式对振动信号数据进行滤波处理，得到特征信号；通过预设分类方式对特征信号进行分类；通过预设分段算法对每类信号进行分段处理；通过基于密度的时空聚类算法分别对每类分段数据进行聚类，获取至少一类聚类结果；基于每类聚类结果构建隐马尔科夫模型，并基于隐马尔科夫模型中的维特比算法对待处理特征信号进行预测诊断。本发明采用基于时空密度的聚类方法对分段时空序列数据进行聚类处理，然后通过聚类结果建立的隐马尔科夫模型进行预测诊断，消除时间序列分类局限性，提高分析结果的准确性和有效性。

技术领域

本发明涉及传感信号分析、故障诊断与寿命预测技术领域，尤其涉及一种隐马尔科夫模型振动信号分析方法装置、存储介质和终端。

背景技术

目前，通过传感器获取振动信号并对其进行监测的方式具有实时、在线、方便、快捷等优点，因此其被广泛的应用到大型化、高速化、集成化和自动化程度高的国防、工业、机械、石化、运载和能源等行业领域。例如，可利用采集的振动信号进行战场无人自动侦查侦测、车辆舰船直升机等作战装备的健康监测、机械故障诊断、工业移动设备状态分析、地震预测等。对振动信号进行采集和状态分析，及时准确地发现早期征兆、提前获得重要的侦测、监测、诊断信息，并依此做出预判，能有效避免可能的事故、灾难和损失的发生。因此对振动信号进行研究具有重要意义，相关的理论研究和应用在军事界、学术界和工业领域已得到广泛的重视。

使用传感器采集的振动信号并从振动信号中提取特征信息，然后用隐马尔科夫模型进行预测是实现战场侦测、作战装备健康监测、机械故障诊断的一种重要方法。但由于现在所提取振动信号的环境通常较为复杂，因此采集得到的振动信号通常会存在非平稳、非线性、非高斯、含大量噪声、复杂等特点，为振动信号的状态分析增加了难度。而且仅仅使用隐马尔科夫模型的时间序列分类能力进行信号状态分析，会带来一定的局限性，进而影响分析结果的准确性。

发明内容

本发明所要解决的技术问题是现有采集到的振动信号存在非平稳、非线性、非高斯、含大量噪声、复杂等特点，为振动信号的状态分析增加了难度，且现有的振动信号预测方式仅使用隐马尔科夫模型的时间序列分类能力进行信号状态分析，存在一定的局限性，进而影响分析结果。

为了解决上述技术问题，本发明提供了一种隐马尔科夫模型振动信号分析方法，包括：

获取振动信号数据，通过预设滤波方式对所述振动信号数据进行滤波处理，得到特征信号组；

通过预设分类方式对所述特征信号组进行分类，获取至少一类信号；

通过预设分段算法分别对每类信号进行处理，得到至少一类分段数据；

通过基于密度的时空聚类算法分别对每类分段数据进行聚类，获取至少一类聚类结果；

基于每类所述聚类结果分别构建隐马尔科夫模型，获取隐马尔科夫模型组；

基于所述隐马尔科夫模型组中隐马尔科夫模型的维特比算法对待处理信号进行预测诊断。

优选地，所述预设滤波方式为最小熵解卷积法。

优选地，所述预设分类方式为余弦相似熵算法。

优选地，通过预设分段算法对第一类信号进行处理，得到第一类分段数据包括：

通过预设分段算法分别对所述第一类信号中的所有特征信号进行分段处理，得到第一类分段数据；

其中，所述通过预设分段算法对所述第一类信号中的第一特征信号进行分段处理，得到多个第一类预分段数据包括：

基于第一特征信号的时空序列中数据点的时间属性和空间属性设定转折点所需满足的预设条件；