[发明专利]基于频域直方图特征提取的对象物状态识别方法

摘要

基于频域直方图特征提取的对象物状态判别方法属于状态识别，尤其涉及异常状态下旋转机械故障识别技术领域。其特征在于，以频域直方图的分段频谱值取代一般特征参数，用多变量解析法(如：主成分分析法、典型判别分析法等)或人工智能方法(如：神经网络)判断对象物状态是否异常。本发明的优点在于无关信号在频域中的任何分布状态，也无需知道振动对象物的外在参数，能有效地识别对象物的状态。

主权项

1.基于频域直方图特征提取的对象物状态识别方法，其特征在于，是一种把采样降噪后的对象物时域信号转为频域直方图后，运用多变量解析法(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，但是不仅仅限定于神经网络)进行统合以识别对象物状态的方法，在计算机中依次分为学习阶段和识别阶段来实现，步骤如下：步骤(1)，按设定的采样频率和采样时间，采集对象物的信号，求信号的频谱。频谱的横轴为频率fi(序号i＝0,1,2…i,N,N为频率的总点数)，纵轴为fi处的频谱值，用F′(fi)表示。步骤(2)，按下式计算频率f0～fN范围的各信号正规化后的频谱值F(fi)，也称为频域直方图：步骤(3)，把横轴等分为M个频段，m＝1,2...m,...M，m为频段序号，根据下式求每个频段的频谱幅值的平均值：相邻频谱点的频率间隔。步骤(4)，按下式计算频域直方图的分段频谱值，简称直方图分段频谱值，用Vhist_m表示：Vhist_m＝μhist_m×Wm其中，W_m为频段m的权重值，步骤(5)，使用多变量解析法(主成分分析法，PCA:Principle Component Analysis，步骤(5.1)，或者典型判别分析法，CDA：Canonical Discriminant Analysis，步骤(5.2)，或者人工智能方法，神经网络，NN:Neural network，步骤(5.3))统合上述直方图分段频谱值进行状态识别及诊断。步骤(5.1)，用主成分分析法统合直方图分段频谱值、判断对象物状态。步骤(5.1.1)，通过测试获得正常状态时的信号数据，求如下式所示的I个正常信号样本数据的m个直方图分段频谱值矩阵PI，此式中k＝1,2,…,m；i＝1,2,…,I：步骤(5.1.2)，用PI按照主成分分析法求下式中的参数矩阵A，此式中i＝1,2,…,n；j＝1,2,…,m,(n≤m)。此外，正常状态下的直方图分段频谱值向量PI的协方差矩阵固有值向量λ＝{λ1,λ2,…,λn}T，λi是第i个主成分zi的标准方差，通过λi在固有值向量中所占比例求可知第i个主成分zi的贡献率，选择贡献率大的r个主成分(总计贡献率＞80％)作为特征参数识别对象物状态。步骤(5.1.3)，识别或诊断时通过测试获得诊断信号数据后，求如下式所示的诊断信号的J个样本的m个直方图分段频谱值矩阵PJ,此式中i＝1,2,…,m；j＝1,2,…,J。步骤(5.1.4)，依据下式进行归一化处理。其中和Sp_nij分别是在正常状态下的p_ij的平均值和标准方差。步骤(5.1.5)，求如下式所示的归一化处理后的诊断信号的J个样本信号数据的m个直方图分段频谱值矩阵P'J，此式中i＝1,2,…,m；j＝1,2,…,J。步骤(5.1.6)，把P'J代入到步骤(5.1.2)所出的公式中，采用正常状态时的主成分变换矩阵A得到统合后的主成分如下式所示，此式中i＝1,2,…,n；j＝1,2,…,J。步骤(5.1.7)，设正常状态时的主成分的平均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物为状态异常，下式中的K是系数，一般K的范围一般是2到6。判定对象物状态后返回到步骤(5.1.3)。步骤(5.2)，用典型判别分析法统合直方图分段频谱值、判断对象物状态。步骤(5.2.1)，如果有J种状态需要识别，需要事先通过测试获得各状态的信号数据。然后求如下式所示的J个种群(即为J个状态)、I个样本信号的直方图分段频谱值矩阵XIJ，此式中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。步骤(5.2.2)，依据典型判别分析法的方法求下式中能够识别各状态的最佳变换系数aji，并且得到按照识别率高低排序的典型变量z1,z2,…,zn。上式中：X1,X2,…,Xp是初始变量(直方图分段频谱值)，通过变换系数aji(i＝1,2,…,n；j＝1,2,…,p)转化为新变量(也称为：典型变量)z1,z2,…,zn。Z是典型变量矩阵，A是变换系数矩阵，X是初始变量(直方图分段频谱值)矩阵。在学习步骤得到能够识别各状态的最佳变换系数矩阵A。步骤(5.2.3)，在诊断步骤，通过测试获得诊断信号数据后，求如下式所示的诊断信号的I个样本数据的p个直方图分段频谱值矩阵X'I。此式中k＝1,2,…,p；i＝1,2,…,I。步骤(5.2.4)，把X'I代入到步骤(5.2.2)所示的公式，用在学习阶段得到能够识别各状态的最佳变换系数矩阵A进行变量变换得到统合后的典型变量如下式所示，选择前m个识别率高的典型变量识别对象物的状态。此式中k＝1,2,…,n；i＝1,2,…,I。步骤(5.2.5)，设在学习过程中得到的状态k的典型变量的平均值与标准方差分别是和根据概率统计理论，如果满足下式则判定对象物不是状态k，下式中的K是系数，一般K的范围是2到6。判定对象物状态后返回到步骤(5.2.3)。步骤(5.3)，用神经网络统合直方图分段频谱值，判断对象物状态。步骤(5.3.1)，如果有J种状态需要识别，需要事先通过测试获得各状态的信号数据后，求I个样本信号数据的p个直方图分段频谱值，得到如下式所示的学习数据与教师数据矩阵XYIJp，此式中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。步骤(5.3.2)，在学习步骤先根据神经网的学习方法用在步骤(5.3.1)得到的XYIJp对神经网络进行学习训练。步骤(5.3.3)，在诊断步骤，通过测试获得诊断信号数据后，求如下式所示的诊断信号的I个样本信号数据的p个直方图分段频谱值矩阵X'I。此式中k＝1,2,…,p；i＝1,2,…,I。步骤(3.3.4)，把在步骤(5.3.3)得到的X'I输入到已经学习完的神经网络进行诊断。判定对象物状态后返回到步骤(5.3.3)。