[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

摘要

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。

主权项

1.基于时域直方图特征提取的对象物状态识别方法，其特征在于，是一种把经采集、降噪后的对象物的时域信号转换为时域直方图后再用多变量解析法(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)，设定采样时间和采样频率，采用传感器采集对象物信号样本，并且利用各种滤波方法去除测得信号中的噪声。得到时域信号波形曲线，横轴为时间，纵轴为幅值。步骤(2)，求时域信号直方图，步骤如下：步骤(2.1)，首先把在信号采样时间T内的信号的纵坐标分割成间隔为(xi+1‑xi)的数个区间，每个区间的直方图的值h(xi)如下式所示：这里，H(xi)是概率密度函数值，Δt1,Δt2,…,Δtn是信号穿过区间(xi+1‑xi)的时间。如果信号是离散数据，则Δt1,Δt2,…,Δtn被替换成信号数据在区间(xi+1‑xi)中个数的n1,n2,…,nn，直方图的值h(xi)如下式所示：步骤(2.2)，在必要情况下，压缩直方图维数(区间)。利用移动平均滤波法压缩直方图维数(区间)，压缩前直方图为N0维，压缩后N维。即将N0个直方图区间分为N组(N0≥N)，每组中包含q个直方图值(h1,h2,…,hq)。计算每组中q个(h1,h2,…,hq)直方图的平均值xi，以下称xi为“直方图分段频度值”。q通过下式确定。q＝KFs/Fc在这里，K是系数(一般，K＝0.3至0.6)，Fc表示截止频谱，Fs表示采用频率。Fc一般取10～200Hz。步骤(3)，使用多变量解析法(主成分分析法，PCA:Principle Component Analysis，步骤(3.1)，或者典型判别分析法，CDA：Canonical Discriminant Analysis，步骤(3.2)，或者人工智能方法，如神经网络，NN:Neural network，步骤(3.3)，但是不仅仅限定于神经网络)统合上述直方图分段频度值进行状态识别及诊断。步骤(3.1)，用主成分分析法统合直方图分段频度值，判断对象物状态。步骤(3.1.1)，在学习阶段，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个直方图分段频度值矩阵PI,此式中k＝1,2,…,m；i＝1,2,…,I：步骤(3.1.2)，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度值向量PI的协方差矩阵固有值向量用λ＝{λ1,λ2,…,λn}T表示，其中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％)识别对象物状态。步骤(3.1.3)，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个直方图分段频度值矩阵PJ,此式中i＝1,2,…,m；j＝1,2,…,J。步骤(3.1.4)，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(3.1.5)，得到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个直方图分段频度值矩阵P'J,此式中i＝1,2,…,m；j＝1,2,…,J。步骤(3.1.6)，把P'J代入到步骤(3.1.2)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,…,m；j＝1,2,…,J。步骤(3.1.7)，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(3.1.3)。步骤(3.2)，用典型判别分析法统合直方图分段频度值，判断对象物状态。步骤(3.2.1)，在学习阶段，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度值矩阵XIJ，此式中k＝1,2,…,p；i＝1,2,…,I；j＝1,2,…,J。步骤(3.2.2)，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aij，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(直方图分段频度值)，通过变换系数aij(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(直方图分段频度值)矩阵。在学习阶段得到能够识别各状态的最佳变换系数矩阵A。步骤(3.2.3)，在识别阶段，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个直方图分段频度值矩阵X'I。此式中k＝1,2,…,p；i＝1,2,…,I。步骤(3.2.4)，把X'I代入到步骤(3.2.2)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直方图分段频度值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,…,p；i＝1,2,…,I。步骤(3.2.5)，设在学习阶段中得到的状态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(3.2.3)。步骤(3.3)，用神经网络统合直方图分段频度值，判断对象物状态。步骤(3.3.1)，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个直方图分段频度值，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(3.3.2)，在学习阶段先根据神经网的学习方法用在步骤(3.3.1)得到的XYIJp对神经网络进行学习训练。步骤(3.3.3)，在识别或诊断阶段，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个直方图分段频度值矩阵X'I。此式中k＝1,2,…,p；i＝1,2,…,I。步骤(3.3.4)，把在步骤(3.3.3)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(3.3.3)。