一種振動信號特征頻率帶的提取方法及裝置的制造方法
【技術領域】
[0001] 本發明涉及機構檢測領域，特別是一種振動信號特征頻率帶的提取方法及裝置。
【背景技術】
[0002] 滾動軸承的狀態監測對設備的安全運行具有重要意義，設備狀態監測和故障診斷 可以分為三個步驟：信號采集、特征提取、狀態識別。分析設備振動信號是最常用的故障診 斷手段，如何從非線性、非平穩特性的振動信號中提取出表征軸承故障狀態的特征信息是 實現軸承故障診斷的關鍵。時頻分析方法是非線性、非平穩信號分析的有力工具，常用的 分析方法有：小波變換、短時傅里葉換、魏格納-維爾分布（Wigner-Ville Distribution， WVD)，希爾伯特黃變換（Hilbert-Huang Transform，HHT)等。小波變換方法的特征提取效 果很大程度上受到小波基函數選擇的限制，而小波基函數的自適應性不強；短時傅立葉變 換是線性變換，對于多分量信號其變換不存在交叉項，但其時頻聚集性不好;WVD的時頻聚 集性非常好，但對于多分量信號會產生交叉項，HHT目前在機械故障振動信號分析方面應用 最為廣泛。
[0003] 現有研究中多采用振動信號的時域、頻域和時頻域的統計特性來作為故障的特征 信息，例如平均值、標準差、峰度、偏度、形狀因數、能量熵等。Ali等提取振動信號每一個 (Intrinsic Mode Function，IMF)分量的11種時域統計特征來訓練人工神經網絡，實現滾 動軸承的故障診斷；Shen等從IMF分量中提取出16種時域統計特性和13種頻域特性，并 利用距離評價技術從中選取目標更加敏感的特征信息，來提高齒輪箱異常識別的準確率。 Zhang等利用兩種時域統計特性和兩種頻域統計特性來訓練SVM，并提出一種新型混合參 數優化算法來提高滾動軸承的故障識別率；Bafroui等提取出振動信號64個時間尺度下的 小波系數，并利用能量熵從中選出更能夠表征故障種類的24個尺度，利用24個尺度下的小 波系數統計特性作為人工神經網絡故障分類器的輸入，來提高軸承故障分類器的識別率。 上述研究中的故障診斷模型都是基于統計特征的，然而，統計特征中只能包含振動信號中 部分故障相關的特征信息，無法對故障特征進行完整的描述，僅使用統計特征作為故障特 征信息，可能故障識別準確率的下降。
[0004] 嘗試使用振動信號經過HHT得到的邊際譜作為軸承故障分類器的輸入信號，來實 現軸承故障的分類，實驗結果表明邊際譜能夠有效的表征軸承故障的種類。然而，由于噪 聲信號及EMD (Empirical Mode Decomposition, EMD)自身的問題，邊際譜中不可避免地包 含一些與故障類型相關性小或不相關的信息，這些信息不僅使故障類型的特征空間變得龐 大，同時還會給故障的分類帶來干擾，降低故障診斷的精度。
[0005] 因此如何設計出一種故障識別率高和抗噪聲能力質量好的振動信號特征頻率帶 的提取方法是業界亟需解決的課題。
【發明內容】
[0006] 為了解決上述現有的技術問題，本發明提供一種振動信號特征頻率帶的提取方法 及裝置以提取到的故障識別率高和抗噪聲能力質量好的振動信號特征頻率帶。
[0007] 本發明提供一種振動信號特征頻率帶的提取方法，包括：
[0008] 獲取振動信號的邊際譜；
[0009] 利用滑動窗口將所述邊際譜劃分成多個窗口邊際譜，對至少二種故障狀態下的同 一頻率帶下的窗口邊際譜集合進行聚類分析，以計算生成每個頻率帶窗口邊際譜集合的聚 類效果評價指標；
[0010] 根據所述聚類效果評價指標提取出故障敏感的特征頻率帶。
[0011] 優選地，所述獲取振動信號的邊際譜的步驟具體包括：
[0012] 獲取振動信號；
[0013] 將所述振動信號進行希爾伯特黃變換以獲取所述振動信號的邊際譜。
[0014] 優選地，所述根據所述聚類效果評價指標提取出故障敏感的特征頻率帶的步驟包 括：將所述聚類效果評價指標值從大到小進行排序，并按順序將每個窗口對應的頻率段進 行疊加，當得到的頻率點數大于預設閥值時，停止疊加以生成振動信號的特征頻率帶。
[0015] 優選地，還包括步驟：
[0016] 利用特征頻率帶下的邊際譜信息完成對支持向量機分類器進行訓練，生成特征頻 率帶分類模型。
[0017] 優選地，所述邊際譜的計算公式為：
[
[0019] h (W)為邊際譜，且
[0020] 優選地，所述支持向量機分類器計算依據公式：
[0022] 本發明還提供一種振動信號特征頻率帶的提取裝置，包括
[0023] 獲取模塊，用于獲取振動信號的邊際譜；
[0024] 評價指標計算模塊，用于利用滑動窗口將所述邊際譜劃分成多個窗口邊際譜，對 至少二種故障狀態下的同一頻率帶下的窗口邊際譜集合進行聚類分析，以計算生成每個頻 率帶窗口邊際譜集合的聚類效果評價指標；以及
[0025] 特征頻率帶提取模塊，用于根據所述聚類效果評價指標提取出故障敏感的特征頻 率帶。
[0026] 優選地，所述獲取模塊具體包括：
[0027] 信號獲取單元，用于獲取振動信號；
[0028] 邊際譜生成單元，用于將所述振動信號進行希爾伯特黃變換以獲取所述振動信號 的邊際譜。
[0029] 優選地，所述特征頻率帶提取模塊具體用于將所述聚類效果評價指標值從大到小 進行排序，并按順序將每個窗口對應的頻率段進行疊加，當得到的頻率點數大于預設閥值 時，停止疊加以生成振動信號的特征頻率帶。
[0030] 相較于現有技術，本發明優選實施例的振動信號特征頻率帶的提取方法，通過利 用滑動窗口將所述邊際譜劃分成多個窗口邊際譜，對不同故障狀態下的同一頻率帶下的 窗口邊際譜集合進行聚類分析，以計算生成每個頻率帶窗口邊際譜集合的聚類效果評價指 標，并根據所述聚類效果評價指標提取出故障敏感的特征頻率帶具有提取到的振動信號特 征頻率帶具有故障識別率高和抗噪聲能力質量好的優點。
[0031] 本發明具有提取到的振動信號特征頻率帶具有故障識別率高和抗噪聲能力質量 好的優點。
【附圖說明】
[0032] 圖1為本發明一優選實施例的振動信號特征頻率帶的提取方法的方框示意圖；
[0033] 圖2為本發明的特征頻率帶分類模型工作過程示意圖；
[0034] 圖3為麗SC方法中窗口邊際譜集合RI值隨窗口起始頻率位置的變化曲線示意 圖；
[0035] 圖4為7種故障狀態中各隨機選取序列示意圖；
[0036] 圖5為本發明優選實施例的振動信號特征頻率帶的提取裝置的結構示意圖。
【具體實施方式】
[0037] 下面結合【附圖說明】及【具體實施方式】對本發明進一步說明。
[0038] 請參閱圖1，其為本發明一優選實施例的振動信號特征頻率帶的提取方法的方框 示意圖。
[0039] 本發明實施例的振動信號特征頻率帶的提取方法包括：
[0040] Sl:獲取振動信號的邊際譜；
[0041] 本步驟中，首先獲取振動信號，然后將獲取到的振動信號進行希爾伯特黃 (Hilbert-Huang Transform，H