一种鲁棒的振动信号特征值计算方法与流程

1.本发明涉及测量测试技术领域，具体涉及一种鲁棒的振动信号特征值计算方法。


背景技术：

2.基于振动信号采集的故障诊断技术是一门紧密结合生产实际的工程科学，是现代化生产发展的产物。随着现代科学技术在设备上的应用，设备的结构越来越复杂，功能也越来越完善，自动化程度越来越高，由于许多无法避免的因素影响，会导致设备出现各种故障，从而降低或失去预定的功能，甚至会造成严重的乃至灾难性的事故。目前振动信号由于测量者在实际测量时读取或者记录数据的失误，亦或因为检测的仪器受到了随机干扰，这些都会使数据产生偏差，影响该信号的特征提取。数据异常区域识别作为一种数据预处理手段，能够判别采集的振动数据中的错误信息，尽最大可能地保证数据使用前的正确性。在故障数据有限的条件下，尽可能利用当前数据提取真实特征，降低异常突变区域信号对故障诊断效果的影响。随着对异常数据挖掘研究的深入，在故障诊断领域出现了许多异常数据挖掘算法：如基于假设检验的检测方法；基于线性模型统计的检测方法；基于聚类的检测方法；基于距离的检测方法等。
3.信号异常区域检测方法种类繁多，经验模态分解(emd)是由 huang，et al.提出的一种自适应的分解非线性非平稳信号的方法。由于emd的自适应性，我们可以从复杂数据中得到具有物理意义的潜在过程。hilbert-huang变换(hht)分析方法具有很好的时频聚集特性，通过emd方法从数据的局部特征时间尺度入手，将信号分解为不同特征尺度的有限个本征模态函数(imf)分量。由于异常突变点反应的局部特征时间尺度较小，即突变处的两相邻极值点间隔小，且其相邻的两个极大值点和极小值点的幅值差也相对正常信号大得多。
4.在数据样本中，与其他数据相比，有些数据的一般行为或是模型可能存在不一致性，这些数据就是异常点。很多数据挖掘算法想要最大限度地减少异常点的影响，或者剔除他们。通常情况下，异常点检测也叫作偏差检测，其原因是，对于期望的属性值或常见的属性值，异常点出现了明显地偏差。异常点检测也叫作离群点检测，其原因是，异常点在散布图上远离其他的点。异常点检测也叫作例外挖掘，其原因是，在某种意义上，异常点是例外的。
5.随着异常点挖掘方法的增多和对其研究的深入，异常点的定义也随之增多，一般可以分为下面几个方面旧引：
6.(1)异常点通常是聚类过程中的噪声数据，这些数据不属于任何聚类簇或聚类之中的小模式。
7.(2)异常点是与数据集中正常数据的行为有很大差异的数据对象，它不属于任何聚类簇也不是噪声数据。
8.(3)异常点是与数据集中大部分数据对象不一致，它明显偏离数据集中的其他数据对象且不满足于数据的一般模式或行为。
9.基于小波分析的异常检测方法，利用小波的多分辨分析性能，提取淹没在噪声中
的突变信息，但是该方法对小波基的合理选择是一个难题。
10.基于统计的异常点检测研究有一些新的方法，如为了对数据的总体特征有更深入的了解，需要先对数据的散度进行分析，也就是对数据变异指标进行分析，通过对变异指标的研究，了解数据的分布情况，进而发现数据中的异常点。标准差、极差、均差、四分位数间距和变异系数都是常用的数据变异指标。如果变异指标的值大说明变异较大、数据散布较广：如果变异指标的值小，说明变异较小、数据比较致密。但是，实际中的数据大多是多维的，因此需要在多维空间中进行异常点检测，而基于统计的异常点检测方法大多是针对单个属性的，对于多维数据的检测效果不太理想，另外这个方法只能检测该信号是否异常，而不能检测该信号异常区域。
11.基于距离的异常点检测方法是对基于统计思想的包含和扩展。当数据集不满足任何一种特定分布模型时，或是空间维数比较高的时候，算法也能有效检测出异常点。这种方法的缺点是对于所有的数据都采用统一的距离标准，而现实中的数据很可能会出现稀疏部分和稠密部分，它们之间应该采用不同的距离标准。
12.基于偏差的异常点检测方法操作简便，计算性能良好。但是这种方法太过理想化异常存在的假设，复杂化相异函数的定义，这是由于它对数据的特性不了解造成的。因此基于偏差的异常点检测方法对实际中复杂数据的效果不太好。
13.基于密度的异常点检测算法需要事先定义最小邻域个数和邻域的半径是，这两个参数的选取严重影响着最终的检测结果。


技术实现要素：

14.本发明是为了解决对异常振动信号估计特征的有效性，降低异常振动对特征值计算的干扰，通过短时傅里叶变换结合异常值监测原则识别信号跳变区域，将该异常区域中数据置为原始信号均值，计算修正后的信号有效值，可以提高信号特征值估计的鲁棒性，降低故障诊断误报率。
15.本发明提供一种鲁棒的振动信号特征值计算方法，包括以下步骤：
16.s1、短时傅里叶变换：对振动信号x进行短时傅里叶变换得到短时傅里叶变换频谱
17.s2、获得均值频谱：对短时傅里叶变换频谱按列计算获得均值频谱y；
18.s3、获得均值频谱的均值和标准差：计算获得均值频谱y的均值 my和标准差sy；
19.s4、获得局部极大值点：根据均值my和标准差sy设定阈值t，利用局部极大值法获得均值频谱y中大于阈值t的局部极大值点p；
20.s5、获得异常突变信号区：振动信号x中以局部极大值点p为中心，向左、右分别延拓异常点区间范围长度参数tol的长度的区域为异常突变信号区，异常突变信号区中的信号为异常突变信号，将异常突变信号中的振动信号设定为振动信号x的均值，得到去除异常突变信号后振动信号x
new
；
21.s6、获得去除异常突变信号后特征值：根据有效值计算公式估计去除异常突变信号后振动信号x
new
的特征值x
rms
。
22.本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s1中，振
动信号x＝[x1,x2,x3...,x
l
]，其中，l为振动信号x 的长度。
[0023]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s1中，进行短时傅里叶变换前设定如下参数：移动窗大小 window、相邻两帧信号重叠长度overlap、短时傅里叶变换数据长度 nfft和异常点区间范围长度参数tol。
[0024]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s1中，m＝fix(nfft/2) 1，其中，fix表示向下取整。
[0025]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s1中，n＝fix((l-overlap)/(window-overlap))。
[0026]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s1中，短时傅里叶变换的方法为：振动信号x某一时刻t 的振动信号为x(t)，选择一个时频局部化的窗函数g(t)，假定窗函数g(t) 在一个短时间间隔内是平稳的，移动窗函数g(t)，按照如下公式计算出各个不同时刻的频谱
[0027][0028]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，各个不同时刻的频谱组成短时傅里叶变换频谱
[0029]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s2中，均值频谱y为：y＝[y1,y2,y3...,yn]。
[0030]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s4中，阈值t为：
[0031]
t＝my a*sy，其中a为异常点监测阈值。
[0032]
本发明所述的一种鲁棒的振动信号特征值计算方法，作为优选方式，步骤s6中，有效值计算公式为：
[0033][0034]
针对复杂工业过程中振动信号异常区域检测的特殊性，本发明提出了一种异常区域检测的新方法。该方法首先将原始振动信号进行短时傅里叶变换，接着在每一个时间尺度上计算其平均谱，再根据预先给定的参数识别出平均谱的局部极大值点，该局部极大值点附近区域即为原始信号的异常区域，根据识别的异常区域计算原始信号的特征值，具体技术方案包含以下内容：
[0035]
短时傅立叶变换
[0036]
短时傅里叶变换(stft：short time fouriertransform)：给定信号x(t)，选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内是平稳(伪平稳)的，移动窗函数(通常取“hamming 窗”)，从而计算出各个不同时刻的频谱如下：
[0037][0038]
在原始振动信号中部分信号为背景噪声，在突变区域含有高频及低频信息，当对
上述信号做stft后，其时频分布会集中在信号发生突变的区域中。
[0039]sx
原则
[0040]
标准差(standard deviation)，在概率统计中最常使用作为统计分布程度上的测量。标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方根，它反映组内个体间的离散程度，标准差可以当作不确定性的一种测量。通过判断采样值是否符合预测值来决定振动信号是否为异常样本。测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远(同时与标准差数值做比较)，则认为测量值与预测值互相矛盾。因为如果测量值都落在一定数值范围之外，可以合理推论预测值是否正确。
[0041]
记原始振动信号x＝[x1,x2,x3...,x
l
]含有l个采样点:计算信号x 均值m
x
为：
[0042][0043]
则信号x无偏标准差σ
x
为：
[0044][0045]
σ
x
原则：数值分布在(m
x-σ
x
，m
x
σ
x
)中的概率为0.6526；2σ
x
原则：数值分布在(m
x-2σ
x
，m
x
2σ
x
)中的概率为0.9544；3σ
x
原则：数值分布在(m
x-3σ
x
，m
x
3σ
x
)中的概率为0.9974；其中在正态分布中σ
x
代表标准差，m
x
代表振动信号x＝[x1,x2,x3...,x
l
]的均值。由于“小概率事件”和假设检验的基本思想，“小概率事件”通常指发生的概率小于5％的事件，认为在一次试验中该事件是几乎不可能发生的。由此可见x落在(m
x-3σ
x
，m
x
3σ
x
)以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间 (m
x-3σ
x
，m
x
3σ
x
)看作是随机变量x实际可能的取值区间。
[0046]
振动信号有效值估计
[0047]
振动信号分析中，通常利用有效值计算特征：
[0048]
本发明的目的旨在利用短时傅里叶变换后均值频谱结合极大值检测算法识别振动信号的突变区域，实现振动数据特征提取的鲁棒性，克服因外在干扰带来的特征值突变，降低对故障诊断结果的影响。
[0049]
为了有效对异常振动信号估计特征，降低异常振动对特征值计算的干扰，本发明通过短时傅里叶变换结合异常值监测原则识别信号跳变区域，将该异常区域中数据置为原始信号均值，计算修正后的信号有效值，可以提高信号特征值估计的鲁棒性，降低故障诊断误报率。
[0050]
(假设该信号长度为l＝2048，采样频率为2.56khz)： x＝[x1,x2,x3...,x
l
]。短时傅里叶变换中实际应用中通常考虑其离散形式：给定短时傅里叶变换参数：window(移动窗大小)、overlap (相邻两帧信号重叠长度)、nfft(傅里叶变换数据长度)，给定异常点监测
阈值a，异常点区间范围长度参数tol：
[0051]
根据参数window、overlap、nfft计算信号x的短时傅里叶变换谱其中m＝fix(nfft/2) 1,fix表示向下取整；n＝ fix((l-overlap)/(window-overlap))；
[0052]
对按列计算均值频谱：y＝[y1,y2,y3...,yn]；
[0053]
计算均值频谱y的均值及其标准差:my、sy；
[0054]
计算阈值t＝my a*sy,利用局部极大值法找到序列y中大于 t的局部极大值点，记为p；
[0055]
以p点为中心，向左、右分别延拓tol长度，则该区间中信号为异常突变信号，令该区间中信号为原始信号均值，记为x
new
；
[0056]
根据有效值计算公式估计去除异常突变信号后的特征值：x
rms
；
[0057]
本发明具有以下优点：
[0058]
(1)利用短时傅里叶变换的时频局部性特点提取信号中突变特征，可以有效应对实时在线数据采集分析和故障诊断处理，提高了数据清洗的鲁棒性。
[0059]
(2)本方法处理速度快，适合在线处理，可有效应用于故障诊断、设备健康管理等实时监测情景。
附图说明
[0060]
图1为一种鲁棒的振动信号特征值计算方法流程图；
[0061]
图2为一种鲁棒的振动信号特征值计算方法实施例2异常振动信号图；
[0062]
图3为一种鲁棒的振动信号特征值计算方法实施例2短时傅里叶变换谱图；
[0063]
图4为一种鲁棒的振动信号特征值计算方法短时傅里叶变换均值谱图；
[0064]
图5为一种鲁棒的振动信号特征值计算方法实施例2异常区域跳变信号示意图。
具体实施方式
[0065]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0066]
实施例1
[0067]
如图1所示，一种鲁棒的振动信号特征值计算方法，包括以下步骤：
[0068]
s1、短时傅里叶变换：对振动信号x进行短时傅里叶变换得到短时傅里叶变换频谱
[0069]
振动信号x＝[x1,x2,x3...,x
l
]，其中，l为振动信号x的长度，进行短时傅里叶变换前设定如下参数：移动窗大小window、相邻两帧信号重叠长度overlap、短时傅里叶变换数据长度nfft和异常点区间范围长度参数tol，m＝fix(nfft/2) 1，其中，fix表示向下取整，n＝fix ((l-overlap)/(window-overlap))；
[0070]
短时傅里叶变换的方法为：振动信号x某一时刻t的振动信号为 x(t)，选择一个时频局部化的窗函数g(t)，假定窗函数g(t)在一个短时间间隔内是平稳的，移动窗函数g(t)，按照如下公式计算出各个不同时刻的频谱
[0071]
各个不同时刻的频谱组成短时傅里叶变换频谱
[0072]
s2、获得均值频谱：对短时傅里叶变换频谱按列计算获得均值频谱y，y＝[y1,y2,y3...,yn]；
[0073]
s3、获得均值频谱的均值和标准差：计算获得均值频谱y的均值 my和标准差sy；
[0074]
s4、获得局部极大值点：根据均值my和标准差sy设定阈值t，利用局部极大值法获得均值频谱y中大于阈值t的局部极大值点p；
[0075]
阈值t为：
[0076]
t＝my a*sy，其中a为异常点监测阈值；
[0077]
s5、获得异常突变信号区：振动信号x中以局部极大值点p为中心，向左、右分别延拓异常点区间范围长度参数tol的长度的区域为异常突变信号区，异常突变信号区中的信号为异常突变信号，将异常突变信号中的振动信号设定为振动信号x的均值，得到去除异常突变信号后振动信号x
new
；
[0078]
s6、获得去除异常突变信号后特征值：根据有效值计算公式估计去除异常突变信号后振动信号x
new
的特征值x
rms
；
[0079]
有效值计算公式为：
[0080][0081]
实施例2
[0082]
如图1所示，一种鲁棒的振动信号特征值计算方法，本实例采用航天智控(北京)监测技术有限公司“智能运维大数据云平台”采集实时数据，对异常振动信号x(如图2所示，采样点数2048)，采样频率2560hz。window＝128、overlap＝100、nfft＝128，给定异常点监测阈值a＝1，异常点区间范围长度参数tol＝200。
[0083]
1.对信号样本x根据参数window、overlap、nfft计算短时傅里叶变换谱(如图3所示)
[0084]
2.对按列计算均值频谱：y＝[y1,y2,y3...,y
69
](如图4所示)
[0085]
3.计算(如图4所示)均值频谱y的均值及其标准差:my、sy[0086]
4.给定阈值t＝my sy，利用局部极大值法找到序列y中大于t 的局部极大值点，记为p((如图4所示)中两个点所示)
[0087]
5.以p点为中心，向左、右分别延拓tol＝200长度，则该区间中信号为异常突变信号(如图5所示)，令该区间中信号为原始信号均值，记为x
new
；
[0088]
6.根据有效值计算公式计算原始数据x有效值是：13.3715，去除异常突变信号后x
new
的特征值：2.404；通过异常点检测算法，有效降低了异常点对振动信号特征值估计的影响，避免该信号对故障诊断结果的误判。
[0089]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。