用于热模锻压力机部件磨损状态识别的特征信号增强方法与流程

本发明属于热模锻压力机部件磨损状态识别，尤其涉及用于热模锻压力机部件磨损状态识别的特征信号增强方法。

背景技术：

1、离合器与制动器是热模锻压力机的两个重要部件，当热模锻压力机的离合器或制动器出现问题，可能会导致以下后果。1.压力机连冲：离合器或制动器的问题可能导致压力机无法正常工作，出现连续冲压的情况。这种连冲故障是非常严重的，轻则造成锻件废品、损坏模具，重则可能导致设备损坏、人员伤亡。2.闷车过载：离合器或制动器的问题也可能导致压力机在运行过程中出现过载现象，即闷车。这种过载事故处理起来很困难，如果现有方法均不能解脱，可能需要切割模具或松开机身的预紧螺母。3.机身振动大：离合器或制动器的问题还可能导致压力机在运行时产生过大的振动。机身振动过大会带来很多问题，如造成工作环境恶劣、压力机使用寿命降低、锻件精度下降等。

2、在造成离合器与制动器出现故障的众多因素中，磨损是一个非常重要的因素。因此，对对热模锻压力机部件(即离合器与制动器)的磨损识别非常重要。目前，对热模锻压力机部件(即离合器与制动器)的磨损状态识别时，较为采用的方法是，对热模锻压力机部件工作时的振动数据进行采样后，输入智能算法模型中进行识别检测及预测。

3、但是，由于在实际振动信号采集过程中伴随着较为强烈的振动，采集到的信号易受到周围环境随机因素的影响，同时，由于数据采集设备性能退化或者故障等原因，导致采集到的振动信号中含有数据脉冲、数据缺失等劣质数据，图1展示了采集到的劣质振动信号的时域波形，其中，图1(a)为数据缺失，图1(b)为数据脉冲。劣质数据无法正确反映设备的内在运行规律，破坏了振动信号的完整性和准确性，削弱了有价值信息的提取，若直接使用这些劣质数据将会对设备的运行状态产生误判，并且为了更好地使用具有连续完整的周期性振动信号进行设备运行状态识别方法研究，也不可随意地将其剔除。

4、对采样的劣质振动数据预处理后，虽然可以获得较高质量的振动信号，但在不具备足够先验知识的情况下，如果人为地从振动信号中提取时域、频域以及时频域等统计特征，无法保证提取的特征具有全面性和有效性，这会导致使用诸如支持向量机、随机森林等传统机器学习方法的识别能力降低。

5、深度学习方法可以自适应地从振动信号中提取深层次特征，不需要先验知识，近年来在设备故障诊断领域得到了广泛应用，然而，深度学习方法从一维振动信号中学习到的特征可解释性较差，无法对深度学习模型从一维振动信号学到的特征进行物理解释，尤其是针对采集的振动信号中还掺杂着其他零部件的振动特征成分，这导致采集的振动信号成分不纯净，无论基于深度学习方法所构建的状态监测模型对设备运行状态识别效果好与坏，均不能保证模型习得的特征是与所研究的设备的运行状态相关的。因此，如果可以凸显或增强设备运行的振动特征，削弱或剔除与所研究设备不相关的零部件的振动带来的影响，那么将会提升基于深度学习的设备运行状态识别性能和质量。

6、因此，怎样才能通过智能模型准确的识别热模锻压力机部件的磨损状态，成为目前亟待解决的问题。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种用于热模锻压力机部件磨损状态识别的特征信号增强方法，可以结合智能模型准确的识别热模锻压力机部件的磨损状态。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、用于热模锻压力机部件磨损状态识别的特征信号增强方法，包括以下步骤：

4、s1、对热模锻压力机部件进行劣质振动信号xpoor采样，并将采样的劣质振动信号xpoor进行劣质数据检测及修复处理，得到修复信号xre；

5、s2、构建闭开-自互补顶帽形态学滤波器fco-nsth，用于对待增强振动信号的特征频率幅值进行增强处理；闭开-自互补顶帽形态学滤波器fco-nsth的定义如下：

6、

7、式中，xenhance(l)表示增强后的振动信号；fco-nsth表示闭开-自互补顶帽形态学滤波器；表示对修复信号进行闭运算的基础上再执行开运算；表示对修复信号进行开运算；(xre·g)(l)表示对修复信号进行闭运算；l表示劣质振动数据的采样长度；

8、s3、通过粒子群优化算法，自适应的选取闭开-自互补顶帽形态学滤波器的最优的结构元素参数；

9、s4、使用自适应选取最优结构元素参数的闭开-自互补顶帽形态学滤波器fco-nsth，对修复信号xre的特征频率幅值进行增强处理，得到增强振动信号；

10、s5、将s4得到的增强振动信号输入智能模型中，进行热模锻压力机部件磨损状态的识别及预测。

11、本发明与现有技术相比，具有如下有益效果：

12、本方法利用经过粒子群优化的形态学滤波器对设备特征频率幅值进行增强，凸显与设备运行状态相关的特征频率的幅值。形态学滤波是一种属于非线性滤波的信号分析方法，该方法通过使用结构元素从前至后对信号进行平移匹配和局部校正，可以用来增强信号的形态特征，并且，形态学滤波仅涉及加减和取极值等简单运算，具有运算简单、计算高效的特点。本方法中构建的闭开-自互补顶帽形态学滤波器fco-nsth，与常规的形态学滤波器相比，不仅可以使输出信号的幅值增大，还能够同时提取正负脉冲并增强细节特征，具有很好的特征幅值增强的优势，可以有效增强热模锻压力机部件振动信号的特征频率的幅值。

13、使用闭开-自互补顶帽形态学滤波器fco-nsth进行增强处理后的修复信号xre，可以增强热模锻压力机部件运行的振动特征，剔除/削弱与热模锻压力机部件不相关的零部件的振动带来的影响，从而提升基于深度学习的设备运行状态识别性能和质量。

14、综上，使用本方法，可以结合智能模型准确的识别热模锻压力机部件的磨损状态。

15、优选地，s2中、构建的fco-nsth中，使用余弦型结构元素进行相应处理；余弦型结构元素的表达式为：

16、

17、式中，lse为余弦型结构元素的长度，用于调控余弦函数的周期大小，且结构元素的长度lse小于修复信号的长度lse；angse为余弦型结构元素的角度，angse∈0,...,π，用于调控余弦函数的高度。

18、这样的设置，余弦型结构元素的形状与振动信号的形状相似，可以保证对振动信号的处理效果。

19、优选地，s3中，所述结构元素参数包括长度和角度。

20、优选地，s3中，使用粒子群优化算法时，迭代进化次数和种群规模均设置为100，加速度因子c1和c2设置为2，权重系数设置为1，长度寻优范围为[2，50]，角度寻优范围为[0，180°]。

21、这样的设置，可以保证得到的结构元素参数的有效性。

22、优选地，使用粒子群优化算法时，将经过fco-nsth增强后的振动信号的包络熵作为适应度函数，来选择最优的结构元素参数组合。

23、包络熵能够反映信号中的周期性瞬态脉冲序列，信号的包络熵越小，说明经过形态学滤波后的信号冲击特征越明显。这样的设置，可以保证得到的结构元素参数的有效性。

24、优选地，包络熵的计算式如下：

25、

26、式中，eevelope表示包络熵；aevelope(l)表示特征幅值增强信号xenhance(l)(l＝1,2,...,l)通过希尔伯特解调后所得的包络信号序列；h[·]表示hilbert变换；κl是aevelope(l)的归一化形式。

27、优选地，s1中，对劣质振动信号xpoor进行劣质数据检测的过程包括：

28、①输入劣质振动信号xpoor∈rl，其中，l表示劣质振动数据的采样长度；

29、②令i＝1；

30、③计算第i个振动数据点pi的第k距离邻域nbrk(pi)；

31、④计算振动数据点o∈nbrk(pi)到数据点pi的第k可达距离rdk(o,pi)；

32、⑤计算第i个振动数据点pi的局部可达密度lrdk(pi)；

33、⑥计算第i个振动数据点pi的第k局部离群因子lofk(pi)；

34、⑦如果i≤l，则令i＝i+1，重复步骤③-⑥；否则，进入步骤⑧；

35、⑧将步骤⑦中最大的npoor个lof值的振动数据点所对应的位置索引号放入集合posindex＝{pos_indexi|i＝1,2,…,npoor}中；

36、⑨根据pos_indexi∈posindex，将数据范围[pos_indexi-thzero,pos_indexi+thzero]内的数据置零，其中thzero表示设置的置零阈值；

37、⑩得到经过劣质数据检测后的信号，记为劣质检测信号xlof。

38、这样同时考虑了局部和全局属性，劣质振动数据按照相对于其邻域内的振动数据点的密度来确定的，当振动数据中存在不同密度的数据点时，局部离群因子算法具有很好的检测性能。可以保证得到的劣质检测信号xlof的有效性。

39、优选地，k的数值为1000，npoor的数值为30。

40、优选地，s1中，所述修复处理的过程包括：

41、首先，利用一个稀疏变换矩阵φ∈rl×l将劣质检测信号xlof∈rl稀疏表示为θ∈rl，如下式所示：xlof＝φ·θ；其中，θ为稀疏表示系数；

42、然后，利用观测矩阵将劣质检测信号xlof压缩到低维空间，如下式所示：yobserve＝ψ·xlof；式中，为观测信号，lobserve表示观测信号的数据长度；

43、再然后，将xlof＝φ·θ带入yobserve＝ψ·xlof，得到yobserve＝ψ·φ·θ＝sm·θ，并求解稀疏表示系数θ；其中，为感知矩阵；

44、最后，将求得的稀疏表示系数θ代入下式：xre＝φ·θ；得到修复信号xre∈rl。

45、若一个信号具有压缩性和稀疏性或者经过稀疏表示矩阵变换之后具有稀疏性，则可以用一个与稀疏表示矩阵不相关的观测矩阵将信号投影到一个低维空间上，实现信号的重构。这样，可以快速的得到有效的修复信号xre。

46、优选地，对劣质检测信号xlof进行稀疏化表示时，使用离散余弦变换矩阵作为稀疏表示矩阵φ，该矩阵的第i行，第j列元素通过下式计算：

47、

48、这样的设置，离散余弦变换的构造简单，计算效率高，只需要执行简单的矩阵相乘运算便可得到信号的稀疏表示系数。

49、优选地，观测矩阵的构建过程包括：劣质振动数据检测后，将被置零的振动数据所在的位置编号放入索引集合posindex＝{pos_indexi|i＝1,2,…,npoor}中，集合内的数据长度大小为l-lobserve；根据索引集合posindex中的位置索引编号，将单位矩阵i∈rl×l中对应的行删除，得到观测矩阵