[发明专利]一种用于机械设备故障诊断的信号特征提取方法及系统

说明书

本发明属于机械设备故障诊断技术领域，具体公开了一种用于机械设备故障诊断的信号特征提取方法及系统，方法包括：获取机械设备时域信号数据Ssubgt;l/subgt;；将最后一个数据变为第二行的第一个数据，当第二行填满时，下一次排列时则增加一行；最终得到l行1列的新矩阵Ssubgt;1/subgt;；对于上述过程中的所有矩阵Ssubgt;l/subgt;，Ssubgt;l‑1/subgt;，Ssubgt;l‑2/subgt;，...，Ssubgt;1/subgt;，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量，对于这些行向量分别计算标准差，选取标准差数值的前n个结果组成数据Ssubgt;l/subgt;的故障信号频谱特征向量；本发明实现了数据压缩，削弱原始振动信号中的噪声，实现了特征分离，减少非故障信息对模型学习的干扰。

技术领域

本发明涉及机械设备故障诊断技术领域，尤其涉及一种用于机械设备故障诊断的信号特征提取方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

机械设备长期高负荷运转，会对其零部件造成磨损。其表面的轻微缺陷就可能导致整个装置系统的运行故障，引起机械设备报废或造成重大经济损失。故障诊断是一种了解和掌握机器在运行过程中的状态、确定其整体或局部正常或异常、早期发现故障及其原因、并能预报故障发展趋势的技术。对设备进行故障诊断可以及时发现因设备个别零部件的早期缺陷。有效避免整个机械设备系统运行故障造成的人员伤亡和财产损失。因此，开展机械设备故障诊断对提高设备运行的安全性有着重要意义。

机械装置在处于工作状态时，其内部的轴承、齿轮等机械零部件会产生周期性振动信号。通过对振动信号分析可以有效的定性或定量的对机械转置故障情况进行诊断或预测。基于振动信号的故障诊断数据测量简单、诊断速度快、诊断精度高。在选择机械中广泛应用。

机械设备往往结构复杂，工作时系统中存在多个零部件不同的运动状态，其产生的信号互相调制、相互叠加，造成测量的振动信号表现出复杂的非线性特征。在利用传统的滤波降噪方法处理信号时，滤除干扰噪声的同时不可避免的将部分有用的信号一并滤除，导致信号的有用信息丢失。

近几年深度学习在各行各业发挥着重要的应用价值。在故障诊断领域，利用深度学习模型进行机械装置的故障诊断时，需要将原始数据分割为训练集和测试集。将训练集输入故障诊断模型进行参数的学习，之后将测试集输入故障诊断模型进行模型故障诊断并对模型性能评估。由于原始信号成分复杂，除了有用的故障信号外还包含噪声和其他非故障信号。这些非故障信号使故障诊断模型不能专注于学习故障特征，降低了模型的性能。为了屏蔽干扰信号，学习到有价值的故障信号特征，往往需要采用结构复杂、层数较大的深度学习模型，增加了模型训练和预测的计算量和计算时间。

发明内容

为了解决上述问题，本发明提出了一种用于机械设备故障诊断的信号特征提取方法及系统，可以有效提取并分离出故障信号频谱特征与故障信号分布特征，削弱原始振动信号中的噪声，并能够对数据量进行充分压缩，将压缩数据量后的特征数据做为故障诊断模型的输入可以减少模型的计算量和计算时间。

在一些实施方式中，采用如下技术方案：

一种用于机械设备故障诊断的信号特征提取方法，包括：

获取机械设备时域信号数据；