一种机械振动信号的源数估计方法与流程

本发明属于数据分析处理技术领域，具体涉及一种机械振动信号的源数估计方法。

背景技术：

盲源信号分离是一种功能强大的信号处理方法，在生物医学信号处理，阵列信号处理，语音信号识别，图像处理及移动通信等领域得到了广泛的应用。盲源分离(BSS：Blind source separation)，是信号处理中一个传统而又极具挑战性的问题，BSS指仅从若干观测到的混合信号中恢复出无法直接观测的各个原始信号的过程，这里的“盲”，指源信号不可测，混合系统特性事先未知这两个方面。在科学研究和工程应用中，很多观测信号都可以看成是多个源信号的混合，所谓鸡尾酒会问题就是个典型的例子。其中独立分量分析ICA(Independent component analysis)是一种盲源信号分离方法，它已成为阵列信号处理和数据分析的有力工具，而BSS比ICA适用范围更宽。目前国内对盲信号分离问题的研究，在理论和应用方面取得了很大的进步，但是还有很多的问题有待进一步研究和解决。在机械故障诊断中，源信号数量的估计尤为重要，是首先需要解决的问题。

小波包是在小波变换理论的基础上进一步提出来的，它建立在小波变换的基础上，是对小波包分解的扩展，并且从数学的角度作了严密的推导，不仅继承了小波变换所有的时间-尺度局部化优点，而且可以实现更为精细的分析，拓展了小波变换的分析性能，对于非平稳信号的特征提取具有其优势。

聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。

从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。

技术实现要素：

针对现有技术的不足，本发明提出一种机械振动信号的源数估计方法。

本发明的技术方案是：

一种机械振动信号的源数估计方法，包括以下步骤：

步骤1：采用单一通道传感器采集本底振动源数不确定的被测物体的机械振动信号；

步骤2：利用小波包分解法对被测物体的机械振动信号进行小波包分解，得到分解子信号，将分解子信号与机械振动信号构成虚拟多通道信号；

步骤3：采用奇异值分解法分解虚拟多通道信号矩阵，得到该虚拟多通道信号矩阵的奇异值；

步骤4：采用聚类方法对虚拟多通道信号矩阵的奇异值进行聚类分析，得到虚拟多通道信号矩阵的奇异值的聚类结果；

步骤5：聚类结果中最大的奇异值所在的类的奇异值数量，即为本底振动源数估计值。

可选地，所述利用小波包分解法对被测物体的振动信号进行小波包分解，得到分解子信号的具体方法为：

根据得到的分解子信号数不少于被测物体的本底振动源数预估值确定小波包分解层数，根据确定的小波包分解层数对被测物体的振动信号进行小波包分解，得到分解子信号。

本发明的有益效果：

本发明提出一种机械振动信号的源数估计方法，本发明方法可以通过单一传感器采集得到机械振动信号去估计振动本底振源数量，通过聚类分析的方法去除模糊的奇异值，得到源数估计结果。较大的奇异值表征较大的信息量，通过得到的奇异值的数值分析也可以看出被测点振动的构成情况。同时，本发明针对单测点信号进行分析，因此测点明确，有利于后续分析的进行。

附图说明

图1为本发明具体实施方式中机械振动信号的源数估计方法的流程图；

图2为本发明具体实施方式中仿真信号源及其混叠信号；

其中，(a)为仿真信号一的信号波形，

(b)为仿真信号二的信号波形；

(c)为仿真信号一和仿真信号二的混叠信号波形；

图3为本发明具体实施方式中虚拟多通道信号矩阵的奇异值的聚类结果。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种机械振动信号的源数估计方法，如图1所示，包括以下步骤：

步骤1：采用单一通道传感器采集本底振动源数不确定的被测物体的机械振动信号。

本实施方式中，将振动加速度传感器贴于被测物体表面，被测物体可以是变压器、旋转电机、水泵等，将振动加速度传感器连接至采集卡，采集卡连接上位机，通过上位机控制采集的时间、采集频率等，将采集信号储存于上位机中等待数据分析使用。采集信号为数字信号，每秒钟采集的信号点数取决于采集频率。

步骤2：利用小波包分解法对被测物体的机械振动信号进行小波包分解，得到分解子信号，将分解子信号与机械振动信号构成虚拟多通道信号。

本实施方式中，调节小波包分解层数可有得到不同数量的分解子信号。小波包分解对时域信号进行二分频的分解，如第一层小波包分解得到2个子信号，第二层得到4个分解子信号，第n层将获得2ⁿ个子信号，因此，根据得到的分解子信号数不少于被测物体的本底振动源数预估值确定小波包分解层数，根据确定的小波包分解层数对被测物体的振动信号进行小波包分解，得到分解子信号。

本实施方式中被测物体的机械振动信号的本底振动源数预估值为3，则至少要进行2层小波包分解。小波包分解重构后得到的分解子信号的数据点数不发生变化，与原信号的数据点数相同。

步骤3：采用奇异值分解法分解虚拟多通道信号矩阵，得到该虚拟多通道信号矩阵的奇异值。

本实施方式中，得到的虚拟多通道信号矩阵的奇异值分别为83.8、17.9、0.012、0.013、0.002、0.0003。除存在很大的奇异值外，还存在一些较小的非零奇异值，可以使用聚类分析的方法进行进一步的筛选。

本实施方式中，通过仿真得到两个振动源信号，如图2(a)、(b)所示，为0.1秒内的时域信号，仿真信号一和仿真信号二的混叠信号波形如图2(c)所示。

步骤4：采用聚类方法对虚拟多通道信号矩阵的奇异值进行聚类分析，得到虚拟多通道信号矩阵的奇异值的聚类结果。

本实施方式中，采用最大值聚类方法对虚拟多通道信号矩阵的奇异值进行聚类。得到的聚类结果为2类，如图3所示。

步骤5：聚类结果中最大的奇异值所在的类的奇异值数量，即为本底振动源数估计值。

本实施方式中，将虚拟多通道信号矩阵的奇异值的聚类中奇异值数值最大的聚类作为本底振动源数聚类，将其他聚类进行排除，将本底振源数聚类中奇异值数值个数即为本底振动源数估计值，得到的本底振动源数估计值为2.。