基于时序统计的旋转机械频域特征信号提取方法与流程

本发明涉及旋转机械的信号频域分析领域，尤其涉及基于时序统计的旋转机械频域特征信号提取方法。

背景技术：

信号频域分析属于一种信号分析方法，信号分析方法主要分为时域分析、频域分析、时频分析方法。信号的频域分析方法包括使用拉普拉斯，z或傅里叶变换，信号由频率的复函数描述，在任何给定频率的信号的分量由复数给出，幅度是信号频率的幅度，角度是信号频率相对的相位。

旋转机械现有普遍使用的信号频域分析方法，有傅里叶变换、z变换、经验模态分解、局部均值分解、奇异值分解、循环平稳方法等，进而获得信号的频域特征。

傅里叶变换和z变换只能反映一段时间内信号的频域分布规律，不能与旋转机械的实际工作特点相结合，并且该方法的抗干扰能力和低信噪比的分析能力差。经验模态分解、局部均值分解和奇异值分解三种方法可以实现对旋转机械信号的降噪与分解，能够对旋转机械的频域特征进行提取，但是并没有与旋转机械工作特点相结合，循环平稳的方法与旋转机械工作特点相结合，能够相对准确的提取频域信号特征，但是这些方法计算量很大难以实现在线的实时分析。

技术实现要素：

本发明公开了一种基于时序统计的旋转机械频域特征信号提取方法，提高了对旋转机械信号的频域分析能力、抗干扰能力、低信噪比分析能力，满足了实际应用的需要。

一种基于时序统计的旋转机械频域特征信号提取方法，包括以下步骤：

步骤1：对所采集的信号进行分段处理，获得信号的时序序列；

步骤2：对步骤1得到的时序序列分别进行傅里叶变换，获得每一段时序序列的频域特征；

步骤3：步骤2获得的每一段时序序列的频域特征的时序统计，每一频率分别沿时间方向求取方差，对每一频率的方差求取倒数，对每一频率倒数的倒数求取对数，最后得到时序信号的频域特征。

时序序列：对旋转机械采集的信号进行分段划分，所得到一系列的信号片段组成的序列，统称为时序序列。

对旋转机械信号进行分段处理，当信号与信号片段的长度确定时，相邻信号片段之间存在一定的重合率，能够获得更多的信号片段数目，进而使得最终的统计方差分析更准确，效果更好。优选的，步骤1中，对所采集的时序信号进行分段处理，获得信号的时序序列的具体步骤如下：

1-1选定所需旋转机械信号的频率分辨率，使相邻的时序序列之间存在重合率，进而调整片段重合率和片段数目，以满足信号时序长度的需求；

1-2根据确定的时序序列重合率和片段数目，将所采集的旋转机械的时序信号进行分段处理。

实际操作如下：根据实际需要选定所分析信号需要的频率分辨率δf，并设定相邻时序序列的重合率α，确定最终的信号分段数目ns(t)，原始旋转机械信号；

时序分析频率分辨率与傅里叶变换频率分辨率的关系如公式(1)所示，

δf＝n·δffft(1)

式中：

δf为基于时序统计的旋转机械频域特征信号提取方法的频率分辨率；

n为单位时间内时序信号的时间片段数目；

δffft为傅里叶变换信号的频率分辨率。

相邻时序序列之间没有重合率与相邻时序序列之间存在重合率之间的时序序列数量关系满足公式(2)

ns(i)＝(n-1)·α+n(2)

式中：

ns(t)为相邻时序序列的重合率为α时的信号分段数量。

相邻时序序列的重合率与最终信号的分段数目如公式(3)所示，

si(n)＝s(i(1-α)fl:(i(1-α)+1)fl)(3)

式中：

s(n)为原始信号；

i为时序序列的编号；

n为采样点序列序号；

s(i)为最终分割而成的第i段时序序列；

fl为重合率为0时的时序序列的长度。

最终得到时序序列与原始信号片段之间关系如公式(4)所示，最终得到的时序序列：

对所得到的时序序列进行傅里叶变换时，得到的频谱特征可以是幅值谱和功率谱，但是幅值谱不同信号片段的相对波动性较大，而采用功率谱相对稳定，有利于频域特征的统计分析。优选的，步骤2中，所述频域特征为频率的功率谱。

具体的，根据所得到的时序序列进行傅里叶变换，得到每一时序序列的傅里叶变换的功率谱。

第i段时序序列进行快速傅里叶变换，如公式(5)所示：

si(f)＝fft(si(n))(1)

得到时序序列的傅里叶变换的功率谱。

在对时序序列功率谱进行方差统计时，旋转机械的频谱特征相对稳定，因此得到的方差相对较小，求取倒数能够使的特征频率表现更加明显，对方差倒数求取对数，能够减小方差倒数之间的相对差值，有利于对旋转机械弱信号的提取。优选的，步骤3中每一频率分别沿时间方向求取方差，对每一频率的方差求取倒数，对每一频率的倒数求取对数，得到时序信号的频域特征的具体步骤为：

3-1、对所获得的时序序列的频率的功率谱，沿时间方向将时序片段同一频率的功率谱强度建立数组；

3-2、对步骤3-1的任一频率的数组求取统计方差并求取倒数；

3-3、将步骤3-2获得的任一频率的方差倒数，沿频率增长方向组成新的数组；

3-4、对步骤3-3获得的数组内的数据进行对数处理；

3-5、最终获得了旋转机械信号的功率谱。

具体的，求取全部时序序列任一频率沿时间方向的方差，如公式(6)所示：

式中：

σ²(f)为时序序列任一频率沿时间方向序列方差的倒数。

对所得到的任一频率的方差求取倒数，得到旋转机械任一频率稳定性的评价指标，如公式(7)所示：

式中：

tssa(f)为旋转机械任一频率稳定性的评价指标。

最终，得到旋转机械基于时序统计的频域特征功率谱图。

优选的，步骤2中，所述频域特征为频率的幅值。

本发明的有益效果：

本发明实现了对旋转机械信号的频域分析，解决了现有的傅里叶变换、z变换等频域分析方法与旋转机械工作特点关联度差、抗干扰能力和弱信号提取能力差的问题；应用本发明可以准确的提取旋转机械信号的频域特征，能够更加准确的与旋转机械的运转规律结合，提高抗干扰能力和弱信号提取能力，对旋转机械的频域分析具有重要意义。

附图说明

图1为本发明的基于时序统计的旋转机械频域特征信号提取方法的线框流程图。

图2为原始旋转机械信号的示意图。

图3为信号分段后的时序序列的示意图。

图4为时序序列傅里叶变换示意图。

图5为最终功率谱示意图。

具体实施方式

如图1所示，本实施例的基于时序统计的旋转机械频域特征信号提取方法，解决了针对现有的信号频域特征提取方法与旋转机械信号的特点关联度差的问题，包括以下步骤：

1)根据实际需要选定所分析信号需要的频率分辨率δf，并设定相邻时序序列的重合率α，确定最终的信号分段数目ns(t)，原始旋转机械信号如图2所示；

时序分析频率分辨率与傅里叶变换频率分辨率的关系如公式(1)所示，

δf＝n·δffft(1)

式中：

δf为基于时序统计的旋转机械频域特征信号提取方法的频率分辨率；

n为单位时间内时序信号的时间片段数目；

δffft为傅里叶变换信号的频率分辨率。

相邻时序序列之间没有重合率与相邻时序序列之间存在重合率之间的时序序列数量关系满足公式(2)

ns(i)＝(n-1)·α+n(2)

式中：

ns(t)为相邻时序序列的重合率为α时的信号分段数量。

相邻时序序列的重合率与最终信号的分段数目如公式(3)所示，

si(n)＝s(i(1-α)fl:(i(1-α)+1)fl)(3)

式中：

s(n)为原始信号；

i为时序序列的编号；

n为采样点序列序号；

s(i)为最终分割而成的第i段时序序列；

fl为重合率为0时的时序序列的长度。

最终得到时序序列与原始信号片段之间关系如公式(4)所示，最终得到的时序序列，如图3所示：

2)根据所得到的时序序列进行傅里叶变换，得到每一时序序列的傅里叶变换功率谱。

第i段时序序列进行快速傅里叶变换，如公式(5)所示：

si(f)＝fft(si(n))(5)

得到时序序列的傅里叶变换的功率谱，如图4所示。

3)频率的时序统计分析，对不同时序序列的快速傅里叶变换的功率谱的结果进行统计分析。

求取全部时序序列任一频率沿时间方向的方差，如公式(6)所示：

式中：

σ²(f)为时序序列任一频率沿时间方向序列方差的倒数。

对所得到的任一频率的方差求取倒数，得到旋转机械任一频率稳定性的评价指标，如公式(7)所示：

式中：

tssa(f)为旋转机械任一频率稳定性的评价指标。

最终，得到旋转机械基于时序统计的频域特征功率谱图，如图5所示。

综上所述，本实施例实现了对旋转机械信号的频域分析，解决了现有的傅里叶变换、z变换等频域分析方法与旋转机械工作特点关联度差、抗干扰能力和弱信号提取能力差的问题，可以准确的提取旋转机械信号的频域特征，能够更加准确的与旋转机械的运转规律结合，提高抗干扰能力和弱信号提取能力，对旋转机械的频域分析具有重要意义。