一种设备健康状态信号采集及多域特征融合方法与流程

1.本发明属于设备智能监控技术领域，特别是涉及一种设备健康状态信号采集及多域特征融合方法。


背景技术：

2.当前工业制造领域很多设备的趋向于模块和部件增多，其运用的学科技术同样纷繁复杂，导致设备采集的状态信号一般都具有非线性、非高斯和非平稳特性，属于复杂信号处理范围，传统的信号处理方法一般存在以下几个方面问题：一是很难用单一特征对其进行全面描述和刻画，急需多维特征分析方法；二是特征维度较高，数量较多，导致识别算法的性能急剧下降，无法做到在线识别，即使堆积硬件计算能力，也会导致企业成本增多；三是多领域特征之间存在冗余、互补、干扰等问题，从而对后续设备状态分析和判断带来了不利干扰。为解决上述问题，本发明提供一种设备健康状态信号采集及多域特征融合方法。


技术实现要素：

3.本发明的目的在于提供一种设备健康状态信号采集及多域特征融合方法，通过整合多领域多维度特征信息，优选典型相关联特征，减少特征维度，降低特征信息相互干扰以及冗余，解决了现有的工业设备采集种类多、识别算法性能低、数据无法在线识别导致生产成本增多的问题。
4.为解决上述技术问题，本发明是通过以下技术方案实现的：
5.本发明为一种设备健康状态信号采集及多域特征融合方法，包括如下步骤：
6.步骤s1：信号时域基本特征抽取计算；
7.步骤s2：信号频域基本特征抽取计算；
8.步骤s3：信号多域特征组合与初步选择；
9.步骤s4：信号多域特征融合与优化选择。
10.作为一种优选的技术方案，所述步骤s1中，信号时域基本特征抽取计算包括过零点分布特性、波长差分布与峰间幅值分布计算；
11.所述过零点分布特性计算包括过零点波长分布概率函数p(λ
i
)、过零点波长分布概率最大值p(λ
i
)
max
、对应波长λ
i
‑
max
以及波长λ
k
～λ
l
的波在整个样本分析时段中所占的分量为s(λ
k
‑
l
)四个特征值；
12.所述波长差分布计算包括波长差分布概率函数p(φ
i
)、过零点波波长差最大值p(φ
i
)
max
、以及波长差φ
a
～φ
b
的波在整个取样中所占的分量三个特征值；
13.所述峰间幅值分布计算包括峰间幅值分布概率函数p(α
i
)和归一化峰间幅值为0到k的波在整个样本分析间段中所占的分量p0‑
k
(α
i
)两个特征值。
14.作为一种优选的技术方案，所述步骤s2中，信号频域基本特征抽取计算采用小波变换的信号分析方法；所述小波变换的信号分析方法包括如下四个步骤：
15.步骤k1：根据分解信号的频率分布决定分解层数l，监测的设备振动被分解为l层
的小波信号，计算得出从l层信号的低频到高频共2l个频带的小波系数；
16.步骤k2：重建小波包系数和提取每个频带的信号s
i
(i＝1,2,...,2
l
)；
17.步骤k3：设置取样频率m，提取每个频带的信号振幅值，计算每个频带信号的能量x
i
，能量就是各点信号幅度值平方后的求和，具体计算公式如下：
[0018][0019]
式中，f
ik
(i＝1，2，....，2
l
,k＝1,2,...,m)，表示每个频带信号离散取样的振幅值；
[0020]
步骤k4：采用每个频带的能量值x
i
作为特征值，使用l2范数归一化方法，对设备信号特征向量x＝(x1,x2,...,x
n
)进行标准归一化，具体计算公式如下：
[0021][0022]
得到标准归一化的基于小波变换后的设备故障信号特征向量x'＝(x'1,x'2,...,x'
n
)。
[0023]
作为一种优选的技术方案，所述步骤s3中，信号多域特征组合环节采用时域、频域与谱域多域特征向量进行收尾相结，组成一个更高维度的向量，信号多域特征组合公式为：
[0024][0025]
式中α，β为信号x在两个特征空间a和b的特征向量，即a∈a，同时β∈b。
[0026]
作为一种优选的技术方案，所述信号多域特征初步选择环节采用评价函数j(s
i
)(s
i
∈s)表示每个特征s
i
对应的分值，计算所有特征的评价值，按照从高到低对特征进行排列，并选择前m个特征量；所述评价函数j(s
i
)(s
i
∈s)计算公式为：
[0027][0028]
式中，i(s
i
；c)表示特征与类标签的相关性，i(s
i
；s
j
)表示特征之间的相关性，i(s
i
；s
j
；c)表示两个特征与类标签的交互增益。
[0029]
作为一种优选的技术方案，所述步骤s4中，信号多域特征融合环节采用主成分分析方法，把时域特征子集s
mα
内多个特征变量与频域特征子集s
mβ
内多个特征变量的相关转化为两个综合特征变量之间的相关，综合特征变量是多个特征变量的线性组合，求解两个综合特征变量之间有最大相关系数。
[0030]
作为一种优选的技术方案，所述步骤s4中，融合特征优化选择环节包括如下过程：
[0031]
步骤a00：特征子集编码及种群初始化；
[0032]
步骤a01：计算种群中每个个体适应度函数，即先对个体进行解码，再用训练和测试样本计算支持向量机svm的正确分类率和计算时间；
[0033]
适应度函数公式为：
[0034]
f(x)＝w1*x1+1/(w2*x2+w3*x3)
[0035]
式中，x1代表特征子集对应向量机分类的准确率，x2代表特征的数目，x3代表计算时长离散化后的整数数值；w1，w2，w3分别代表x1，x2，x3的影响因子，同时w1+w2+w3＝1，0≤w1，w2，w3≤1；
[0036]
步骤a02：比较两个染色体内所有取值，如果两个染色体内相同位置都为1或者都为0的位置，表示该位置的基因为优势基因，应该保留，剩下的为两者有差异，在有差异的基因位置按照概率λ,λ∈[0,1]进行交换，实现两个染色体的交叉操作；
[0037]
步骤a03：提供对染色体的每个基因位进行变异操作，每个基因位按照概率γ,γ∈[0,1]进行交换计算，如果概率选中需要进行交换计算，找出最近的不同值位置进行交换操作，实现单个父代染色体的变异计算。
[0038]
步骤a04：输入为当前种群及其父种群中的每个染色体，共2n个染色体，输出为适应度最高的一个染色体。
[0039]
步骤a05：选择下一代种群中的染色体。该模块输入为当前种群及其父种群中除适应度最高的染色体外的其他染色体，共2n
‑
1个染色体，输出为n
‑
1个染色体。
[0040]
步骤a06：终止条件判断，当遗传操作到达设定的最大迭代次数时，算法结束；如果迭代遗传过程中，连续若干代最优个体不再变化，算法提前结束。
[0041]
本发明具有以下有益效果：
[0042]
本发明通过提取设备状态信号的时域与频域多域特征，并整合其他谱域特征，支持对设备状态信号多域多维度全面表征和刻画，同时设计了一套特征优选算法对其各领域特征进行选择，并进一步找到典型相关特征，大幅压缩特征维度，降低后续计算复杂度和状态识别时间，有效降低特征信息相互干扰以及冗余、互补的情况。
[0043]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0044]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明的一种设备健康状态信号采集及多域特征融合方法流程图；
[0046]
图2为本发明中融合特征优化方法流程图。
具体实施方式
[0047]
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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0048]
请参阅图1所示，本发明为一种设备健康状态信号采集及多域特征融合方法，包括如下步骤：
[0049]
步骤s1：信号时域基本特征抽取计算；
[0050]
步骤s2：信号频域基本特征抽取计算；
[0051]
步骤s3：信号多域特征组合与初步选择；
[0052]
步骤s4：信号多域特征融合与优化选择。
[0053]
步骤s1中，信号时域基本特征抽取计算包括过零点分布特性、波长差分布与峰间幅值分布计算；过零点分布特性计算包括过零点波长分布概率函数p(λ
i
)、过零点波长分布概率最大值p(λ
i
)
max
、对应波长λ
i
‑
max
以及波长λ
k
～λ
l
的波在整个样本分析时段中所占的分量为s(λ
k
‑
l
)四个特征值；波长差分布计算包括波长差分布概率函数p(φ
i
)、过零点波波长差最大值p(φ
i
)
max
、以及波长差φ
a
～φ
b
的波在整个取样中所占的分量三个特征值；峰间幅值分布计算包括峰间幅值分布概率函数p(α
i
)和归一化峰间幅值为0到k的波在整个样本分析间段中所占的分量p0‑
k
(α
i
)两个特征值。
[0054]
步骤s2中，信号频域基本特征抽取计算采用小波变换的信号分析方法；小波变换的信号分析方法包括如下四个步骤：
[0055]
步骤k1：根据分解信号的频率分布决定分解层数l，监测的设备振动被分解为l层的小波信号，计算得出从l层信号的低频到高频共2l个频带的小波系数；
[0056]
步骤k2：重建小波包系数和提取每个频带的信号s
i
(i＝1,2,...,2
l
)；
[0057]
步骤k3：设置取样频率m，提取每个频带的信号振幅值，计算每个频带信号的能量x
i
，能量就是各点信号幅度值平方后的求和，具体计算公式如下：
[0058][0059]
式中，f
ik
(i＝1，2，....，2
l
,k＝1,2,...,m)，表示每个频带信号离散取样的振幅值；
[0060]
步骤k4：采用每个频带的能量值x
i
作为特征值，使用l2范数归一化方法，对设备信号特征向量x＝(x1,x2,...,x
n
)进行标准归一化，具体计算公式如下：
[0061][0062]
得到标准归一化的基于小波变换后的设备故障信号特征向量x'＝(x'1,x'2,...,x'
n
)。
[0063]
步骤s3中，信号多域特征组合环节采用时域、频域与谱域多域特征向量进行收尾相结，组成一个更高维度的向量，信号多域特征组合公式为：
[0064][0065]
式中α，β为信号x在两个特征空间a和b的特征向量，即a∈a，同时β∈b。
[0066]
信号多域特征初步选择环节采用评价函数j(s
i
)(s
i
∈s)表示每个特征s
i
对应的分值，计算所有特征的评价值，按照从高到低对特征进行排列，并选择前m个特征量；评价函数j(s
i
)(s
i
∈s)计算公式为：
[0067][0068]
式中，i(s
i
；c)表示特征与类标签的相关性，i(s
i
；s
j
)表示特征之间的相关性，i(s
i
；s
j
；c)表示两个特征与类标签的交互增益，该评价函数j(s
i
)包括特征与类标签的相关性、特征之间冗余性以及交互性等信息，通过比较可以快速实现m个特征量的选择，该过程主要用于提高特征与标签(分类)相关性，降低特征之间的冗余性。
[0069]
步骤s4中，信号多域特征融合环节采用主成分分析方法，把时域特征子集s
mα
内多个特征变量与频域特征子集s
mβ
内多个特征变量的相关转化为两个综合特征变量之间的相关，综合特征变量是多个特征变量的线性组合，求解两个综合特征变量之间有最大相关系数。
[0070]
步骤s4中，融合特征优化选择环节包括如下过程：
[0071]
步骤a00：特征子集编码及种群初始化；
[0072]
步骤a01：计算种群中每个个体适应度函数，即先对个体进行解码，再用训练和测试样本计算支持向量机svm的正确分类率和计算时间；
[0073]
适应度函数公式为：
[0074]
f(x)＝w1*x1+1/(w2*x2+w3*x3)
[0075]
式中，x1代表特征子集对应向量机分类的准确率，x2代表特征的数目，x3代表计算时长离散化后的整数数值；w1，w2，w3分别代表x1，x2，x3的影响因子，同时w1+w2+w3＝1，0≤w1，w2，w3≤1；
[0076]
步骤a02：比较两个染色体内所有取值，如果两个染色体内相同位置都为1或者都为0的位置，表示该位置的基因为优势基因，应该保留，剩下的为两者有差异，在有差异的基因位置按照概率λ,λ∈[0,1]进行交换，实现两个染色体的交叉操作；
[0077]
步骤a03：提供对染色体的每个基因位进行变异操作，每个基因位按照概率γ,γ∈[0,1]进行交换计算，如果概率选中需要进行交换计算，找出最近的不同值位置进行交换操作，实现单个父代染色体的变异计算。
[0078]
步骤a04：输入为当前种群及其父种群中的每个染色体，共2n个染色体，输出为适应度最高的一个染色体。
[0079]
步骤a05：选择下一代种群中的染色体。该模块输入为当前种群及其父种群中除适应度最高的染色体外的其他染色体，共2n
‑
1个染色体，输出为n
‑
1个染色体。
[0080]
步骤a06：终止条件判断，当遗传操作到达设定的最大迭代次数时，算法结束；如果迭代遗传过程中，连续若干代最优个体不再变化，算法提前结束。
[0081]
本实施例的一个具体应用为：
[0082]
本发明为设备健康状态信号采集及多域特征融合方法，包括信号时域基本特征抽取计算、信号频域基本特征抽取计算、信号多域特征组合与初步选择以及信号多域特征融合与优化选择四个过程。
[0083]
步骤s1：信号时域基本特征抽取计算；
[0084]
在步骤s1中，提取生产线设备振动信号时域波形结构特征，简单且有效反映设备健康状态本质特性，包括过零点分布特性、波长差分布与峰间幅值分布计算，具体过程如
下：
[0085]
s100：过零点分布特性计算，对信号采样序列进行统计计算，得出不同波长的过零点波数目，引入函数snum(λ
i
)来表示波长λ
i
的过零点波个数，则波长分布概率函数为：
[0086][0087]
过零点分布特性主要用于反映主导频率成分的高低，同时求解过零点波长分布概率最大值p(λ
i
)
max
和对应波长λ
i
‑
max
，另外还可以计算波长λ
k
～λ
l
的波在整个样本分析时段中所占的分量为s(λ
k
‑
l
)，其计算公式为：
[0088][0089]
s101：波长差分布计算，支持对信号采样序列进行统计计算，得到相邻过零点波波长差的数量，引入函数snum(φ
i
)来表示相邻过零点波波长差φ
i
的个数，则波长差分布概率函数为：
[0090][0091]
波长差分布特征主要用于反映信号变化快慢，同时求解过零点波波长差最大值p(φ
i
)
max
，另外还可以计算波长差φ
a
～φ
b
的波在整个取样中所占的分量为：
[0092][0093]
s102：对信号采样峰谷序列进行统计计算，峰间幅值d
v
的最大取值为：h＝max(d
v
)，归一化后得将其分为n个等间隔区间α
i
(i＝1,2,...,n)，归一化峰间幅值落在α
i
区间的峰谷数为snum(α
i
)，则峰间幅值分布概率函数为：
[0094][0095]
峰间幅值分布特征主要用于信号起伏变化信息，归一化峰间幅值为0到k的波在整个样本分析间段中所占的分量为：
[0096][0097]
s103：整合上述s100、s101、s102三个过程计算的特征值，得到p(λ
i
)、p(λ
i
)
max
、λ
i
‑
max
、s(λ
k
‑
l
)、p(φ
i
)、p(φ
i
)
max
、s(φ
a
‑
b
)、p(α
i
)、p0‑
k
(α
i
)，共得到九个维度特征向量信息，即为所构建的时域波形结构特征。
[0098]
步骤s2：信号频域基本特征抽取计算；
[0099]
在步骤s2中，针对生产线设备结构复杂的特点，分析得出设备一般包含大量电气结构件和组件，每个电气结构件和组件的固有频率不同，因此一旦设备发生故障或即将发生故障，通常会采集到大量的非稳态信号，这些采集的信号含有各种频带的非稳态信号，而且每个频带上的非稳态信号强度也是不同的，因此采用小波变换的信号分析方法，因为该方法可以根据信号自适应的调整时间－频率窗口，通过伸缩和平移等算子可实现对信号的
多尺度细化分析，利用小尺度可以得到信号的详细视图，大尺度可以得到信号的宏观行为描述，具体过程如下：
[0100]
s200：根据分解信号的频率分布决定分解层数l，监测的设备振动或其他信号被分解为l层的小波信号，计算得出从l层信号的低频到高频共2
l
个频带的小波系数。；
[0101]
s201：重建小波包系数和提取每个频带的信号s
i
(i＝1,2,...,2
l
)；
[0102]
s202：设置取样频率m，提取每个频带的信号振幅值，计算每个频带信号的能量x
i
，能量就是各点信号幅度值平方后的求和，具体计算公式如下：
[0103][0104]
其中f
ik
(i＝1，2，....，2
l
,k＝1,2,...,m)，表示每个频带信号离散取样的振幅值；
[0105]
s203：采用每个频带的能量值x
i
作为特征值，使用l2范数归一化方法，对设备信号特征向量x＝(x1,x2,...,x
n
)进行标准归一化，具体计算公式如下：
[0106][0107]
从而得到标准归一化的基于小波变换后的设备故障信号特征向量x'＝(x'1,x'2,...,x'
n
)。
[0108]
步骤s3：信号多域特征组合与初步选择；
[0109]
在步骤s3中，主要实现特征的组合和重要特征的初步筛选，其过程如下：
[0110]
s300：进行信号多域特征组合，将时域、频域与谱域等多域特征向量进行收尾相结，组成一个更高维度的向量，其维数是多个向量维数之和。
[0111]
假定α，β为信号x在两个特征空间a和b的特征向量，即a∈a，同时β∈b，对α，β进行串联得到信号多域特征组合，如下公式所示：
[0112][0113]
s301：信号多域特征初步选择，假设通过s300过程得到待选特征集合为s，共n各特征量，采用评价函数j(s
i
)(s
i
∈s)表示每个特征s
i
对应的分值，计算所有特征的评价值，按照从高到低对特征进行排列，并选择前m个特征量，其中s
m
表示已选特征子集，作为主要特征参与后续计算，假设类标签为c(设备有问题，需要维修状态)。
[0114]
那么特征的评价函数分别为：
[0115][0116]
式中，i(s
i
；c)表示特征与类标签的相关性，i(s
i
；s
j
)表示特征之间的相关性，i(s
i
；s
j
；c)表示两个特征与类标签的交互增益，该评价函数j(s
i
)包括特征与类标签的相关性、特征之间冗余性以及交互性等信息，通过比较可以快速实现m个特征量的选择，该过程主要用于提高特征与标签(分类)相关性，降低特征之间的冗余性。
[0117]
步骤s4：信号多域特征融合与优化选择。
[0118]
在步骤s4中，包括的信号多域特征融合和融合特征优化选择前后两个环节。
[0119]
在步骤s4中的信号多域特征融合环节，经过前述步骤s1、s2、s3三个步骤，从n个待选特征集合为s，选择出来m个特征量s
m
，再根据原来其属于时域和频域特征拆分为时域特征子集s
mα
和频域特征子集s
mβ
，基于主成分分析方法的思想，把时域特征子集s
mα
内多个特征变量与频域特征子集s
mβ
内多个特征变量的相关转化为两个综合特征变量之间的相关，综合特征变量是多个特征变量的线性组合，求解两个综合特征变量之间有最大可能的相关系数。
[0120]
假设特征向量为x,y，其中x∈s
mα
,y∈s
mβ
,首先基于通用的cca算法获得两者间的各对典型相关特征组如：
[0121][0122]
其中n表示典型相关特征组的个数，分别采用以及构造新的特征向量x
*
,y
*
。
[0123]
x
*
＝(α1,α2,...,α
n
)
t
x＝a
nt
x
[0124]
y
*
＝(β1,β2,...,β
n
)
t
y＝b
nt
y
[0125]
则组合变换矩阵为：
[0126][0127]
那么最后进行线性变换可得组合特征向量z。
[0128][0129]
组合向量z为多领域特征融合后的特征向量。
[0130]
在步骤s4中的融合特征优化选择环节，采用改进后的遗传算法进行优化计算，选择一种具有全局搜索能力和并行性的智能优化算法，我们利用其全局优化能力对选择的融合特征子集进行优化，通过模拟自然界的物种进化过程，在计算机内部实现适者生存机制，使得在后续识别率和识别时间更优的特征子集在进化过程中逐步出现并保存。关于融合特征优化选择算法的目标函数，选择支持向量机分类器的识别率计算函数，请参阅图2所示，具体融合特征优化算法过程如下：
[0131]
s400：特征子集编码及种群初始化；
[0132]
s401：计算种群中每个个体适应度函数，即先对个体进行解码，再用训练和测试样本计算支持向量机svm的正确分类率和计算时间。
[0133]
适应度函数公式为：
[0134]
f(x)＝w1*x1+1/(w2*x2+w3*x3)
[0135]
式中，x1代表特征子集对应向量机分类的准确率，x2代表特征的数目，x3代表计算时长离散化后的整数数值；w1，w2，w3分别代表x1，x2，x3的影响因子，同时w1+w2+w3＝1，0≤w1，w2，w3≤1。
[0136]
s402：比较两个染色体内所有取值，如果两个染色体内相同位置都为1或者都为0的位置，表示该位置的基因为优势基因，应该保留，剩下的为两者有差异，在有差异的基因
位置按照概率λ,λ∈[0,1]进行交换，实现两个染色体的交叉操作；
[0137]
s403：提供对染色体的每个基因位进行变异操作，每个基因位按照概率γ,γ∈[0,1]进行交换计算，如果概率选中需要进行交换计算，找出最近的不同值位置进行交换操作，实现单个父代染色体的变异计算。
[0138]
s404：输入为当前种群及其父种群中的每个染色体，共2n个染色体，输出为适应度最高的一个染色体。
[0139]
s405：选择下一代种群中的染色体。该模块输入为当前种群及其父种群中除适应度最高的染色体外的其他染色体，共2n
‑
1个染色体，输出为n
‑
1个染色体。
[0140]
s406：终止条件判断，当遗传操作到达设定的最大迭代次数时，算法结束；如果迭代遗传过程中，连续若干代最优个体不再变化，算法也可提前结束。
[0141]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0142]
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
[0143]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。