本发明涉及智能运维，尤其涉及一种自适应多变量故障特征提取与增强方法。
背景技术：
：：1、振动信号诊断技术是故障诊断领域最行之有效且广泛应用的方法，其通过提取振动信号中的瞬态分量，识别故障特征频率以完成故障诊断的目标。变分模式提取方法能够提取振动信号中的特定的瞬态分量，受到了广泛的关注。然而，变分模式提取的故障诊断性能受初始超参数设置所局限，限制了其应用潜力。随着计算机和传感器技术的进步，许多研究人员通过在待检测器件不同位置安装传感器以获取多变量振动信号，其比单变量振动信号具有更加全面和丰富的故障信息，然而如果直接利用单变量信号处理方法对多变量信号进行分析，则容易忽略多变量信号各通道间联合信息，同时，当原始信号中的噪声较强时，分解后的分量中仍然会包含大量的带内噪声，导致重要故障信息被淹没，影响故障诊断的准确性，因此，亟需一种自适应多变量故障特征提取与增强方法以解决上述技术问题。2、变分模式提取通过求解约束最小化问题，将振动信号分解为具有物理意义的模式分量。技术实现思路1、本发明的目的在于克服现有技术中的不足，提供一种自适应多变量故障特征提取与增强方法，能够解决多变量信号中故障特征提取困难，大量的带内噪声导致重要故障信息被淹没的技术问题2、为达到上述目的，本发明是采用下述技术方案实现的：3、第一方面，本发明提供了一种自适应多变量故障特征提取与增强方法，包括：4、采集多变量振动信号；5、根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；6、将所述联合特征信息输入预构建的多变量模式提取模型以提取所述多变量振动信号中的多变量故障模式；7、通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。8、进一步地，根据所述多变量振动信号的采样频率获取初始频率包括：9、，10、其中，为采样频率；为取整函数，为一次更新前的初始频率，为前一个一次更新前的初始频率。11、进一步地，所述多维拓展后的变分模式提取方法包括：12、基于所述多变量振动信号的所有输入数据通道中均存在的共同频率构建多变量调制振荡模型，基于所述多变量调制振荡模型将原始变分模式提取方法中的最小化问题拓展为多变量约束最小化问题，将所述多变量约束最小化问题转化为多变量无约束变分问题，根据交替方向乘子法求解所述多变量无约束变分问题获得多变量模式更新公式和中心频率更新公式；13、其中，所述多变量调制振荡模型包括：14、<mstyledisplaystyle="true"mathcolor="#000000"><mi>m</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>=</mi><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><msub><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mn>2</mn></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi></mi><mi>⋮</mi></mtd></mtr><mtr><mtd><msub><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mi>c</mi></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi></mi><mi>⋮</mi></mtd></mtr><mtr><mtd><msub><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mi>c</mi></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr></mtable><mo>]</mo></mrow><mi>=</mi><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><msub><mi>a</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mrow><msub><mi>ϕ</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>a</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mrow><msub><mi>ϕ</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi></mi><mi>⋮</mi></mtd></mtr><mtr><mtd><msub><mi>a</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mrow><msub><mi>ϕ</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi></mi><mi>⋮</mi></mtd></mtr><mtr><mtd><msub><mi>a</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mrow><msub><mi>ϕ</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>，15、其中，<mstyledisplaystyle="true"mathcolor="#000000"><mi>c</mi><mi>=</mi><mrow><mo>[</mo><mrow><mn>1</mn><mi>,</mi><mn>2</mn><mi>,</mi><mi>…</mi><mi>,</mi><mi>c</mi></mrow><mo>]</mo></mrow></mstyle>为多变量信号的通道序数，c为多变量信号的通道总数，代表第个通道的模式分量，和分别为第个通道的模式分量的幅值和相位函数，t表示为时间；16、其中，所述共同频率为：17、；18、所述基于所述多变量调制振荡模型将原始变分模式提取方法中的最小化问题拓展为多变量约束最小化问题包括：19、，20、，21、，22、其中，和分别为多变量信号的第个通道中的残余信号和原始信号；为平衡参数；对时间t求偏导， 为模式带宽评估，为狄利克雷分布；代表卷积；是滤波器的脉冲响应，为频率参数，代表迭代更新次数，j为复数，表示为迭代更新n次的共同频率；23、将所述多变量约束最小化问题转化为多变量无约束变分问题包括：24、构建增广拉格朗日函数：25、，26、其中，为第个通道中的拉格朗日乘子项；27、通过交替方向乘子法求解所述多变量无约束变分问题，则得到多变量故障模式更新公式和中心频率更新公式：28、<mstyledisplaystyle="true"mathcolor="#000000"><msubsup><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mi>c</mi></mrow><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mi>=</mi><mfrac><mrow><msub><mi>m</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>β</mi><mn>2</mn></msup><msup><mrow><mo>(</mo><mrow><mi>f</mi><mi>−</mi><msubsup><mi>f</mi><mi>g</mi><mi>n</mi></msubsup></mrow><mo>)</mo></mrow><mn>4</mn></msup><msubsup><mi>m</mi><mrow><mi>g</mi><mi>,</mi><mi>c</mi></mrow><mi>n</mi></msubsup><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>+</mo><mfrac><mrow><msub><mi>λ</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow><mn>2</mn></mfrac></mrow><mrow><mrow><mo>[</mo><mrow><mn>1</mn><mo>+</mo><msup><mi>β</mi><mn>2</mn></msup><msup><mrow><mo>(</mo><mrow><mi>f</mi><mi>−</mi><msubsup><mi>f</mi><mi>g</mi><mi>n</mi></msubsup></mrow><mo>)</mo></mrow><mn>4</mn></msup></mrow><mo>]</mo></mrow><mrow><mo>[</mo><mrow><mn>1</mn><mo>+</mo><mn>2</mn><mi>β</mi><msup><mrow><mo>(</mo><mrow><mi>f</mi><mi>−</mi><msubsup><mi>f</mi><mi>g</mi><mi>n</mi></msubsup></mrow><mo>)</mo></mrow><mn>2</mn></msup></mrow><mo>]</mo></mrow></mrow></mfrac></mstyle>，29、；30、其中多变量故障模式为的傅立叶变换， 为的傅立叶变换，代表迭代更新次数，当n=0时，为，共同频率等效为所述一次更新前的初始频率。31、进一步地，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息包括：32、将所述初始频率和更新后的频率作差以获取一次更新前后频率之差：33、，34、其中，为一次更新前后频率的差值，为一次更新后的频率；35、根据所述正负转变点获取联合特征信息包括：所述正负转变点的由正转负点为特征成分中心频率，所述正负转变点的由负转正点为特征成分边界频率，通过添加识别校准操作以识别联合特征信息；36、所述识别校准操作包括：37、38、，39、其中，为特征成分中心频率；为特征成分边界频率，为第（i-1）个频率之差，为第（i-1）个更新一次后的频率。40、进一步地，将所述联合特征信息输入预构建的多变量模式提取模型以提取所述多变量振动信号中的多变量故障模式包括：41、，42、其中，为目标平衡参数，所述目标平衡参数包括：43、；44、其中，为采样频率，为根据所述特征成分中心频率和特征成分中心频率确定的特征成分带宽。45、进一步地，还包括通过多变量双域故障指数以精准确定所述多变量故障模式；46、所述多变量双域故障指数包括：47、，48、其中，为第个分量的多变量双域故障指数，为第个通道中第个分量的双域故障指数，为信号长度，fft（）为快速傅立叶变换；hilbert（）为希尔伯特变换，为第c个通道中第k个分量， 表示中的元素从小到大排列。49、进一步地，所述通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别包括；50、将提取到的所述多变量故障模式以dfi作为权重加权融合成单变量信号，51、将所述单变量信号通过希尔伯特变换转化为包络信号，根据所述包络信号绘制融合包络谱，提取所述融合包络谱的故障特征频率以进行故障特征识别；52、所述以dfi作为权重加权融合包括：53、，54、，55、其中，为融合的分量，为的包络信号，abs（）为求绝对值函数。56、第二方面，本发明提供了一种自适应多变量故障特征提取与增强装置，包括：57、采集模块：用于采集多变量振动信号；58、特征识别模块，用于根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；59、故障模式提取模块，用于将所述联合特征信息输入预构建的多变量模式提取模型以提取所述多变量振动信号中的多变量故障模式；60、故障特征增强模块，用于通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。61、第三方面，本发明提供了一种电子终端，包括处理器与所述处理器连接的62、存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如上述任一项所述方法的步骤。63、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。64、与现有技术相比，本发明所达到的有益效果：65、通过构建的多变量特征识别策略能够结合多变量振动信号各通道之间的联合信息，自适应地检测多变量信号的联合特征信息，有效地避免故障模式的缺失和干扰成分的冗余；根据联合特征信息构建的多变量模式提取模型，无需设置初始参数，自适应地提取原始振动信号中的多变量故障模式，通过多变量双域故障指数精准地确定故障模式；通过多变量模式融合包络谱，能够最大程度地降低了提取到多变量故障模式中的带内噪声，使故障特征频率更加突出；本发明提出的自适应多变量故障特征提取与增强方法不但具有高度自适应性，能够自动提取多变量振动信号故障特征，而且可以增强微弱故障特征，使故障特征频率更加显著，提高故障诊断的准确性，同时所提出的方法具有高效性。当前第1页12当前第1页12
技术特征：1.一种自适应多变量故障特征提取与增强方法，其特征在于，包括：
2.根据权利要求1所述的一种自适应多变量故障特征提取与增强方法，其特征在于，根据所述多变量振动信号的采样频率获取初始频率包括：
3.根据权利要求1所述的一种自适应多变量故障特征提取与增强方法，其特征在于，所述多维拓展后的变分模式提取方法包括：
4.根据权利要求2所述的一种自适应多变量故障特征提取与增强方法，其特征在于，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息包括：
5.根据权利要求3所述的一种自适应多变量故障特征提取与增强方法，其特征在于，将所述联合特征信息输入预构建的多变量模式提取模型以提取所述多变量振动信号中的多变量故障模式包括：
6.根据权利要求1所述的一种自适应多变量故障特征提取与增强方法，其特征在于，还包括通过多变量双域故障指数以精准确定所述多变量故障模式；
7.根据权利要求6所述的一种自适应多变量故障特征提取与增强方法，其特征在于，所述通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别包括；
8.一种自适应多变量故障特征提取与增强装置，其特征在于，包括：
9.一种电子终端，其特征在于，包括处理器与所述处理器连接的存储器，在
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
技术总结本发明公开了智能运维技术领域的一种自适应多变量故障特征提取与增强方法，方法包括：采集多变量振动信号；根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；将所述联合特征信息输入预构建的多变量模式提取模型以提取多变量故障模式；通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。本发明能够解决多变量信号中故障特征提取困难，大量的带内噪声导致重要故障信息被淹没的技术问题。
技术研发人员：江星星,王鑫,许圣,杜贵府,丁传仓,王俊,朱忠奎
受保护的技术使用者：苏州大学
技术研发日：技术公布日：2024/5/29
