[發明專利]一種振動事件的模式識別方法

有效

• 申請號: 201611219034.5
• 申請日: 2016-12-26
• 公開（公告）號: CN106874833B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 孫誠;趙卓;張吟;李莉;壽麗莉
• 申請（專利權）人: 中國船舶重工集團公司第七一0研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 高燕燕;仇蕾安

1.一種振動事件的模式識別方法，其特征在于，包括如下步驟：

步驟一、通過振動傳感器采集獲取原始振動信號，所述原始振動信號中包含振動信號與非振動信號；并將原始振動信號中的振動信號分割出來；

步驟101：以設定長度的窗口為單位，將原始振動信號f(t)根據窗口長度劃分為多段窗口信號x(t)，t為時間變量；

計算每一段窗口信號中N個采樣點的平均能量，對于平均能量大于自適應閾值value的窗口，則該窗口信號為備選振動片段s(t)；如果兩備選振動片段間隔范圍在設定個數個窗口范圍內，則將該兩備選振動片段合并作為一個備選振動片段，否則，作為不同的備選振動片段；

閾值value的初始值為Max(N)×0.025，Max(N)代表窗口內N個采樣點中的最大值；

步驟102：針對每個備選振動片段，如果備選振動片段長度小于一個閾值Length，則認為是噪聲，將其舍棄；然后對備選振動片段進行小波分解，對分解后的信號進行濾波，得到濾波后重構信號；

步驟103：判斷是否存在至少一個備選振動片段的重構信號滿足預設振動信號標準，若存在，將重構信號滿足預設振動信號要求的備選振動片段作為振動信號從原始振動信號中分割出來；若不存在，將閾值value增加一個增量Δ，重復步驟101至步驟103，直至分割出振動信號為止；其中增量Δ公式如下所示：

其中Mean為重構信號的均值；

步驟二、對所述振動信號進行去噪處理；

步驟三、對去噪后的振動信號進行特征提取，獲得特征向量，包括三個方面特征：

特征A、在時頻域上進行小波包分解，獲得能量特征向量；所述特征A的獲取方法為：

對去噪后的振動信號做小波包分解，通過對一個設定尺度上各頻帶內的分解系數重構，在每個分解節點上構成新的時間序列，對這些時間序列分別做能量特征提取，獲得能量特征向量；

其中對去噪后的振動信號做小波包分解，通過對一個設定尺度上各頻帶內的分解系數重構，在每個分解節點上構成新的時間序列，對這些時間序列分別做能量特征提取，獲得能量特征向量，具體方法為：

步驟301.對去噪后的振動信號進行三層小波包分解，獲得分解樹，以(i,j)表示第i層的第j個節點，每個節點對應一個小波包系數；

步驟302.將所述分解樹中的每一個節點分別進行重構，得到對應每個節點的重構信號，每個小波包系數的權重為W_ij，針對200Hz以下的分解頻帶的小波包系數賦予相對其它頻帶高的權重；

計算各頻帶信號的對數能量，其中節點(i,j)對應的頻帶信號的對數能量為L_ij，有

式中，c_ij表示節點(i,j)對應的重構信號的離散值的幅值，n表示去噪后的振動信號p(t)的采樣點數，Δt為采樣時間間隔；k為節點(i,j)對應的重構信號的采樣點數；

則所有節點的對數能量組成能量特征向量；

特征B、進行倒頻譜分析，提取倒頻譜參數特征；

特征C、在時域上提取信號特征；

步驟四、建立識別模型，由二級分類器組成；

一級分類器是基于支持向量機SVM分類器，利用從振動信號中提取出的特征向量作為輸入，將振動事件分為非入侵事件和入侵事件；

二級分類器是針對入侵事件，進行基于人工神經網絡的識別，采用入侵事件樣本及其人工分類結果作為所述人工神經網絡的訓練樣本對該人工神經網絡進行訓練，則將入侵事件作為人工神經網絡的輸入，獲得分類結果；

步驟五：通過人機交互機制，對二級分類器的分類結果進行判斷，當出現分類結果錯誤后進行人工修訂，修訂結果存入數據庫，當分類錯誤結果累計到一定數目后，重新訓練二級分類器中的人工神經網絡，更新分類器的神經網絡參數。

2.如權利要求1所述的一種振動事件的模式識別方法，其特征在于，所述步驟二中采用小波閾值去噪算法。

3.如權利要求1所述的一種振動事件的模式識別方法，其特征在于，所述步驟三、對去噪后的振動信號進行特征提取，獲得A、B和C三方面的特征組成的特征向量后，采用主成分分析法PCA降維。