[发明专利]一种基于振动信号图像化的故障识别方法及系统

说明书

本发明公开了一种基于振动信号图像化的故障识别方法，获取键相传感器采集的键相时域信号序列，以及振动传感器采集的振动时域信号序列，构建任意相位与时间的函数关系，以及振动信号与时间的函数关系；对振动信号与时间的函数关系进行阶次分析得到振动信号与任意相位的函数关系，进行短时傅里叶变换，得到变换后的振动‑相位信号频谱；使用变换后的振动‑相位信号频谱沿着时间顺序构建振动图像，对构成的图像训练样本集特征提取，对振动特征向量进行降维，得到降维后的特征样本集；利用K‑means聚类算法对降维后的特征样本集进行聚类分析，确定故障类别。本发明将振动数据转换为图像数据，进行有损压缩，提高了数据处理的速度和效率。

技术领域

本发明涉及图像数据的产生和处理领域，尤其涉及一种基于振动信号图像化的故障识别方法及系统。

背景技术

振动广泛存在于机械、车辆、建筑、航空航天等各类工程应用中。工程结构和设备在运行过程中产生大量振动信号，其中蕴含着丰富的结构内在特性和设备运行状况信息，是反映系统状态及其变化规律的重要信息表征，直接影响着工程结构和设备的安全运行。

高频率的振动信号需要大量数据来表示，因此必须对其进行数据压缩。但在压缩的过程中，也会对传输介质、传输方法和存储介质等提出较高要求。目前，对于工业设备中的振动数据的压缩，通常采用经典的无损数据压缩方法，如哈夫曼编码等，对二进制数据进行重编码，数据压缩和解压缩的时候，需要使用到大量的计算机资源，极限压缩的能力较低。无损压缩时，振动数据中存在的大量统计性质的多余度，如极高频率的噪音，以及幅值较小的波动，均被完整地保留了下来。这些数据对于分析设备的运行状态、诊断设备的故障等，并没有起到有益的作用，反而会拖累了计算机处理数据的效率。因此，可以在允许保真度的条件下压缩待存储的图像数据，大大节约存储空间，而且在图像传输时也大大减少信道容量。

本发明通过对原始的数字数据压缩成图像的方式，借助图像的有损压缩，可以显著降低数据量。图像压缩是图像存储、处理和传输的基础，它是用尽可能少的数据来进行图像的存储和传输。通过允许图像编码有一定的失真，有效地提高了压缩比，从而实现设备振动数据的高速传输与存储，降低通过机器学习获得设备状态分类模型所需的算力。

发明内容

鉴于此，本发明提供一种基于振动信号图像化的故障识别方法及系统，将设备的振动监测数据转换为图像数据，并进行有损压缩，提高了数据处理和故障分析的速度和效率。

为实现上述目的，本发明提供一种基于振动信号图像化的故障识别方法，所述方法包括：

S1、在当前采集周期内，分别获取键相传感器在各个键相相位点采集的基于键相位的键相时域信号序列，以及振动传感器采集的基于时间序列的振动时域信号序列，并分别对所述键相信号时域序列和振动时域信号序列采用样条插值的方法，构建得到任意相位与时间的函数关系，以及振动信号与时间的函数关系；

S2、对所述振动信号与时间的函数关系进行阶次分析，并根据所述任意相位与时间的函数关系得到振动信号与任意相位的函数关系，对所述振动信号与任意相位的函数关系进行短时傅里叶变换，得到变换后的振动-相位信号频谱；

S3、根据所述变换后的振动-相位信号频谱，以振动信号频率为图像横坐标，以时间序列作为图像纵坐标，以振动信号幅值作为图像像素点的像素值，构建一图像数据集，并得到对应的振动图像；

S4、重复步骤S1～S3，基于多个采集周期对应得到多张振动图像，并构成图像训练样本集；

S5、对所述图像训练样本集中的每一张振动图像进行特征提取，获取对应的振动特征向量，并对所述振动特征向量进行降维，得到降维后的特征样本集；

S6、利用K-means聚类算法对所述降维后的特征样本集进行聚类分析，确定故障类别。

优选的，所述步骤S1包括：