一种振动信号特征频率带的提取方法及装置

摘要

本发明提供一种振动信号特征频率带的提取方法及装置，其包括获取振动信号的边际谱；利用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频率带窗口边际谱集合的聚类效果评价指标；根据所述聚类效果评价指标提取出故障敏感的特征频率带。本发明实施例的振动信号特征频率带的提取方法及装置具有提取到的振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。

说明书

技术领域

本发明涉及机构检测领域，特别是一种振动信号特征频率带的提取方 法及装置。

背景技术

滚动轴承的状态监测对设备的安全运行具有重要意义，设备状态监测 和故障诊断可以分为三个步骤：信号采集、特征提取、状态识别。分析设 备振动信号是最常用的故障诊断手段，如何从非线性、非平稳特性的振动 信号中提取出表征轴承故障状态的特征信息是实现轴承故障诊断的关键。 时频分析方法是非线性、非平稳信号分析的有力工具，常用的分析方法有： 小波变换、短时傅里叶换、魏格纳–维尔分布(Wigner-VilleDistribution， WVD)，希尔伯特黄变换(Hilbert-HuangTransform，HHT)等。小波变换 方法的特征提取效果很大程度上受到小波基函数选择的限制，而小波基函 数的自适应性不强；短时傅立叶变换是线性变换，对于多分量信号其变换 不存在交叉项，但其时频聚集性不好；WVD的时频聚集性非常好，但对 于多分量信号会产生交叉项，HHT目前在机械故障振动信号分析方面应用 最为广泛。

现有研究中多采用振动信号的时域、频域和时频域的统计特性来作为 故障的特征信息，例如平均值、标准差、峰度、偏度、形状因数、能量熵 等。Ali等提取振动信号每一个(IntrinsicModeFunction，IMF)分量的11 种时域统计特征来训练人工神经网络，实现滚动轴承的故障诊断；Shen等 从IMF分量中提取出16种时域统计特性和13种频域特性，并利用距离评 价技术从中选取目标更加敏感的特征信息，来提高齿轮箱异常识别的准确 率。Zhang等利用两种时域统计特性和两种频域统计特性来训练SVM，并 提出一种新型混合参数优化算法来提高滚动轴承的故障识别率；Bafroui 等提取出振动信号64个时间尺度下的小波系数，并利用能量熵从中选出更 能够表征故障种类的24个尺度，利用24个尺度下的小波系数统计特性作 为人工神经网络故障分类器的输入，来提高轴承故障分类器的识别率。上 述研究中的故障诊断模型都是基于统计特征的，然而，统计特征中只能包 含振动信号中部分故障相关的特征信息，无法对故障特征进行完整的描述， 仅使用统计特征作为故障特征信息，可能故障识别准确率的下降。

尝试使用振动信号经过HHT得到的边际谱作为轴承故障分类器的输 入信号，来实现轴承故障的分类，实验结果表明边际谱能够有效的表征轴 承故障的种类。然而，由于噪声信号及EMD(EmpiricalMode Decomposition,EMD)自身的问题，边际谱中不可避免地包含一些与故障类 型相关性小或不相关的信息，这些信息不仅使故障类型的特征空间变得庞 大，同时还会给故障的分类带来干扰，降低故障诊断的精度。

因此如何设计出一种故障识别率高和抗噪声能力质量好的振动信号特 征频率带的提取方法是业界亟需解决的课题。

发明内容

为了解决上述现有的技术问题，本发明提供一种振动信号特征频率带 的提取方法及装置以提取到的故障识别率高和抗噪声能力质量好的振动信 号特征频率带。

本发明提供一种振动信号特征频率带的提取方法，包括：

获取振动信号的边际谱；

利用滑动窗口将所述边际谱划分成多个窗口边际谱，对至少二种故障 状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个 频率带窗口边际谱集合的聚类效果评价指标；

根据所述聚类效果评价指标提取出故障敏感的特征频率带。

优选地，所述获取振动信号的边际谱的步骤具体包括：

获取振动信号；

将所述振动信号进行希尔伯特黄变换以获取所述振动信号的边际谱。

优选地，所述根据所述聚类效果评价指标提取出故障敏感的特征频率 带的步骤包括：将所述聚类效果评价指标值从大到小进行排序，并按顺序 将每个窗口对应的频率段进行叠加，当得到的频率点数大于预设阀值时， 停止叠加以生成振动信号的特征频率带。

优选地，还包括步骤：

利用特征频率带下的边际谱信息完成对支持向量机分类器进行训练， 生成特征频率带分类模型。

优选地，所述边际谱的计算公式为：

$h\left(w\right)={\int }_0^{T}H(w,t)dt,$其中

h(w)为边际谱，且$H(\omega ,t)=\mathrm{Re}\underset{i=1}{\overset{n}{\Sigma }}{a}_i\left(t\right)\exp (j\int {\omega }_i(t\left)dt\right)$

优选地，所述支持向量机分类器计算依据公式：

$f\left(x\right)=Sgn[\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i{y}_{i}K(x_i,x)+b]$

本发明还提供一种振动信号特征频率带的提取装置，包括

获取模块，用于获取振动信号的边际谱；

评价指标计算模块，用于利用滑动窗口将所述边际谱划分成多个窗口 边际谱，对至少二种故障状态下的同一频率带下的窗口边际谱集合进行聚 类分析，以计算生成每个频率带窗口边际谱集合的聚类效果评价指标；以 及

特征频率带提取模块，用于根据所述聚类效果评价指标提取出故障敏 感的特征频率带。

优选地，所述获取模块具体包括：

信号获取单元，用于获取振动信号；

边际谱生成单元，用于将所述振动信号进行希尔伯特黄变换以获取所 述振动信号的边际谱。

优选地，所述特征频率带提取模块具体用于将所述聚类效果评价指标 值从大到小进行排序，并按顺序将每个窗口对应的频率段进行叠加，当得 到的频率点数大于预设阀值时，停止叠加以生成振动信号的特征频率带。

相较于现有技术，本发明优选实施例的振动信号特征频率带的提取方 法，通过利用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障 状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个 频率带窗口边际谱集合的聚类效果评价指标，并根据所述聚类效果评价指 标提取出故障敏感的特征频率带具有提取到的振动信号特征频率带具有故 障识别率高和抗噪声能力质量好的优点。

本发明具有提取到的振动信号特征频率带具有故障识别率高和抗噪声 能力质量好的优点。

附图说明

图1为本发明一优选实施例的振动信号特征频率带的提取方法的方框 示意图；

图2为本发明的特征频率带分类模型工作过程示意图；

图3为WMSC方法中窗口边际谱集合RI值随窗口起始频率位置的变 化曲线示意图；

图4为7种故障状态中各随机选取序列示意图；

图5为本发明优选实施例的振动信号特征频率带的提取装置的结构示 意图。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

请参阅图1，其为本发明一优选实施例的振动信号特征频率带的提取 方法的方框示意图。

本发明实施例的振动信号特征频率带的提取方法包括：

S1:获取振动信号的边际谱；

本步骤中，首先获取振动信号，然后将获取到的振动信号进行希尔伯 特黄(Hilbert-HuangTransform，HHT，即希尔伯特黄变换)变换以获取所 述振动信号的边际谱。

具体而言，经验模式分解(EmpiricalModeDecomposition,EMD)是基于 信号不同时间尺度的局部特征进行的，EMD可以将信号分解为一套完备 的、几乎正交的本征模函数(IntrinsicModeFunction，IMF)集合，每个 IMF对应于信号在一种频率下的振动模式，在对非平稳信号进行平稳化处 理时，每个IMF满足以下两个条件：

(1)整个数据序列中，极值点的数目和过零点的数目必须相等或最大 相差一。

(2)对于序列中任意一点来说，由局部极小值和局部极大值确定的上、 下包络线的均值为零。

对于信号x(t)，其EMD分解步骤为：

(1)获取信号x(t)中所有局部极值点；

(2)根据局部极大值点和极小值点构造信号x(t)的上下包络线；

(3)求得上下包络线的平均值m₁(t)，计算x(t)和m₁(t)的差值 h₁(t)＝x(t)-m₁(t)；

(4)如果h₁(t)是否满足成为IMF的条件，那么h₁(t)就是x(t)的第一个 IMF分量，即c₁(t)＝h₁(t)；如果不满足，则将h₁(t)作为新的原始信号，步骤 (1)-(3)，得到h₁₁(t)和m₁₁(t)，h₁₁(t)＝h₁(t)-m₁₁(t)，循环k次，直到h_1k(t)能 够满足IMF的条件，则c₁(t)＝h_1k(t)。然后用x(t)减去c₁(t)，得到一阶分解的 剩余信号r₁(t)＝x(t)-c₁(t)，把r₁(t)作为新的原始信号，即x(t)＝r₁(t)；

(5)重复步骤上述(1)-(4)，直到完成设定的n阶分量，或残余函 数r_n(t)小于设定阀值，或r_n(t)成为单调函数，EMD过程结束，分解后的x(t) 可以表示为公式：

$x\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}{c}_i\left(t\right)+r\left(t\right).---\left(1\right)$

每个IMF分量都反映了原始信号不同时间尺度的模态特征。

而Hilbert边际谱则可以由如下过程生成：

首先通过EMD可以得到代表信号不同时间尺度局部特征的本征模态 函数c_i(t)，对c_i(t)进行Hilbert变换，变换公式为：

$H\left(c_i\right(t\left)\right)=\frac{1}{\pi }{\int }_{-\infty }^{\infty }\frac{c_i\left(\tau \right)}{t-\tau }d\tau ---\left(2\right)$

构造信号c_i(t)的解析信号z_i(t)如公式：

解析信号z_i(t)的幅值函数如公式：

$a_i\left(t\right)={\left[{c_i}^2\left(t\right)+H^2\left[c_i\left(t\right)\right]\right]}^{1/2}---\left(4\right)$

解析信号z_i(t)的相位函数公式：

进一步计算可以得到瞬时频率:

这样，可以得到：

这里省略了残差r(t)，Re表示取实部。展开式(7)，得到Hilbert谱：

$H(\omega ,t)=\mathrm{Re}\underset{i=1}{\overset{n}{\Sigma }}{a}_i\left(t\right)\exp (j\int {\omega }_i\left(t\right)dt)---\left(8\right)$

如果将H(w,t)对时间积分，就得到Hilbert边际谱h(w)：

$h\left(w\right)={\int }_0^{T}H(w,t)dt---\left(9\right)$

边际谱h(w)的值是频率w在各个时刻的幅值之和，代表信号的幅值在整 个频率段上随频率的变化的情况，能够真实反应某一频率在信号中是否存 在。在机械设备处于正常状态下，振动信号边际谱的能量集中在低频段， 当边际谱在高频段出现集中峰值时，表示设备通常处于不正常的工作状态。

S2:利用滑动窗口将所述边际谱划分成多个窗口边际谱，对至少二种 故障状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成 每个频率带窗口边际谱集合的聚类效果评价指标；

本步骤中，具体而言：

首先，设定由所述获取的振动信号组成的训练集合中有M种故障信号， 每种故障信号有N组序列，构成了H＝M*N组故障训练信号序列集，故障序 列集经过HHT后得到的边际谱序列集合MSP可以表示为

其中边际谱SP＝[sp₁,sp₂,…,sp_i]，SP_ij.的频点数l，为利用滑动窗口对 SP_ij.进行频带划分，滑动窗口大小为m个频点数，滑动步距为1个频率点， 从边际谱第一个频率点开始，可以从SP_ij划分出l-m+1个窗口边际谱W_ij＝ [W_ij¹,W_ij²,...,W_ij^l-m+1]，W_ij^k和SP_ij之间的关系可以表达为：

W_ij^k＝[sp_k,sp_k+1,...,sp_k+m-1]

分别对每一个边际谱序列进行窗口划分，对于边际谱序列集合MSP， 可以得到窗口集合WM，

然后，提取WM中每一个频带窗口集合，可以得到l-m+1个窗口边际 谱集合，[MW¹,MW²,…,MW^l-m+1]，MW^k可以表示为

对MW^k进行聚类分析，这里使用RI(RANDINDEX)作为聚类效果的评 价指标，MW^k中的每个窗口边际谱属于一种故障状态，将任意两个窗口进 行组合，可以产生H*(H-1)/2个组合对，每个组合对有四种可能的聚类结果， (a)属于同一故障状态被分到同一簇，(b)属于不同故障状态被分到不同簇， (c)属于不同故障状态被分到同一簇，(d)属于同一故障状态被分到不同簇。 聚类评价指标RI可以表达为

RI(k)＝(tp+tn)/(tp+fp+tn+fn)

这里，tp为出现(a)结果的组合对数目，tn为出现(b)结果的组合对数码， fp为出现(c)结果的组合对数目，fn为出现(d)结果的组合对数目。

对每一个窗口边际谱集合聚类分析后，可以得所有窗口的边际谱的评 价指标序列RI＝[RI(1),RI(2),…,R(l-m+1)]，RI(k)的值越大，表明该窗口子边际谱 对应的频率段信息故障种类区分特性越好，可以被优先选择作为特征频率 段。窗口的边际谱的评价指标序列亦称为聚类效果评价指标值。

S3:根据所述聚类效果评价指标值提取出故障敏感的特征频率带。

本步骤中，将所述聚类效果评价指标值RI进行从大到小的排序，按顺 序将每个窗口对应的频率段进行叠加，叠加过程中重叠部分的频率点只记 录一次，设置预设阈值Pmin，当得到的频率点数大于Pmin时，叠加过程停 止，这样就得到了特征频率点集合S，亦完成振动信号的特征频率带的提 取。

进一步的，利用特征频率带下的边际谱信息完成对支持向量机分类器 进行训练，生成特征频率带分类模型。

具体地，利用特征频率点集合S对振动信号的边际谱SP进行截取，得 到特征子边际谱序列SP′，亦即振动信号的特征频率带。SP′作为支持向量机 SVM(SupportVectorMachine,SVM)分类器的新的输入信息。支持向量机中 对于非线性可分的情况，可使用一个非线性函数把数据映射到一个高 维特征空间，在高维特征空间建立优化超平面，判决函数变为：

一般无法知道的具体表达，也难以知晓样本映射到高维空间后的 维数、分布等情况，不能再高维空间求解超平面。由于SVM理论只考虑 高维特征空间的点积运算而点积运算可由其对应的核函数 直接给出，即用内积K(x_i,x_j)代替最优分类面中的 点积，就相当于把原特征空间变换到了某一新的特征空间，得到新的优化 函数：

Max:$W\left(\alpha \right)=\underset{i=1}{\overset{1}{\Sigma }}{\alpha }_i-\frac{1}{2}\underset{i,j=1}{\overset{1}{\Sigma }}{\alpha }_i{\alpha }_j{y}_{i}K(x_i,x_j)---\left(11\right)$

Subjectto0≤α_i≤C，α_i≥0,i＝1,2,…,l

求解上述问题后得到的最优分类函数是：

$f\left(x\right)=Sgn[\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i{y}_{i}K(x_i,x)+b]---\left(12\right)$

b是分类阀值，可以用任一个支持向量求得，或通过两类中任意一对支 持向量取中值求得。其中核函数K(x_i,x)可以有多种形式，常用的有：

(1)线性核,Linear：K(x,y)＝<x·y>；线性分类时使用

(2)多项式核,Poly：K(x_i,x)＝(<x_i,x>+1)^d，d是自然数；

(3)径向基核,RadialBasisFuction(RBF)核

$K(x_i,x)=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{{\mathrm{gp}}^2}),gp>0---\left(13\right)$

(4)sigmoid核：K(x_i,x_j)＝tanh(kx^Ty-δ)^d，其中k,δ均是常数

基于HHT、SVM及上述提出的振动信号特征频率带的提取方法建立 轴承多故障状态识别模型，记为HHT-WMSC-SVM，首先对训练集(已知 空间)振动信号进行HHT变换，得到训练信号的边际谱集合MSPt，利用 窗口边际谱聚类WMSC(WindowMarginalSpectrumClustering,WMSC) 方法对训练集的边际谱集合进行分析，获取边际谱中故障状态敏感的特征 频率点集合S。然后，用集合S对MSPt进行抽取，得到特征子边际谱集 合MSPt’，利用MSPt’及已知的序列状态对SVM分类器进行训练。最后， 对测试集(未知空间)振动信号进行HHT，得到测试信号际谱信息集合 MSPp，用集合S对MSPp进行抽取，得到子边际谱集合MSPp’，MSPp’ 作为SVM分类器的输入，完成测试集序列的分类。SVM分类器的参数c 和g会影响分类器的性能，新的分类模型中窗口边际谱聚类(Window MarginalSpectrumClustering,WMSC)的窗口大小m和最小频率点数阈值 Pmin同样会对分类效果产生影响。因此，这里将m、Pmin、c、g作为整个 模型的四个参数，对训练数据集，利用交叉检验方法进行参数优化，以生 成特征频率带分类模型，所述特征频率带分类模型工作过程如图2所示。

测试分析过程如下：

1、测试方法如：利用美国凯斯西储大学(CaseWesternReserve University，CWRU)的开放轴承故障振动信号进行实验分析，由一个2HP 的三相感应电动机轴和一个用于产生额定负载的测力计组成，感应电动机 轴承型号为SKF-6205-2RS，二者通过扭矩传感器自动对准配合，加速度传 感器安装在电机的驱动端和风扇端上侧。为了模拟轴承故障，分别在轴承 的内圈外圈及滚动体上采用电火花加工的方式引入单点缺陷，数据库中给 出了0、1、2、3hp四种负载下获取振动数据，采样频率为12kHz。

首先以电机的驱动端上侧的传感器数据为系统输入，分别对驱动端轴 承故障状态样本数据进行实验，分别对如表1所示的两个故障状态信号集 进行实验分析，取振动信号的2000个采样点为一组序列，每种类型的故障 信号各取60组序列，其中20组作为训练集，40组作为测试集，信号集A 共有序列240组(训练集80组，测试集160组)，信号集B共有序列420 组(训练集140组，测试集280组)。如表1所示：

表1

2.对比模型和结果分析

本发明提出的故障分类模型采用边际谱作为初步特征信息，利用 WMSC对边际谱进行特征子频带提取，为了验证阶段特征提的有效性，分 别采用基于统计信息的分类模型定义为ST-SVM、基于边际谱分类模型定 义为HHT-SVM，以及本发明采用的振动信号特征频率带提取方法定义的 HHT-WMSC-SVM分类模型，对表1中的4个数据集进行训练和测试。其 中ST-SVM模型中利用统计特性对SVM分类器进行训练，HHT-SVM模型 中直接利用边际谱对SVM分类器进行训练。

ST-SVM模型中，利用振动信号EMD后的前4阶IMF分量的时域和 频域的统计特性作为SVM分类器的输入。对于每个IMF分量，选取如表 2所示5个时域特征和5个频谱特征，共计40个统计特性数据作为SVM 分类器的输入。输入的时域和频域统计特征参数如表2。

表2时域和频域统计特征参数

包络谱sp(k)的能量可以表示为：

$Energy={\Sigma }_{k=1}^l|sp\left(k\right){|}^2$

sp(k)的能量熵定义为：

${\mathrm{Entropy}}_{sh}=-{\Sigma }_{k=1}^l{P}_k{\mathrm{logP}}_k---\left(14\right)$

其中，

$P_k=\frac{|sp\left(k\right){|}^2}{Energy}$

sp(k)的能量熵能够反映IMF分量在频域上的能量分布不确定度，常作 为衡量故障状态和故障程度的统计特性^[3]。

HHT-SVM分类模型直接采用信号经过HHT得到的边际谱信息作为 SVM分类器的输入，在HHT-WMSC-SVM分类模型中，首先通过WMSC 方法获取特征频率点集S，然后以S下的特征子边际谱序列作为SVM分类 器的输入。这里对于训练集数据，采用交叉检验和PSO方法对各模型SVM 分类器中的c、g参数进行优化。对于HHT-WMSC-SVM模型在HHT-SVM 的最优c、g参数下，采用网格搜索的方法对m和Pmin参数进行寻优，然 后在最优m和Pmin参数下，采用PSO方法对c、g参数寻优。三种分类 模型的分类结果及模型的最优参数如表3和表4所示。

通过分类结果可以发现，对于故障数据集A，三种分类模型都可以达 到比较好的分类效果，ST-SVM模型准确度略低于另外两种模型，而对于 数据集B，ST-SVM分类模型的准确度出现了较大的下降。这是由于相较 于数据集A，数据集B故障种类更加精细，包含了不同故障位置不同程度 的故障类型，ST-SVM模型中采用的时域和频谱统计特征不足以使SVM分 类器有效的完成分类工作。而信号的边际谱中包含了更多的故障状态特征 信息，HHT-SVM和HHT-WMSC-SVM模型依然可以达到较好分类效果。 由于HHT-WMSC-SVM模型中能够对边际谱信息进行筛选，提取出目标更 加敏感的特征边际谱子序列，所以模型可以达到更高的分类准确度。

表3

表4

对于数据集B中的训练集序列，WMSC方法中窗口边际谱集合RI值 随窗口起始频率位置的变化曲线如图3所示，图3示出了对应8种不同的 窗口大小，可以发现不同窗口大小下，RI值的分布呈现出了一定的规律性， 都存在窗口起始位置为1200-1500HZ、3300-3700Hz两个RI值较大频率段， 并且RI值变化趋势一致。随着窗口大小m的增大，RI序列的极值有所提 高，但是RI值得抖动情况加剧，所以需要通过优化方法选择合适m和Pmin 值完成信号特征子集的提取。

对于B数据集，根据优化后的HHT-WMSC-SVM模型参数m＝180， Pmin＝375，可以得到最终选择的频点集合S，7种故障状态中各随机选取 一个序列，利用S对7个序列的边际谱进行截取，结果如图4所示，图4 中的曲线为对应故障状态的边际谱序列，虚线中不为零频率带为特征频率 带，利用S截取的子边际谱序列作为SVM分类器的输入信息，截取的频 率范围为1293-1800HZ和3570-4110HZ，通过多组序列的对比(图4只是 其中一组)，可以发现截取的特征子边际谱具有更强的目标敏感性。

在故障数据集B的源信号中加入一定信噪比的高斯白噪声，用三种模 型对加噪后的信号进行分类，分类结果如表5所示，当信噪比大于10时， 对三种模型的分类结果产生的影响较小，当信噪比小于10时，随着信噪比 的减小，ST-SVM和HHT-SVM模型的故障状态分类正确率有明显下降， 特别是在SNR小于5时，两种方法的正确率下降较明显，而本文提出的 HHT-WMSC-SVM方法的依然保持较高的分类能力，这说明 HHT-WMSC-SVM模型中的WMSC方法能够提取出目标更加敏感的特征 信息，可以提高分类模型的抗噪声能力。

表5

3、模型参数分析：

为了分析HHT-WMSC-SVM模型中m和Pmin参数对分类效果的影响， 在c和g取定值的条件下，在不同m和Pmin参数条件下，利用 HHT-WMSC-SVM模型对加入SNR为5的噪声的B信号集进行分类，可 以建立x轴和y轴分别代表最小频点数Pmin和窗口大小m，z轴代表测 试集信号故障状态识别率，相应的m取值范围是10～300，Pmin取值范围 为m～1998，分类准确度的分布呈现出较强的规律性，在Pmin小于300时， 分类准确度普遍较低，在Pmin小于500时，分类准确度上升较快，并在 300-800范围内达到峰值；Pmin取300-1500这一区间时，分类模型保持着 较高的准确度；当Pmin大于1500时，分类准确度开始下降，随着Pmin 的增大一直下降到和HHT-SVM方法同一个水平。在m和Pmin都比较小 的情况下(m<150，Pmin<300)，分类准确度最低，这是由于提取特征信息 少，无法进行有效的分类；在m比较小的情况下，当Pmin>1500时，随 Pmin的增大，分类准确度下降的较快。分析结果表明边际谱信息中不同频 段的信息故障状态敏感度不同，其中存在影响分类效果的分量，为了提高 分类准确度，需要从中提取出目标敏感性较强的特征信息，而本发明提出 的振动频率带特征带的提取方法是一种可行高效的方法。

相较于现有技术，本发明优选实施例的振动信号特征频率带的提取方 法，通过利用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障 状态下的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个 频率带窗口边际谱集合的聚类效果评价指标，并根据所述聚类效果评价指 标提取出故障敏感的特征频率带具有提取到的振动信号特征频率带具有故 障识别率高和抗噪声能力质量好的优点。

再请参阅图5，本发明还提供一种使用上述振动信号特征频率带的提取 方法的装置，所述振动信号特征频率带的提取装置包括：获取模块100、 评价指标计算模块200和特征频率带提取模块300。

获取模块100用于获取振动信号的边际谱。评价指标计算模块200用 于利用滑动窗口将所述边际谱划分成多个窗口边际谱，对不同故障状态下 的同一频率带下的窗口边际谱集合进行聚类分析，以计算生成每个频率带 窗口边际谱集合的聚类效果评价指标。特征频率带提取模块300用于根据 所述聚类效果评价指标提取出故障敏感的特征频率带。

进一步的，所述获取模块100具体包括：

信号获取单元101，用于获取振动信号；

边际谱生成单元103，用于将所述振动信号进行希尔伯特黄变换以获 取所述振动信号的边际谱。

进一步的，所述特征频率带提取模块300具体用于将所述聚类效果评 价指标值从大到小进行排序，并按顺序将每个窗口对应的频率段进行叠加， 当得到的频率点数大于预设阀值时，停止叠加以生成振动信号的特征频率 带。

本发明实施例的述振动信号特征频率带的提取装置同样具有提取到的 振动信号特征频率带具有故障识别率高和抗噪声能力质量好的优点。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说 明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术 领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若 干简单推演或替换，都应当视为属于本发明的保护范围。