一种基于基频能量分布特征的周期振源距离智能检测方法

摘要

本发明公开了一种基于基频能量分布特征的周期振源距离智能检测方法。本发明包括如下步骤：步骤1、基频检测得到周期振动信号的基频；步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。运用本发明后，单传感器节点可以实现检测距离，多传感器组合则可以实现交叉定位，并同时确保其精度与可靠性。此外，本发明具有无需事先学习距离特征的优点，从而使此距离检测具有更好的适应性。同时基于互相关法改进的基频检测步骤可以达到较好的距离检测效果。

说明书

技术领域

本发明属于信号处理领域，涉及一种基于基频能量分布特征的周期振源距离智能检测方法。

背景技术

传统的振源距离检测依赖于多个传感器阵列节点实现的交叉定位方案，然而存在以下2个问题：

1.振动波在不同地表中传播时波速具有一定的差异，对依赖于精确的时延差的阵列定位法而言会造成极大的误差；

2.多个传感器阵列节点对传感器及配套电路要求较高，成本较大，不具有大面积推广的条件。

本发明基于振动信号的内在衰减规律，提出了一种针对周期振源的距离智能检测方法，可以实现单检测点下精度更高、稳定性更强的距离检测效果。

发明内容

本发明针对传统振源距离检测方案的不足，提出了一种基于基频能量分布特征的周期振源距离智能检测方法。本发明能够实现单传感器节点检测距离，多传感器组合实现交叉定位，并同时确保其精度与可靠性。

本发明的技术方案主要包括如下步骤：

步骤1、基频检测得到周期振动信号的基频；

步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；其中FBEP是Frequency Band Energy Percentage的缩写。

步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。

所述步骤1的具体实现包括以下几个步骤：

1-1.将输入的单帧原始信号x(n)进行初步处理，得到上包络线序列x_u(n)和下包络线序列x_l(n)。

所述的初步处理是在x(n)的极大值或极小值序列间进行线性插值，从而分别得到与x(n)等长的上包络线和下包络线序列；

1-2.计算得到包络线均值序列x_m(n)＝(x_l(n)+x_u(n))/2；

1-3.计算得到经过包络处理进行低频滤除后的信号X(n)＝x(n)-x_m(n)；

1-4根据以下公式计算X(n)的互相关序列R_n(τ)；

$R_n\left(\tau \right)=\frac{1}{L_f-\tau }\underset{m=0}{\overset{L_f-1}{\Sigma }}x(n+m)x(n+m+\tau ),\tau =0,1,2,\mathrm{...},L_f-1.$

1-5计算互相关序列R_n(τ)的平方并截取序列前80％长度为L_c:L_c＝0.8*L_f；

1-6求的不定长度为L_r的极大值序列P(n)以及极大值序列P(n)对应的索引序列I_p(n),极大值序列的筛选方法如下：

1-7将P(n)和I_p(n)依据P(n)降序排列，取排序后的I_p(n)序列的前L_p项进行升序排列得到索引升序序列I_a(n)；

1-8求索引升序序列I_a(n)中相邻元素的增量，将求得的增量组成长度为L_p-1的邻增量序列D(n)；

1-9将邻增量序列D(n)进行升序排序得到邻增量升序序列D_a(n)；

1-10求邻增量升序序列D_a(n)的前L_d项的中位数，得到的基频周期点数T_d；

1-11从而获得基频f_fd：f_fd＝F_s/T_d。

步骤1中需要注意如下3点：

(1)如果1-1中包络线存在无限值，则将其修正为0；

(2)如果1-6中的极大值不足L_r项，则P(n)与I_p(n)序列末尾补0元素；

(3)如果1-8中得到的序列D(n)部分元素小于最小邻差D_min＝F_s/F_m，则丢弃此元素，此处F_m是周期振动信号基频检测设计的最大基频；

所述的步骤2依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，具体实现流程如下：

2-1.求单帧原始信号x(n)的功率谱密度序列psd(f)；

2-2.将功率谱密度序列psd(f)依据基频分成N_b个频带,并对每个频带求和；

$b_i=\underset{abs(f_k-i*f_{fd})\le \frac{f_{fd}}{2}}{\Sigma }psd\left(f_k\right),i=1,2,\mathrm{...},N_b$

2-3.将各频带和组成的向量b_i进行百分比归一化，得到FBEP特征向量V_df，量v_i是向量V_df的第i个元素，即：

$v_i=\frac{b_i}{{\mathrm{sum}}_b},i=1,2,\mathrm{...},N_b$

所述的步骤3依据已知距离的特征库，将提取出的FBEP特征通过kNN法进行分析处理，得到振动信号距离的预测值，具体分为已知距离特征库建立和未知距离特征基于kNN的距离预测两部分。

3-1.将已知距离的FBEP特征按距离d分类求均值V_{df_d}，即

$V_{df\_d}=\frac{1}{N_{dm}}\underset{i=0}{\overset{N_{dm}-1}{\Sigma }}{V}_{df\_d\_i}$

3-2.将未知距离的FBEP特征V_df分别与各距离下的特征求欧式距离,特征间的欧式距离计算公式如下：

$d_e(1,2)=\sqrt{\underset{k=1}{\overset{N_b}{\Sigma }}{\left(v_1\right(k)-v_2(k\left)\right)}^2},$

3-3.将求得的未知距离的FBEP特征向量V_dfx与各距离的均值特征间的欧式距离进行升序排序，其排序后对应的距离索引序列为d_e(n)

3-4.取d_e(n)的前N_ed项索引，并通过其与长为N_ed的权重向量w_d(n)线性组合来预测此未知距离的FBEP特征V_df所在的距离d_dfx，即：

$d_{dfx}=\frac{1}{N_{ed}}\underset{i=0}{\overset{N_{ed}-1}{\Sigma }}{w}_d\left(i\right)*d_e\left(i\right),$

$r_d\left(i\right)=\frac{1}{d_e\left(i\right)},i=0,1,\mathrm{...},N_{ed}-1,$

$w_d\left(i\right)=\frac{r_d\left(i\right)}{\underset{k=0}{\overset{N_{ed}-1}{\Sigma }}{r}_d\left(k\right)},i=0,1,\mathrm{...},N_{ed}-\mathrm{1..}$

本发明有益效果如下：

运用此种基于基频能量分布特征的周期振源距离智能检测方法后，单传感器节点可以实现检测距离，多传感器组合则可以实现交叉定位，并同时确保其精度与可靠性。此外，由于本发明KNN方式实现距离预测，是通过直接与已知距离的距离特征库进行比对直接筛选出距离，所以具有无需事先学习距离特征的优点，从而使此距离检测具有更好的适应性。同时基于互相关法改进的基频检测步骤可以达到较好的距离检测效果。

附图说明

图1本发明距离检测流程图；

图2本发明基频检测流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

如图1和2所示，基于基频能量分布特征的周期振源距离智能检测方法，具体包括如下步骤：

1、基频检测得到周期振动信号的基频；

2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；

3、依据已知距离的特征库，将提取出的未知距离FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。

所述的步骤1，其具体实现需要细分为以下几个步骤：

1-1.将输入的单帧原始信号x(n)进行初步处理，得到上包络线序列x_u(n)和下包络线序列x_l(n)。

所述的初步处理是在x(n)的极大值或极小值序列间进行线性插值，从而分别得到与x(n)等长的上包络线和下包络线序列；

1-2.计算得到包络线均值序列x_m(n)＝(x_l(n)+x_u(n))/2；

1-3.计算得到经过包络处理进行低频滤除后的信号X(n)＝x(n)-x_m(n)；

1-4根据以下公式计算X(n)的互相关序列R_n(τ)；

$R_n\left(\tau \right)=\frac{1}{L_f-\tau }\underset{m=0}{\overset{L_f-1}{\Sigma }}x(n+m)x(n+m+\tau ),\tau =0,1,2,\mathrm{...},L_f-1.$

1-5计算互相关序列R_n(τ)的平方并截取序列前80％长度为L_c:L_c＝0.8*L_f；

1-6求的不定长度为L_r的极大值序列P(n)以及极大值序列P(n)对应的索引序列I_p(n),极大值序列的筛选方法如下：

1-7将P(n)和I_p(n)依据P(n)降序排列，取排序后的I_p(n)序列的前L_p项进行升序排列得到索引升序序列I_a(n)；

1-8求索引升序序列I_a(n)中相邻元素的增量，将求得的增量组成长度为L_p-1的邻增量序列D(n)；

1-9将邻增量序列D(n)进行升序排序得到邻增量升序序列D_a(n)；

1-10求邻增量升序序列D_a(n)的前L_d项的中位数，得到的基频周期点数T_d；

1-11从而获得基频f_fd：f_fd＝F_s/T_d。

步骤1中需要注意如下3点：

(4)如果1-1中包络线存在无限值，则将其修正为0；

(5)如果1-6中的极大值不足L_r项，则P(n)与I_p(n)序列末尾补0元素；

(6)如果1-8中得到的序列D(n)部分元素小于最小邻差D_min＝F_s/F_m，则丢弃此元素，此处F_m是周期振动信号基频检测设计的最大基频；

所述的步骤2依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，具体实现流程如下：

2-1.求单帧原始信号x(n)的功率谱密度序列psd(f)；

2-2.将功率谱密度序列psd(f)依据基频分成N_b个频带,并对每个频带求和；

$b_i=\underset{abs(f_k-i*f_{fd})\le \frac{f_{fd}}{2}}{\Sigma }psd\left(f_k\right),i=1,2,\mathrm{...},N_b$

2-3.将各频带和组成的向量b_i进行百分比归一化，得到FBEP特征向量V_df，量v_i是向量V_df的第i个元素，即：

$v_i=\frac{b_i}{{\mathrm{sum}}_b},i=1,2,\mathrm{...},N_b$

所述的步骤3依据已知距离的特征库，将提取出的FBEP特征通过kNN法进行分析处理，得到振动信号距离的预测值，具体分为已知距离特征库建立和未知距离特征基于kNN的距离预测两部分。

3-1.将已知距离的FBEP特征按距离d分类求均值V_{df_d}，即

$V_{df\_d}=\frac{1}{N_{dm}}\underset{i=0}{\overset{N_{dm}-1}{\Sigma }}{V}_{df\_d\_i}$

3-2.将未知距离的FBEP特征V_df分别与各距离下的特征求欧式距离,特征间的欧式距离计算公式如下：

$d_e(1,2)=\sqrt{\underset{k=1}{\overset{N_b}{\Sigma }}{\left(v_1\right(k)-v_2(k\left)\right)}^2},$

3-3.将求得的未知距离的FBEP特征向量V_dfx与各距离的均值特征间的欧式距离进行升序排序，其排序后对应的距离索引序列为d_e(n)

3-4.取d_e(n)的前N_ed项索引，并通过其与长为N_ed的权重向量w_d(n)线性组合来预测此未知距离的FBEP特征V_df所在的距离d_dfx，即：

$d_{dfx}=\frac{1}{N_{ed}}\underset{i=0}{\overset{N_{ed}-1}{\Sigma }}{w}_d\left(i\right)*d_e\left(i\right),$

$r_d\left(i\right)=\frac{1}{d_e\left(i\right)},i=0,1,\mathrm{...},N_{ed}-1,$

$w_d\left(i\right)=\frac{r_d\left(i\right)}{\underset{k=0}{\overset{N_{ed}-1}{\Sigma }}{r}_d\left(k\right)},i=0,1,\mathrm{...},N_{ed}-\mathrm{1..}$

为了达到更好的距离检测效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:

本方法是以帧为单位处理周期振动信号的，因此帧长的选择需要考虑设计需要检测的最低基频。这是因为基频检测的基本原理是时域的自相关法，如果一帧信号不能含有2～3个及以上的基频周期，则自相关谱无法有效地反映信号的周期性，则无法得到可靠的基频。推荐一帧信号保护5个以上的最小基频对应的最大周期。

此外在1-5步骤中，需要截取前80％长度的原因是自相关序列在偏差接近一帧的部分较不稳定，这是由于短帧自相关序列的计算原理决定的。而80％的值是实际实验时根据效果而保守选择的截取长度比例，可以在其他应用中选择更好的参数。

在1-7步骤中，长度L_p的选择可以为20左右。这个参数选择的考量是保证不丢失最关键的极大值部分的基础上，减少L_p，以减少后续步骤的排序等处理的工作量。

在1-10步骤中，长度L_d的选择可以为3，这是为了尽量避免出现得到基频周期的整数倍，从而导致误判的结果。根据实际效果看，选择3时，基频检测结果的稳定性相对较高。

本发明提出的FBEP特征是基于振动信号传播衰减规律提出的，本质上属于振动信号功率谱密度的压缩表示。而压缩的依据则是信号频域能量集中于基频整数倍附近的事实。