一种基于压缩域的振动信号特征提取方法 | |
郭俊锋![]() ![]() ![]() ![]() | |
2022-01-25 | |
专利权人 | 兰州理工大学 |
公开日期 | 2022-01-25 |
授权国家 | 中国 |
专利类型 | 授权发明 |
摘要 | 本发明公开了一种基于压缩域的振动信号特征提取方法,包括以下步骤:对采集的振动信号进行压缩测量,得到其线性投影的测量值;根据测量值基于l2范数最小化理论获得l2范数最小的解信号;对获得的l2范数最小的解信号进行离散傅里叶变换得到频谱信息;基于频谱信息,提取振动信号的故障状态频谱特征。在对所述频谱信息进行分析之前,还包括:对获得的l2范数最小的解信号的频谱的幅值进行修正;对修正后的频谱信息进行分析,提取振动信号的频谱特征。本发明提出的基于压缩域的振动信号特征提取方法避免了基于l1范数最小化的重构算法计算复杂度高、处理速度慢的问题。 |
申请日期 | 2017-12-27 |
优先权日 | 2017-12-27 |
预估到期日 | 2037-12-27 |
专利号 | ZL201711450490.5 |
资助项目 | 基于压缩感知的机械振动信号检测理论及试验研究 |
语种 | 中文 |
专利状态 | 授权 |
申请号 | CN201711450490.5 |
公开(公告)号 | CN108304778B |
IPC 分类号 | G06K9/00 |
专利代理人 | 段君峰 | 薛艳 |
代理机构 | 北京市邦道律师事务所 |
CPC分类号 | G06F2218/08 |
权利要求 | 1.一种基于压缩域的振动信号特征提取方法,其特征在于,包括: 对采集的振动信号进行压缩测量,得到其线性投影的测量值; 根据所述测量值,基于l2范数最小化理论获得l2范数最小的解信号; 对获得的所述解信号进行离散傅里叶变换,得到频谱信息; 基于所述频谱信息,完成振动信号故障状态频谱特征的提取; 在对所述频谱信息进行分析之前,进一步包括: 对获得的所述l2范数最小的解信号的频谱的幅值进行修正; 并且,在完成振动信号故障特征的提取时:对修正后的频谱信息进行分析,提取故障的频谱特征;对获得的所述解信号的频谱的幅值进行修正包括: 根据所述振动信号的采样率,确定相对误差; 根据所述相对误差确定修正系数; 根据所述修正系数对所述l2范数最小的解信号的所述频谱的幅值进行修正。 2.根据权利要求1所述的特征提取方法,其特征在于,所述振动信号的采样率δ等于线性投影的测量值与所述振动信号的长度的比值;所述相对误差RE=-δ3+δ2-δ+1。 3.根据权利要求1所述的特征提取方法,其特征在于,对振动信号进行压缩测量时,采用高斯随机测量矩阵对所述振动信号进行处理。 4.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至3中任意一项所述的特征提取方法。 5.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任意一项所述的特征提取方法。 |
引用专利 | CN104537415A;CN106769040A;CN107024271A;CN107292067A;US20070286489A1 |
被引用专利数量 | 0 |
简单法律状态 | 有效 |
文献类型 | 专利 |
条目标识符 | https://ir.lut.edu.cn/handle/2XXMBERH/150145 |
专题 | 机电工程学院 |
作者单位 | 兰州理工大学 |
第一作者单位 | 兰州理工大学 |
推荐引用方式 GB/T 7714 | 郭俊锋,杨文,魏兴春,等. 一种基于压缩域的振动信号特征提取方法. ZL201711450490.5[P]. 2022-01-25. |
条目包含的文件 | 条目无相关文件。 |
个性服务 |
查看访问统计 |
谷歌学术 |
谷歌学术中相似的文章 |
[郭俊锋]的文章 |
[杨文]的文章 |
[魏兴春]的文章 |
百度学术 |
百度学术中相似的文章 |
[郭俊锋]的文章 |
[杨文]的文章 |
[魏兴春]的文章 |
必应学术 |
必应学术中相似的文章 |
[郭俊锋]的文章 |
[杨文]的文章 |
[魏兴春]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论