本技术介绍了一种结合MS-Dynp拐点检测技术和AW-GGS分割技术的信号处理方法。该方法首先确定需要故障诊断的机械部件,并通过一个或多个方向的传感器收集这些部件的全生命周期振动数据。
背景技术
对机械设备中的关键部件(如轴承,齿轮等)进行故障诊断,能够预测机械故障并延长机械使用寿命。通常由方向传感器采集机械部件全生命周期的振动信号,这种信号呈现为连续的时间序列格式。一方面,后续故障诊断需要确定故障发生点,划分出故障信号,然而,振动信号杂乱且扰动较多,使得故障发生点难以识别。另一方面,故障信号多变、时序长度过大,会严重影响后期信号特征提取等技术的使用效率,需合理地分割故障信号。因此,本发明提出基于MS-Dynp拐点检测与AW-GGS分割的信号处理方法,以解决机械部件故障发生点难以识别和信号分割问题。动态规划拐点检测算法(Dynamic Programming forChange Points Detection,Dynp)被用于检测信号拐点,然而在处理复杂的模式变化时,Dynp算法存在偏差,因此,本发明提出多统计量动态规划拐点检测算法(MS-Dynp),以精准的识别故障发生点。此外,贪婪高斯分割(Greedy Gaussian Segmentation,GGS)依照信号分布分割信号,但GGS在每次分割时需计算多变量高斯分布的参数并评估拟合效果,这导致GGS在处理大规模信号时性能受限,因此,本发明提出自适应窗口贪婪高斯分割(AW-GGS)算法,以降低原始GGS算法的计算复杂度,实现高效的信号分割。本发明能够精准高效处理信号,进一步的为机械故障诊断提供理论支持与决策基础。
实现思路