本發(fā)明屬于熱模鍛壓力機部件磨損狀態(tài)識別，尤其涉及用于熱模鍛壓力機部件磨損狀態(tài)識別的特征信號增強方法。

背景技術：

1、離合器與制動器是熱模鍛壓力機的兩個重要部件，當熱模鍛壓力機的離合器或制動器出現(xiàn)問題，可能會導致以下后果。1.壓力機連沖：離合器或制動器的問題可能導致壓力機無法正常工作，出現(xiàn)連續(xù)沖壓的情況。這種連沖故障是非常嚴重的，輕則造成鍛件廢品、損壞模具，重則可能導致設備損壞、人員傷亡。2.悶車過載：離合器或制動器的問題也可能導致壓力機在運行過程中出現(xiàn)過載現(xiàn)象，即悶車。這種過載事故處理起來很困難，如果現(xiàn)有方法均不能解脫，可能需要切割模具或松開機身的預緊螺母。3.機身振動大：離合器或制動器的問題還可能導致壓力機在運行時產生過大的振動。機身振動過大會帶來很多問題，如造成工作環(huán)境惡劣、壓力機使用壽命降低、鍛件精度下降等。

2、在造成離合器與制動器出現(xiàn)故障的眾多因素中，磨損是一個非常重要的因素。因此，對對熱模鍛壓力機部件(即離合器與制動器)的磨損識別非常重要。目前，對熱模鍛壓力機部件(即離合器與制動器)的磨損狀態(tài)識別時，較為采用的方法是，對熱模鍛壓力機部件工作時的振動數(shù)據(jù)進行采樣后，輸入智能算法模型中進行識別檢測及預測。

3、但是，由于在實際振動信號采集過程中伴隨著較為強烈的振動，采集到的信號易受到周圍環(huán)境隨機因素的影響，同時，由于數(shù)據(jù)采集設備性能退化或者故障等原因，導致采集到的振動信號中含有數(shù)據(jù)脈沖、數(shù)據(jù)缺失等劣質數(shù)據(jù)，圖1展示了采集到的劣質振動信號的時域波形，其中，圖1(a)為數(shù)據(jù)缺失，圖1(b)為數(shù)據(jù)脈沖。劣質數(shù)據(jù)無法正確反映設備的內在運行規(guī)律，破壞了振動信號的完整性和準確性，削弱了有價值信息的提取，若直接使用這些劣質數(shù)據(jù)將會對設備的運行狀態(tài)產生誤判，并且為了更好地使用具有連續(xù)完整的周期性振動信號進行設備運行狀態(tài)識別方法研究，也不可隨意地將其剔除。

4、對采樣的劣質振動數(shù)據(jù)預處理后，雖然可以獲得較高質量的振動信號，但在不具備足夠先驗知識的情況下，如果人為地從振動信號中提取時域、頻域以及時頻域等統(tǒng)計特征，無法保證提取的特征具有全面性和有效性，這會導致使用諸如支持向量機、隨機森林等傳統(tǒng)機器學習方法的識別能力降低。

5、深度學習方法可以自適應地從振動信號中提取深層次特征，不需要先驗知識，近年來在設備故障診斷領域得到了廣泛應用，然而，深度學習方法從一維振動信號中學習到的特征可解釋性較差，無法對深度學習模型從一維振動信號學到的特征進行物理解釋，尤其是針對采集的振動信號中還摻雜著其他零部件的振動特征成分，這導致采集的振動信號成分不純凈，無論基于深度學習方法所構建的狀態(tài)監(jiān)測模型對設備運行狀態(tài)識別效果好與壞，均不能保證模型習得的特征是與所研究的設備的運行狀態(tài)相關的。因此，如果可以凸顯或增強設備運行的振動特征，削弱或剔除與所研究設備不相關的零部件的振動帶來的影響，那么將會提升基于深度學習的設備運行狀態(tài)識別性能和質量。

6、因此，怎樣才能通過智能模型準確的識別熱模鍛壓力機部件的磨損狀態(tài)，成為目前亟待解決的問題。

技術實現(xiàn)思路

1、針對上述現(xiàn)有技術的不足，本發(fā)明提供了一種用于熱模鍛壓力機部件磨損狀態(tài)識別的特征信號增強方法，可以結合智能模型準確的識別熱模鍛壓力機部件的磨損狀態(tài)。

2、為了解決上述技術問題，本發(fā)明采用了如下的技術方案：

3、用于熱模鍛壓力機部件磨損狀態(tài)識別的特征信號增強方法，包括以下步驟：

4、s1、對熱模鍛壓力機部件進行劣質振動信號xpoor采樣，并將采樣的劣質振動信號xpoor進行劣質數(shù)據(jù)檢測及修復處理，得到修復信號xre；

5、s2、構建閉開-自互補頂帽形態(tài)學濾波器fco-nsth，用于對待增強振動信號的特征頻率幅值進行增強處理；閉開-自互補頂帽形態(tài)學濾波器fco-nsth的定義如下：

6、

7、式中，xenhance(l)表示增強后的振動信號；fco-nsth表示閉開-自互補頂帽形態(tài)學濾波器；表示對修復信號進行閉運算的基礎上再執(zhí)行開運算；表示對修復信號進行開運算；(xre·g)(l)表示對修復信號進行閉運算；l表示劣質振動數(shù)據(jù)的采樣長度；

8、s3、通過粒子群優(yōu)化算法，自適應的選取閉開-自互補頂帽形態(tài)學濾波器的最優(yōu)的結構元素參數(shù)；

9、s4、使用自適應選取最優(yōu)結構元素參數(shù)的閉開-自互補頂帽形態(tài)學濾波器fco-nsth，對修復信號xre的特征頻率幅值進行增強處理，得到增強振動信號；

10、s5、將s4得到的增強振動信號輸入智能模型中，進行熱模鍛壓力機部件磨損狀態(tài)的識別及預測。

11、本發(fā)明與現(xiàn)有技術相比，具有如下有益效果：

12、本方法利用經過粒子群優(yōu)化的形態(tài)學濾波器對設備特征頻率幅值進行增強，凸顯與設備運行狀態(tài)相關的特征頻率的幅值。形態(tài)學濾波是一種屬于非線性濾波的信號分析方法，該方法通過使用結構元素從前至后對信號進行平移匹配和局部校正，可以用來增強信號的形態(tài)特征，并且，形態(tài)學濾波僅涉及加減和取極值等簡單運算，具有運算簡單、計算高效的特點。本方法中構建的閉開-自互補頂帽形態(tài)學濾波器fco-nsth，與常規(guī)的形態(tài)學濾波器相比，不僅可以使輸出信號的幅值增大，還能夠同時提取正負脈沖并增強細節(jié)特征，具有很好的特征幅值增強的優(yōu)勢，可以有效增強熱模鍛壓力機部件振動信號的特征頻率的幅值。

13、使用閉開-自互補頂帽形態(tài)學濾波器fco-nsth進行增強處理后的修復信號xre，可以增強熱模鍛壓力機部件運行的振動特征，剔除/削弱與熱模鍛壓力機部件不相關的零部件的振動帶來的影響，從而提升基于深度學習的設備運行狀態(tài)識別性能和質量。

14、綜上，使用本方法，可以結合智能模型準確的識別熱模鍛壓力機部件的磨損狀態(tài)。

15、優(yōu)選地，s2中、構建的fco-nsth中，使用余弦型結構元素進行相應處理；余弦型結構元素的表達式為：

16、

17、式中，lse為余弦型結構元素的長度，用于調控余弦函數(shù)的周期大小，且結構元素的長度lse小于修復信號的長度lse；angse為余弦型結構元素的角度，angse∈0,...,π，用于調控余弦函數(shù)的高度。

18、這樣的設置，余弦型結構元素的形狀與振動信號的形狀相似，可以保證對振動信號的處理效果。

19、優(yōu)選地，s3中，所述結構元素參數(shù)包括長度和角度。

20、優(yōu)選地，s3中，使用粒子群優(yōu)化算法時，迭代進化次數(shù)和種群規(guī)模均設置為100，加速度因子c1和c2設置為2，權重系數(shù)設置為1，長度尋優(yōu)范圍為[2，50]，角度尋優(yōu)范圍為[0，180°]。

21、這樣的設置，可以保證得到的結構元素參數(shù)的有效性。

22、優(yōu)選地，使用粒子群優(yōu)化算法時，將經過fco-nsth增強后的振動信號的包絡熵作為適應度函數(shù)，來選擇最優(yōu)的結構元素參數(shù)組合。

23、包絡熵能夠反映信號中的周期性瞬態(tài)脈沖序列，信號的包絡熵越小，說明經過形態(tài)學濾波后的信號沖擊特征越明顯。這樣的設置，可以保證得到的結構元素參數(shù)的有效性。

24、優(yōu)選地，包絡熵的計算式如下：

25、

26、式中，eevelope表示包絡熵；aevelope(l)表示特征幅值增強信號xenhance(l)(l＝1,2,...,l)通過希爾伯特解調后所得的包絡信號序列；h[·]表示hilbert變換；κl是aevelope(l)的歸一化形式。

27、優(yōu)選地，s1中，對劣質振動信號xpoor進行劣質數(shù)據(jù)檢測的過程包括：

28、①輸入劣質振動信號xpoor∈rl，其中，l表示劣質振動數(shù)據(jù)的采樣長度；

29、②令i＝1；

30、③計算第i個振動數(shù)據(jù)點pi的第k距離鄰域nbrk(pi)；

31、④計算振動數(shù)據(jù)點o∈nbrk(pi)到數(shù)據(jù)點pi的第k可達距離rdk(o,pi)；

32、⑤計算第i個振動數(shù)據(jù)點pi的局部可達密度lrdk(pi)；

33、⑥計算第i個振動數(shù)據(jù)點pi的第k局部離群因子lofk(pi)；

34、⑦如果i≤l，則令i＝i+1，重復步驟③-⑥；否則，進入步驟⑧；

35、⑧將步驟⑦中最大的npoor個lof值的振動數(shù)據(jù)點所對應的位置索引號放入集合posindex＝{pos_indexi|i＝1,2,…,npoor}中；

36、⑨根據(jù)pos_indexi∈posindex，將數(shù)據(jù)范圍[pos_indexi-thzero,pos_indexi+thzero]內的數(shù)據(jù)置零，其中thzero表示設置的置零閾值；

37、⑩得到經過劣質數(shù)據(jù)檢測后的信號，記為劣質檢測信號xlof。

38、這樣同時考慮了局部和全局屬性，劣質振動數(shù)據(jù)按照相對于其鄰域內的振動數(shù)據(jù)點的密度來確定的，當振動數(shù)據(jù)中存在不同密度的數(shù)據(jù)點時，局部離群因子算法具有很好的檢測性能?？梢员ＷC得到的劣質檢測信號xlof的有效性。

39、優(yōu)選地，k的數(shù)值為1000，npoor的數(shù)值為30。

40、優(yōu)選地，s1中，所述修復處理的過程包括：

41、首先，利用一個稀疏變換矩陣φ∈rl×l將劣質檢測信號xlof∈rl稀疏表示為θ∈rl，如下式所示：xlof＝φ·θ；其中，θ為稀疏表示系數(shù)；

42、然后，利用觀測矩陣將劣質檢測信號xlof壓縮到低維空間，如下式所示：yobserve＝ψ·xlof；式中，為觀測信號，lobserve表示觀測信號的數(shù)據(jù)長度；

43、再然后，將xlof＝φ·θ帶入yobserve＝ψ·xlof，得到y(tǒng)observe＝ψ·φ·θ＝sm·θ，并求解稀疏表示系數(shù)θ；其中，為感知矩陣；

44、最后，將求得的稀疏表示系數(shù)θ代入下式：xre＝φ·θ；得到修復信號xre∈rl。

45、若一個信號具有壓縮性和稀疏性或者經過稀疏表示矩陣變換之后具有稀疏性，則可以用一個與稀疏表示矩陣不相關的觀測矩陣將信號投影到一個低維空間上，實現(xiàn)信號的重構。這樣，可以快速的得到有效的修復信號xre。

46、優(yōu)選地，對劣質檢測信號xlof進行稀疏化表示時，使用離散余弦變換矩陣作為稀疏表示矩陣φ，該矩陣的第i行，第j列元素通過下式計算：

47、

48、這樣的設置，離散余弦變換的構造簡單，計算效率高，只需要執(zhí)行簡單的矩陣相乘運算便可得到信號的稀疏表示系數(shù)。

49、優(yōu)選地，觀測矩陣的構建過程包括：劣質振動數(shù)據(jù)檢測后，將被置零的振動數(shù)據(jù)所在的位置編號放入索引集合posindex＝{pos_indexi|i＝1,2,…,npoor}中，集合內的數(shù)據(jù)長度大小為l-lobserve；根據(jù)索引集合posindex中的位置索引編號，將單位矩陣i∈rl×l中對應的行刪除，得到觀測矩陣