信号特征提取.pptVIP

信号特征 特征提取方法 特征提取方法 特征提取方法 希尔伯特黄变换 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-经验模式分解 希尔伯特黄变换-希尔伯特变换 希尔伯特黄变换-希尔伯特变换 希尔伯特黄变换-希尔伯特变换 希尔伯特黄变换-希尔伯特变换 总体平均经验模式分解 (EEMD) 分类识别 什么是信号的特征，信号有哪些特征，信号特征有什么用，信号特征提取有哪些方法，各方法优缺点，某种方法详细说明，振动信号的特征提取，下一步计划 以 EMD 基本理论为基础 信号特征提取出来后，下一步就是故障识别 信号特征提取The Feature Extraction of Vibration Signals 引言 信号特征提取是从信号中获取信息的过程，是模式识别、智能系统和机械故障诊断等诸多领域的基础和关键，特征提取广泛的适用性使之在诸如语音分析、图像识别、地质勘测、气象预报、生物工程、材料探伤、军事目标识别、机械故障诊断等几乎所有的科学分支和工程领域得到了十分广泛的应用。 时域特征 频域特征 时频域特征 有量纲量 无量纲量 均值、方差、均方根、峰值 峰值因数、峭度、脉冲因子、波形因子 重心频率FC、均方频率MSF、均方根频率RMSF、频率方差VF、频率标准差RVF 通过时频分析方法提取的信号特征（小波系数、小波包能量、Hilbert谱、边际谱等） 基于时域特征提取 基于时频域特征提取 基于频域特征提取 短时傅里叶变换(STFT)、时频分布(Wigner-Ville分布、Choi-William分布) 小波变换、希尔伯特黄变换 时间序列模型法(AR模型、ARMA模型等) 快速傅里叶变换(FFT) 优点：可发现故障且可以定位。 缺点：当系统的参数存在着不确定性或时变性,或者系统有未知的干扰输入时则需要考虑鲁棒性检验问题。同时，由于该方法需要知道对象的数学模型，那么当系统存在非线性时这种方法将无能为力。 基于时域特征提取法优缺点 基于频域特征提取法优缺点 优点：频域分析实际物理意义明确，能够提供比时域波形更加直观的特征信息。缺点：只能在有限区间内进行，并且由于时域截断会带来能量泄漏，使得离散频谱的幅值、相位和频率都可能产生较大误差。 优点：能得到不同时刻的频谱。 缺点：对信号突变反应不灵敏，且窗口大小固定不变。 短时傅里叶变换优缺点 时频分布法优缺点 优点：对于分析非平稳信号和异常信号起到很大的作用。 缺点：存在频率干扰现象，很难把多成分信号表示清楚。 优点：低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。 缺点：不是自适应的,需要人为的选定小波基；还存在能量泄漏问题。 小波变换法优缺点 Huang于1996年提出了基于经验模式分解(Em-pirical Mode Decomposition,EMD)算法，EMD算法和与之相应的Hilbert谱统称为Hilbert-Huang变换。 Hilbert-Huang变换采用EMD方法将信号分解为若干个固有模态函数(IntrinsicMode Functions, IMF)分量之和,再对每个IMF分量进行Hilbert变换得到信号的解析形式,从而得到瞬时频率和瞬时幅值,然后通过叠加得到信号的Hilbert谱。Hilbert谱刻画了信号的能量随时间和频率的变化规律,表示了信号完整的时间—频率分布。 核心：经验模式分解(EMD) 原始信号x(t) step1：找到信号极大值点 step2：利用三次样条插值，求出信号上包络线 step3：找到信号极小值点 step4：利用三次样条插值，求出信号下包络线 step5：计算上、下包络线平均值m1(t) step6：将原始信号x(t)减去m1(t) h1(t)=x(t)-m1(t) (1)在整个数据段内，极值点的个数和过零点的个数必须相等或最多相差一个; (2)在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为0。 两个结束条件 若h1(t)满足上述两个条件，则认为h1(t)为IMF分量，否则将h1(t)作为原始信号重复步骤1-6，直到满足上述两个条件为止，此时得到第一个IMF分量记为c1。 当rn成为一个单调函数不能再从中提取满足IMF条件的分量时,循环结束。 r1=x(t)-c1 step7：将c1从原始信号x(t)分离出来 将r1作为原始数据,重复步骤1-6,得到第二个IMF记为c2。重复循环n次