数据预处理

故障信息获取

目前，常用的故障诊断参数有电流、电压、功率、转矩、磁通、温度、振动等物理量。其中定子电流信号相对于其它参数受环境等外界影响最小，也因为电流传感器安装方便而最容易获取，因此，长期以来是电机各类故障诊断的主要参数。

故障特征提取

1.快速傅立叶变换(FFT)
　　快速傅里叶频谱分析方法是提取电机故障特征信号的经典分析方法，在异步电机故障诊断中起到了至关重要的作用。然而，由于傅里叶频谱分析方法对信号的时域缺少分辨能力，适合于对平稳信号的分析。当电动机发生故障时，所测得是非平稳、非线性分布的随机信号，信号中突变的部分在FFT频谱上得不到反映。
　　针对FFT的不足，提出了时频分析方法进行改进，如短时Fourier变换有时也称作加窗Fourier变换(Gabor变换)和wigenr分布。
　　短时傅里叶变换实质上是在限定的时间内对信号进行傅里叶变换分析得到的局部频率信息，不能准确地分析多尺度和突变信号。
　　Wigner分布是对信号的协方差进行变换，对非平稳信号分析处理上，与其他方法相比具有平移不变形、弱支撑性等优点，但因为它的分布是非线性的，当信号进行时频叠加时存在交叉干扰。
　　
2.小波变换时频分析方法
　　优点：传统的分析方法在分析含有大量突变、时变冲击信号时，往往很难准确的提取故障的信号特征。小波分析在时域和频域中都能很好的表征信号局部特征，对信号能够进行多分辨率的时频分析，能聚焦到信号任意细节，因此被誉为“数学显微镜”。小波变换以其对非平稳信号的强大处理能力，在电机故障诊断领域取得了非常大的成就，积累了大量的有价值的成果。
　　缺点：
　　1.小波变换要求信号在小波窗内具有平稳性，没有完全脱离傅里叶变换的局限性，都受测不准原则的制约。
　　2.小波分解对不同信号的分解效果完全取决于小波基的选择，但是目前对于小波基的选择没有理论性的指导。
　　3.小波基有限长会造成能量的泄漏，且一旦确定了分析尺度和小波基，也就限定了分析信号的频段，在小波分解和小波重构过程中都无法更换，根据信号全局特征选择的小波基在效果并不理想。因此小波变换对信号的局部并没有适用性，这是小波变换致命能的一个缺点。
　　
3.经验模态分解(Empirical Mode Decomposition, EMD)
　　1998年Huang提出的经验模态分解法其实是平稳化处理了信号，按照尺度大小逐级分解信号中的波动或变化趋势，拆分成若干个数据系列，每个序列特征尺度各不相同，但都为一个固有模态分量。EMD不受海森堡测不准原理的影响，吸取了小波变换多分辨率的优势，避免了基函数的选择问题。EMD不需要预定义基函数，也不需要提前知道信号的先验信息，而是依赖信号本身，对信号的局部特征进行分解，对信号的全局和局部都有很好的自适应性。该方法对时变非线性非平稳信号具有很好的分析效果，具有有效的局瞬特性表征能力和较高的时间一频率分辨率。

《笼型异步电动机多故障仿真模型的建立及诊断方法研究_李双双》

故障诊断识别

电机故障诊断实质是模式识别问题，是通过模式识别机制将提取的故障特征信息与电机故障空间的某个类别故障建立映射的过程。
　　当前人工神经网络己广泛应用于异步电机早期故障的诊断领域中，利用神经网络的高度的自适应、高度的非线性映射以及并行处理能力与先进的信号分析、模式识别、模糊逻辑、遗传算法、进化机制等结合建立相应的故障特征与故障类型之间的映射关系，实现异步电动机多特征多故障的分类及识别。
　　虽然基于神经网络的故障识别方法在实际应用中表现出明显的优势，但是对于高维输入情况，计算量大、收敛速度慢且局部极小值问题严重，泛化和整体推广性能较差;适合大样本等问题还有待于进一步研究解决。

小波包分析——去噪及提取特征

小波包分析

小波包分析的原理
　　短时傅里叶变换是将信号线性等间隔划分，而多分辨率分析是按二进制变化的尺度对信号进行时频分解，因此在高频段处频率分辨率较差。
小波包分析则是在这些方法基础上进行了改进，可以同时在低频与高频处分解，并自适应选择频带，大大地提高了时频分辨率，使小波包变换具有更大的应用空间。

小波包去噪

1.去噪原因
　　笼型异步电机在发生转子断条、气隙偏心、轴承故障时，定子电流以及电机振动信号中包含着故障特征频率，对信号进行分析和提取，获得反应相应故障的状态特征量。但是现场运行中的异步电机自身会产生较大的机器噪声，同时因受到电气干扰而产生电气噪声，因此采集到的信号中混有大量的高频噪声信号，故在对信号进行特征提取前首要先对信号进行去噪处理，否则对后续的特征信号提取造成不良影响。

2.小波包的去噪原理
　　小波包分解能够实现信号去噪，主要因为小波包变换具有时域局部特性、多分辨率特性、解相关特性和小波基多样性等特点。采用小波包对信号进行去噪过程主要有四个步骤:
　　1)信号的小波包分解;
　　2)最优小波基的选择;
　　3)小波包分解系数的阂值化;
　　4)信号的小波包重构。
　　信号经过小波包分解后，噪声系数比信号系数小。将小于阈值的分解系数认为是由噪声引起的，予以舍弃;大于阈值的分解系数认为是由信号引起的，予以保留，最后用得到的系数进行小波包重构，即为去噪后的信号。

小波包提取特征

小波包能够提供一种更为精细的信号分析方法，能对随着尺度减小而变宽的频率窗口的再细化分割，提高了频率分辨率，因而。它还能够根据信号的特征，自适应地选择相应的频带，使之与信号的频谱相匹配。通过灵活利用小波包分解和重构技术，就有可能提取出反应各个故障的最敏感特征，可用于后续的诊断识别。

《笼型异步电动机多故障智能诊断及分离方法的研究_王跃龙》

电动机故障诊断——数据预处理相关推荐

故障诊断数据预处理之1-D振动信号FFT变换后的2-D灰度图转换
文章目录前言一.转换原理二.Matlab代码展示前言目前,基于数据驱动的故障诊断方法通常采用深度神经网络来挖掘采集数据中隐藏的信息,实现故障分类.然而,它们大多利用原始的一维时域信号作为DN ...
机器学习PAL数据预处理
机器学习PAL数据预处理本文介绍如何对原始数据进行数据预处理,得到模型训练集和模型预测集. 前提条件完成数据准备,详情请参见准备数据. 操作步骤登录PAI控制台. 在左侧导航栏,选择模型开发和训 ...
深度学习——数据预处理篇
深度学习--数据预处理篇文章目录深度学习--数据预处理篇一.前言二.常用的数据预处理方法零均值化(中心化) 数据归一化(normalization) 主成分分析(PCA.Principal ...
目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)
首先贴上代码原作者的github:https://github.com/chenyuntc/simple-faster-rcnn-pytorch(非代码作者,博文只解释代码) 今天看完了simple- ...
第七篇：数据预处理(四) - 数据归约(PCA/EFA为例)
前言这部分也许是数据预处理最为关键的一个阶段. 如何对数据降维是一个很有挑战,很有深度的话题,很多理论书本均有详细深入的讲解分析. 本文仅介绍主成分分析法(PCA)和探索性因子分析法(EFA),并给 ...
数据预处理--噪声_为什么数据对您的业务很重要-以及如何处理数据
数据预处理--噪声 YES! Data is extremely important for your business. 是! 数据对您的业务极为重要. A human body has five ...
数据预处理（完整步骤）
原文:http://dataunion.org/5009.html 一:为什么要预处理数据? (1)现实世界的数据是肮脏的(不完整,含噪声,不一致) (2)没有高质量的数据,就没有高质量的挖掘结果(高 ...
3D目标检测深度学习方法数据预处理综述
作者 | 蒋天元来源 | 3D视觉工坊(ID: QYong_2014) 这一篇的内容主要要讲一点在深度学习的3D目标检测网络中,我们都采用了哪些数据预处理的方法,主要讲两个方面的知识,第一个是rep ...
整理一份详细的数据预处理方法
作者:lswbjtu https://zhuanlan.zhihu.com/p/51131210 编辑:机器学习算法与Python实战为什么数据处理很重要? 熟悉数据挖掘和机器学习的小伙伴们都知道, ...

电动机故障诊断——数据预处理