一种用于齿轮故障信号的实时压缩方法

摘要

本发明公开一种用于齿轮故障信号的实时压缩方法，该方法将传感器采集的数据进行等长分段，然后提取每段数据的特征参数，通过选择多个数据段的特征参数建立ARMA预测模型，从而预测出下一段数据的特征参数，根据预测的特征参数确定下一数据段的压缩门限，从而对下一数据进行段实时压缩，每段数据压缩后利用特征参数残差检测条件判定是否需要重建预测模型，从而实现齿轮故障信号的实时压缩处理。该方法的显著效果是：在成熟SDT数据压缩算法的基础上通过引用ARMA模型进行参数预测，结合齿轮故障信号特有的特征参数，对压缩门限作自适应调整，利用自适应的压缩门限对采集的齿轮故障信号进行压缩处理，从而提高数据的压缩效率和数据可靠性。

主权项

1.一种用于齿轮故障信号的实时压缩方法，其特征在于按照以下步骤进行：步骤1：通过安装在齿轮箱体中的无线传感器设备实时采集齿轮状态监测信号，经过抽样和A/D转换后形成采样数据y_i,(i=1…n)并保存在本地缓存器中，n为存储采样数据的最大长度；步骤2：将本地缓存器中的采样数据y_i按照长度N进行定长分段，得到数据段并根据等式（1）、（2）、（3）依次求出每个数据段的数据特征值K_m,RMS_m和VPP_m，其中K_m表示第m个数据段的峭度值，RMS_m表示第m个数据段的有效值，VPP_m表示第m个数据段的峰峰值；$K_m=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\left(\frac{y_{(m,i)}-\overline{y_m}}{{\sigma }_m}\right)}^4---\left(1\right)$${\mathrm{RMS}}_m=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{y}_{(m,i)}^2}---\left(2\right)$VPP_m＝max(y_(m,i))-min(y_(m,i)) （3）式中，y_(m,i)表示第m个数据段中的第i个采样数据，表示第m个数据段中N个采样数据的平均值，σ_m表示第m个数据段中N个采样数据的标准差，max(y_(m,i))表示第m个数据段中N个采样数据的最大值，min(y_(m,i))表示第m个数据段中N个采样数据的最小值；步骤3：选择第m个数据段与之前z-1个数据段的数据特征值建立数据特征值预测序列和其中为第m个数据段的峭度值预测序列，为第m个数据段的有效值预测序列，为第m个数据段的峰峰值预测序列，依次表示为等式（4）、等式（5）和等式（6）:$S_{K_m}=[K_m,K_{m-1},...,K_{m-z+1}]---\left(4\right)$$S_{{\mathrm{RMS}}_m}=[{\mathrm{RMS}}_m,{\mathrm{RMS}}_{m-1},...,{\mathrm{RMS}}_{m-z+1}]---\left(5\right)$$S_{{\mathrm{VPP}}_m}=[{\mathrm{VPP}}_m,{\mathrm{VPP}}_{m-1},...,{\mathrm{VPP}}_{m-z+1}]---\left(6\right)$步骤4：由步骤3中的特征值预测序列和建立对应的自回归滑动平均预测模型，根据自回归滑动平均预测模型确定预测模型阶数p,q以及参数向量步骤5：根据等式（7）、（8）、（9）依次计算下一数据段的峭度值预测值有效值预测值以及峰峰值预测值其中u_m,u_m-j，(j=1…q)为零均值独立同分布的白噪声序列；步骤6：根据步骤5中下一数据段的峭度值预测值有效值预测值以及峰峰值预测值按照等式（10）计算下一段数据的压缩门限ΔE_m+1：${\mathrm{\Delta E}}_{m+1}=\frac{{\mathrm{DCE}}_{\mathrm{set}}*{\mathrm{VPP}}_{m+1}^{*}}{A(k,1)+A(k,2)*e^{-A(k,3)*{\mathrm{RMS}}_{m+1}^{*}}}---\left(10\right)$其中，DCE_set为预设的数据压缩误差值，A为h行3列的压缩系数矩阵，A(k,1)，A(k,2)，A(k,3)分别为压缩系数矩阵A中第k行的三个元素，h为预设的峭度值总等级，k的取值根据峭度值预测值在峭度值总等级中的级别确定；步骤7：利用步骤6中确定的压缩门限ΔE_m+1对下一段采样数据data_m+1进行游泳门实时压缩处理，并将压缩后的数据上传到服务器中；步骤8：当处理完data_m+1这段采样数据后，设置m=m+1,再次利用等式（1）、（2）、（3）计算当前数据段的数据特征值K_m,RMS_m和VPP_m；步骤9：根据等式（11）、（12）、（13）分别计算峭度值残差有效值残差以及峰峰值残差$u_{K_m}=K_m-K_m^{*}---\left(11\right)$$u_{{\mathrm{RMS}}_m}={\mathrm{RMS}}_m-{\mathrm{RMS}}_m^{*}---\left(12\right)$$u_{{\mathrm{APP}}_m}={\mathrm{APP}}_m-{\mathrm{APP}}_m^{*}---\left(13\right)$步骤10：检验峭度值残差有效值残差以及峰峰值残差是否满足预设条件，如果满足则返回步骤5处理下一段数据，如果不满足，则返回步骤3形成新的特征值预测序列和并利用步骤4建立新的自回归滑动平均预测模型，确定新的预测模型阶数p,q以及参数向量