[發明專利]一種機械故障預測的特征提取方法

有效

• 申請號: 201010101327.X
• 申請日: 2010-01-27
• 公開（公告）號: CN101799366A
• 公開（公告）日: 2010-08-11
• 發明（設計）人: 徐小力;陳濤;王少紅;王紅軍
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G01M19/00
• 分類號: G01M19/00;G01M13/00;G01M13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種機械故障預測方法，特別是關于一種機械故障預測的特征提取方法。

背景技術

故障預測是保障機電設備長期安全、滿負荷運行的關鍵技術，是機電故障診斷學研究的重點之一。在機電設備故障預測中，特征提取是一個重要環節，也是故障預測中的難題。復雜機電系統是非線性系統，其運行狀態具有非線性特點，設備運行的數據雖然提供了設備運行狀況的極其豐富、詳細的信息，但給故障敏感特征提取帶來很大困難。

流形學習(Manifold?Learning)算法是近年來發展起來的非線性降維機器學習算法，以保持數據局部結構的方式將高維輸入投影到低維空間，發現隱藏在數據中的內在幾何結構與規律性。隨著流形學習理論研究的深入，其在醫學、圖像處理、語音信號處理、天文數據處理等領域應用廣泛。目前，有將流形學習方法用于沖擊故障特征提取和喘振監測技術、軸承故障分類和設備狀態趨勢分析中的應用，但這些方法均為流形學習局部方法，一方面是不能很好的保持數據的整體性，在從高維到低維的映射過程中，很可能會將相隔較遠的點映射到近鄰點的位置，因此不能有效提取低維特征；另一方面是流形學習所應用的對象大多為軸承故障和壓縮機，所應用的領域較具體，因此沒有通用性。

發明內容

針對上述問題，本發明的目的是提供一種針對性和準確性較高、能保持數據整體性、有效提取低維特征、且應用較為廣泛的機械故障預測的特征提取方法。

為實現上述目的，本發明采取以下技術方案：一種機械故障預測的特征提取方法，其步驟如下：(1)通過遠程監測診斷中心獲取代表設備運行狀況的一段連續振動信號，進行分析；(2)根據連續振動信號，定義一個判斷設備運行狀態是否異常的綜合評判函數f＝max(f₁，f₂，f₃)，當出現異常時，進行特征提取；否則不提取特征；其中，f₁、f₂和f₃分別表示振動信號絕對量異常與否的函數、振動信號變化量正常與否的函數和振動信號變化率正常與否的函數；(3)采用提升小波方法對異常振動信號中所包含的噪聲進行降噪；(4)利用時間延遲法對降噪后的振動信號進行相空間重構到一個m維的相空間中，進而獲知原始動力學系統完整的信息；(5)根據相空間重構后的兩樣本點之間的歐氏距離判斷兩該樣本點是否為近鄰點；當兩樣本點為近鄰點，則兩點之間有邊連接；當兩樣本點為非近鄰點，則沒有邊連接；(6)根據樣本點的邊連接距離確定鄰近圖，邊連接的最短路徑為D_G，其中包含了臨近圖中任意兩個點之間的最短路徑距離；(7)規范化變換矩陣S，進而確定矩陣ι(D_G)，矩陣ι(D_G)表示流形局部性質；(8)利用平移不變的方法，根據矩陣ι(D_G)構造一中間計算矩陣K₁和一測地距離核矩陣K，并根據中間計算矩陣K₁的最大特征值b，使得測地距離核矩陣K滿足正定性；(9)利用譜分解方法，計算正定測地距離核矩陣K的特征值和特征向量；(10)根據亥維塞德函數C_n(ε)確定拓撲維數d為：d=limϵ→0logCn(ϵ)logϵ]]>其中，(11)根據拓撲維數d進行低維流形特征提取，得到用于故障預測的低維流形特征T為：T=diag(λ11/2,...,λd1/2)UT,]]>其中，λ₁，...，λ_d為正定測地距離核矩陣K的d個最大特征值；U＝[u₁，...，u_d]，為d個最大特征值對應的特征向量。