[發明專利]基于符號動力學禁字模式的旋轉機械故障診斷方法

有效

• 申請號: 201310432071.4
• 申請日: 2013-09-22
• 公開（公告）號: CN103528836A
• 公開（公告）日: 2014-01-22
• 發明（設計）人: 王雪;袁玲
• 申請（專利權）人: 重慶科技學院
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 代理公司: 重慶市前沿專利事務所(普通合伙) 50211
• 代理人: 郭云

1.基于符號動力學禁字模式的旋轉機械故障診斷方法，其特征在于：包括如下步驟：

第一步：建立需診斷設備在正常狀態和各種故障狀態下的時域信號樣本各不少于30個，每個樣本的采樣長度L不小于4096點；

第二步：對每個樣本，進行符號化處理，即將時域序列變成值域序列樣本；即將每個樣本按其峰峰值范圍均等地分成M個區域，M為6；對每個樣本上的每個點進行區域選取，即樣本上的值所在的區域為值域序列中的值；

第三步：將值域序列變成符號序列：

符號序列的形成由時延參數τ和歷經長度I確定；將樣本的采樣點按照采樣時刻從小到大的順序取前（L-I*τ+1）個點分別作為信號起點，將信號起點加上與信號的起點時延τ、2τ、3τ……(I-1)τ對應的點分別構成一組序列，并將序列中信號起點以及與信號起點分別時延τ、2τ、3τ……(I-1)τ對應的點依次進行符號定義，再根據時域信號幅值從大到小的排列順序，得到符號序列集合或字集合；其中：

L：信號樣本的長度；

τ：時延參數，τ取1至6的自然數；

第四步：生成特征向量，包括：

第四.一步：生成參數組一，具體為計算總的禁字率f_r和符號序列的信息熵S_h;其中：

其中：

總禁止字率：

N_f為出現的所有禁止字模式字數量；

Mt為字模式總數；M_t＝M!＝720；

第四.二步：生成參數組二，具體為：

在整個字模式總數中，按照順序分為30個組，每個組有24個模式，對每組符號序列，分別統計在24個模式中，禁止字模式出現的個數N_i；將每組里面出現的N_i除以總的禁止字數量，得到30個禁止字率f₁,f₂,…,f₃₀；

fi=NiNf,i=1,2,...,30]]>

第四.三步：生成參數組三，具體為：

在整個字模式總數中，按照順序分為六個組，每個組有120個模式，對每組符號序列，分別統計在120個模式里面出現的禁止字模式數N_i′，再除以總的禁止字數N_f，得到六個禁止字率f_b1,f_b2,…,f_b6；其中：

fbi=Ni′Nf,i=1,2,...,6]]>

第四.四步：生成參數組四，具體為：

將每組符號序列均分成前后二段，每段則由三個字符構成；按照這三個字符的大小位置關系，也就是每三個字符有四種位置關系，那么前后兩段，共有16種模式，在整個字模式總數里面，對每組符號序列，分別統計16種模式下出現的禁止字模式數量N_ci，再除以總的禁止字模式數量，形成禁止字率f_ci；

fci=Nci′Nf,i=1,2,...,16]]>

第五步：對特征向量進行標準化和歸一化處理后，再進行PCA降維處理；

第六步：生成降維后的新的特征向量，并對新的特征向量進行標準化和歸一化處理；

第七步、采用分層遞歸的LibSVM進行診斷，核函數采用RBF，利用網格法得到LibSVM的RBF核參數g參數和懲罰參數c參數，并進行訓練建模；

第八步：利用模型對測試樣本進行測試，判斷每類正確率是否大于90%；若每類正確率是大于90%，判斷有合并的類嗎；判斷是否有設置的合并類；若沒有合并類，模型構建完畢，可進行診斷工作；如有合并類，則設置τ＝X,τ＝1,M＝6，返回第二步；若有正確率小于90%，判斷τ＜6嗎？如τ＜6，則設τ＝τ+1,返回第二步；如τ=6，再判斷是否有正確率>90%的分類，如沒有，則本次診斷失敗，無法建模，不能進行診斷；如τ=6有正確率>90%的分類，則在τ＝1時觀察，將沒有達到正確率90%的相互混淆的類合并為一類，并設置M=6，π＝π-X+1,τ＝1，返回第二步；其中：π為識別對象，N為總的待分類的故障類別數；X為合并的類的類別數。