[發明專利]基于核密度估計和K-L散度的旋轉機械故障診斷方法

有效

• 申請號: 201410100359.6
• 申請日: 2014-03-18
• 公開（公告）號: CN103868692A
• 公開（公告）日: 2014-06-18
• 發明（設計）人: 劉宇;張凡;陳初杰;李彥鋒;楊圓鑒;米金華;黃洪鐘
• 申請（專利權）人: 電子科技大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G01M13/02
• 代理公司: 成都宏順專利代理事務所(普通合伙) 51227
• 代理人: 周永宏

技術領域

本發明屬于機械裝備故障智能診斷領域，具體涉及基于核密度估計和K-L散度等統計學工具的故障診斷方法。?

背景技術

旋轉機械廣泛應用于工業生產實踐中，例如風力發電機、數控機床、航空航天發動機等關系到國防民生的重要領域。在生產工作中，滾動軸承、齒輪等旋轉機械中的關鍵部件由于需要承受交變機械應力和偶然沖擊，加上本身固有的制造誤差，經常會產生一些早期缺陷，例如輕度磨損、點蝕等。這些缺陷如果不及時診斷發現，就會不斷惡化，最終導致系統失效，帶來很大的財產損失，甚至對國防和人身安全帶來巨大威脅。對于現代化大型復雜旋轉機械設備而言，盡管可以通過改善設計、制造工藝來提高零部件的質量，但仍難以確保不出故障。所以，有必要利用先進的傳感和監測技術，對關鍵零部件及系統進行有計劃、有組織、有針對性的狀態監測和故障診斷，盡早發現設備運行過程中的各種隱患，從而防止巨額財產損失和災難性事故的發生。?

數據驅動方法是近年來逐漸興起的一種故障診斷技術，計算機技術的快速發展使得大數據并行高速計算變得非常容易，推動了依靠大量數據分析的故障診斷技術的發展。從應用的角度看，基于數據驅動的故障診斷方法較基于模型的方法更為切實可行，這是由于數據采集通常要比精確建立物理模型更加容易。除此之外，數據驅動的故障診斷方法還有兩個明顯的優點：一是該類方法更容易實現自動診斷，這與現代工業的智能化發展是切合的；二是該類方法不需要太多參數設置和專家經驗知識。一般來說，一種數據驅動的故障診斷方法應包括數據獲取、特征提取、特征降維、分類器設計和結果輸出等五個步驟，其中分類器設計和選擇是該類方法的關鍵。?

現有的數據驅動的故障診斷方法大多都是在樣本的特征空間尋找一個最優分類超曲面，從而將不同類型的故障樣本分開。例如，基于支持向量機（Support?Vector?Machine，SVM）的故障診斷方法，基于BP（Back?Propagation）神經網絡的故障診斷方法等。然而，由于噪聲、測量誤差等對有效振動信號的污染，使得分類問題存在一定的不確定性，進而導致了分類錯誤的現象，即很難找到一個恰當的超曲面將所有樣本全部歸類正確。?

以上常用方法產生分類錯誤的現象的原因與它們的分類原理是分不開的。傳統的智能故障診斷方法往往忽略了樣本間的統計信息和關聯信息，而統計信息對于隨機信號處理是極為關鍵的，即對于正確分類很有幫助。目前，國內外從樣本統計角度開展的智能故障診斷方法的研究或報道還非常少。?

發明內容

本發明的目的是為了從原始樣本中提取更加全面、有效的統計學信息，從而提高分類器的準確率和推廣能力，提出一種基于核密度估計（Kernel?Density?Estimation，KDE）和K-L散度（Kullback-Leibler?Divergence）兩種統計學工具的智能故障診斷方法。?

本發明的基于核密度估計和K-L散度的旋轉機械故障診斷方法，包括如下步驟：?

步驟1：采集被監測對象的原始振動數據，并劃定訓練樣本集和測試樣本集；?

步驟2：從步驟1中得到的原始振動數據中提取指定時頻域特征；?

步驟3：從步驟2中得到的頻域特征集中選擇出少數敏感特征，并且計算這些敏感特征的分類貢獻率；?

步驟4：利用核密度估計計算訓練樣本中不同故障類別樣本集關于步驟3中提取的敏感特征的概率密度函數，并計算加入一個未知故障類別待測樣本后各類樣本集新的概率密度函數；?

步驟5：計算出在選定的特征描述下，訓練樣本中各類故障樣本集原始概率密度函數，以及加入一個待測樣本后的新概率密度函數兩者的K-L散度值；?

步驟6：計算集成K-L散度，并通過集成K-L散度的大小判斷待測樣本的故障類別。?

進一步地，所述步驟2中得到的指定時頻域特征是通過總體平均經驗模態分解方法和希爾伯特變換等信號處理方法得到的。?

進一步地，所述步驟3的計算過程如下：?

第一步：計算第j個特征C個類的類內距離的平均值