[發明專利]一種基于概率密度函數的旋轉機械健康狀態評估方法

有效

• 申請號: 201510532123.4
• 申請日: 2015-08-26
• 公開（公告）號: CN105241680B
• 公開（公告）日: 2018-01-02
• 發明（設計）人: 燕晨耀;劉宇;張志鵬;張凡
• 申請（專利權）人: 電子科技大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06F19/00
• 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

1.一種基于核密度估計和K-L散度的旋轉機械健康評估方法，包括如下步驟：

步驟1：采集被監測對象的原始振動數據；

步驟2：從步驟1中得到的原始振動數據中提取多個的時域和頻域特征，獲得時域特征集和頻域特征集；

步驟3：對步驟2中得到的時域和頻域特征集進行降維處理獲得敏感特征，并且計算這些敏感特征的貢獻率，然后獲得貢獻率向量；

步驟4：采集被監測對象每一個時刻的原始振動數據為一個樣本，使用一個窗寬為k的移動滑動窗來動態地選定樣本集，即落入滑動窗的k個樣本構成一個樣本集合，計算獲得樣本集合的統計特性；

步驟5：利用核密度估計方法，計算各個樣本集關于步驟3中提取的敏感特征下的概率密度函數；

步驟6：計算出相同敏感特征下相鄰兩個樣本集的概率密度函數的K-L散度值；

步驟7：計算集成K-L散度，以集成K-L散度值作為監測對象的健康評估指標，集成K-L散度組成新的時間序列用來判斷監測對象健康狀態退化的嚴重程度；集成K-L散度越小，相鄰的兩個樣本集的概率密度函數越相似；反之，當集成K-L散度越大，相鄰的兩個樣本集的概率密度函數差別越大；換句話說，集成K-L散度值越小表示相鄰兩個時刻的退化程度越不明顯，而當集成化K-L散度越大表示相鄰兩個時刻的退化程度越明顯。

2.如權利要求1所述的基于核密度估計和K-L散度的旋轉機械健康評估方法，其特征在于：所述步驟2中具體通過總體平均經驗模態分解方法和希爾伯特變換處理方法獲取多個時域和頻域特征。

3.如權利要求1所述的基于核密度估計和K-L散度的旋轉機械健康評估方法，其特征在于：所述步驟3中使用主成分分析進行特征變換；具體計算過程如下：

第一步：由所述步驟2中提取的時域和頻域特征組成的樣本觀測矩陣：

X=(x1,x2,...,xp)=x11x12...x1px21x22...x2p............xn1xn2...xnp---(1)]]>

其中，n維向量x_i(i＝1,2,…p)代表某一個具體的時域或頻域的統計特征，p代表特征總維數，n代表總的觀測樣本數；

第二步：對樣本觀測矩陣進行數據標準化處理，減少不同特征單位不同引起的影響，得到新的標準化處理之后的矩陣

第三步：計算矩陣X^nor的協方差矩陣其中，

第四步：計算協方差矩陣C的特征值以及特征向量：

Cν_i＝λ_iν_i(2)

其中，λ_i表示協方差矩陣C的第i個特征值，ν_i是λ_i對應的特征向量；

第五步：按照降序對所有的特征值進行重新排序，得到新的特征值序列：Λ＝[λ₁,λ₂,…,λ_p]，其中，λ₁＞λ₂＞…＞λ_p，對應的特征向量序列為V＝[ν₁,ν₂,…,ν_p]；

第六步：按照預先規定的累積貢獻率選擇出m個主成分：

Σi=1mλi/Σi=1pλi≥θ---(3)]]>

其中，累計貢獻率θ取值為90％，表示特征變換以后，新特征代表了原始數據總方差90％的比例；

第七步：由m個主成分組成的特征變換矩陣：

V＝(v₁,v₂,…,v_m)(4)

得到新的特征矩陣：

Y＝V^T(x₁,x₂,…,x_m)^T＝(y1,y2,…,y_m)^T(5)

第八步：分別計算m個敏感特征的分類貢獻率F_j；定義：

Fj=λjΣi=1nλi,(j=1,2,...,m)---(6)]]>

構造貢獻率向量F＝(F₁,F₂,…,F_m)。