[發明專利]一種旋轉機械故障特征自動提取方法

在審

• 申請號: 201710514497.2
• 申請日: 2017-06-29
• 公開（公告）號: CN107478418A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 李舜酩;王金瑞;辛玉;安增輝;王平
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01M13/00
• 分類號: G01M13/00
• 代理公司: 江蘇圣典律師事務所32237
• 代理人: 賀翔,徐曉鷺

1.一種旋轉機械故障特征自動提取方法，其特征是，該方法首先對原始振動信號進行預處理，然后，對處理過的振動信號進行稀疏濾波處理，在對稀疏濾波模型通過被白化訓練之后獲得的權值矩陣用于計算訓練樣本的局部特征；最后采用t-SNE算法來降低維數，使映射的特征可以在散點圖上可視化表示出來。

2.根據權利要求1所述的一種旋轉機械故障特征自動提取方法，其特征是，所述的對原始振動信號進行預處理具體為：

步驟1.1收集樣本：采用原始振動信號作為訓練樣本，采用重疊取樣法從訓練樣本中采集Z段信號，將所述信號分段組成訓練集其中是第j個分段包含N_in個數據點，N_in用于表示稀疏濾波的輸入維數，N_out表示輸出維數；

步驟1.2白化：將數據集寫作矩陣形式然后進行白化預處理；所述白化處理過程使用協方差矩陣的特征值分解：

cov(S^T)＝EUE^T (1)

式中cov(S^T)是協方差矩陣，E是特征向量的正交矩陣，U是特征值的對角矩陣；然后白化訓練集S_w計算如下：

S_w＝EU^-1/2E^TS(2)

3.根據權利要求2所述的一種旋轉機械故障特征自動提取方法，其特征是，所述的稀疏濾波處理過程具體為：

步驟2.1訓練稀疏濾波：稀疏濾波模型通過被白化訓練集S_w訓練，之后獲得的權值矩陣W用于計算訓練樣本的局部特征；

步驟2.2計算局部特征：訓練樣本xⁱ被依次劃分成K個分段，其中K是整數且等于N/N_in，K個分段組成數據集且然后我們使用訓練好的稀疏濾波模型來計算每個樣本的局部特征

步驟2.3獲得學習特征：學習特征fⁱ通過使用平均法來組合局部特征獲得：

fi=(1KΣk=1Kfki)T---(7)]]>

4.根據權利要求1所述的一種旋轉機械故障特征自動提取方法，其特征是，所述采用t-SNE算法來降低維數具體為：

定義聯合概率分布p_ij來進行估計兩特征f_i和f_j之間的兩兩相似性，對稱兩個條件概率如下：

pi|j=exp(-||fi-fj||2/2σi2)Σk≠lexp(-||fk-fl||2/2σi2)---(8)]]>

pij=pi|j+pj|i2N---(9)]]>

高斯核函數σ_i設置為條件概率的混亂度等于預定義的混亂度；

在低維空間設置特征y_i和y_j作為f_i和f_j的映射特征，特征y_i和y_j之間的聯合分布p_ij通過歸一化學生t分布伴隨一個單自由度來計算：

qij=(1+||yi-yj||2)-1Σk≠l(1+||yk-yl||2)-1---(10)]]>

歸一化的學生t分布的重尾允許不相似特征在映射空間里被模擬成更遠的分布，y_i的位置通過最小化聯合分布q_ij和p_ij之間的KL散度來決定：

KL(P||Q)=ΣiΣjpijlog(pijqij)---(11)]]>

式中P和Q是p_ij和q_ij的矩陣形式，通過最小化上式，f_i和y_i之間變得越來越相似，因此y_i可以表示f_i的特征。