[發明專利]一種基于拉普拉斯分值與AP聚類的故障特征的提取方法

在審

• 申請號: 201910246145.2
• 申請日: 2019-03-29
• 公開（公告）號: CN109976308A
• 公開（公告）日: 2019-07-05
• 發明（設計）人: 劉曉波;梁春輝;黃濤
• 申請（專利權）人: 南昌航空大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 贛州智府晟澤知識產權代理事務所(普通合伙) 36128
• 代理人: 姜建華

1.一種基于拉普拉斯分值與AP聚類的故障特征的提取方法，其特征在于，具體步驟為：

步驟一、提取原始故障特征集；

通過電渦流位移傳感器，按確定的時間間隔或采樣頻率測取一定數量的待檢測系統機械振動在某個采樣時段原始故障信號的時域特征和頻域特征；

將原始故障信號的時域特征和頻域特征進行EEMD分解，得到固有模態函數IMFs：c_i(t),i＝1,2,3,...；

由式計算出前6個模態函數IMFs的能量矩，其中，Δt為采樣時間間隔，N為樣本總數；

再對能量矩進行歸一化處理并構建時頻特征向量F，時頻特征向量F的式為

步驟二、初次特征選擇；

對時頻特征向量F用m個樣本點構造近鄰圖G表示樣本的局部結構，其中，第i個節點對應為x_i；

之后，在近鄰圖G中定義邊的距離權重為：式中，t為常數，若x_i和x_j沒有邊相連，則S_ij＝0；

再定義第r個特征為f_r＝(f_r1,f_r2,...,f_rm)，且得出D＝diag(SI)、I＝(1,1,...,1)^T和L＝D-S，其中，矩陣L表示近鄰圖G的拉普拉斯矩陣，并由式對f_r進行去均值化處理；

再由式得出第r個特征的拉普拉斯分值，其中，L_r值越小，表明該特征的局部信息保持能力和區分能力越強，根據L_r值從小到大的順序重新對這些特征進行排序，選取前n(1≤n≤m)個L_r值較小的特征量作為特征選擇的結果；

步驟三、二次特征選擇；

由式S(i,j)＝-||x_i-x_j||²算出N個特征選擇的特征量樣本點的相似度矩陣S，并設置最大迭代次數t_max，其中，S(i,j)表示樣本x_i與x_j之間的相似度；

由式R(i,k)＝S(i,k)-max{A(i,j)+S(i,j)}，其中，j＝1,2,...,Mandj≠i,k；

其中，j＝1,2,...,Mandj≠i,k；

得出每個樣本點的可信度R和可用度A；

再由式R(k,k)+A(k,k)＞0確定第k個樣本點能否成為聚類中心點，之后，再由式S(i,j)＝-||x_i-x_j||²得出總的相似度數值；

再由式R(i,k)＝(1-λ)·R(i,k)+λ·R(i-1,k)和A(i,k)＝(1-λ)·A(i,k)+λ·A(i-1,k)更新可信度R和可用度A，其中，λ為阻尼因子，取值為[0.5，1]；從而得到最優特征集；

步驟四、檢測最優特征集的有效性；

對于最優特征集給定一個樣本空間X_m×n，得出樣本X的協方差矩陣S_n×n；

再算出協方差矩陣S_n×n的特征向量e₁,e₂,...,e_N及相對應的特征值λ₁,λ₂,...,λ_N，并將特征值按從大到小的順序進行排序；

由式其中，i＝1,2,...,N；和其中，i＝1,2,...,N；依據所求特征值的大小算出協方差矩陣S_n×n的貢獻率和累計貢獻率；其中，θ_i表示協方差矩陣S_n×n中第i列向量的貢獻率；Θ_r表示協方差矩陣S_n×n中前r列矩陣的累計貢獻率；

最后，選取前m個最大的特征值對應的特征向量組成變換矩陣M，由式Y＝XM得出前m個主成分，從而完成降維，實現故障特征中最優特征集的有效提取。

2.根據權利要求1所述的一種基于拉普拉斯分值與AP聚類的故障特征的提取方法，其特征在于，在步驟三中，阻尼因子λ為0.9。