[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

本發明公開了一種基于拉普拉斯分值與AP聚類的故障特征的提取方法，該方法能有效地減少特征之間的冗余性，從而提高故障診斷的準確率。該方法的大致步驟為：首先利用拉普拉斯分值算法初次選擇原始故障特征集中分類能力較強的特征組成敏感特征集；然后再通過AP聚類算法從敏感特征集中剔除冗余特征，得到最優特征集；最后將最優特征集進行PCA降維，利用AP聚類算法對降維后的特征向量進行分類識別，檢測最優特征集的有效性。

技術領域

本發明屬于機械與電子信息技術領域，尤其涉及一種機械振動的信息提取方法，具體涉及一種基于拉普拉斯分值與AP聚類的故障特征的提取方法。

背景技術

機械振動是機器的一種屬性，當機器運轉過程中出現異常情況時，一般會出現振動的加大和變化，通常可以根據對振動信號進行測量處理和分析識別的結果，在設備不停機、不解體的情況下，對故障的原因、部位以及劣化程度進行診斷。盡管旋轉機械的振動問題往往是由多種因素綜合所致，但是各種類型的振動仍有其固有屬性，除振動發生過程和振動特征上的表現有所不同外，通常振動頻譜可以比較完整地反映出振動的性質，可以根據測量的振動頻譜分布查找引起振動異常的原因。

隨著科學技術的不斷發展，機械設備的結構日趨復雜，故障狀態逐漸變多，導致在實際故障診斷過程中，由信號處理所提取到的故障特征量也相應變多。其優點是可以有更多的特征信息去判別不同的故障類型，并預測設備中潛在的故障，但這種對于依賴于機器學習的模式識別方法來說，其缺點便是故障特征集維數過高所引發的“維數災難”問題，因此特征選擇就顯得尤為重要。

特征選擇是根據數據樣本的分布特性，基于某種評估標準，從原始特征集中選擇一個最優的特征子集來代替原始特征集，所選擇出的特征子集比原始特征集具有更好的分類性能。

特征選擇算法一般可以分為兩類：Filter型算法和Wrapper型算法。Filter型算法主要通過相關的評價準則來評價特征集中的特征，計算效率高，但其準確率較低。Wrapper型算法是利用特征子集的分類準確率來評估特征，優點是準確率高，但其計算復雜，過度依賴于學習算法。因此，目前機械振動的故障特征提取中較為常用的是Filter型特征選擇算法，其常見的類型有：Fisher ratio、ReliefF、拉普拉斯分值(Laplacian score，LS)、互信息、馬氏距離等；其中，拉普拉斯分值算法是一種簡單有效的特征選擇方法，其基本思想是通過比較各個特征的局部信息保持能力來優選合理的特征子集，所選擇的特征不僅有較高的方差，而且具有較強的幾何結構保留能力，從而有利于故障的判別與診斷；但是，該方法只是單純從各個特征的局部幾何結構信息的角度來考慮特征選擇的過程，并沒有考慮特征之間的相關性，所選擇的特征集不可避免地存在冗余特征，這些冗余特征重復表達了原始故障特征集中的某些信息，將會降低故障診斷的速度和效率，而且現階段來說，該問題仍然是困擾目前機械振動中故障特征提取的難點。

發明內容

(1)要解決的技術問題

針對現有技術的不足，本發明的目的在于提供一種基于拉普拉斯分值與AP聚類的故障特征的提取方法，該方法能有效地減少特征之間的冗余性，從而提高故障診斷的準確率。

(2)技術方案

為了解決上述技術問題，本發明提供了這樣一種基于拉普拉斯分值與AP聚類的故障特征的提取方法，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；