[發明專利]一種機械設備振動感知數據的預處理方法

在審

• 申請號: 202010156741.4
• 申請日: 2020-03-09
• 公開（公告）號: CN111412977A
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 黃敏;柳真
• 申請（專利權）人: 華南理工大學
• 主分類號: G01H17/00
• 分類號: G01H17/00;G01M13/00;G06N3/00;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種機械設備振動感知數據的預處理方法，其特征在于，包括以下步驟：

1)數據采集階段

選定目標機械設備，針對機械設備容易出現故障的部位，分別放置一個振動傳感器進行實時的振動感知數據采集，在數據采集過程中，需要設定合理的采集頻率；

2)特征值提取階段

利用數據采集階段得到的振動感知數據，選定合適的滑動窗口，依次采用峰值、最小值、峰間值、平均值、平均振幅、根振幅、均方值、均方根值、均方根熵估計器、方差、標準差、偏態、峰態、波形熵、脈沖因子、擺動因子、形狀因子、波峰因子、間隙因子和變化系數這二十種時域特征提取方法，按照時間序列順序進行實時的特征值提取；

3)特征值選擇階段

采用二十種不同時域特征值形成的特征值組合子集初始化粒子群優化算法的所有粒子位置向量，并結合人工神經網絡選取最優特征值子集，同時，通過人工神經網絡的預測準確率和特征值子集中的特征值個數來確定最優特征值子集，并通過人工神經網絡的預測準確率確定最優特征值子集中的特征值輸入順序；

4)數據存儲階段

采用特征值選擇階段中得到的最優特征值子集中對應的時域特征值及對應的特征值輸入順序，對特征提取階段中提取二十種特征值進行特征值選擇，并把對應的特征值數據傳輸到服務器進行數據存儲。

2.根據權利要求1所述的一種機械設備振動感知數據的預處理方法，其特征在于：在步驟1)中，需要重點關注機械設備所處的環境，避免在振動感知數據采集過程中受到外部環境因素的影響，另外，對于目標機械設備需要采用同一類型的振動傳感器，避免因傳感器類型不同導致產生大的數據測量誤差。

3.根據權利要求1所述的一種機械設備振動感知數據的預處理方法，其特征在于：在步驟2)中，采用了二十種不同的時域特征提取方法進行特征值提取，該二十種時域特征提取方法的特點如下：

峰值，能反應振動信號的異常最大值特征；

最小值，能反應振動信號的異常最小值特征；

峰間值，表示選定滑動窗口內振動信號點的峰值和最小值的差；

平均值，能夠反應振動信號的平均振幅變化情況；

平均振幅，表示選定滑動窗口內所有振動信號點絕對值的數學平均值；

根振幅，表示選定滑動窗口內振動信號點絕對值的平方根值的累加和；

均方值，表示選定滑動窗口內振動信號點值平方的累加和；

均方根值，能有效測量振動信號能量的靜態分量特征，反應機械設備在實際工作中的不平衡性；

均方根熵估計器，選定滑動窗口內多個數學均方根值通過熵公式的估計值，能夠降低原始振動信號噪音的影響；

方差，選定滑動窗口內振動信號點的數學方差；

標準差，選定滑動窗口內的數學標準差，能有效測量振動信號能量的動態分量特征；

偏態，能夠衡量振動信號分布的對稱程度；

峰態，能夠衡量振動信號分布的平坦度；

波形熵，是基于均方根熵估計器構建的時域特征提取方法，反映了與一個滑動窗口內振動信號平均值的偏差；

脈沖因子，能夠反應振動信號的波峰變化特征；

擺動因子，表示峰值和平均值的比；

形狀因子，表示均方根值和平均值的比；

波峰因子，表示峰值和均方根值的比；

間隙因子，表示峰值和均方值的比；

變化系數，表示平均值和標準差的比。

4.根據權利要求1所述的一種機械設備振動感知數據的預處理方法，其特征在于：在步驟2)中，采用的滑動窗口大小越接近振動信號單位變化周期內的振動感知數據時間序列的長度，提取的特征值進行故障診斷的效果會越好。

5.根據權利要求1所述的一種機械設備振動感知數據的預處理方法，其特征在于：在步驟3)中，采用粒子群優化算法結合人工神經網絡對特征值提取階段得到的二十種不同的時域特征值進行選擇，從而降低特征值的數量，其處理原理如下：

依據特征值提取階段得到的特征值，采用二十種時域特征值得到的不同特征值子集初始化粒子群優化算法的所有粒子，并采用人工神經網絡的預測準確率以及特征值子集中的特征個數來衡量當前特征值子集的優劣，具體策略分為以下兩個部分：

a、如果采用對應特征值子集訓練的人工神經網絡進行故障診斷的預測準確率未下降，且特征值子集中的特征值個數減少，則更新當前粒子所代表的特征值子集；

b、如果對應特征值子集訓練的人工神經網絡進行故障診斷的預測準確率能夠在原有基礎上提高百分之五，且特征值子集的個數增加，則更新當前粒子所代表的特征值子集；

依據上述策略結合粒子群優化算法和人工神經網絡，自動選取最優特征值子集；此時，依據得到的特征值子集，采用不同的特征值組合順序初始化粒子群優化算法的所有粒子，并采用人工神經網絡進行故障診斷的預測準確率來衡量當前粒子所對應特征值組合順序的優劣，具體策略為：如果對應粒子的人工神經網絡分類預測準確率相對原基礎有提高，則更新當前粒子所代表的特征值子集組合順序；

通過上述策略，應用粒子群優化算法結合人工神經網絡得到最終的最優特征值子集和對應的輸入組合順序。