[發明專利]一種機械故障檢測方法及裝置

在審

• 申請號: 202010831504.3
• 申請日: 2020-08-18
• 公開（公告）號: CN111982515A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 房小兆;郭蔚穎;滕少華;江粼;劉志虎;江凱航
• 申請（專利權）人: 廣東工業大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/00;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 黃忠

1.一種機械故障檢測方法，其特征在于，包括：

采用預置小波包變換方法對預置機械振動信號進行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；

通過預置K-SVD算法對所述初始特征向量進行字典學習，得到過完備字典；

根據預置CoSaMp算法對所述過完備字典進行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏參數；

通過預置SVM模型對所述稀疏表征進行分類，得到檢測結果。

2.根據權利要求1所述的機械故障檢測方法，其特征在于，所述通過預置K-SVD算法對所述初始特征向量進行字典學習，得到過完備字典，包括：

通過預置K-SVD算法對初始特征向量集中的每個所述初始特征向量分別進行字典學習，得到多個子字典；

將所有所述子字典進行拼接，得到所述過完備字典。

3.根據權利要求1所述的機械故障檢測方法，其特征在于，所述通過預置K-SVD算法對所述初始特征向量進行字典學習，得到過完備字典，包括：

通過預置K-SVD算法對所述初始特征向量集中所有的所述初始特征向量統一進行字典學習，得到所述過完備字典。

4.根據權利要求1所述的機械故障檢測方法，其特征在于，所述通過預置SVM模型對所述稀疏表征進行分類，得到檢測結果，之前還包括：

采用訓練樣本對應的稀疏表征訓練初始SVM模型，得到所述預置SVM模型。

5.根據權利要求4所述的機械故障檢測方法，其特征在于，所述采用訓練樣本對應的稀疏表征訓練初始SVM模型，得到所述預置SVM模型，還包括：

采用預置粒子群優化算法優化所述預置SVM模型的相關參數，得到優化后的預置SVM模型，所述預置粒子群優化算法包括預置動態慣性因子。

6.一種機械故障檢測裝置，其特征在于，包括：

特征提取模塊，用于采用預置小波包變換方法對預置機械振動信號進行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；

字典構建模塊，用于通過預置K-SVD算法對所述初始特征向量進行字典學習，得到過完備字典；

稀疏求解模塊，用于根據預置CoSaMp算法對所述過完備字典進行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏參數；

分類模塊，用于通過預置SVM模型對所述稀疏表征進行分類，得到檢測結果。

7.根據權利要求6所述的機械故障檢測裝置，其特征在于，所述字典構建模塊，包括：

第一學習模塊，用于通過預置K-SVD算法對初始特征向量集中的每個所述初始特征向量分別進行字典學習，得到多個子字典；

拼接模塊，用于將所有所述子字典進行拼接，得到所述過完備字典。

8.根據權利要求6所述的機械故障檢測裝置，其特征在于，所述字典構建模塊，包括：

第二學習模塊，用于通過預置K-SVD算法對所述初始特征向量集中所有的所述初始特征向量統一進行字典學習，得到所述過完備字典。

9.根據權利要求6所述的機械故障檢測裝置，其特征在于，還包括：

預訓練模塊，用于采用訓練樣本對應的稀疏表征訓練初始SVM模型，得到所述預置SVM模型。

10.根據權利要求9所述的機械故障檢測裝置，其特征在于，還包括：

優化模塊，用于采用預置粒子群優化算法優化所述預置SVM模型的相關參數，得到優化后的預置SVM模型，所述預置粒子群優化算法包括預置動態慣性因子。