[发明专利]基于旋转机械的工作状态的自学习识别方法

权利要求书

1.基于旋转机械的工作状态的自学习识别方法，其特征在于，包括以下步骤：

步骤一，数据准备：采集监测设备的工况数据，将采集的工况数据按2s或3s的时长截取作为处理的原始样本；

步骤二，数据预处理：采用z-score归一化方法对原始数据的均值和标准差进行数据的标准化处理；经过处理的数据符合标准正态分布，均值为0，标准差为1，转化函数为：

其中，公式中x表示为原始信号，μ表示为原始数据的均值，σ表示为原始数据的标准差，x*表示为归一化后的信号；

步骤三，特征提取：采用Deep Scattering Spectrum算法获得6级迭代运算的参数特征，将六组参数特征串联得到原始特征，维数为7347维，以除去信号的时变性，以及获得完整的信号；

步骤四，特征降维：先采用t-test方法对原始特征进行降维，将显著性p＜0.05的特征选择出来，维数降为3849维，再采用Feature Generating Machine算法再次降维，得到140维的新特征值；

步骤五，分类识别：将降维之后的特征值送入支持向量机中，训练支持向量机进行分类识别，最终得到分类识别的算法。

2.根据权利要求1所述的基于旋转机械的工作状态的自学习识别方法，其特征在于，所述工况数据包括6种工况的数据，分别为3种正常工况的数据：启动、无负载空转、低速运行带负载，以及3种异常工况的数据：高速带负载、转子不平衡、轴承故障和润滑故障。

3.根据权利要求1所述的基于旋转机械的工作状态的自学习识别方法，其特征在于，所述步骤三中的特征提取过程包括以下步骤：

(1)将设备运行过程的振动信号采用恒定Q滤波器组进行小波变换、求模和时间平稳三步处理得到等效的梅尔频谱，以获得信号的短时平稳特性；

(2)通过继续做小波变换来恢复等效的梅尔频谱数据中压缩的高频信息。

4.根据权利要求3所述的基于旋转机械的工作状态的自学习识别方法，其特征在于，所述步骤(1)得到等效的梅尔频谱的运算过程包括以下步骤：

a)对信号样本x使用倍频程分辨率为Q1的小波ψ_λ1做小波变换，其中，所述小波变换使用的基函数是一组Q值为Q1的带通滤波器；

b)对所述小波变换的输出进行模运算，在模运算过程中用一阶模“||”代替平方运算，由公式(2)替代公式(1)，

公式(1)为：

Mx(t，λ)≈∫|∫x(u)ψ_λ(υ-u)du|²|φ(υ-t)|²dυ

＝|x*ψ_λ|²*|φ|²(t)

公式(2)为：

Mx(t，λ)≈∫|∫x(u)ψ_λ(υ-u)du||φ(υ-t)|dυ

＝|x*ψ_λ|*|φ|(t)；

c)所述模运算的结果再经过大小为T的低通滤波器φ(t)平均化，确保与时间偏移的局部不变性，得到等效的梅尔频谱，其等效的梅尔频谱系数，即一阶散射系数为：

其中，所述x表示为原始信号的样本，λ表示为带通滤波器的中心频率，t表示为时间，ψ是小波变化的基，其基函数是一组带通滤波器。

5.根据权利要求3所述的基于旋转机械的工作状态的自学习识别方法，其特征在于，所述步骤(2)中继续做小波变换包括以下步骤：

a)将得到的一阶散射系数做第二次小波变换，并求模和进行时间平稳后得到二阶散射系数，公式如下：

b)重复步骤a)的处理数次，计算m个小波卷积和模数的级联，得到m阶散射系数，公式如下：

6.根据权利要求5所述的基于旋转机械的工作状态的自学习识别方法，其特征在于，所述步骤b)中重复步骤a)的处理6次，所述m等于6。