[发明专利]基于旋转机械的工作状态的自学习识别方法

说明书

本发明提供了一种基于旋转机械的工作状态的自学习识别方法，包括五个步骤：数据准备，数据预处理，特征提取，特征降维，分类识别；即首先对于信号做归一化的预处理，其次利用Deep Scattering Spectrum方法对信号做特征提取，此时得到的特征值维度很高，再把特征降维，最后基于支持向量机对于信号做分类识别，得到机器的状态。本发明是基于旋转机械的振动信号的长期监测的大量数据，以机器学习的算法为核心，辅助以数字信号处理算法，提高了对机械设备的状态和故障的高分类识别率；对于传统的信号处理方法无法得到有足够区分度的故障特征，可以利用本机器学习算法改进识别，以及识别当前工作状态，对于长期监测数据做分类处理，达到高准确率地识别设备状态和故障。

技术领域

本发明涉及机器学习算法的领域，具体地，涉及基于旋转机械的工作状态的自学习识别方法。

背景技术

机械设备的状态监测与故障诊断是指利用现代科学技术和仪器，根据机械设备(系统、结构)外部信息参数的变化来判断机器内部的工作状态或机械结构的损伤状况，确定故障的性质、程度、类别和部位，预报其发展趋势，并研究故障产生的机理。

机械设备状态监测与故障诊断技术是保障设备安全运行的基本措施之一，旋转机械的状态监测，首选在设备上安装传感器，主要是根据加速度采集的振动信号来识别设备的运行状态，进而识别出故障，其实质是了解和掌握设备在运行过程中的状态，预测设备的可靠性，确定其整体或局部是正常或异常。它能对设备故障的发展作出早期预报，对出现故障的原因、部位、危险程度等进行识别和评价，预报故障的传统的处理是基于数字信号的算法得到信号的特征值，再利用统计分析和模式识别判决设备状态，这样的方法已经有一定使用价值，但是在实际系统中，振动信号变化大、建立数据模型复杂，导致这样的处理方法设备的状态和故障识别的准确性不高。

发明内容

针对现有技术中的缺陷，本发明的目的是提供基于旋转机械的工作状态的自学习识别方法。本发明提供一套基于机器学习的算法，基于小波变换和机器学习的算法开发出一套用于监测具有振动信号的设备的运行状态和故障的识别算法；是基于旋转机械的振动信号的长期监测的大量数据，以机器学习的算法为核心，辅助以数字信号处理算法，提高了对机械设备的状态和故障的高分类识别率。

根据本发明的一个方面，提供基于旋转机械的工作状态的自学习识别方法，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，也是机器学习算法的训练样品；

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；为了使得归一化更合理，训练数据和测试数据需要分开归一化；

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；步骤三的核心是除去信号的时变性，设备运行过程中的振动信号是时变信号，高频部分的信息不稳定，傅里叶变换不能除去信号的时变性，而梅尔频谱通过对频率进行平均可以稳定这些系数，但是有信息丢失；本发明为了稳定时变信号，以及分析这些丢失的信息，使用小波变换，选择恒定Q滤波器组的小波变换可以得到等效的梅尔频谱，梅尔频谱会丢失高频的信息，但是小波变换得到的梅尔频谱保留了高频信息，因此对它继续做小波变换，可以恢复出高频部分带有的信息；