[发明专利]一种旋转机械的状态预测和模式分类方法及系统

权利要求书

1.一种旋转机械的状态预测和模式分类方法，其特征在于，所述方法包括：

获取旋转机械的时间序列振动信号；

利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；

将所述时间序列本征模态函数输入到ARMA-ANN混合模型中，得到所述时间序列本征模态函数的预测数据；

根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；

对每个所述敏感模态提取时域特征和频域特征；

根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；

根据所述训练后的支持向量机识别所述旋转机械的工况模式。

2.根据权利要求1所述的方法，其特征在于，所述利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数，具体包括：

(1)利用所述变分模态分解算法的约束模型进行所述时间序列振动信号进行分解；所述变分模态分解算法的约束模型为：

其中，{u_K}＝{u₁，…，u_k}为分解后的k个IMF；{ω_K}＝{ω₁，…，ω_k}为分解后每个IMF的频率中心；是对t求偏导；δ(t)为单位脉冲函数；k为分解的模态个数；j为虚数单位；f(t)为原始信号；

(2)引入增广拉格朗日函数法，将所述约束模型的约束问题转化为无约束问题；所述无约束问题的公式为：

其中，α为惩罚因子；λ(t)为拉格朗日乘子；

(3)使用交替方向乘子算法不断迭代更新λⁿ⁺¹，直到满足终止条件后，停止迭代，得到所述约束模型的最优u_k,ω_k；迭代公式为：

其中，τ为噪声容忍度；f(ω)、分别对应每个变量的傅里叶变换；n为迭代次数；m＝1，2，…，k；所述终止条件为：

其中，为判别精度，

3.根据权利要求1所述的方法，其特征在于，所述ARMA-ANN混合模型的表达式为：

其中，Y_t为时间序列本征模态数据；为ARMA预测的时间序列本征模态函数数据；β_p和θ_q分别为自回归系数和移动平均系数；p，q是ARMA模型的阶数；序列{ε_t}为白噪声序列；Y_nt为ARMA模型的残差；为ANN预测的时间序列本征模态函数数据；H和N₁分别为神经网络隐含节点数和输入节点数；ω_s和ω_ds是神经网络的连接权重；s＝0，1，2，...，H；d＝0，1，2，...，N₁；e_t为t时刻的误差项；为最终预测的时间序列本征模态函数数据。

4.根据权利要求1所述的方法，其特征在于，所述能量占比的计算公式为：

其中，p_m表示第m个模态的能量占总能量的比例，m＝1，2，…，k；k表示分解后的本征模态函数个数。

5.根据权利要求1所述的方法，其特征在于，所述对每个所述敏感模态提取所述时域特征和所述频域特征的提取公式为：

其中，u_i(Z)表示第Z个敏感模态信号的第i个数据点；i＝1，2，…，N(N表示第Z个敏感模态的所提取特征的数据维度)；Z＝1，2，…，h(h表示所选取敏感模态的个数)；μ(·)表示模态信号的均值；σ(·)是模态信号的标准差；f_i(·)表示频谱中出现的频率点；G(f_i(·))表示该频率点对应的能量。