[发明专利]基于密度峰值聚类的稀疏分量分析的机械故障诊断方法

权利要求书

1.一种基于密度峰值聚类的稀疏分量分析的机械故障诊断方法，其特征在于：首先把加速度传感器安装在机械设备的壳体表面，通过加速度传感器拾取机械振动的观测信号；其次使用sinC函数构建结构元素，并基于sinC型元素构造结合形态开-闭滤波器与形态闭-开滤波器的组合滤波器；采用组合滤波器对所拾取的机械振动观测信号进行滤波处理，得到滤波信号c_h×t，将滤波信号c_h×t进行归一化处理，得到归一化信号并取绝对值；通过密度峰值聚类算法对归一化信号进行聚类处理并得到聚类中心；最后基于聚类中心，运用正交匹配追踪算法从包含复合故障的信号中重构并分离出k个包含单一故障的源信号，k为聚类中心的维数，对分离的源信号进行FFT，然后对变换后的信号在频域进行分析，确定故障类型，最终实现故障诊断；

其中使用sinC函数构建结构元素，并基于sinC型元素构造组合滤波器步骤如下：

(1)基于函数构建sinC型元素，则结构元素g(x)＝sinC(x)；

(2)设一维离散输入信号f(n)和序列结构元素g(m)的定义域分别为D_f＝{x₀,x₁,…,x_N-1}和D_g＝{y₀,y₁,…,y_M-1}，且N＞M，则f(n)关于g(m)的腐蚀(Θ)和膨胀分别定义为：

(fΘg)(n)＝min{f(n+m)-g(m)}

其中：(n+m)、(n-m)∈D_f，m∈D_g，N为信号长度，M为结构元素的长度；

(3)相应形态开定义为形态闭(·)运算定义为进而得到形态开-闭运算和闭-开运算则组合滤波器为y(n)＝[OC[f(n)]+CO[f(n)]]/2；

所述通过密度峰值聚类算法对归一化信号进行聚类处理步骤如下：

(1)首先选择截断误差d_c，并将其用于定义邻居点，通过计算所有数据中距离样本点x_i的欧氏距离小于d_c的所有数据点，即为每个数据点x_i的局部密度ρ_i，公式如下：

ρ_i＝∑_i≠jχ(d_ij-d_c)

其中，χ(x)为分段函数，当x＜0时，χ(x)＝1，否则χ(x)＝0；d_ij表示数据i和数据j之间的距离，d_c表示截断距离；

(2)对于每个数据点x_i，找到局部密度ρ_i比其高的最近点，并记录到该点的最短距离δ_i，公式如下：

对于局部密度最大的数据i，则取δ_i＝max_j d_ij；

(3)聚类中心定义为同时具有高密度ρ_i和较大距离δ_i的点x_i；令A_i＝ρ_iδ_i，取为聚类中心,N为总体样本数。