[发明专利]基于旋转机械的工作状态的自学习识别方法

摘要

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。

主权项

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。