[发明专利]一种基于拉普拉斯分值与AP聚类的故障特征的提取方法

说明书

本发明公开了一种基于拉普拉斯分值与AP聚类的故障特征的提取方法，该方法能有效地减少特征之间的冗余性，从而提高故障诊断的准确率。该方法的大致步骤为：首先利用拉普拉斯分值算法初次选择原始故障特征集中分类能力较强的特征组成敏感特征集；然后再通过AP聚类算法从敏感特征集中剔除冗余特征，得到最优特征集；最后将最优特征集进行PCA降维，利用AP聚类算法对降维后的特征向量进行分类识别，检测最优特征集的有效性。

技术领域

本发明属于机械与电子信息技术领域，尤其涉及一种机械振动的信息提取方法，具体涉及一种基于拉普拉斯分值与AP聚类的故障特征的提取方法。

背景技术

机械振动是机器的一种属性，当机器运转过程中出现异常情况时，一般会出现振动的加大和变化，通常可以根据对振动信号进行测量处理和分析识别的结果，在设备不停机、不解体的情况下，对故障的原因、部位以及劣化程度进行诊断。尽管旋转机械的振动问题往往是由多种因素综合所致，但是各种类型的振动仍有其固有属性，除振动发生过程和振动特征上的表现有所不同外，通常振动频谱可以比较完整地反映出振动的性质，可以根据测量的振动频谱分布查找引起振动异常的原因。

随着科学技术的不断发展，机械设备的结构日趋复杂，故障状态逐渐变多，导致在实际故障诊断过程中，由信号处理所提取到的故障特征量也相应变多。其优点是可以有更多的特征信息去判别不同的故障类型，并预测设备中潜在的故障，但这种对于依赖于机器学习的模式识别方法来说，其缺点便是故障特征集维数过高所引发的“维数灾难”问题，因此特征选择就显得尤为重要。

特征选择是根据数据样本的分布特性，基于某种评估标准，从原始特征集中选择一个最优的特征子集来代替原始特征集，所选择出的特征子集比原始特征集具有更好的分类性能。

特征选择算法一般可以分为两类：Filter型算法和Wrapper型算法。Filter型算法主要通过相关的评价准则来评价特征集中的特征，计算效率高，但其准确率较低。Wrapper型算法是利用特征子集的分类准确率来评估特征，优点是准确率高，但其计算复杂，过度依赖于学习算法。因此，目前机械振动的故障特征提取中较为常用的是Filter型特征选择算法，其常见的类型有：Fisher ratio、ReliefF、拉普拉斯分值(Laplacian score，LS)、互信息、马氏距离等；其中，拉普拉斯分值算法是一种简单有效的特征选择方法，其基本思想是通过比较各个特征的局部信息保持能力来优选合理的特征子集，所选择的特征不仅有较高的方差，而且具有较强的几何结构保留能力，从而有利于故障的判别与诊断；但是，该方法只是单纯从各个特征的局部几何结构信息的角度来考虑特征选择的过程，并没有考虑特征之间的相关性，所选择的特征集不可避免地存在冗余特征，这些冗余特征重复表达了原始故障特征集中的某些信息，将会降低故障诊断的速度和效率，而且现阶段来说，该问题仍然是困扰目前机械振动中故障特征提取的难点。

发明内容

(1)要解决的技术问题

针对现有技术的不足，本发明的目的在于提供一种基于拉普拉斯分值与AP聚类的故障特征的提取方法，该方法能有效地减少特征之间的冗余性，从而提高故障诊断的准确率。

(2)技术方案

为了解决上述技术问题，本发明提供了这样一种基于拉普拉斯分值与AP聚类的故障特征的提取方法，具体步骤为：

步骤一、提取原始故障特征集；

通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的待检测系统机械振动在某个采样时段原始故障信号的时域特征和频域特征；

将原始故障信号的时域特征和频域特征进行EEMD分解，得到固有模态函数IMFs：c_i(t),i＝1,2,3,...；

由式计算出前6个模态函数IMFs的能量矩，其中，Δt为采样时间间隔，N为样本总数；