基于核密度估計和k-l散度的旋轉(zhuǎn)機械故障診斷方法
【專利摘要】本發(fā)明公開了一種基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，包括如下步驟：采集被監(jiān)測對象的原始振動數(shù)據(jù)，并劃定訓練樣本集和測試樣本集；從步驟1中得到原始振動數(shù)據(jù)中提取指定時頻域特征；選擇出少數(shù)敏感特征，并且計算這些敏感特征的分類貢獻率；利用核密度估計計算訓練樣本中不同故障類別樣本集關(guān)于敏感特征的概率密度函數(shù)，并計算加入一個未知故障類別待測樣本后各類樣本集新的概率密度函數(shù)；計算出在選定的特征描述下，訓練樣本中各類故障樣本集原始概率密度函數(shù)，以及加入一個待測樣本后的新概率密度函數(shù)兩者的K-L散度值；計算集成K-L散度，并通過集成K-L散度的大小判斷待測樣本的故障類別。從而提高分類器的準確率和推廣能力。
【專利說明】基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于機械裝備故障智能診斷領(lǐng)域，具體涉及基于核密度估計和K-L散度等統(tǒng)計學工具的故障診斷方法。
【背景技術(shù)】
[0002]旋轉(zhuǎn)機械廣泛應(yīng)用于工業(yè)生產(chǎn)實踐中，例如風力發(fā)電機、數(shù)控機床、航空航天發(fā)動機等關(guān)系到國防民生的重要領(lǐng)域。在生產(chǎn)工作中，滾動軸承、齒輪等旋轉(zhuǎn)機械中的關(guān)鍵部件由于需要承受交變機械應(yīng)力和偶然沖擊，加上本身固有的制造誤差，經(jīng)常會產(chǎn)生一些早期缺陷，例如輕度磨損、點蝕等。這些缺陷如果不及時診斷發(fā)現(xiàn)，就會不斷惡化，最終導致系統(tǒng)失效，帶來很大的財產(chǎn)損失，甚至對國防和人身安全帶來巨大威脅。對于現(xiàn)代化大型復雜旋轉(zhuǎn)機械設(shè)備而言，盡管可以通過改善設(shè)計、制造工藝來提高零部件的質(zhì)量，但仍難以確保不出故障。所以，有必要利用先進的傳感和監(jiān)測技術(shù)，對關(guān)鍵零部件及系統(tǒng)進行有計劃、有組織、有針對性的狀態(tài)監(jiān)測和故障診斷，盡早發(fā)現(xiàn)設(shè)備運行過程中的各種隱患，從而防止巨額財產(chǎn)損失和災難性事故的發(fā)生。
[0003]數(shù)據(jù)驅(qū)動方法是近年來逐漸興起的一種故障診斷技術(shù)，計算機技術(shù)的快速發(fā)展使得大數(shù)據(jù)并行高速計算變得非常容易，推動了依靠大量數(shù)據(jù)分析的故障診斷技術(shù)的發(fā)展。從應(yīng)用的角度看，基于數(shù)據(jù)驅(qū)動的故障診斷方法較基于模型的方法更為切實可行，這是由于數(shù)據(jù)采集通常要比精確建立物理模型更加容易。除此之外，數(shù)據(jù)驅(qū)動的故障診斷方法還有兩個明顯的優(yōu)點:一是該類方法更容易實現(xiàn)自動診斷，這與現(xiàn)代工業(yè)的智能化發(fā)展是切合的；二是該類方法不需要太多參數(shù)設(shè)置和專家經(jīng)驗知識。一般來說，一種數(shù)據(jù)驅(qū)動的故障診斷方法應(yīng)包括數(shù)據(jù)獲取、特征提取、特征降維、分類器設(shè)計和結(jié)果輸出等五個步驟，其中分類器設(shè)計和選擇是該類方法的關(guān)鍵。
[0004]現(xiàn)有的數(shù)據(jù)驅(qū)動的故障診斷方法大多都是在樣本的特征空間尋找一個最優(yōu)分類超曲面，從而將不同類型的故障樣本分開。例如，基于支持向量機(Support VectorMachine, SVM)的故障診斷方法,基于BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)的故障診斷方法等。然而，由于噪聲、測量誤差等對有效振動信號的污染，使得分類問題存在一定的不確定性，進而導致了分類錯誤的現(xiàn)象，即很難找到一個恰當?shù)某鎸⑺袠颖救繗w類正確。
[0005]以上常用方法產(chǎn)生分類錯誤的現(xiàn)象的原因與它們的分類原理是分不開的。傳統(tǒng)的智能故障診斷方法往往忽略了樣本間的統(tǒng)計信息和關(guān)聯(lián)信息，而統(tǒng)計信息對于隨機信號處理是極為關(guān)鍵的，即對于正確分類很有幫助。目前，國內(nèi)外從樣本統(tǒng)計角度開展的智能故障診斷方法的研究或報道還非常少。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是為了從原始樣本中提取更加全面、有效的統(tǒng)計學信息，從而提高分類器的準確率和推廣能力，提出一種基于核密度估計(Kernel Density Estimation,KDE)和K-L散度(Kullback-Leibler Divergence)兩種統(tǒng)計學工具的智能故障診斷方法。[0007]本發(fā)明的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，包括如下步驟:
[0008]步驟1:采集被監(jiān)測對象的原始振動數(shù)據(jù)，并劃定訓練樣本集和測試樣本集；
[0009]步驟2:從步驟I中得到的原始振動數(shù)據(jù)中提取指定時頻域特征；
[0010]步驟3:從步驟2中得到的頻域特征集中選擇出少數(shù)敏感特征，并且計算這些敏感特征的分類貢獻率；
[0011]步驟4:利用核密度估計計算訓練樣本中不同故障類別樣本集關(guān)于步驟3中提取的敏感特征的概率密度函數(shù)，并計算加入一個未知故障類別待測樣本后各類樣本集新的概率密度函數(shù)；
[0012]步驟5:計算出在選定的特征描述下，訓練樣本中各類故障樣本集原始概率密度函數(shù)，以及加入一個待測樣本后的新概率密度函數(shù)兩者的K-L散度值；
[0013]步驟6:計算集成K-L散度，并通過集成K-L散度的大小判斷待測樣本的故障類別。
[0014]進一步地，所述步驟2中得到的指定時頻域特征是通過總體平均經(jīng)驗模態(tài)分解方法和希爾伯特變換等信號處理方法得到的。
[0015]進一步地,所述步驟3的計算過程如下:
[0016]第一步:計算第j個特征C個類的類內(nèi)距離的平均值
【權(quán)利要求】
1.一種基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，包括如下步驟: 步驟1:采集被監(jiān)測對象的原始振動數(shù)據(jù)，并劃定訓練樣本集和測試樣本集； 步驟2:從步驟I中得到的原始振動數(shù)據(jù)中提取指定時頻域特征； 步驟3:從步驟2中得到的頻域特征集中選擇出敏感特征，并且計算這些敏感特征的分類貢獻率； 步驟4:利用核密度估計計算訓練樣本中不同故障類別樣本集關(guān)于步驟3中提取的敏感特征的概率密度函數(shù)，并計算加入一個未知故障類別待測樣本后各類樣本集新的概率密度函數(shù)； 步驟5:計算出在選定的特征描述下，訓練樣本中各類故障樣本集原始概率密度函數(shù)，以及加入一個待測樣本后的新概率密度函數(shù)兩者的K-L散度值； 步驟6:計算集成K-L散度，并通過集成K-L散度的大小判斷待測樣本的故障類別。
2.如權(quán)利要求1所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述步驟2中得到的指定時頻域特征是通過總體平均經(jīng)驗模態(tài)分解方法和希爾伯特變換等信號處理方法得到的。
3.如權(quán)利要求1所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述步驟3的計算過程如下: 第一步:計算第j個特征C個類的類內(nèi)距離的平均值
4.如權(quán)利要求1所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述核密度估計是概率論中一種用來估計隨機變量概率密度函數(shù)的非參數(shù)方法，設(shè)X1, X2,…，Xn是取自一元連續(xù)總體X的樣本，在任意點χ處的總體密度函數(shù)f (χ)的核密度估計定義為:
5.如權(quán)利要求4所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述的窗寬h是核密度估計方法中唯一要優(yōu)化的參數(shù)，根據(jù)最小化平均集成平方誤差方法，得到下式:
6.如權(quán)利要求1所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述步驟5的運算過程如下: 原始的K-L散度定義式為:
7.如權(quán)利要求1所述的基于核密度估計和K-L散度的旋轉(zhuǎn)機械故障診斷方法，其特征在于:所述步驟6的計算過程如下: 定義了一個集成K-L散度值IKLi (i=l，2^"，C):1KLi = Fi χ KLji (11)
【文檔編號】G01M13/02GK103868692SQ201410100359
【公開日】2014年6月18日 申請日期:2014年3月18日 優(yōu)先權(quán)日:2014年3月18日
【發(fā)明者】劉宇, 張凡, 陳初杰, 李彥鋒, 楊圓鑒, 米金華, 黃洪鐘 申請人:電子科技大學