一种适用于工况变化情况下的旋转机械健康监测方法

摘要

本发明涉及一种适用于工况变化情况下的旋转机械健康监测方法，其步骤包括（1）监测模型构建：利用相关向量机拟合健康特征参数随工况的函数关系，作为自适应阈值模型的参数，构建自适应阈值模型，（2）健康状态监测：将来自待检旋转机械的测试信号，利用构建的自适应阈值模型检测测试数据是否超出阈值，未超出阈值则判断机械健康，否则判断机械故障。本方法使用相关向量机拟合健康特征的均值和标准差随工况参数变化的函数关系，优势在于相关向量机具有很强的学能力，不仅能够解决神经网络的局部极小值问题、过学/欠学问题，还能比支持向量机具有更好的稀疏性，得到的结果更加简洁和实用。本发明具有监测精度高，能够在变转速、变载荷情况下使用的优点。

主权项

一种适用于工况变化情况下的旋转机械健康监测方法，其特征在于，步骤包括：①. 监测模型构建：利用相关向量机拟合健康特征的统计均值m和标准差d随工况c的函数关系m(c)，d(c)，作为自适应阈值模型的参数，构建自适应高斯阈值模型；②. 健康状态监测：将来自待检旋转机械的测试信号，利用构建的自适应阈值模型检测测试数据是否超出阈值，未超出阈值则判断机械健康，否则判断机械故障；所述步骤①的具体流程为：1.1、训练数据准备：测试健康旋转机械在变工况情况下的测试数据，包括振动信号和工况参数；1.2、监测特征提取：提取不同工况下的健康特征指标x，统计健康特征指标的均值m和标准差d；1.3、拟合健康特征指标与工况函数关系：以工况参数c为输入变量，以健康特征指标的统计均值m和标准差d为输出变量，训练相关向量机，得到健康特征指标x的均值m和标准差d与工况参数c之间的函数关系：m(c)、d(c)；1.4、监测模型生成：使用特征指标的均值与标准差函数构建自适应阈值模型，（1）式中，x是健康特征指标，c是工况参数，m和d表示随工况变化的健康特征指标x的均值和标准差；y表示旋转机械的健康指数，y>0意味着x没有超出阈值，表示机械健康，y<0意味着x超出阈值，表示机械故障；k是阈值因子，用于平衡假正率和假负率，同时使得假正率和假负率之和尽可能小；1.5、阈值因子调整：调整阈值因子k，观察假正率和假负率随k的变化情况，并据此对阈值因子k进行调整，选择出适当的阈值因子；所述步骤②的具体流程为：2.1、测试数据准备：测试待检旋转机械的测试数据，包括振动信号和工况参数c；2.2、监测特征提取：计算健康特征指标x；2.3、健康状态判断：将待测数据中的健康特征指标x、工况参数c输入到监测模型，根据监测模型输出是否超出预定阈值，判断旋转机械的健康状态。