基于符号动力学禁字模式的旋转机械故障诊断方法

摘要

本发明公开了基于符号动力学禁字模式的旋转机械故障诊断方法，其特征在于：包括如下步骤：第一步：建立需诊断设备在正常状态和各种故障状态下的时域信号样本；第二步：对每个样本，进行符号化处理，即将样品变成值域序列；第三步：将值域序列变成符号序列：第四步：将符号序列生成特征向量，具体包括四个参数组；第五步：对特征向量进行标准化和归一化处理后，再进行PCA降维处理；第六步：生成降维后的新的特征向量，并对新的特征向量进行标准化和归一化处理；第七步：采用分层递归的LibSVM进行诊断，利用网格法得到g参数和惩罚参数c参数，并进行训练建模；第八步：利用模型对测试样本进行测试；本发明可广泛应用于各种旋转机械的故障诊断。

主权项

1.基于符号动力学禁字模式的旋转机械故障诊断方法，其特征在于：包括如下步骤：第一步：建立需诊断设备在正常状态和各种故障状态下的时域信号样本各不少于30个，每个样本的采样长度L不小于4096点；第二步：对每个样本，进行符号化处理，即将时域序列变成值域序列样本；即将每个样本按其峰峰值范围均等地分成M个区域，M为6；对每个样本上的每个点进行区域选取，即样本上的值所在的区域为值域序列中的值；第三步：将值域序列变成符号序列：符号序列的形成由时延参数τ和历经长度I确定；将样本的采样点按照采样时刻从小到大的顺序取前（L-I*τ+1）个点分别作为信号起点，将信号起点加上与信号的起点时延τ、2τ、3τ……(I-1)τ对应的点分别构成一组序列，并将序列中信号起点以及与信号起点分别时延τ、2τ、3τ……(I-1)τ对应的点依次进行符号定义，再根据时域信号幅值从大到小的排列顺序，得到符号序列集合或字集合；其中：L：信号样本的长度；τ：时延参数，τ取1至6的自然数；第四步：生成特征向量，包括：第四.一步：生成参数组一，具体为计算总的禁字率f_r和符号序列的信息熵S_h;其中：其中：总禁止字率：N_f为出现的所有禁止字模式字数量；Mt为字模式总数；M_t＝M!＝720；第四.二步：生成参数组二，具体为：在整个字模式总数中，按照顺序分为30个组，每个组有24个模式，对每组符号序列，分别统计在24个模式中，禁止字模式出现的个数N_i；将每组里面出现的N_i除以总的禁止字数量，得到30个禁止字率f₁,f₂,…,f₃₀；$f_i=\frac{N_i}{N_f},i=\mathrm{1,2},...,30$第四.三步：生成参数组三，具体为：在整个字模式总数中，按照顺序分为六个组，每个组有120个模式，对每组符号序列，分别统计在120个模式里面出现的禁止字模式数N_i′，再除以总的禁止字数N_f，得到六个禁止字率f_b1,f_b2,…,f_b6；其中：$f_{\mathrm{bi}}=\frac{N_i^{\prime }}{N_f},i=\mathrm{1,2},...,6$第四.四步：生成参数组四，具体为：将每组符号序列均分成前后二段，每段则由三个字符构成；按照这三个字符的大小位置关系，也就是每三个字符有四种位置关系，那么前后两段，共有16种模式，在整个字模式总数里面，对每组符号序列，分别统计16种模式下出现的禁止字模式数量N_ci，再除以总的禁止字模式数量，形成禁止字率f_ci；$f_{\mathrm{ci}}=\frac{N_{\mathrm{ci}}^{\prime }}{N_f},i=\mathrm{1,2},...,16$第五步：对特征向量进行标准化和归一化处理后，再进行PCA降维处理；第六步：生成降维后的新的特征向量，并对新的特征向量进行标准化和归一化处理；第七步、采用分层递归的LibSVM进行诊断，核函数采用RBF，利用网格法得到LibSVM的RBF核参数g参数和惩罚参数c参数，并进行训练建模；第八步：利用模型对测试样本进行测试，判断每类正确率是否大于90%；若每类正确率是大于90%，判断有合并的类吗；判断是否有设置的合并类；若没有合并类，模型构建完毕，可进行诊断工作；如有合并类，则设置τ＝X,τ＝1,M＝6，返回第二步；若有正确率小于90%，判断τ＜6吗如τ＜6，则设τ＝τ+1,返回第二步；如τ=6，再判断是否有正确率>90%的分类，如没有，则本次诊断失败，无法建模，不能进行诊断；如τ=6有正确率>90%的分类，则在τ＝1时观察，将没有达到正确率90%的相互混淆的类合并为一类，并设置M=6，π＝π-X+1,τ＝1，返回第二步；其中：π为识别对象，N为总的待分类的故障类别数；X为合并的类的类别数。