机械故障的集成支持向量机混合智能诊断方法

摘要

本发明公开了一种机械故障的集成支持向量机混合智能诊断方法。该方法分别采用提升小波包按频段和经验模式分解按本征模式分量对振动信号进行分解，提取分解信号的时域统计特征，构成全体特征集；提出特征距离评估技术及特征评估指标，按照特征评估指标大小从全体特征集中选取最敏感特征集；将最敏感特征集作为诊断特征，建立集成支持向量机混合智能诊断模型，实现对故障运行状态的智能诊断。

主权项

1.一种机械故障的集成支持向量机混合智能诊断方法，包括：1)分别采用提升小波包按频段和经验模式分解按本征模式分量对原始振动信号进行分解，提取分解信号和原始振动信号的时域统计特征，构成全体特征集；其特征在于：2)提出以全体特征集的类间距与类内距的比值作为距离评估指标，按照距离评估指标大小从全体特征集中选取最敏感特征集；首先，对于一个原始振动信号X(t)，计算l个时域统计特征F_time，l个时域统计特征是指均值、方差、方根幅值、有效值、峰值、偏斜度、峭度、波形指标、峰值指标、裕度指标和脉冲指标中的一个或多个；利用提升小波包变换将X(t)分解m层，m取值为2、3或4，得到2^m个分解信号，对每个分解信号分别计算l个统计特征，共得到l×2^m个提升小波包变换后的特征F_wp；采用经验模式分解将X(t)分解得到前n个本征模式分量，n取值为4—8，计算n个本征模式分量的相对能量特征F_emd，从而构成全体特征集F_total＝[F_timeF_wpF_emd]；接着，将全体特征集F_total的类间距S_b与类内距S_w的比值设定为距离评估指标J_A；最后，按照距离评估指标J_A的大小，从全体特征集F_total中选择大于给定阈值ρ的距离评估指标J_A所对应的特征，将最大分类准确率所对应的阈值设为ρ，从而构成最敏感特征集F_sensitivity；3)将获得的最敏感特征集作为诊断特征，建立基于袋装算法和遗传算法的集成支持向量机混合智能诊断模型，实现对设备运行状态的智能诊断；首先利用袋装算法从训练样本中随机生成T个训练样本子集TR_t(t＝1，2，…，T)，T取值为10—100，然后利用T个多分类支持向量机对这些子集TR_t进行训练，得到T个子分类器f_t；设T个子分类器f_t的平均分类误差为将$f=1/\hat{E}$作为遗传算法的适应度函数，对T个子分类器f_t的集成结果进行优化，得到T个子分类器的优化权值大于预设阈值λ＝1/T的权值向量w，从而构成集成支持向量机，用最敏感特征集F_sensitivity作为诊断特征，对集成支持向量机进行训练，即可建立混合智能诊断模型，利用混合智能诊断模型实现机械故障的智能诊断。