[发明专利]基于正交局部保持映射（OLPP）特征约简的故障诊断方法

说明书

技术领域

本发明涉及一种故障诊断方法，特别涉及一种基于正交局部保持映射(OLPP)特征约简 的故障诊断方法。

背景技术

旋转机械故障诊断技术是随着现代工业大生产的发展而发展起来的一项设备诊断技术， 它是研究旋转机械在运行中或在停机时基本不拆卸的状态下，掌握设备的运行现状，判定设 备故障的部位、原因、严重程度和状态，预测设备可靠性和寿命，并提出解决方案的技术， 其研究的内容涉及模式识别、现代控制理论、信号处理技术、人工智能、电子技术、统计数 学、模糊数学、计算机科学、灰色系统理论等多方面的内容，其中最主要的方法，是依据机 械动力学的原理，对旋转机械的震动信号及其它信号进行分析从而对旋转机械的故障进行诊 断。

在对旋转机械进行故障诊断的过程中，由于实际测取的信号往往是非线性、非平稳信号， 因此对实际故障特征信息的提取产生了不利影响。为了使对旋转机械进行故障诊断的研究工 作得以继续进行，技术人员使用以经验模式分解(EMD)为代表的现代时频分析方法对以上非线 性、非平稳信号进行处理，相应的做法是在进行经验模式分解(EMD)的基础上通过直接观察、 希尔伯特(Hilbert)解调或包络谱分析等手段来提取含有故障特征的内禀模态函数(IMF) 分量用于机器学习，而这是一个需要依赖先验知识的人为干预的过程，不利于实现从故障特 征提取到故障诊断的全过程的自动化，而如果不经过人为特征提取，直接将所有内禀模态函 数(IMF)应用于机器学习，则又会因特征向量维数过高或带有强噪声干扰而严重恶化学习机 的故障判别力。近年来，有学者提出高维观测数据很可能位于一个低维的非线性子流形上，流 形学习方法可以将高维观测数据映射到低维子流形，既能够降低数据维数，减少运算量，同时 又能很好地保留样本的拓扑结构，这为实际利用以经验模式分解(EMD)为代表的现代时频分析 方法，实现对旋转机械进行故障诊断提供了一种可行性，

由于流形学习方法对数据的处理过程过于复杂，技术人员不得不借助于计算机进行流形 学习方法的数据处理。推理机是人类知识的推理在计算机中的实现，利用适当的推理机可以 协助对旋转机械进行故障诊断的过程中测取的信号，进行特征约简，进而实现对旋转机械进 行故障诊断。

对自然神经网络的若干基本特性进行抽象和模拟的人工神经网络(ANN)，和支持向量机 (SVM)是目前应用前景最好的两种推理机。但人工神经网络具有网络结构难以确定、收敛速度 慢、容易陷入局部极小点而无法得到全局最优解、容易出现过学习与欠学习现象以及训练时 需要大量数据样本等不足，因此很难满足对旋转机械进行故障诊断的过程中测取的信号，进 行特征约简，进而实现对旋转机械进行故障诊断的要求。支持向量机(SVM)具有完备的统计 学习理论基础，突出的特点是采用结构风险最小化的学习原则，将优化问题转化为一个凸二 次规划问题，对于小样本数据分析具有学习和推广能力。支持向量机(SVM)的非线性处理能 力是通过“核映射”的方法来实现的。但对于现有的核函数，支持向量机(SVM)不可能逼近 某一L₂(R)平方可积空间子空间上的任意函数，因为这些核函数通过平移不可能生成该子空 间上的一组完备基。这种基的不完备性导致了分类支持向量机(SVM)不能逼近该子空间上的 任意分类界面，自适应性不理想。

由于上述种种原因，使用以经验模式分解(EMD)为代表的现代时频分析方法，处理实际测 取的非线性、非平稳信号，以对旋转机械进行故障诊断的研究，至今没有取得重大的进展。

发明内容

为了解决对旋转机械进行故障诊断中遇到的以经验模式分解(EMD)为代表的现代时频 分析方法，对非线性、非平稳信号进行处理的问题，本发明提出了一种基于正交局部保持 映射(OLPP)特征约简的故障诊断方法，所采用的技术方案是：

一种旋转机械故障诊断领域的基于正交局部保持映射(OLPP)特征约简的故障诊断方 法，包括如下具体步骤：

步骤一，对正常(可能含故障样本)训练样本和测试样本以经验模式分解的技术(EMD) 进行分解，分别得到多层内禀模态函数(IMF)分量；

步骤二，对所有内禀模态函数(IMF)分量构造瞬时幅值香农(Shannon)熵，得到n维 特征向量，n为内禀模态函数(IMF)分量层数；