[发明专利]基于半监督流形学习的非线性故障检测方法

权利要求书

1.   基于半监督流形学习的非线性故障检测方法，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，其特征在于，该方法按以下步骤进行：步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。

2.   根据权利要求1所述的故障检测方法，其特征在于，所述步骤1中的初始样本集通过以下方式实现：

（1）采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；

（2）对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下：

 时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；

 频域特征4个：重心频率、均方频率、频率方差、频率标准差；

 时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征；

（3）由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。

3.   （1）对初始样本集X，包括m个有标签样本 和u个无标签样本（样本总数），给定低维流形的维数d和邻域参数k；

（2）对于每一个样本点，利用k近邻构造其邻域图，并计算其相似性矩阵S：

（3）利用标签样本的标签信息优化相似性矩阵，将S分为：

其中是一个大小为m×m的矩阵，利用标签样本的标签信息来优化C，；

（4）求解广义特征值问题：，其中D为对角矩阵，且，L = D – S；

（5）得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：。

4.    根据权利要求1所述的故障检测方法，其特征在于，所述步骤3中的智能诊断模型实现方式如下：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM  的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。