[发明专利]基于重尾分布的KDSNE水电机组噪声源检测方法

权利要求书

1.一种基于重尾分布的KDSNE水电机组噪声源检测方法，其特征在于，包括以下步骤：

a)初始信号采集：利用水电机组上的振动传感器采集振动信号。初始信号采集需要采集一组能够比较全面反映不同噪声源振动异常的样本对象；

b)信号预处理：对传感器采集的时域信号进行小波去噪，时频域转换以及提取适当频率上的幅值构成输入样本对象；

c)数据特征提取：运用基于重尾分布的KDSNE算法计算最佳线性投影矩阵B，根据线性投影矩阵对样本对象进行特征降维；

d)噪声源分类判别：采用最近邻分类器对异常振动数据所属的噪声源部位类型进行判别分类；

e)结果输出：输出分类信息以确定噪声源状态。

最后对噪声源状态进行报警及应急处理。

2.根据权利要求1所述的水电机组噪声源检测方法，其特征在于，在所述步骤c)中，运用基于重尾分布的KDSNE算法计算最佳线性投影矩阵B包括下述七个步骤：

a1确定样本矩阵X=[x₁,x₂,...,x_N]及其类别标签，确定核函数，设定方差参数λ以及最大迭代次数Mt；

a2根据步骤a1中样本矩阵X计算输入样本间两两欧氏距离，原空间的样本相似度和类别标签计算联合概率P_ij；

a3初始化线性投影矩阵B⁰，使其元素满足（0,1）高斯分布；

a4根据步骤a2中样本间的两两欧氏距离，子空间的样本相似度和类别标签计算联合概率Q_ij；

a5通过KL散度得到目标泛函，尽可能地保持同类样本间的相似度并减少异类样本间的相似度，求得目标泛函的梯度；

a6最后利用不动点算法更新变换线性投影矩阵B^t+1；

a7输出最终线性投影矩阵B^t+1。

3.根据权利要求2所述的水电机组噪声源检测方法，其特征在于，在所述步骤a2中计算联合概率P_ij时引入了高斯RBF核函数κ(x,x’)=exp(-σ||x-x’||₂²)。给定有类别标签的n维样本x₁¹,x₂¹,...,x_N1¹,x₁²,x₂²,...,x_N2²,...,x₁^C,x₂^C,...,x_NC^C，其中x_i^c代表第c类的第i个样本，样本总类别数为C，N_i是第i类的样本数。引入核函数后，原空间的样本的联合概率为：

Pij=exp(-Kii+Kjj-2Kij/2λ)Σct=clexp(-Ktt+Kll-2Ktl/2λ)ifci=cjexp(-Kii+Kjj-2Kij/2λ)Σct≠cmexp(-Ktt+Kmm-2Ktm/2λ)else]]>

其中K_i=[κ(x₁,x_i),...,κ(x_N,x_i)]^T，是一个列向量。P_ij是一个对称矩阵，其中P_ii=0且∑_ij P_ij=1。