[发明专利]一种基于概率密度函数的旋转机械健康状态评估方法

权利要求书

1.一种基于核密度估计和K-L散度的旋转机械健康评估方法，包括如下步骤：

步骤1：采集被监测对象的原始振动数据；

步骤2：从步骤1中得到的原始振动数据中提取多个的时域和频域特征，获得时域特征集和频域特征集；

步骤3：对步骤2中得到的时域和频域特征集进行降维处理获得敏感特征，并且计算这些敏感特征的贡献率，然后获得贡献率向量；

步骤4：采集被监测对象每一个时刻的原始振动数据为一个样本，使用一个窗宽为k的移动滑动窗来动态地选定样本集，即落入滑动窗的k个样本构成一个样本集合，计算获得样本集合的统计特性；

步骤5：利用核密度估计方法，计算各个样本集关于步骤3中提取的敏感特征下的概率密度函数；

步骤6：计算出相同敏感特征下相邻两个样本集的概率密度函数的K-L散度值；

步骤7：计算集成K-L散度，以集成K-L散度值作为监测对象的健康评估指标，集成K-L散度组成新的时间序列用来判断监测对象健康状态退化的严重程度；集成K-L散度越小，相邻的两个样本集的概率密度函数越相似；反之，当集成K-L散度越大，相邻的两个样本集的概率密度函数差别越大；换句话说，集成K-L散度值越小表示相邻两个时刻的退化程度越不明显，而当集成化K-L散度越大表示相邻两个时刻的退化程度越明显。

2.如权利要求1所述的基于核密度估计和K-L散度的旋转机械健康评估方法，其特征在于：所述步骤2中具体通过总体平均经验模态分解方法和希尔伯特变换处理方法获取多个时域和频域特征。

3.如权利要求1所述的基于核密度估计和K-L散度的旋转机械健康评估方法，其特征在于：所述步骤3中使用主成分分析进行特征变换；具体计算过程如下：

第一步：由所述步骤2中提取的时域和频域特征组成的样本观测矩阵：

X=(x1,x2,...,xp)=x11x12...x1px21x22...x2p............xn1xn2...xnp---(1)]]>

其中，n维向量x_i(i＝1,2,…p)代表某一个具体的时域或频域的统计特征，p代表特征总维数，n代表总的观测样本数；

第二步：对样本观测矩阵进行数据标准化处理，减少不同特征单位不同引起的影响，得到新的标准化处理之后的矩阵

第三步：计算矩阵X^nor的协方差矩阵其中，

第四步：计算协方差矩阵C的特征值以及特征向量：

Cν_i＝λ_iν_i(2)

其中，λ_i表示协方差矩阵C的第i个特征值，ν_i是λ_i对应的特征向量；

第五步：按照降序对所有的特征值进行重新排序，得到新的特征值序列：Λ＝[λ₁,λ₂,…,λ_p]，其中，λ₁＞λ₂＞…＞λ_p，对应的特征向量序列为V＝[ν₁,ν₂,…,ν_p]；

第六步：按照预先规定的累积贡献率选择出m个主成分：

Σi=1mλi/Σi=1pλi≥θ---(3)]]>

其中，累计贡献率θ取值为90％，表示特征变换以后，新特征代表了原始数据总方差90％的比例；

第七步：由m个主成分组成的特征变换矩阵：

V＝(v₁,v₂,…,v_m)(4)

得到新的特征矩阵：

Y＝V^T(x₁,x₂,…,x_m)^T＝(y1,y2,…,y_m)^T(5)

第八步：分别计算m个敏感特征的分类贡献率F_j；定义：

Fj=λjΣi=1nλi,(j=1,2,...,m)---(6)]]>

构造贡献率向量F＝(F₁,F₂,…,F_m)。